Statistiken zum KI-Energieverbrauch

Eine aktuelle Prognose besagt, dass KI bis 2028 über die Hälfte des Stromverbrauchs von Rechenzentren ausmachen wird.¹ Da rechenintensive Arbeitslasten wie generative KI zunehmen, wird auch die gesamte Stromnachfrage voraussichtlich steigen.

Wir haben Daten von der IEA, dem MIT und großen Cloud-Anbietern ausgewertet, um Trends bei der Effizienz des KI-Energieverbrauchs sowie politische Maßnahmen und Best Practices zu identifizieren.

KI-Energieverbrauch von Rechenzentren

Wir haben Daten aus mehreren Forschungsorganisationen und Branchenanalysen zusammengetragen, die sich auf den Energieverbrauch von KI und Rechenzentren für die obige Grafik konzentrieren. Zu diesen Quellen gehören globale Energieagenturen, akademische Studien und Initiativen von Technologieanbietern. Erfahren Sie, wie wir die Daten gesammelt haben.

Empfehlungen für das Management des KI-Energieverbrauchs

Aktueller Forschung zufolge wird der KI-Energieverbrauch heute von der Inferenz dominiert und weniger durch einzelne Modellläufe als vielmehr durch Skalierung, Bereitstellungsmuster und Systemineffizienzen angetrieben. Hier sind unsere Empfehlungen, um den KI-Energieverbrauch effektiv zu managen:

Inferenzeffizienz gegenüber Trainingseffizienz priorisieren

Forschung zeigt, dass über 80% der KI-Rechenleistung heute für Inferenz verwendet wird.

• Behandeln Sie den Energieverbrauch pro Inferenz (oder pro Token / pro Ausgabe) als primäres Optimierungsziel.
• Optimieren Sie Inferenzpfade, bevor Sie in marginale Gewinne bei der Trainingseffizienz investieren.
• Konzentrieren Sie Optimierungsbemühungen auf hochfrequente Endpunkte, nicht auf seltene oder Long-Tail-Anwendungsfälle.

Messen und veröffentlichen Sie Energieverbrauchskennzahlen pro Aufgabe, nicht modellbezogene Behauptungen

Basierend auf der Forschung des MIT variiert der Energieverbrauch pro Aufgabe (Strom) je nach Text-, Bild- und Videoaufgaben.

• Instrumentieren Sie Pipelines, um den Energieverbrauch pro Aufgabe zu messen, einschließlich Nicht-GPU-Overhead (Speicher, Netzwerk, Orchestrierung).

Vermeiden Sie den Einsatz allgemeiner generativer Modelle für enge Aufgaben

Ein höherer Energieverbrauch hängt eng mit generativen Modellen zusammen, die für Aufgaben wie Klassifizierung anstelle spezialisierter Modelle eingesetzt werden. Die MIT Technology Review zeigt, dass aufgabenspezifische Modelle weniger kohlenstoff- und energieintensiv sind.

• Verwenden Sie aufgabenspezialisierte oder destillierte Modelle für Klassifizierung, Ranking, Extraktion und Routing.
• Reservieren Sie große generative Modelle für Aufgaben, die eine offene Generierung erfordern.
• Führen Sie Modellkaskaden ein (vom kleinen zum großen Modell, falls erforderlich).

Systembedingte Verschwendung bei der Bereitstellung von Inferenz reduzieren

Infrastrukturstudien zeigen, dass Server etwa 60% des Stromverbrauchs von Rechenzentren ausmachen.

• Erhöhen Sie die Auslastung von Beschleunigern durch:
  • Batching
  • Caching
  • intelligentere Scheduling
• Eliminieren Sie redundante Aufrufe über Pipelines und Microservices hinweg.
• Implementieren Sie nachfrageorientiertes Autoscaling anstelle von Spitzenbereitstellung.

Behandeln Sie Hardwareeffizienz und Power Usage Effectiveness (PUE) als Softwareanliegen

• Entwerfen Sie Modelle, die effizient in Speicher- und Bandbreitenbeschränkungen passen.
• Maximieren Sie die Auslastung vorhandener Hardware, bevor Sie die Kapazität skalieren.
• Richten Sie die Modellarchitekturentscheidungen an den energieeffizientesten verfügbaren Beschleunigern aus.

