Statistiques sur la consommation d'énergie de l'IA

Une prévision récente prédit que l’IA consommera plus de la moitié de l’électricité des centres de données d’ici 2028.¹À mesure que les charges de travail à forte intensité de calcul, comme l’IA générative, se développent, la demande totale d’électricité devrait également augmenter.

Nous avons analysé des données de l’IEA, du MIT et des principaux fournisseurs de cloud afin d’identifier les tendances en matière d’efficacité de la consommation d’énergie de l’IA, les réponses politiques et les meilleures pratiques.

Consommation d’énergie des centres de données d’IA

Nous avons collecté des données auprès de plusieurs organismes de recherche et analyses sectorielles qui se concentrent sur la consommation d’énergie dans l’IA et les centres de données pour le graphique ci-dessus. Ces sources incluent des agences internationales de l’énergie, des études universitaires et des initiatives de fournisseurs technologiques. Découvrez comment nous avons collecté les données.

Recommandations pour gérer la consommation d’énergie de l’IA

Selon des études récentes, la consommation d’énergie de l’IA est désormais dominée par l’inference et dépend moins des exécutions de model individuelles que de l’échelle, des modes de déploiement et des inefficacités des systèmes. Voici nos recommandations pour gérer efficacement la consommation d’énergie de l’IA :

Privilégier l’efficacité de l’inference par rapport à l’efficacité de l’entraînement

Les recherches montrent que plus de 80 % de la puissance de calcul de l’IA est désormais utilisée pour l’inference.

• Considérez l’énergie par inference (ou par token / par sortie) comme une cible d’optimisation principale.
• Optimisez les chemins d’inference avant d’investir dans des gains marginaux d’efficacité de l’entraînement.
• Concentrez les efforts d’optimisation sur les endpoints à haute fréquence, et non sur les cas d’usage rares ou de longue traîne.

Mesurer et publier des indicateurs énergétiques par tâche, et non des affirmations au niveau du model

D’après les recherches du MIT, la consommation d’énergie par tâche (électricité) varie selon les tâches de texte, d’image et de vidéo.

• Instrumentez les pipelines pour mesurer l’énergie par tâche, y compris les surcharges non GPU (mémoire, réseau, orchestration).

Éviter d’utiliser des models génératifs généralistes pour des tâches étroites

Une consommation d’énergie plus élevée est étroitement liée aux models génératifs, qui sont utilisés pour des tâches telles que la classification plutôt que des models spécialisés. MIT Technology Review montre que les models spécifiques à une tâche sont moins intensifs en carbone et en énergie.

• Utilisez des models spécialisés ou distillés pour la classification, le classement, l’extraction et le routage.
• Réservez les grands models génératifs aux tâches qui nécessitent une génération ouverte.
• Introduisez des cascades de models (d’un petit model à un grand model, si nécessaire).

Réduire le gaspillage au niveau du système dans le serving d’inference

Des études sur les infrastructures montrent que les serveurs représentent environ 60 % de la consommation d’électricité des centres de données.

• Augmentez l’utilisation des accélérateurs via :
  • Le traitement par lots
  • La mise en cache
  • Une planification plus intelligente
• Éliminez les appels redondants entre les pipelines et les microservices.
• Mettez en place une mise à l’échelle automatique sensible à la demande plutôt qu’un provisionnement pour les pics.

Traiter l’efficacité matérielle et la Power Usage Effectiveness (PUE) comme des préoccupations logicielles

• Concevez des models qui s’intègrent efficacement dans les contraintes de mémoire et de bande passante.
• Maximisez l’utilisation du matériel existant avant de faire évoluer la capacité.
• Alignez les choix d’architecture de model avec les accélérateurs disponibles les plus économes en énergie.

Prendre en compte la consommation d’eau et le cycle de vie du matériel dans la conception des systèmes

Les recherches de l’UNRIC montrent que la demande mondiale en eau liée à l’IA devrait augmenter de manière exponentielle.

• Privilégiez les déploiements qui réduisent l’intensité du refroidissement et la consommation d’eau.
• Prolongez la durée de vie du matériel grâce à l’efficacité des models et à la réutilisation.
• Évitez les réentraînements ou redéploiements inutiles qui accélèrent le renouvellement du matériel.

Estimer les émissions de GES liées à l’utilisation de l’IA : cadre pour la mesure au niveau de l’entreprise

Un cadre de Watershed de 2026 propose trois niveaux pour estimer les émissions d’IA des entreprises, selon les données disponibles :

• Basée sur les dépenses : Multipliez les dépenses auprès des fournisseurs d’IA par un facteur d’émissions économiques. Cette approche peut être utilisée lorsqu’aucune donnée d’utilisation n’est disponible, mais les dépenses sont un proxy imparfait de la consommation réelle d’électricité.
• Basée sur l’activité : Calculez les émissions à partir de l’utilisation de tokens, de l’énergie consommée par token d’entrée et de sortie, de l’efficacité du centre de données (PUE) et de l’intensité carbone de l’électricité alimentant le centre de données.
• Basée sur le fournisseur : Utilisez les données d’énergie et d’émissions spécifiques au model et à l’infrastructure communiquées directement par le fournisseur d’IA. C’est l’approche la plus précise, mais elle exige une plus grande transparence de la part du fournisseur.

Dans l’exemple de Watershed d’une entreprise qui dépense $100 000 par an pour une API de model frontière, l’approche basée sur les dépenses estime 13.4 tCO₂e/an, contre 3.7–5.4 tCO₂e en utilisant des données d’activité détaillées et 3.2–4.5 tCO₂e en utilisant les données du fournisseur.

Le cadre recommande de mesurer l’inference en kgCO₂e par million de tokens et de déclarer la consommation d’électricité parallèlement aux émissions. Une estimation complète doit tenir compte à la fois de l’utilisation active des GPU et des systèmes hôtes, de la capacité inactive, des frais généraux des centres de données, de la fabrication du matériel et de l’entraînement des models.

La principale limite aujourd’hui est la disponibilité des données : la plupart des clients d’IA ne disposent pas de chiffres de consommation d’énergie spécifiques au model et à la région auprès de leurs fournisseurs, de sorte que les estimations reposent encore largement sur des hypothèses.²

Prévoir les effets économiques de l’IA

Les participants à l’étude Forecasting the Economic Effects of IA (2026) ont fourni des estimations de variables économiques clés (PIB, consommation d’énergie, productivité, taux d’activité) selon des attentes normales et trois scénarios explicites de progrès de l’IA (lent, modéré, rapide) :

• D’ici 2030, les participants estiment que la consommation d’électricité des États-Unis pourrait représenter 2,3 % dans un scénario de croissance plus lente, 4,9 % dans un scénario de croissance modérée, et 7,4 % dans un scénario d’expansion rapide, contre environ 1 % en 2024.
• D’ici 2050, ces parts devraient augmenter pour atteindre 5 % (lent), 8,3 % (modéré) et 15 % (rapide).
• Les spécialistes de l’IA et les superprévisionnistes anticipent une demande encore plus élevée en cas de croissance rapide en 2050, chacun estimant environ 19,5 %.³

Étude de MIT Technology Review

MIT Technology Review (2025) décompose la consommation d’énergie de l’IA en deux phases principales : l’entraînement de model et l’inference de l’IA. Il affirme que l’inference est désormais le principal moteur de la consommation d’énergie, car les fonctionnalités d’IA sont intégrées dans la vie quotidienne à travers les produits et services.

Il met également en évidence un déficit de transparence. La plupart des grands fournisseurs de models d’IA « fermés » ne divulguent pas suffisamment d’informations pour estimer de manière fiable leur consommation totale d’énergie ou leur empreinte carbone.⁴

Électricité et demande totale :

• Centres de données américains : 4,4 % de l’électricité totale des États-Unis est consommée par les centres de données.
• IA au sein des centres de données américains : les serveurs spécifiques à l’IA ont consommé environ 53-76 térawattheures (TWh) en 2024, et les projections suggèrent 165-326 TWh d’ici 2028.

Entraînement vs inference :

• Part de l’inference : environ 80 %-90 % de la puissance de calcul de l’IA est estimée être utilisée pour l’inference.
• Exemple d’énergie d’entraînement : l’entraînement de GPT-4 est décrit comme consommant environ 50 GWh.

Énergie par tâche (consommation d’électricité) :

• Texte (Llama 3.1 8B) : ~114 joules par réponse en tenant compte des surcharges non GPU.
• Texte (Llama 3.1 405B) : ~6 706 joules par réponse avec surcharge.
• Images (Stable Diffusion 3 Medium, 1024×1024) : ~2 282 joules au total ; un nombre d’étapes plus élevé peut porter ce chiffre à ~4 402 joules.
• Vidéo (exemples CogVideoX) : ~109 000 joules pour une courte sortie de faible qualité ; ~3.4 millions de joules pour une vidéo de 5 secondes de meilleure qualité.

Infrastructure et émissions du réseau :

• L’intensité carbone de l’électricité des centres de données est supérieure de 48 % à la moyenne américaine.
• Les systèmes de refroidissement des centres de données peuvent consommer de grandes quantités d’eau, parfois de l’eau potable.

International Energy Agency

L’IEA (2025) aborde les besoins énergétiques de l’IA sous l’angle des centres de données et de leurs composants. Il fournit une ventilation des postes de consommation d’électricité au sein d’un centre de données et propose une perspective mondiale sur la croissance de la consommation d’électricité des centres de données.⁵

Consommation mondiale d’électricité des centres de données :

• Estimée à environ 415 TWh en 2024, soit environ 1,5 % de la consommation mondiale d’électricité.
• Elle devrait atteindre environ 945 TWh d’ici 2030, soit moins de 3 % de la consommation mondiale d’électricité dans le scénario de base de l’IEA.

Consommation d’électricité des centres de données par type d’équipement :

• Serveurs : environ 60 % de la demande d’électricité dans les centres de données modernes (varie selon le type).
• Systèmes de stockage : environ 5 %.
• Équipements réseau : jusqu’à 5 %.
• Systèmes de refroidissement et régulation environnementale : environ 7 % dans les centres de données hyperscale efficaces, et plus de 30 % dans les centres de données d’entreprise moins efficaces.

Figure 1 : Graphique montrant les données 2024 de la part de la consommation d’électricité selon le type de centre de données et d’équipement.

Google Cloud

Google a publié en 2025 une méthodologie pour mesurer l’impact environnemental de l’inference d’IA pour les Gemini prompts, notamment la consommation d’électricité, les émissions de carbone et la consommation d’eau. Elle présente les médianes par prompt et revendique des améliorations d’efficacité significatives sur une période récente de 12 mois.⁶

Impacts médians par prompt (prompt textuel des applications Gemini) :

• 0.24 Wh d’énergie
• 0.03 gCO₂e d’émissions
• 0.26 millilitres d’eau

Revendications d’amélioration de l’efficacité

• Au cours des 12 derniers mois, Google a affirmé que l’énergie par prompt médian a chuté de 33×, et que l’empreinte carbone totale a chuté de 44×.

Efficacité des centres de données et infrastructure

• La moyenne de la Power Usage Effectiveness (PUE) sur l’ensemble du parc est de 1.09 pour les centres de données de Google.
• Le dernier TPU de Google, Ironwood, serait 30× plus économe en énergie que son premier TPU disponible publiquement.

Carbon Brief Organization

Carbon Brief (2025) synthétise l’International Energy Agency (IEA)⁷ et d’autres sources dans un ensemble de graphiques qui montrent les impacts de référence, les projections de croissance et les risques de concentration régionale. Il souligne que le secteur est aujourd’hui peu important à l’échelle mondiale, mais qu’il croît rapidement et revêt une importance locale dans certains réseaux électriques.⁸

Parts mondiales actuelles

• Les centres de données sont responsables de plus de 1 % de la demande mondiale d’électricité et de 0,5 % des émissions de CO₂ (voir Figure 2).

Croissance

• Scénario central de l’IEA : la consommation d’électricité des centres de données atteint 945 TWh d’ici 2030.
• Part de l’IA dans la consommation électrique des centres de données : environ 5 % à 15 %, potentiellement 35 % à 50 % d’ici 2030.

Exemples de concentration régionale :

• Irlande : environ 21 % de l’électricité nationale est utilisée pour les centres de données, et potentiellement 32 % d’ici 2026.
• Virginie (États-Unis) : 26 % de l’électricité consommée par les centres de données (selon la source citée).

Mix de production d’électricité pour les centres de données (mondial)

• Énergies fossiles : près de 60 %
• Énergies renouvelables : 27 %
• Nucléaire : 15 %

Figure 2 : D’après le Global Energy Review 2025 de l’IEA et son rapport Energy and IA, cette figure compare la consommation d’électricité (TWh) et les émissions de CO₂ (MtCO₂) des centres de données mondiaux en 2024 avec celles d’autres secteurs.

United Nations Regional Information Centre for Western Europe (UNRIC)

L’UNRIC (2025) aborde l’empreinte environnementale de l’IA sur l’ensemble du cycle de vie : logiciel (entraînement, déploiement, inference, maintenance) et matériel (matériaux, fabrication, construction, déchets électroniques). Il souligne que la consommation d’électricité et l’utilisation d’eau dans les centres de données sont des impacts directs et préconise des mesures politiques pour améliorer la divulgation et la responsabilité.⁹

Statistiques et ventilation par catégorie (électricité, eau, catégories de cycle de vie) : l’article de l’UNRIC est plus catégorique que chiffré dans les sections extraites. Il classe explicitement les impacts de l’IA en effets directs, indirects et d’ordre supérieur. Voici quelques-unes des principales conclusions :

• Catégories d’impact environnemental
  • Direct : consommation d’électricité et d’eau, émissions de gaz à effet de serre, extraction de minéraux, pollution et déchets électroniques.
  • Indirect : émissions provenant des applications et services basés sur l’IA.
  • Ordre supérieur : amplification des inégalités et des problèmes liés à des données d’entraînement biaisées ou de mauvaise qualité.
• Centres de données et utilisation des ressources
  • Les centres de données consomment de grandes quantités d’électricité, dont la majeure partie est encore fournie par les énergies fossiles.
  • Des quantités importantes d’eau sont nécessaires pour les systèmes de refroidissement et la construction.
  • La demande mondiale en eau liée à l’IA devrait atteindre 4.2–6.6 milliards de mètres cubes d’ici 2027, dépassant la consommation annuelle d’eau du Danemark.
  • La fabrication d’un ordinateur de 2 kilogrammes peut nécessiter environ 800 kilogrammes de matières premières, dont des minéraux rares.
• Consommation d’électricité et croissance
  • Une requête ChatGPT peut consommer environ 10× plus d’électricité qu’une recherche Google, selon l’estimation de l’IEA.
  • L’IA et l’apprentissage automatique représentaient <0,2 % de la consommation mondiale d’électricité et <0,1 % des émissions mondiales en 2021, mais la demande augmente rapidement.
  • Certaines entreprises technologiques font état d’une croissance annuelle de plus de 100 % de la demande de calcul pour l’entraînement et l’inference de l’IA.
• Expansion des centres de données
  • Les centres de données représentaient environ 1 % de la demande mondiale d’électricité en 2022.
  • En Irlande, les centres de données représentaient 17 % de la consommation nationale d’électricité en 2022.
  • Le nombre de centres de données dans le monde est passé de 500 000 en 2012 à environ 8 millions.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

MIT News sur l’impact environnemental de l’IA générative

MIT News (2025) explique pourquoi l’IA générative peut être gourmande en ressources et fait la distinction entre l’entraînement et l’inference. Il insiste sur la densité de puissance, les problèmes de fiabilité du réseau et l’absence d’incitations pour les utilisateurs à réduire leur usage lorsque les impacts sont invisibles.¹⁰

Densité de puissance

• Un cluster d’entraînement d’IA générative peut consommer 7 à 8× plus d’énergie qu’une charge de travail informatique classique.

Consommation d’électricité des centres de données

• La consommation mondiale d’électricité des centres de données est citée à 460 TWh en 2022 et projetée à ~1 050 TWh d’ici 2026.

Exemple d’entraînement de model

• L’entraînement de GPT-3 est estimé à 1 287 MWh et à environ 552 tonnes de CO₂.

United States Data Center Energy Usage Report

Le rapport United States Data Center Energy Usage Report (2024) estime la consommation historique d’électricité des centres de données aux États-Unis et fournit des fourchettes de scénarios jusqu’en 2028. Il relie explicitement l’inflexion de croissance observée après 2017 à l’accélération des serveurs, notamment les unités de traitement graphique utilisées pour exécuter les models d’IA.¹¹

Consommation totale d’électricité des centres de données aux États-Unis :

• ~60 TWh (2014-2016), relativement stable.
• 76 TWh en 2018, soit environ 1,9 % de la consommation d’électricité des États-Unis.
• 176 TWh en 2023, soit environ 4,4 % de la consommation d’électricité des États-Unis.

Fourchette des scénarios 2028 :

• 325 à 580 TWh d’ici 2028.
• Soit 6,7 % à 12,0 % de la consommation d’électricité prévue des États-Unis en 2028.

Facteurs et catégories :

• La croissance est portée par les serveurs accélérés par GPU pour l’intelligence artificielle, qui représentent désormais une part importante du parc installé.
• Il décrit des stratégies d’efficacité qui ont auparavant maintenu la demande stable, notamment l’amélioration des systèmes de refroidissement, la gestion de l’énergie, des taux d’utilisation plus élevés et la réduction de la consommation au repos.

MIT Technology Review

MIT Technology Review (2023) rend compte de l’une des premières tentatives de quantification de la consommation d’énergie et des émissions de carbone de l’IA lors d’une utilisation quotidienne (inference), plutôt que de se concentrer uniquement sur l’entraînement. L’article s’appuie sur une étude prépubliée menée par des chercheurs de Hugging Face et de l’université Carnegie Mellon.

L’étude montre que si l’entraînement de grands models d’IA est très énergivore, la majeure partie de l’empreinte carbone d’un model d’IA au cours de sa durée de vie provient de son utilisation. Comme les models populaires sont déployés des millions, voire des milliards de fois, les émissions d’inference au quotidien peuvent rapidement dépasser celles de l’entraînement.¹²

Intensité énergétique et carbone par tâche :

Les chercheurs ont mesuré la consommation d’énergie sur 10 tâches d’IA courantes sur la plateforme Hugging Face, en testant 88 models différents et en exécutant 1 000 prompts par tâche à l’aide de l’outil de mesure Code Carbon. Les principales comparaisons sont les suivantes :

• Génération d’images : Générer une seule image avec un model puissant consomme à peu près autant d’énergie que charger complètement un smartphone.
  • Générer 1 000 images avec un model comme Stable Diffusion XL produit des émissions de CO₂ comparables à un trajet d’environ 4.1 miles en voiture à essence.
  • La génération d’images est de loin la tâche d’IA mesurée la plus énergivore et la plus intensive en carbone.
• Génération de texte : la génération de texte est nettement moins énergivore.
  • Produire 1 000 sorties de texte consomme environ 16 % de la charge d’un smartphone.
  • Le model de texte le moins intensif en carbone étudié a émis l’équivalent d’un trajet de 0.0006 mile.

Taille des models et spécialisation des tâches :

L’étude met en évidence un écart d’efficacité majeur entre les models génératifs généralistes et les models spécialisés par tâche :

• Les grands models génératifs consomment beaucoup plus d’énergie car ils sont conçus pour effectuer de nombreuses tâches (générer, classer, summarize). Par exemple, utiliser un model génératif pour classer des critiques de films nécessite environ 30× plus d’énergie que d’utiliser un model plus petit fine-tuned spécifiquement pour la classification de sentiments.
• Les models spécialisés plus petits sont systématiquement moins intensifs en carbone pour des applications étroites.

Émissions liées à l’usage par rapport aux émissions d’entraînement :

Les chercheurs ont comparé les émissions d’entraînement aux émissions cumulées liées à l’utilisation :

• Les émissions d’entraînement du plus grand model BLOOM de Hugging Face ont été dépassées après environ 590 millions d’utilisations.
• Pour les models extrêmement populaires comme ChatGPT, les émissions liées à l’utilisation pourraient dépasser celles de l’entraînement en quelques semaines, en raison des volumes quotidiens massifs d’utilisateurs.
• Cela s’explique par le fait que l’entraînement a lieu une seule fois, tandis que l’inference se produit en continu à grande échelle.

Implications plus larges et points de vue d’experts :

• Les experts notent que les émissions par tâche étaient plus élevées que prévu, ce qui suscite des inquiétudes à mesure que l’IA générative s’intègre dans les logiciels du quotidien (e-mail, recherche, traitement de texte).
• Les chercheurs soulignent que les models plus récents et plus grands sont nettement plus intensifs en carbone que les systèmes d’IA d’il y a quelques années.

Innovations récentes en matière d’efficacité matérielle

Plusieurs sorties matérielles de 2026 affichent de grands gains d’efficacité pour l’IA. Par exemple, la puce d’inference FuriosaAI RNGD a commencé à être expédiée en volume en janvier 2026 avec un 180W TDP ¹³, bien inférieur aux quelque 600W et plus consommés par les GPU haut de gamme classiques.¹³

Meta a annoncé quatre nouveaux accélérateurs d’inference MTIA (MTIA 300/400/450/500) ; les puces axées sur l’IA offrent environ 18 à 27.6 To/s de bande passante mémoire et devraient être déployées en 2027.¹⁴

Enfin, Arm a annoncé son premier CPU pour centres de données (le 3nm AGI CPU) doté de jusqu’à 136 cœurs Neoverse V3 ¹⁵, codéveloppé avec Meta, et qui compte OpenAI parmi ses premiers utilisateurs.

Méthodologie sur la manière dont nous avons collecté les données de consommation d’énergie de l’IA

• Nous avons utilisé des chiffres et des projections futures issus d’analyses récentes de la consommation d’énergie qui estiment la consommation mondiale d’électricité des centres de données et leur croissance.
• Lorsque cela est possible, nous faisons référence aux méthodologies de mesure publiquement disponibles de grands fournisseurs de cloud (par exemple, les données d’impact environnemental de Google Cloud) qui divulguent des indicateurs spécifiques, tels que l’énergie par inference.

De nombreux rapports utilisent des unités de mesure ou des terminologies différentes, comme la part de l’IA et du ML dans l’électricité mondiale, la consommation d’énergie entre l’entraînement et l’inference, ou la part des centres de données dans l’électricité mondiale, ce qui rend difficile leur comparaison dans un seul graphique. Pour que toutes les valeurs puissent être présentées ensemble dans un seul graphique, nous avons inclus les études qui utilisaient des définitions et des unités de mesure comparables :

• La consommation mondiale d’électricité des centres de données.
• La part de l’IA dans la consommation d’électricité au sein des centres de données.
• La consommation d’électricité des centres de données aux États-Unis, afin de mettre en évidence les différences entre la consommation d’énergie mondiale et américaine.

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiques sur la consommation d'énergie de l'IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consulté le 7 août 2026}
}

Journal des modifications

4 mises à jour

2026

1. 7 août

   Ajout d'une section sur l'estimation des émissions d'IA des entreprises via le cadre Watershed.

2. 18 mai

   Ajout d'une section « Innovations récentes en efficacité matérielle » couvrant FuriosaAI RNGD, les puces MTIA de Meta et le processeur de centre de données d'Arm.

3. 6 avr

   Ajout d'une section « Forecasting the Economic Effects of AI, 2026 » avec des projections de la part d'électricité américaine pour 2030 et 2050.

4. 19 jan

   Mise à jour de l'introduction de la section des statistiques de consommation d'énergie de l'IA.

Liens de référence

1.

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

2.

Estimating GHG Emissions from AI Use

3.

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

4.

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

MIT Technology Review

5.

Energy demand from AI - Energy and AI - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

Global EnergyReview 2025

8.

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

Carbon Brief

9.

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

United Nations

10.

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

11.

2024 United States Data Center Energy Usage Report

12.

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

MIT Technology Review

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

Analyste sectorielle

Suivre

Sıla Ermut est analyste sectorielle chez AIMultiple, couvrant les modèles d’IA, l’infrastructure d’IA, la gouvernance de l’IA et les applications d’IA d’entreprise. Ses recherches portent principalement sur l’utilisation de l’IA dans le marketing, la santé, les chaînes d’approvisionnement et le développement durable.
Elle a précédemment travaillé comme recruteuse dans des cabinets de gestion de projet et de conseil. Sıla est titulaire d’un master en psychologie sociale et d’une licence en relations internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire