A crise digital da energia: os 945 TWh da IA
A Sauna Industrial a Que Chamamos Progresso
Entre num centro de dados moderno de IA em Frankfurt ou Dublin, e o seu primeiro pensamento não é "Isto é o futuro". É "Porque é que está tanto calor aqui?". O calor atinge-nos como se abríssemos a porta de um forno, ondas de energia térmica a sair de bastidores de servidores que parecem mais fornos industriais do que computadores. O sistema de arrefecimento está aos gritos, ventoinhas a toda a força, água gelada a correr por quilómetros de tubos, só para evitar que estas máquinas derretam literalmente.
Cada chip acelerador de IA consome 1.200 watts. Para termos uma perspetiva, isso é mais energia do que o aquecedor que mantém o apartamento da sua avó holandesa quente em janeiro. E estamos a falar de milhares destes chips, empilhados em bastidores que consomem 50, 100, por vezes 250 quilowatts cada um. Um único bastidor a consumir tanta energia como 100 agregados familiares europeus médios. Num espaço do tamanho de um armário.
Esta é a crise energética digital que a boa educação não discute em conferências. A IA não está apenas a consumir eletricidade. Está a devorá-la com o apetite de um buraco negro, e todos nós acenamos educadamente como se isto fosse um comportamento perfeitamente razoável para a matemática.
Os Números Que Nos Deviam Fazer Blasfemar
Falemos de escala, porque os números são genuinamente aterradores. Em 2024, os centros de dados em todo o mundo consumiram aproximadamente 415 terawatts-hora de eletricidade. Isso é 1,5% de todo o consumo global de eletricidade. Para colocar isto em termos europeus, é substancialmente mais do que a procura anual total de eletricidade de Espanha, de 248 TWh. Toda a Espanha. Cada casa, cada fábrica, cada comboio, cada hospital. Os centros de dados consomem mais.
Mas é aqui que deixa de ser meramente alarmante e se torna verdadeiramente assustador: prevê-se que este valor mais do que duplique até 2030, atingindo 945 TWh. Isso é 3% da eletricidade global. Não 3% da eletricidade tecnológica. 3% de tudo. Mais do que todos os veículos elétricos, bombas de calor e painéis solares juntos.
E a IA é o principal impulsionador. O consumo de energia dos centros de dados de IA está a crescer 44,7% ao ano. Para perceber o quão exponencial isto é, consideremos a Irlanda. Em 2024, os centros de dados consumiram 22% da eletricidade total da Irlanda, contra apenas 5% em 2015. Isso é um aumento de 531% em nove anos. A EirGrid, a operadora da rede irlandesa, estima que, até 2030, os centros de dados possam consumir 30% da eletricidade do país. Quase um terço da rede elétrica de uma nação inteira, apenas para treinar modelos e servir pedidos de IA.
Só Dublin conta a história. Os centros de dados consumiram entre 33% e 42% de toda a eletricidade em Dublin em 2023. Algumas estimativas apontam para valores ainda mais altos. O governo irlandês impôs uma moratória à construção de novos centros de dados em Dublin até 2028, porque a rede simplesmente não consegue suportar mais carga. Amesterdão fez o mesmo em 2019, só a levantando depois de implementar requisitos rigorosos de eficácia no uso de energia e um limite de 670 MVA até 2030. Os Países Baixos foram mais longe, impondo uma moratória nacional a centros de dados hiperscala que excedam 70 megawatts.
Isto não é um crescimento gradual. É uma explosão exponencial na procura de energia, a acontecer agora, a acelerar a cada trimestre, e a embater de frente nos limites da infraestrutura física.
A Bomba de Carbono do Treino
Treinar um único modelo de linguagem de grande dimensão produz uma pegada de carbono que faria corar uma refinaria de petróleo. E, ao contrário das refinarias, que pelo menos produzem algo tangível que se pode deitar no depósito de um carro, estas emissões produzem... bem, um modelo que talvez alucine com confiança sobre receitas de cogumelos.
O GPT-3, o modelo que deu início ao atual boom da IA, emitiu 552 toneladas métricas de CO2 durante o treino. O equivalente a 123 veículos de passageiros a gasolina a circular durante um ano. Por um modelo. Uma única execução de treino. E isto é apenas o consumo direto de energia, sem contar com o carbono incorporado no fabrico dos GPUs ou na construção do centro de dados.
E aqui está a parte verdadeiramente louca: o GPT-3 é considerado pequeno pelos padrões atuais. Os modelos modernos são ordens de grandeza maiores. Treinar um modelo com 100 biliões de parâmetros consome aproximadamente 9 milhões de euros em tempo de computação GPU. Aos preços europeus da energia e à intensidade carbónica europeia, isso equivale a milhares de toneladas de CO2 equivalente. Por modelo. E uma implementação bem-sucedida exige normalmente dezenas ou centenas de execuções de treino, porque as primeiras dezassete tentativas produziram um modelo que acha que a Bélgica é um tipo de queijo.
Os artigos de investigação apregoam as impressionantes métricas de desempenho. A pegada de carbono? Essa fica enterrada numa nota de rodapé, se é que é mencionada. É o equivalente em IA de se gabar da aceleração do carro novo enquanto se evita cuidadosamente mencionar que faz 2 quilómetros por litro.
O Efeito de Multiplicação da Inferência
Eis o que a maioria das pessoas não percebe, e é a parte que realmente importa: o treino é um custo único. A inferência, usar o modelo para responder a perguntas, funciona continuamente. Para sempre. A uma escala que faz as emissões do treino parecerem minúsculas.
Cada consulta ao ChatGPT consome eletricidade. Cada geração de imagem por IA queima watts. Cada recomendação, cada tradução, cada resposta de assistente de voz. Milhões de pedidos por segundo, 24 horas por dia, 365 dias por ano. E, ao contrário do treino, que acontece em rajadas concentradas, a inferência está distribuída por milhares de centros de dados em todo o mundo, o que torna quase impossível acompanhá-la.
A investigação mostra que as emissões da inferência excedem frequentemente as do treino por ordens de grandeza, sobretudo em modelos amplamente implementados. O treino pode custar 500 toneladas de CO2. A inferência ao longo da vida útil do modelo? Potencialmente 50.000 toneladas. Talvez mais. Ninguém está a contabilizar, e é exatamente esse o problema.
As empresas tecnológicas reportam as emissões do treino quando tal é legalmente exigido pelos regulamentos da UE. As emissões da inferência? Essas são "custos operacionais", convenientemente enterradas nas estatísticas gerais dos centros de dados, ao lado dos servidores de email e dos vídeos de gatos. O Regulamento da UE sobre IA exige a divulgação do consumo de energia dos modelos de IA de uso geral, mas a aplicação é irregular e a divulgação voluntária continua a ser exatamente isso: voluntária.
A Crise da Densidade de Potência que Está a Quebrar a Física
Os centros de dados tradicionais costumavam funcionar com cerca de 36 quilowatts por bastidor. Algo gerível. A refrigeração por ar convencional funcionava bem. Podiam ser construídos em qualquer lugar com boa conectividade de rede e preços de eletricidade razoáveis. A infraestrutura era simples.
Depois, a IA aconteceu, e a física ficou zangada.
Os bastidores de IA de hoje atingem os 50 quilowatts. As implementações de ponta estão a chegar aos 100 quilowatts. Algumas configurações experimentais estão a empurrar os 250 quilowatts por bastidor. Isso é o consumo de energia de 100 famílias europeias médias, concentrado em poucos metros quadrados de bastidor de servidores. A densidade de potência está a aproximar-se da de um motor de foguetão.
O problema não é apenas a potência total. É a densidade. Concentrar tanta energia num espaço tão pequeno faz da física a sua inimiga. O calor tem de ir para algum lado, e a refrigeração por ar fisicamente não consegue lidar com isso. A carga térmica é demasiado elevada. É preciso refrigeração líquida. Refrigeração direta ao chip. Refrigeração por imersão. Sistemas complexos de gestão térmica que custam mais do que os próprios servidores e exigem equipas próprias de engenharia para operar.
Os centros de dados estão a ser redesenhados não para eficiência computacional, mas apenas para evitar o colapso térmico. Estamos a construir infraestrutura para lidar com o calor residual de operações matemáticas que, fundamentalmente, não deviam produzir tanto calor em primeiro lugar. É como desenhar um melhor sistema de escape para um carro que está em chamas, em vez de questionar porque é que o carro está em chamas.
O Chip Que Devorou a Rede
Vamos olhar para o hardware por um momento, porque o consumo individual de cada chip conta a sua própria história de escalada insana.
Os primeiros aceleradores de IA consumiam cerca de 400 watts. Já era muito, mas gerível com refrigeração convencional. Depois vieram os 700 watts. Depois os 1.000 watts. A mais recente arquitetura Blackwell da NVIDIA atinge 1.200 watts por chip, com algumas configurações a ir ainda mais longe. Já há discussões sobre futuros designs que chegarão aos 1.400 watts.
Pense nisto. 1.200 watts. Por chip. Um único chip a consumir mais energia do que a maioria dos eletrodomésticos. E treinar um modelo de grande dimensão exige milhares destes chips a funcionar continuamente durante semanas ou meses.
As contas são brutais: 1.000 chips × 1.200 watts = 1,2 megawatts. Para um único cluster de treino. A correr um único modelo. E há centenas destes clusters em todo o mundo, com mais a entrar em funcionamento todos os trimestres. Só os mercados FLAP-D (Frankfurt, Londres, Amesterdão, Paris, Dublin) representam mais de 60% da capacidade dos centros de dados europeus, com a procura de energia projetada para crescer de 96 TWh em 2024 para 168 TWh até 2030.
Isto não é sustentável. Nem sequer está perto de ser sustentável. Estamos a queimar eletricidade a um ritmo que teria parecido ficcional há uma década, e a conversa na indústria centra-se em saber se a rede elétrica consegue acompanhar, não em saber se devíamos estar a fazer isto de todo.
O Pesadelo Verde da Europa e a Escolha Impossível
Para a Europa, isto cria um conflito impossível que já não é teórico. Está a acontecer agora mesmo, em reuniões de planeamento da rede e em audiências regulatórias por todo o continente.
O Pacto Ecológico Europeu tem como objetivo tornar a Europa neutra em termos climáticos até 2050. As emissões de carbono têm de cair pelo menos 55% até 2030 em comparação com os níveis de 1990. A eficiência energética tem de melhorar em todos os setores. As energias renováveis têm de substituir os combustíveis fósseis. Estes são objetivos juridicamente vinculativos ao abrigo da Lei Europeia do Clima.
Entretanto, o consumo de energia da IA está a explodir a 44% ao ano. Em 2024, os centros de dados europeus consumiram 96 TWh, representando 3,1% da procura total de energia. Mas a distribuição é extremamente desigual. Na Irlanda, representa 22% da eletricidade nacional. Nos Países Baixos, 7%. Na Alemanha, 4%. Os centros de dados em Amesterdão, Londres e Frankfurt consumiram entre 33% e 42% da eletricidade dessas cidades em 2023.
As duas trajetórias são matematicamente incompatíveis. A Europa pode atingir os seus objetivos climáticos, ou pode construir infraestruturas de IA usando as abordagens atuais. Não ambas. As contas não batem certo.
Alguns argumentam que as energias renováveis resolvem isto. «Basta alimentar os centros de dados com energia solar e eólica.» Ideia bonita. Completamente impraticável. A Europa instalou 65,5 GW de nova capacidade solar em 2024 e 16,4 GW de nova capacidade eólica. As energias renováveis atingiram 47% da produção de eletricidade. Mas 945 TWh de nova procura de centros de dados até 2030 exigiriam construir capacidade renovável equivalente a milhares de parques eólicos adicionais e milhões de painéis solares a mais. Só a utilização de terreno seria astronómica. A Dinamarca, com 88,4% de eletricidade renovável (sobretudo eólica), é frequentemente citada como modelo. Mas o consumo total de eletricidade da Dinamarca é apenas uma fração da procura projetada dos centros de dados de IA.
Mesmo que fosse tecnicamente possível, o custo de oportunidade é impressionante. Cada megawatt-hora destinado ao treino de IA é um megawatt-hora que não está disponível para eletrificar os transportes, aquecer casas ou alimentar a indústria. É um trade-off direto, e estamos a escolher queimar energias renováveis a treinar modelos que podem estar obsoletos dentro de seis meses em vez de aquecer casas durante o inverno.
A Crise da Água Que Ninguém Está a Acompanhar
A energia não é o único recurso que a IA está a consumir. A água está a tornar-se uma crise crítica, especialmente em regiões que já enfrentam stress hídrico.
Os centros de dados utilizam enormes quantidades de água para arrefecimento evaporativo, no qual a maioria das grandes instalações se baseia por ser mais eficiente do que os sistemas de circuito fechado. O arrefecimento evaporativo literalmente evapora água para dissipar o calor. A água desaparece. Não é reciclada de volta para o sistema. Evapora-se para a atmosfera. Removida permanentemente dos abastecimentos de água locais.
Um estudo de 2024 concluiu que o treino do GPT-3 nos centros de dados de última geração da Microsoft nos EUA consumiu aproximadamente 700 mil litros de água doce. Isso chega para produzir 370 carros BMW ou 320 veículos elétricos Tesla. Para uma única execução de treino. De um único modelo. E isto é apenas o consumo direto de água no local, sem contar com a água utilizada na geração de eletricidade.
A pegada hídrica total do ciclo de vida, incluindo a geração de eletricidade fora do local, atinge 5,4 milhões de litros. E a utilização contínua prossegue: o ChatGPT requer aproximadamente 500 mililitros de água para uma conversa curta de 20 a 50 perguntas e respostas. Multiplique isso por milhões de utilizadores a fazer perguntas continuamente, e o consumo de água torna-se impressionante.
Em regiões propensas a secas, isto está a criar conflitos diretos. Centros de dados a competir com a agricultura e com os abastecimentos municipais de água. Em algumas regiões, o treino de IA está literalmente a tirar água às culturas durante secas. Isto não é um problema futuro. Está a acontecer agora. E à medida que as implementações de IA crescem, está a piorar.
A Ilusão da Eficiência e o Paradoxo de Jevons
A indústria da IA adora falar de melhorias de eficiência. Todos os keynote de conferências têm um slide: "Os novos chips são 10× mais eficientes!" "Algoritmos melhores reduzem o consumo de energia em 50%!" "Os nossos centros de dados são alimentados por 100% de energia renovável!"
Tudo verdade. Tudo tecnicamente impressionante. Tudo completamente irrelevante para o problema real.
Porque as melhorias de eficiência são imediatamente consumidas pelos aumentos de escala. Isto é o paradoxo de Jevons em ação, e os economistas avisam sobre ele desde 1865, quando William Stanley Jevons observou que a melhoria da eficiência do carvão nas máquinas a vapor levou a um aumento do consumo total de carvão, e não a uma diminuição.
O CEO da Microsoft, Satya Nadella, chegou a tweetar "o paradoxo de Jevons ataca de novo!" quando a DeepSeek lançou o seu modelo de IA eficiente e de baixo custo. Ele percebeu exatamente o que iria acontecer: custos mais baixos significam mais utilização, o que leva a um consumo total mais elevado. E ele tinha razão.
Sim, os chips mais recentes fazem mais cálculos por watt. Mas os modelos estão a ficar maiores ainda mais depressa. Sim, algoritmos melhores reduzem o tempo de treino. Mas estamos a treinar mais modelos, com mais frequência e com mais parâmetros, porque agora podemos dar-nos ao luxo. O consumo total de energia não está a diminuir. Está a acelerar. A melhoria de eficiência de 10× significa apenas que podemos treinar um modelo 10× maior pelo mesmo custo energético. E então fazemo-lo. E o consumo total aumenta.
A NVIDIA afirma que o Blackwell é 100.000× mais eficiente em termos energéticos para inferência do que os chips de há uma década. Engenharia espetacular. Mas o consumo total de energia da IA explodiu durante esse mesmo período, porque as melhorias de eficiência permitiram implementações a escalas que antes eram economicamente impossíveis.
O Custo Real das Fantasias de Vírgula Flutuante
Porque é que a IA consome tanta energia? A resposta está na matemática, e é mais simples do que se possa pensar.
A aritmética de vírgula flutuante, a base das redes neuronais modernas, é computacionalmente dispendiosa. Cada multiplicação exige circuitos significativos, área de silício significativa e energia significativa. E as redes neuronais são milhares de milhões de operações de vírgula flutuante, repetidas milhões de vezes por segundo.
Pior, estamos a usar precisão extrema onde ela genuinamente não é necessária. Floats de 32 bits. Floats de 16 bits. Até floats de 8 bits. Toda esta precisão, toda esta sobrecarga computacional, toda esta energia, para tomar decisões que são, em última análise, binárias. Sim ou não. Gato ou cão. Spam ou não-spam. Aprovar ou rejeitar.
É como usar um supercomputador para atirar uma moeda ao ar. O resultado é cara ou coroa, mas estamos a queimar megawatts a calcular probabilidades com dezasseis casas decimais. A precisão é matematicamente bela. Também é termodinamicamente insana.
Isto não é otimização. Isto é desperdício disfarçado de necessidade, defendido pela inércia do "mas sempre foi assim que fizemos" e pelo custo irrecuperável de milhares de milhões de euros investidos em infraestrutura de GPU especificamente concebida para operações de vírgula flutuante.
A Alternativa Binária Que Funciona Mesmo
Então qual é a solução? Como construímos IA sem transformar os centros de dados em desastres climáticos?
Na Dweve, começámos por questionar o pressuposto fundamental. Será que a IA precisa mesmo de aritmética de vírgula flutuante? Será que precisa mesmo de tanta energia? Existirá uma base matemática diferente que alcance a mesma inteligência com uma sobrecarga computacional drasticamente menor?
As redes neuronais binárias fornecem uma resposta clara e empiricamente testada: não, a IA não precisa de aritmética de vírgula flutuante. Nem de perto.
Ao eliminar por completo as operações de vírgula flutuante e usar lógica binária simples, o consumo de energia cai 96%. Não através de otimizações marginais ou caches inteligentes. Através de um redesenho matemático fundamental. As poupanças computacionais vêm da substituição das complexas operações de multiplicar-acumular em vírgula flutuante por operações binárias simples de AND e XNOR, que exigem ordens de grandeza menos energia.
Esse acelerador Blackwell de 1.200 watts? Substitua-o por uma CPU de 50 watts a executar operações binárias. Mesma inteligência. Mesmas capacidades. 24× menos energia. Ou melhor ainda, implemente em FPGAs especificamente otimizados para operações binárias, alcançando uma eficiência energética 136× superior à das abordagens tradicionais com GPUs.
Esse rack de servidores de 250 quilowatts a consumir tanta energia quanto um bairro? Reduzido para 10 quilowatts. Esse enorme centro de dados a gastar a eletricidade de uma cidade inteira? Reduzido ao consumo de energia de um grande edifício de escritórios. Os requisitos de infraestrutura colapsam proporcionalmente. Sem refrigeração líquida exótica. Sem subestações elétricas dedicadas. Sem melhorias na rede elétrica.
A matemática é simples: as operações binárias usam ordens de grandeza menos energia do que a vírgula flutuante. As eficiências de infraestrutura seguem naturalmente. O impacto climático cai proporcionalmente. E os resultados? Precisão equivalente ou superior em tarefas do mundo real, porque as redes neuronais binárias conseguem, de facto, captar relações estruturais que as redes de vírgula flutuante não conseguem.
Para Além da Eficiência: Um Paradigma Diferente para a IA Europeia
As redes neuronais binárias não são apenas mais eficientes. Representam uma abordagem fundamentalmente diferente à inteligência, que se alinha naturalmente com os valores europeus de sustentabilidade, transparência e soberania tecnológica.
Em vez de aproximar decisões com matemática contínua e computação massiva, utilizam diretamente lógica discreta. Em vez de queimar energia para superar a instabilidade numérica na descida de gradiente, assentam em fundações binárias estáveis. Em vez de exigirem GPUs proprietárias e dispendiosas fabricadas no estrangeiro, funcionam eficientemente em CPUs padrão e podem ser implementadas em FPGAs fabricados na Europa.
O resultado é uma IA que trabalha com a física em vez de a combater. Computação que não exige sistemas de arrefecimento exóticos. Infraestrutura que não requer a sua própria central elétrica. E, crucialmente para a Europa, uma abordagem tecnológica que não o prende à dependência da NVIDIA, sediada na Califórnia, ou de outros fornecedores de hardware não europeus.
Empresas como a Black Forest Labs, da Alemanha, a Mistral AI, de França, e a Aleph Alpha, também da Alemanha, estão a construir capacidades impressionantes de IA, mas continuam fundamentalmente dependentes das arquiteturas tradicionais de vírgula flutuante e da cadeia de abastecimento de GPUs. As redes neuronais binárias oferecem um caminho para uma genuína soberania europeia em IA, funcionando em hardware que pode ser fabricado na Europa, com processos que se alinham com os compromissos climáticos europeus.
É assim que a Europa pode ter ambas as coisas: avanço da IA e objetivos climáticos. Não tornando a abordagem atual ligeiramente mais ecológica através de compras de energia renovável e compensações de carbono, mas usando matemática que não exige consumo de energia à escala planetária em primeiro lugar. O Regulamento Europeu da IA já reconhece isto, exigindo a divulgação do consumo de energia e incentivando códigos de conduta voluntários sobre sustentabilidade ambiental. As abordagens binárias transformam esses objetivos aspiracionais em realidade alcançada.
A Escolha Que Estamos a Fazer Agora
A crise digital de energia não é inevitável. É uma escolha. Uma escolha que estamos a fazer agora, em cada ordem de compra de GPUs, em cada contrato de construção de centros de dados, em cada execução de treino de modelos.
É uma escolha continuar a usar aritmética de vírgula flutuante porque é familiar, porque as ferramentas existem, porque requalificar uma indústria inteira é difícil. Uma escolha de aceitar o crescimento exponencial da energia porque os resultados trimestrais parecem bons e os capitalistas de risco estão entusiasmados. Uma escolha de queimar mais eletricidade a treinar um modelo do que uma vila usa num ano, porque podemos, e porque alguém pagará o custo climático.
Mas podíamos escolher de forma diferente. A Europa está, na verdade, numa posição única para liderar esta escolha.
Podemos escolher matemática que não desperdiça 96% da sua energia em precisão desnecessária. Podemos escolher algoritmos que funcionam eficientemente em hardware padrão, em vez de exigirem aceleradores especializados. Podemos escolher arquiteturas que respeitam os limites físicos e ambientais, em vez de assumirem disponibilidade infinita de energia. Podemos escolher abordagens que se alinham com o Pacto Ecológico Europeu, em vez de o prejudicarem diretamente.
O boom da IA não tem de se tornar uma catástrofe energética. As redes neuronais binárias provam que existe outro caminho. Um que oferece inteligência sem o custo climático. Um que trabalha com as restrições das energias renováveis, em vez de as sobrecarregar. Um que trata a eficiência como uma característica fundamental, e não como uma reflexão tardia para mencionar em relatórios de sustentabilidade.
A Irlanda não tem de escolher entre o desenvolvimento económico através de centros de dados e ter eletricidade suficiente para as casas. Amesterdão não tem de impor moratórias. Dublin não tem de ver os centros de dados consumirem quase metade da eletricidade da cidade enquanto os residentes enfrentam custos de energia crescentes.
O Pacto Ecológico Europeu e o avanço da IA não são incompatíveis. Mas apenas se estivermos dispostos a questionar pressupostos fundamentais e a construir IA que faça, de facto, sentido matemático, físico e económico. A trajetória atual leva a 945 TWh até 2030, 3% da eletricidade global, milhares de toneladas de CO2 por modelo, milhões de litros de consumo de água e uma escolha impossível entre objetivos climáticos e progresso tecnológico.
A alternativa existe hoje. Redes neuronais binárias a funcionar em CPUs padrão e FPGAs eficientes. Computação que utiliza 96% menos energia. IA sustentável que não exige escolher entre o progresso e o planeta. Algoritmos transparentes que os europeus podem realmente compreender e verificar, e não pesos de vírgula flutuante de caixa negra controlados por corporações estrangeiras.
A única questão é se a aproveitaremos antes de termos queimado tanta energia, consumido tanta água e construído tanta infraestrutura ineficiente que já não teremos escolha. A janela está a fechar-se. Mas ainda está aberta.
Quer IA que não exija a sua própria central elétrica? O Dweve Core, o nosso framework de computação discreta que combina redes neuronais binárias, sistemas baseados em restrições e computação por impulsos que alimenta o Dweve Loom, oferece 96% menos consumo de energia tanto no treino como na inferência em hardware padrão. Sem aceleradores proprietários. Sem arrefecimento exótico. Sem compromissos na capacidade. O futuro da IA europeia sustentável é eficiente, transparente e está disponível hoje.