Wasserverbrauch und Hardware-Lebenszyklus beim Systemdesign berücksichtigen

Untersuchungen des UNRIC zeigen, dass die weltweite KI-bezogene Wassernachfrage voraussichtlich exponentiell steigen wird.

• Bevorzugen Sie Bereitstellungen, die Kühlintensität und Wasserverbrauch reduzieren.
• Verlängern Sie die Lebensdauer der Hardware durch Modelleffizienz und Wiederverwendung.
• Vermeiden Sie unnötiges Neutraining oder erneute Bereitstellung, die den Hardware-Austausch beschleunigt.

Prognose der wirtschaftlichen Auswirkungen von KI

Die Teilnehmer der Studie „Forecasting the Economic Effects of KI“ (2026) lieferten Schätzungen zu wichtigen wirtschaftlichen Variablen (BIP, Energieverbrauch, Produktivität, Erwerbsbeteiligung) sowohl unter normalen Erwartungen als auch unter drei expliziten KI-Fortschrittsszenarien (langsam, moderat, schnell):

• Bis 2030 schätzen die Teilnehmer, dass der Stromverbrauch der USA 2,3% im langsamen Wachstumsfall, 4,9% bei moderatem Wachstum und 7,4% im schnellen Expansionsszenario ausmachen könnte, gegenüber rund 1% im Jahr 2024.
• Bis 2050 werden diese Anteile voraussichtlich auf 5% (langsam), 8,3% (moderat) und 15% (schnell) ansteigen.
• KI-Spezialisten und Superforecaster erwarten unter schnellem Wachstum im Jahr 2050 eine noch höhere Nachfrage, wobei beide jeweils rund 19,5% schätzen.²

MIT Technology Review-Studie

Die MIT Technology Review (2025) unterteilt den KI-Energieverbrauch in zwei Hauptphasen: Modelltraining und KI-Inferenz. Sie argumentiert, dass die Inferenz heute der dominierende Treiber des Energieverbrauchs ist, da KI-Funktionen in Produkten und Dienstleistungen in den Alltag integriert werden.

Außerdem wird auf eine Transparenzlücke hingewiesen. Die meisten großen „geschlossenen“ KI-Modellanbieter geben nicht genügend Informationen preis, um ihren gesamten Energieverbrauch oder CO2-Fußabdruck zuverlässig zu schätzen.³

Strom und Gesamtnachfrage:

• US-Rechenzentren: 4.4% des gesamten US-Stroms geht an Rechenzentren.
• KI in US-Rechenzentren: KI-spezifische Server verbrauchten 2024 schätzungsweise 53-76 Terawattstunden (TWh), und Prognosen deuten auf 165-326 TWh bis 2028 hin.

Training vs. Inferenz:

• Inferenzanteil: 80%-90% der KI-Berechnungen werden schätzungsweise für Inferenz verwendet.
• Beispiel Trainingsenergie: Das Training von GPT-4 wird mit etwa 50 GWh beschrieben.

Energie pro Aufgabe (Stromverbrauch):

• Text (Llama 3.1 8B): ~114 Joule pro Antwort unter Berücksichtigung des Nicht-GPU-Overheads.
• Text (Llama 3.1 405B): ~6,706 Joule pro Antwort mit Overhead.
• Bilder (Stable Diffusion 3 Medium, 1024×1024): ~2,282 Joule insgesamt; mehr Schritte können dies auf ~4,402 Joule erhöhen.
• Video (CogVideoX-Beispiele): ~109,000 Joule für eine kurze, niedrigqualitative Ausgabe; ~3.4 Millionen Joule für ein hochwertigeres 5-sekündiges Video.

Infrastruktur und Netz-Emissionen:

• Die CO2-Intensität des Rechenzentrumsstroms ist 48% höher als der US-Durchschnitt.
• Kühlsysteme in Rechenzentren können große Mengen Wasser verbrauchen, manchmal Trinkwasser.

Internationale Energieagentur

Die IEA (2025) betrachtet den KI-Energiebedarf aus der Perspektive von Rechenzentren und ihren Komponenten. Sie liefert eine Aufschlüsselung, wo Strom in einem Rechenzentrum verbraucht wird, und bietet einen globalen Ausblick auf das Wachstum des Stromverbrauchs von Rechenzentren.⁴

Globaler Stromverbrauch von Rechenzentren:

• Geschätzt ~415 TWh im Jahr 2024, etwa 1.5% des weltweiten Stromverbrauchs.
• Bis 2030 werden voraussichtlich ~945 TWh erreicht, was im IEA-Basisszenario unter 3% des weltweiten Stromverbrauchs liegt.

Stromverbrauch von Rechenzentren nach Gerätetyp:

• Server: rund 60% des Strombedarfs in modernen Rechenzentren (je nach Typ).
• Speichersysteme: rund 5%.
• Netzwerkausrüstung: bis zu 5%.
• Kühlsysteme und Umgebungskontrolle: etwa 7% in effizienten Hyperscale-Rechenzentren und über 30% in weniger effizienten Unternehmensrechenzentren.

Abbildung 1: Diagramm, das die Daten für 2024 zum Anteil des Stromverbrauchs nach Rechenzentrum und Gerätetyp zeigt.

Google Cloud

Google veröffentlichte 2025 eine Methodik zur Messung der Umweltauswirkungen der KI-Inferenz für Gemini-Prompts, einschließlich Strom, CO2-Emissionen und Wasserverbrauch. Sie präsentiert Mediane pro Prompt und beansprucht erhebliche Effizienzsteigerungen über einen Zeitraum von 12 Monaten.⁵

Mediane Auswirkungen pro Prompt (Gemini Apps-Text-Prompt):

• 0.24 Wh Energie
• 0.03 gCO₂e-Emissionen
• 0.26 Milliliter Wasser

Behauptungen zur Effizienzsteigerung

• In den letzten 12 Monaten gab Google an, dass der Energieverbrauch pro medianem Prompt um das 33× gesunken sei und der gesamte CO2-Fußabdruck um das 44×.

Effizienz der Rechenzentren und Infrastruktur

• Die flottenweite durchschnittliche Power Usage Effectiveness (PUE) beträgt 1.09 für Google-Rechenzentren.
• Googles neueste TPU-Generation, Ironwood, soll 30× energieeffizienter sein als die erste öffentlich verfügbare TPU.

Organisation Carbon Brief

Carbon Brief (2025) fasst die Internationale Energieagentur (IEA)⁶ und andere Quellen in einer Reihe von Diagrammen zusammen, die Basisauswirkungen, Wachstumsprognosen und regionale Konzentrationsrisiken zeigen. Es wird hervorgehoben, dass der Sektor heute weltweit klein ist, aber schnell wächst und in manchen Stromnetzen lokal bedeutend ist.⁷

Aktuelle globale Anteile

• Rechenzentren sind für über 1% der weltweiten Stromnachfrage und 0.5% der CO₂-Emissionen verantwortlich (siehe Abbildung 2).

Wachstum

• IEA-Zentralszenario: Der Stromverbrauch von Rechenzentren steigt bis 2030 auf 945 TWh.
• KI-Anteil am Stromverbrauch von Rechenzentren: In letzter Zeit etwa 5% bis 15%, bis 2030 potenziell 35% bis 50%.

Beispiele für regionale Konzentration:

• Irland: Rund 21% des nationalen Stroms wird für Rechenzentren verwendet, bis 2026 potenziell 32%.
• Virginia (USA): 26% des Stroms wird von Rechenzentren verbraucht (wie angeführt).

Energiemix für Rechenzentren (global)

• Fossile Brennstoffe: Fast 60%
• Erneuerbare: 27%
• Kernenergie: 15%

Abbildung 2: Basierend auf dem IEA Global Energy Review 2025 und dem Energy and KI-Bericht vergleicht diese Abbildung den Stromverbrauch (TWh) und die CO₂-Emissionen (MtCO₂) von globalen Rechenzentren im Jahr 2024 mit denen anderer Sektoren.

Regionales Informationszentrum der Vereinten Nationen für Westeuropa (UNRIC)

UNRIC (2025) betrachtet den ökologischen Fußabdruck von KI über den gesamten Lebenszyklus: Software (Training, Bereitstellung, Inferenz, Wartung) und Hardware (Materialien, Herstellung, Bau, Elektroschrott). Es betont, dass Stromverbrauch und Wasserverbrauch in Rechenzentren direkte Auswirkungen sind, und fordert politische Maßnahmen zur Verbesserung der Offenlegung und Rechenschaftspflicht.⁸

Statistiken und Kategorieaufschlüsselung (Strom, Wasser, Lebenszykluskategorien): Der UNRIC-Artikel ist in den extrahierten Abschnitten eher kategorisch als numerisch. Er gruppiert KI-Auswirkungen explizit in direkte, indirekte und übergeordnete Effekte. Hier sind einige der wichtigsten Ergebnisse:

• Kategorien der Umweltauswirkungen
  • Direkt: Strom- und Wasserverbrauch, Treibhausgasemissionen, Mineralienabbau, Umweltverschmutzung und Elektroschrott.
  • Indirekt: Emissionen von KI-gestützten Anwendungen und Diensten.
  • Übergeordnet: Verstärkung von Ungleichheiten und Probleme im Zusammenhang mit verzerrten oder qualitativ schlechten Trainingsdaten.
• Rechenzentren und Ressourcennutzung
  • Rechenzentren verbrauchen große Mengen Strom, der größtenteils noch aus fossilen Brennstoffen stammt.
  • Für Kühlsysteme und den Bau werden erhebliche Mengen Wasser benötigt.
  • Der weltweite KI-bezogene Wasserbedarf wird bis 2027 voraussichtlich 4.2–6.6 Milliarden Kubikmeter erreichen und damit den jährlichen Wasserverbrauch Dänemarks übersteigen.
  • Die Herstellung eines 2-Kilogramm-Computers kann rund 800 Kilogramm Rohstoffe erfordern, darunter seltene Mineralien.
• Stromverbrauch und Wachstum
  • Eine ChatGPT-Abfrage kann etwa 10× mehr Strom verbrauchen als eine Google-Suche, laut IEA-Schätzung.
  • KI und maschinelles Lernen machten 2021 <0.2% des weltweiten Stromverbrauchs und <0.1% der weltweiten Emissionen aus, aber die Nachfrage steigt schnell.
  • Einige Technologieunternehmen melden ein jährliches Wachstum von über 100% bei der Rechennachfrage für KI-Training und -Inferenz.
• Ausbau von Rechenzentren
  • Rechenzentren machten 2022 etwa 1% der weltweiten Stromnachfrage aus.
  • In Irland machten Rechenzentren 2022 17% des nationalen Stromverbrauchs aus.
  • Die Zahl der Rechenzentren weltweit ist von 500,000 im Jahr 2012 auf heute rund 8 Millionen gestiegen.

MIT News zu den Umweltauswirkungen generativer KI

MIT News (2025) erklärt, warum generative KI ressourcenintensiv sein kann, und unterscheidet zwischen Training und Inferenz. Es betont die Leistungsdichte, Probleme der Netzzuverlässigkeit und das Fehlen von Anreizen für Nutzer, den Verbrauch zu senken, wenn die Auswirkungen unsichtbar sind.⁹

Leistungsdichte

• Ein Trainingscluster für generative KI könnte 7- bis 8-mal mehr Energie verbrauchen als eine typische Rechenlast.

Stromverbrauch von Rechenzentren

• Der weltweite Stromverbrauch von Rechenzentren wurde für 2022 mit 460 TWh angegeben und bis 2026 auf ~1,050 TWh prognostiziert.

Beispiel für Modelltraining

• Das Training von GPT-3 wird auf 1,287 MWh und etwa 552 Tonnen CO₂ geschätzt.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

Als bevorzugte Quelle hinzufügen

US-Energieverbrauchsbericht für Rechenzentren

Der Bericht „United States Data Center Energy Usage Report“ (2024) schätzt den historischen Stromverbrauch von US-Rechenzentren und liefert Szenariobereiche bis 2028. Er bringt den Wachstumsknick nach 2017 explizit mit beschleunigten Servern in Verbindung, einschließlich Grafikprozessoren, die zum Betrieb von KI-Modellen verwendet werden.¹⁰

Gesamter US-Stromverbrauch von Rechenzentren:

• ~60 TWh (2014–2016), relativ stabil.
• 76 TWh bis 2018, etwa 1.9% des US-Stromverbrauchs.
• 176 TWh bis 2023, etwa 4.4% des US-Stromverbrauchs.

Szenariobereich 2028:

• 325 bis 580 TWh bis 2028.
• Entspricht 6.7% bis 12.0% des prognostizierten US-Stromverbrauchs im Jahr 2028.

Treiber und Kategorien:

• Das Wachstum wird durch GPU-beschleunigte Server für künstliche Intelligenz vorangetrieben, die inzwischen einen erheblichen Anteil der installierten Basis ausmachen.
• Es beschreibt Effizienzstrategien, die früher die Nachfrage konstant hielten, darunter verbesserte Kühlsysteme, Energieverwaltung, höhere Auslastungsraten und reduzierte Leerlaufleistung.

MIT Technology Review

Die MIT Technology Review (2023) berichtet über einen der ersten Versuche, den Energieverbrauch und die CO2-Emissionen von KI im täglichen Gebrauch (Inferenz) zu quantifizieren, anstatt sich nur auf das Training zu konzentrieren. Der Artikel basiert auf einer Vorabstudie von Forschern von Hugging Face und der Carnegie Mellon University.

Die Studie zeigt, dass, obwohl das Training großer KI-Modelle sehr energieintensiv ist, der größte Teil des CO2-Fußabdrucks eines KI-Modells während seiner gesamten Lebensdauer aus der Nutzung stammt. Da beliebte Modelle millionen- oder milliardenfach eingesetzt werden, können die täglichen Inferenzemissionen die Trainingsemissionen schnell übersteigen.¹¹

Energie- und Kohlenstoffintensität pro Aufgabe:

Die Forscher maßen den Energieverbrauch bei 10 gängigen KI-Aufgaben auf der Hugging Face-Plattform, testeten 88 verschiedene Modelle und führten 1,000 Prompts pro Aufgabe mit dem Code Carbon-Messinstrument durch. Wichtige Vergleiche sind:

• Bildgenerierung: Die Erzeugung eines einzelnen Bildes mit einem leistungsstarken Modell verbraucht ungefähr so viel Energie wie das vollständige Aufladen eines Smartphones.
  • Die Erzeugung von 1,000 Bildern mit einem Modell wie Stable Diffusion XL erzeugt CO2-Emissionen, die mit dem Fahren von etwa 4.1 Meilen in einem Benzinauto vergleichbar sind.
  • Die Bildgenerierung ist die bei weitem energie- und CO2-intensivste gemessene KI-Aufgabe.
• Textgenerierung: Das Erzeugen von Text ist deutlich weniger energieintensiv.
  • Die Erzeugung von 1,000 Textausgaben verbraucht etwa 16% der Ladung eines Smartphones.
  • Das am wenigsten CO2-intensive untersuchte Textmodell emittierte so viel wie das Fahren von 0.0006 Meilen.

Modellgröße und Aufgabenspezialisierung:

Die Studie zeigt eine große Effizienzlücke zwischen allgemeinen generativen Modellen und aufgabenspezifischen Modellen:

• Große generative Modelle verbrauchen viel mehr Energie, da sie für die Ausführung vieler Aufgaben (Generieren, Klassifizieren, Zusammenfassen) konzipiert sind. So erfordert die Verwendung eines generativen Modells zur Klassifizierung von Filmkritiken etwa 30× mehr Energie als die Verwendung eines speziell für die Sentiment-Klassifizierung feinabgestimmten kleineren Modells.
• Kleinere, spezialisierte Modelle sind durchweg weniger CO2-intensiv für enge Anwendungen.

Nutzungsemissionen vs. Trainingsemissionen:

Die Forscher verglichen Trainingsemissionen mit kumulierten Nutzungsemissionen:

• Das Training von Hugging Faces größtem BLOOM-Modell wurde nach etwa 590 Millionen Nutzungen übertroffen.
• Bei extrem beliebten Modellen wie ChatGPT könnten die Nutzungsemissionen aufgrund massiver täglicher Nutzerzahlen innerhalb von Wochen die Trainingsemissionen übersteigen.
• Dies geschieht, weil das Training einmalig stattfindet, während die Inferenz kontinuierlich und in großem Maßstab erfolgt.

Weitergehende Implikationen und Expertenmeinungen:

• Experten stellen fest, dass die Emissionen pro Aufgabe höher waren als erwartet, was Anlass zur Sorge gibt, da generative KI in Alltagssoftware (E-Mail, Suche, Textverarbeitung) eingebettet wird.
• Forscher betonen, dass neuere, größere Modelle wesentlich kohlenstoffintensiver sind als KI-Systeme von vor einigen Jahren.

Jüngste Innovationen bei der Hardwareeffizienz

Mehrere Hardware-Veröffentlichungen des Jahres 2026 zeigen große Fortschritte bei der KI-Effizienz. Beispielsweise begann der FuriosaAI RNGD Inferenzchip im Januar 2026 mit einer 180W TDP mit der Volumenauslieferung ¹² , weit unter den etwa 600W+, die typische High-End-GPUs verbrauchen.¹³

Meta kündigte vier neue MTIA-Inferenzbeschleuniger an (MTIA 300/400/450/500); die KI-fokussierten Chips liefern etwa 18 bis 27.6 TB/s Speicherbandbreite und sollen 2027 eingeführt werden.¹⁴

Schließlich kündigte Arm seine erste Rechenzentrums-CPU (die 3nm AGI CPU) mit bis zu 136 Neoverse V3-Kernen an ¹⁵ , die gemeinsam mit Meta entwickelt wurde, und zählt OpenAI zu den ersten Nutzern.

Methodik, wie wir die Daten zum KI-Energieverbrauch gesammelt haben

• Wir verwendeten Zahlen und Zukunftsprognosen aus aktuellen Energieverbrauchsanalysen, die den weltweiten Stromverbrauch in Rechenzentren und deren Wachstum schätzen.
• Wo verfügbar, verweisen wir auf öffentlich zugängliche Messmethoden großer Cloud-Anbieter (z. B. Google Clouds Umweltverträglichkeitsdaten), die spezifische Metriken wie Energie pro Inferenz offenlegen.

Viele Berichte verwenden unterschiedliche Maßeinheiten oder Terminologien, wie z. B. den Anteil von KI & ML am weltweiten Stromverbrauch, Trainings- vs. Inferenzenergieverbrauch und den Anteil der Rechenzentren am weltweiten Strom, was einen Vergleich in einem einzigen Diagramm erschwert. Um sicherzustellen, dass alle Werte in einem einzigen Diagramm dargestellt werden können, haben wir die Studien einbezogen, die vergleichbare Definitionen und Maßeinheiten verwendeten:

• Weltweiter Stromverbrauch durch Rechenzentren.
• Anteil von KI am Stromverbrauch in Rechenzentren.
• Stromverbrauch von Rechenzentren in den USA, um Unterschiede zwischen dem globalen und dem US-Energieverbrauch aufzuzeigen.

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiken zum KI-Energieverbrauch}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Abgerufen am 15. Juni 2026}
}

Referenzlinks

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

3.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

7.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

8.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

9.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

10.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

11.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference — to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon — 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple mit Schwerpunkt auf E-Mail-Marketing und Verkaufsvideos. Sie arbeitete zuvor als Personalvermittlerin in Projektmanagement- und Beratungsfirmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten