Eficiência e Complexidade de Modelos Generativos de IA: um estudo sobre o consumo energético e as emissões de CO₂ durante o treinamento por meio de simulações

Os recentes avanços em modelos generativos de Inteligência Artificial (IA), como Redes Generativas Adversárias (GANs), Autoencoders Variacionais (VAEs), modelos de difusão e Transformers, têm proporcionado resultados impressionantes na geração de imagens, textos e outros dados. Entretanto, esses ganhos em precisão e qualidade muitas vezes vêm acompanhados de um elevado custo computacional e energético. Pesquisas indicam um crescimento explosivo nos requisitos computacionais de IA nos últimos anos, resultando em um aumento significativo no consumo de energia e nas emissões de dióxido de carbono (CO₂) associadas ao treinamento de modelos complexos. Este projeto propõe avaliar a eficiência e a complexidade de diferentes arquiteturas de modelos generativos de IA sob a ótica do consumo energético e das emissões de CO₂ durante seu treinamento. Para isso, serão realizadas simulações controladas do processo de treinamento de modelos representativos de cada classe (GAN, VAE, difusão e Transformer), medindo-se a energia consumida e estimando-se as emissões de carbono resultantes. Espera-se, ao final, identificar quais modelos apresentam melhor eficiência energética relativa ao seu desempenho, bem como propor diretrizes para o desenvolvimento de modelos generativos mais sustentáveis.