A rápida evolução da Inteligência Artificial e a ascensão dos Grandes Modelos de Linguagem impõem barreiras significativas para a implementação em dispositivos de borda, visto que a dependência de infraestruturas em nuvem compromete a privacidade dos dados, eleva a latência e inviabiliza operações críticas em locais com conectividade instável. Diante da insuficiência das técnicas tradicionais de compressão estática, que frequentemente degradam a precisão ou dependem de bibliotecas de execução opacas, esta tese apresenta o Treinamento Consciente de Quantização Vetorial Evolutiva, ou Evolving Vector Quantization-Aware Training (EVQAT), como uma solução adaptativa e auditável para esses desafios. A metodologia inovadora fundamenta-se na aplicação da teoria de quantização vetorial evolutiva diretamente nos ciclos de treinamento e pós-treinamento, tratando os pesos da rede neural como fluxos de dados contínuos (data streams) que permitem a algoritmos de agrupamento incremental, tais como AutoCloud, Mean-Shift e Affinity Propagation, ajustar dinamicamente os codebooks em sintonia com a otimização dos parâmetros. Neste contexto, um codebook refere-se a um conjunto otimizado de vetores protótipos, ou centróides, que agem como um dicionário compacto para representar e substituir os dados originais de alta dimensão, viabilizando assim a compressão extrema do modelo. Essa estratégia assegura que o particionamento do espaço vetorial se adapte continuamente à evolução do aprendizado, mitigando o ruído de quantização e preservando a distribuição estatística essencial de modelos que variam de redes multi-camadas a arquiteturas Transformers. A robustez desta abordagem foi validada em um espectro abrangente de cenários, incluindo o treinamento padrão sem quantização, o treinamento consciente de quantização nas modalidades evolutiva e Int8 e a quantização pós-treinamento também nas variantes evolutiva e Int8, com implementações bem-sucedidas em diferentes plataformas microcontroladas. Distinguindo-se das soluções de caixa-preta de mercado, a solução proposta garante explicabilidade, auditabilidade e total interoperabilidade ao gerar automaticamente código C++ puro e autossuficiente, executável diretamente em diversas arquiteturas de hardware sem dependência de bibliotecas de terceiros ou sistemas operacionais específicos.