Statistiques sur la consommation énergétique de l'IA

Une prévision récente prédit que l'IA utilisera plus de la moitié de l'électricité des centres de données d'ici 2028.¹ À mesure que les charges de travail intensives en calcul comme l'IA générative se développent, la demande totale d'électricité devrait également augmenter.

Nous avons couvert les données de l'AIE, du MIT et des principaux fournisseurs de cloud pour identifier les tendances d'efficacité de la consommation énergétique de l'IA, les réponses politiques et les meilleures pratiques.

Consommation énergétique des centres de données d'IA

Nous avons recueilli 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 énergétiques mondiales, des études universitaires et des initiatives de fournisseurs de technologies. Découvrez comment nous avons recueilli les données.

Recommandations pour gérer la consommation énergétique de l'IA

Selon des recherches récentes, la consommation énergétique de l'IA est désormais dominée par l'inférence et dépend moins des exécutions individuelles de modèles que de l'échelle, des modèles de déploiement et des inefficacités du système. Voici nos recommandations pour gérer efficacement la consommation énergétique de l'IA :

Prioriser l'efficacité de l'inférence plutôt que l'efficacité de l'entraînement

La recherche montre que plus de 80 % du calcul de l'IA est désormais utilisé pour l'inférence.

• Traiter l'énergie par inférence (ou par token / par sortie) comme un objectif d'optimisation principal.
• Optimiser les chemins d'inférence avant d'investir dans des gains marginaux d'efficacité d'entraînement.
• Concentrer 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 métriques énergétiques par tâche, et non des affirmations au niveau du modèle

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

• Instrumenter les pipelines pour mesurer l'énergie par tâche, y compris la surcharge non-GPU (mémoire, réseau, orchestration).

Éviter d'utiliser des modèles génératifs polyvalents pour des tâches étroites

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

• Utiliser des modèles spécialisés ou distillés pour la classification, le classement, l'extraction et le routage.
• Réserver les grands modèles génératifs aux tâches qui nécessitent une génération ouverte.
• Introduire des cascades de modèles (du petit modèle au grand modèle, si nécessaire).

Réduire le gaspillage au niveau du système dans le service d'inférence

Les études d'infrastructure montrent que les serveurs représentent environ 60 % de la consommation d'électricité des centres de données.

• Augmenter l'utilisation des accélérateurs via :
  • Le regroupement par lots (batching)
  • La mise en cache
  • Une planification plus intelligente
• Éliminer les appels redondants entre les pipelines et les microservices.
• Mettre en œuvre une mise à l'échelle automatique axée sur la demande plutôt qu'un provisionnement de pointe.

Traiter l'efficacité matérielle et l'efficacité de l'utilisation de l'énergie (PUE) comme des préoccupations logicielles

• Concevoir des modèles qui s'intègrent efficacement dans les contraintes de mémoire et de bande passante.
• Maximiser l'utilisation du matériel existant avant de faire évoluer la capacité.
• Aligner les choix d'architecture de modèle avec les accélérateurs disponibles les plus écoénergétiques.

Prendre en compte la consommation d'eau et le cycle de vie du matériel dans la conception du système

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

• Privilégier les déploiements qui réduisent l'intensité du refroidissement et la consommation d'eau.
• Prolonger la durée de vie du matériel grâce à l'efficacité des modèles et à la réutilisation.
• Éviter le réentraînement ou le redéploiement inutiles qui accélèrent le renouvellement du matériel.

Estimation des émissions de GES liées à l'utilisation de l'IA : cadre pour la mesure au niveau de l'entreprise

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

• Basé sur les dépenses : Multiplier les dépenses des fournisseurs d'IA par un facteur d'émissions économiques. Cela peut être utilisé lorsqu'aucune donnée d'utilisation n'est disponible, mais les dépenses sont un faible proxy de la consommation réelle d'électricité.
• Basé sur l'activité : Calculer les émissions à partir de l'utilisation des 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.
• Basé sur le fournisseur : Utiliser les données d'énergie et d'émissions spécifiques au modèle et à l'infrastructure communiquées directement par le fournisseur d'IA. C'est l'approche la plus précise mais elle nécessite une plus grande transparence du fournisseur.

Dans l'exemple de Watershed d'une entreprise dépensant 100 000 $ par an sur une API de modèle de pointe, 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'inférence 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 du GPU et des systèmes hôtes, de la capacité inactive, de la surcharge du centre de données, de la fabrication du matériel et de l'entraînement des modèles.

La principale limite aujourd'hui est la disponibilité des données : la plupart des clients d'IA ne disposent pas de chiffres d'énergie spécifiques au modèle et à la région de la part de leurs fournisseurs, de sorte que les estimations dépendent encore fortement d'hypothèses.²

Prévision des effets économiques de l'IA

Les participants à l'étude Forecasting the Economic Effects of IA (2026) ont fourni des estimations des variables économiques clés (PIB, consommation d'énergie, productivité, participation au marché du travail) à la fois 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 % en cas 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 super-prévisionnistes 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 énergétique de l'IA en deux phases principales : l'entraînement de modèles et l'inférence de l'IA. Elle soutient que l'inférence 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.

Elle souligne également un manque de transparence. La plupart des grands fournisseurs de modèles 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 destinée aux centres de données.
• L'IA dans les centres de données américains : Les serveurs spécifiques à l'IA ont utilisé environ 53-76 térawattheures (TWh) en 2024, et les projections suggèrent 165-326 TWh d'ici 2028.

Entraînement vs inférence :

• Part de l'inférence : 80 %-90 % du calcul de l'IA est estimé être utilisé pour l'inférence.
• Exemple d'énergie d'entraînement : L'entraînement de GPT-4 est décrit comme environ 50 GWh.

Énergie par tâche (consommation d'électricité) :

• Texte (Llama 3.1 8B) : ~114 joules par réponse en tenant compte de la surcharge 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 ; plus d'étapes peuvent porter cela à ~4 402 joules.
• Vidéo (exemples CogVideoX) : ~109 000 joules pour une courte sortie de basse 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 48 % plus élevée que la moyenne américaine.
• Les systèmes de refroidissement des centres de données peuvent utiliser de grandes quantités d'eau, parfois de l'eau potable.

Agence internationale de l'énergie

L'AIE (2025) encadre les demandes énergétiques de l'IA à travers le prisme des centres de données et de leurs composants. Elle fournit une ventilation de la consommation d'électricité au sein d'un centre de données et offre 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 ~415 TWh en 2024, soit environ 1,5 % de la consommation mondiale d'électricité.
• Projetée pour atteindre ~945 TWh d'ici 2030, soit moins de 3 % de la consommation mondiale d'électricité dans le scénario de base de l'AIE.

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 contrôle environnemental : 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 de 2024 sur la part de la consommation d'électricité par type de centre de données et d'équipement.

Google Cloud

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

Impacts médians par prompt (prompt texte Gemini Apps) :

• 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 et infrastructure des centres de données

• L'efficacité moyenne de l'utilisation de l'énergie (PUE) de la flotte est de 1,09 pour les centres de données Google.
• Le TPU de dernière génération de Google, Ironwood, est revendiqué comme étant 30× plus écoénergétique que son premier TPU disponible publiquement.

Organisation Carbon Brief

Carbon Brief (2025) synthétise l'Agence internationale de l'énergie (AIE)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. Elle souligne que le secteur est petit à l'échelle mondiale aujourd'hui mais qu'il croît rapidement et qu'il est localement significatif dans certains réseaux.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'AIE : La consommation d'électricité des centres de données atteint 945 TWh d'ici 2030.
• Part de l'IA dans la consommation d'énergie des centres de données : Environ 5 % à 15 % récemment, 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, potentiellement 32 % d'ici 2026.
• Virginie (États-Unis) : 26 % de l'électricité consommée par les centres de données (tel que cité).

Mix d'approvisionnement électrique pour les centres de données (mondial)

• Combustibles fossiles : Près de 60 %
• Énergies renouvelables : 27 %
• Nucléaire : 15 %

Figure 2 : Basée sur le Global Energy Review 2025 de l'AIE 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.

Centre régional d'information des Nations Unies pour l'Europe occidentale (UNRIC)

L'UNRIC (2025) encadre l'empreinte environnementale de l'IA sur l'ensemble du cycle de vie : logiciel (entraînement, déploiement, inférence, maintenance) et matériel (matériaux, fabrication, construction, déchets électroniques). Il souligne que la consommation d'électricité et 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 numérique dans les sections extraites. Il regroupe 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 minière, pollution et déchets électroniques.
  • Indirect : Émissions provenant des applications et services basés sur l'IA.
  • Ordre supérieur : Amplification des inégalités et problèmes liés aux 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 plupart est encore fournie par des combustibles 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.
  • Produire un ordinateur de 2 kilogrammes peut nécessiter environ 800 kilogrammes de matières premières, y compris des minéraux rares.
• Consommation d'électricité et croissance
  • Une requête ChatGPT peut utiliser environ 10× plus d'électricité qu'une recherche Google, selon l'estimation de l'AIE.
  • 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 signalent une croissance annuelle de plus de 100 % de la demande de calcul pour l'entraînement et l'inférence 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 aujourd'hui.

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'inférence. Il souligne la densité de puissance, les problèmes de fiabilité du réseau et le manque d'incitations pour les utilisateurs à réduire leur utilisation 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 typique.

Consommation d'électricité des centres de données

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

Exemple d'entraînement de modèle

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

Rapport sur la consommation d'énergie des centres de données aux États-Unis

Le rapport United States Data Center Energy Usage Report (2024) estime la consommation historique d'électricité des centres de données américains et fournit des fourchettes de scénarios jusqu'en 2028. Il lie explicitement le point d'inflexion de la croissance après 2017 aux serveurs accélérés, y compris les unités de traitement graphique utilisées pour exécuter des modèles d'IA.¹¹

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

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

Fourchette de scénarios 2028 :

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

Moteurs et catégories :

• La croissance est tirée par les serveurs accélérés par GPU pour l'intelligence artificielle, qui représentent désormais une part importante de la base installée.
• Il décrit les stratégies d'efficacité qui maintenaient auparavant la demande stable, y compris l'amélioration des systèmes de refroidissement, la gestion de l'énergie, des taux d'utilisation plus élevés et la réduction de la puissance inactive.

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 (inférence), plutôt que de se concentrer uniquement sur l'entraînement. L'article est basé sur une étude préliminaire menée par des chercheurs de Hugging Face et de l'Université Carnegie Mellon.

L'étude montre que bien que l'entraînement de grands modèles d'IA soit très énergivore, la majeure partie de l'empreinte carbone d'un modèle d'IA au cours de sa durée de vie provient de son utilisation. Parce que les modèles populaires sont déployés des millions ou des milliards de fois, les émissions quotidiennes d'inférence peuvent rapidement dépasser les émissions d'entraînement.¹²

Énergie par tâche et intensité carbone :

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

• Génération d'images : Générer une seule image avec un modèle puissant consomme à peu près la même énergie que charger complètement un smartphone.
  • Générer 1 000 images avec un modèle comme Stable Diffusion XL produit des émissions de CO₂ comparables à la conduite d'environ 6,6 kilomètres dans une voiture à essence.
  • La génération d'images est de loin la tâche d'IA la plus énergivore et la plus intensive en carbone mesurée.
• Génération de texte : La génération de texte est nettement moins énergivore.
  • Produire 1 000 sorties de texte utilise environ 16 % de la charge d'un smartphone.
  • Le modèle de texte le moins intensif en carbone étudié a émis l'équivalent de la conduite sur 0,0006 miles (soit environ 0 001 kilomètre).

Taille du modèle et spécialisation des tâches :

L'étude met en évidence un écart d'efficacité majeur entre les modèles génératifs polyvalents et les modèles spécifiques à une tâche :

• Les grands modèles génératifs consomment beaucoup plus d'énergie parce qu'ils sont conçus pour effectuer de nombreuses tâches (générer, classer, résumer). Par exemple, utiliser un modèle génératif pour classer des critiques de films nécessite environ 30× plus d'énergie que l'utilisation d'un modèle plus petit fine-tuné spécifiquement pour la classification de sentiments.
• Les modèles plus petits et spécialisés sont systématiquement moins intensifs en carbone pour les applications étroites.

Émissions d'utilisation vs émissions d'entraînement :

Les chercheurs ont comparé les émissions d'entraînement aux émissions cumulées d'utilisation :

• L'entraînement du plus grand modèle BLOOM de Hugging Face a été dépassé après environ 590 millions d'utilisations.
• Pour des modèles extrêmement populaires comme ChatGPT, les émissions d'utilisation pourraient dépasser les émissions d'entraînement en quelques semaines, en raison des volumes quotidiens massifs d'utilisateurs.
• Cela se produit parce que l'entraînement a lieu une seule fois, tandis que l'inférence se produit en continu à grande échelle.

Implications plus larges et avis d'experts :

• Les experts notent que les émissions par tâche étaient plus élevées que prévu, ce qui soulève des préoccupations à mesure que l'IA générative est intégrée dans les logiciels quotidiens (email, recherche, traitement de texte).
• Les chercheurs soulignent que les modèles 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 lancements de matériel en 2026 montrent des gains importants en efficacité de l'IA. Par exemple, la puce d'inférence FuriosaAI RNGD a commencé à être expédiée en volume en janvier 2026 avec un TDP de 180W ¹³ , bien inférieur aux environ 600W+ consommés par les GPUs haut de gamme typiques.¹³

Meta a annoncé quatre nouveaux accélérateurs d'inférence 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 leur déploiement est prévu pour 2027.¹⁴

Enfin, Arm a annoncé son premier CPU pour centre de données (le 3nm AGI CPU) avec jusqu'à 136 cœurs Neoverse V3 ¹⁵ , co-développé avec Meta, et il compte OpenAI comme l'un de ses premiers utilisateurs.

Méthodologie sur la façon dont nous avons recueilli les données de consommation énergétique de l'IA

• Nous avons utilisé des chiffres et des projections futures provenant d'analyses récentes de la consommation d'énergie qui estiment la consommation mondiale d'électricité dans les centres de données et leur croissance.
• Lorsqu'elles sont disponibles, nous faisons référence à des méthodologies de mesure accessibles au public provenant de grands fournisseurs de cloud (par exemple, les données d'impact environnemental de Google Cloud) qui divulguent des métriques spécifiques, telles que l'énergie par inférence.

De nombreux rapports utilisent des unités de mesure ou une terminologie différentes, telles que la part de l'IA et du ML dans l'électricité mondiale, la consommation d'énergie pour l'entraînement par rapport à l'inférence et la part des centres de données dans l'électricité mondiale, ce qui rend difficile leur comparaison dans un seul graphique. Pour garantir 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 :

• Consommation mondiale d'électricité par les centres de données.
• Part de l'IA dans la consommation d'électricité au sein des centres de données.
• Consommation d'électricité par les centres de données aux États-Unis, pour mettre en évidence les différences entre la consommation d'énergie mondiale et celle des États-Unis.

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 énergétique de l'IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consulté le 7 Août 2026}
}

Liens de référence

1.

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

2.

https://cdn.sanity.io/files/3ogo9b9g/production/a5c1f64ca5864e61b47e6384ee4d0ed31bc861f4.pdf

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 – Analysis - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

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

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.

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

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 sectoriel

Suivre

Sıla Ermut est une analyste sectorielle chez AIMultiple couvrant les modèles d'IA, l'infrastructure d'IA, la gouvernance de l'IA et les applications d'IA en entreprise. Ses recherches se concentrent principalement sur l'utilisation de l'IA dans le marketing, la santé, les chaînes d'approvisionnement et la durabilité. Elle a précédemment travaillé comme recruteuse dans des sociétés 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