Statistiques sur la consommation énergétique 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 intensives en calcul, comme l'IA générative, se développent, la demande totale d'électricité devrait également augmenter.

Nous avons couvert les données de l'IEA, du MIT et des principaux fournisseurs cloud afin d'identifier les tendances en matière d'efficacité énergétique de l'IA, ainsi que 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 comprennent 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 schémas de déploiement et des inefficacités des systèmes. Voici nos recommandations pour gérer efficacement la consommation énergétique de l'IA :

Privilégier l'efficacité de l'inférence plutôt que celle de l'entraînement

Les recherches montrent que plus de 80 % de la capacité de calcul de l'IA est désormais utilisée pour l'inférence.

• Considérez l'énergie par inférence (ou par token / par sortie) comme un objectif d'optimisation principal.
• Optimisez les chemins d'inférence avant d'investir dans des gains marginaux d'efficacité d'entraînement.
• Concentrez les efforts d'optimisation sur les endpoints à haute fréquence, pas sur les cas d'usage rares ou de longue traîne.

Mesurez et publiez des indicateurs énergétiques par tâche, et non des affirmations au niveau du modèle

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).

Évitez d'utiliser des modèles génératifs généralistes pour des tâches étroites

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

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

Réduisez le gaspillage au niveau du système dans l'inférence

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 :
  • Traitement par lots
  • Mise en cache
  • Planification plus intelligente
• Éliminez les appels redondants entre les pipelines et les microservices.
• Mettez en œuvre une mise à l'échelle automatique tenant compte de la demande plutôt qu'un provisionnement de pointe.

Traitez l'efficacité matérielle et le Power Usage Effectiveness (PUE) comme des préoccupations logicielles

• Concevez des modèles qui s'intègrent efficacement dans les contraintes de mémoire et de bande passante.
• Maximisez l'utilisation du matériel existant avant d'augmenter la capacité.
• Alignez les choix d'architecture de modèle sur les accélérateurs disponibles les plus économes en énergie.

Prenez 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 façon 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 modèles 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 une mesure au niveau de l'entreprise

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

• Basée sur les dépenses : Multipliez les dépenses en fournisseurs d'IA par un facteur d'émissions économiques. Cette méthode peut être utilisée en l'absence de données d'utilisation, mais les dépenses sont un proxy approximatif 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 modèle et à l'infrastructure, directement communiquées par le fournisseur d'IA. C'est l'approche la plus précise, mais elle exige une plus grande transparence de la part des fournisseurs.

Dans l'exemple de Watershed d'une entreprise dépensant 100 000 $ par an pour une API de modèle de pointe, l'approche basée sur les dépenses estime 13.4 tCO₂e/an, contre 3.7–5.4 tCO₂e avec des données d'activité détaillées et 3.2–4.5 tCO₂e avec 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 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 modèles.

Le principal obstacle aujourd'hui est la disponibilité des données : la plupart des clients d'IA ne disposent pas de chiffres énergétiques par modèle et par région communiqués par leurs fournisseurs, si bien 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, participation au marché du travail) à la fois dans le cadre d'attentes normales et dans 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 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 énergétique de l'IA en deux phases principales : l'entraînement des modèles et l'inférence de l'IA. Il affirme 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.

Il 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 consommée par les centres de données.
• L'IA dans les centres de données américains : les serveurs dédiés à l'IA ont consommé 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 % de la capacité de calcul de l'IA est estimée être utilisée pour l'inférence.
• 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) : environ 114 joules par réponse en tenant compte des surcharges non-GPU.
• Texte (Llama 3.1 405B) : environ 6 706 joules par réponse avec surcharges.
• Images (Stable Diffusion 3 Medium, 1024×1024) : environ 2 282 joules au total ; un nombre d'étapes plus élevé peut porter ce chiffre à environ 4 402 joules.
• Vidéo (exemples CogVideoX) : environ 109 000 joules pour une courte sortie de faible qualité ; environ 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 % supérieure à la moyenne américaine.
• Les systèmes de refroidissement des centres de données peuvent consommer de grandes quantités d'eau, parfois de l'eau potable.

Agence internationale de l'énergie

L'AIE (2025) aborde les besoins énergétiques de l'IA sous l'angle des centres de données et de leurs composants. Elle fournit une ventilation des points 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 :

• Estimation d'environ 415 TWh en 2024, soit environ 1,5 % de la consommation mondiale d'électricité.
• Cette consommation 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'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 (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 présentant 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'inférence de l'IA pour les prompts Gemini, notamment l'électricité, les émissions de carbone et la consommation d'eau. Elle présente des médianes par prompt et revendique des améliorations d'efficacité significatives sur une période récente de 12 mois.⁶

Impacts médians par prompt (Gemini Apps, prompt texte) :

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

Allégations 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

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

Organisation Carbon Brief

Carbon Brief (2025) synthétise l'Agence internationale de l'énergie (AIE)⁷et 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 petit à l'échelle mondiale aujourd'hui, mais qu'il croît rapidement et qu'il est localement important 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 atteindra 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 par les centres de données, et potentiellement 32 % d'ici 2026.
• Virginie (États-Unis) : 26 % de l'électricité consommée par les centres de données (comme cité).

Mix d'approvisionnement électrique des 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'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) aborde l'empreinte environnementale de l'IA sur l'ensemble du cycle de vie : logiciels (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 répartition par catégories (électricité, eau, catégories de cycle de vie) : l'article de l'UNRIC est plus catégoriel que numérique 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 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, la majeure partie étant 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.
  • La production d'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 consommer 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 font état d'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 insiste sur la densité de puissance, les problèmes de fiabilité du réseau et l'absence d'incitations pour les utilisateurs à réduire leur consommation 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 est citée à 460 TWh en 2022 et projetée à environ 1 050 TWh d'ici 2026.

Exemple d'entraînement de modèle

• L'entraînement de GPT-3 est 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 aux États-Unis et fournit des fourchettes de scénarios jusqu'en 2028. Il relie explicitement l'inflexion de croissance après 2017 à l'accélération des serveurs, y compris les unités de traitement graphique utilisées pour exécuter les modèles d'IA.¹¹

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

• environ 60 TWh (2014–2016), relativement stable.
• 76 TWh en 2018, soit environ 1,9 % de la consommation d'électricité américaine.
• 176 TWh en 2023, soit environ 4,4 % de la consommation d'électricité américaine.

Fourchette de scénarios pour 2028 :

• 325 à 580 TWh d'ici 2028.
• Soit l'équivalent de 6,7 % à 12,0 % de la consommation d'électricité américaine prévue en 2028.

Facteurs 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 des stratégies d'efficacité qui ont précédemment 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 (inférence), plutôt que de se concentrer uniquement sur l'entraînement. L'article s'appuie sur une étude prépubliée par des chercheurs de Hugging Face et de l'Université Carnegie Mellon.

L'étude montre que si l'entraînement de grands modèles d'IA est très énergivore, l'essentiel de l'empreinte carbone d'un modèle d'IA au cours de sa vie provient de son utilisation. Comme les modèles populaires sont déployés des millions ou des milliards de fois, les émissions d'inférence quotidiennes peuvent rapidement dépasser les émissions d'entraînement.¹²

Énergie et intensité 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 modèles différents et en exécutant 1 000 prompts par tâche à l'aide de l'outil de mesure Code Carbon. Les comparaisons clés 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 celles d'un trajet d'environ 4.1 miles dans une 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 utilise environ 16 % de la charge d'un smartphone.
  • Le modèle de texte le moins intensif en carbone étudié a émis l'équivalent d'un trajet de 0.0006 mile.

Taille des modèles et spécialisation des tâches :

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

• Les grands modèles génératifs consomment beaucoup plus d'énergie car 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 d'utiliser un modèle plus petit fine-tuned 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 :

• Les émissions d'entraînement du plus grand modèle BLOOM de Hugging Face ont été dépassées 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 s'explique par le fait que l'entraînement a lieu une seule fois, tandis que l'inférence se produit en continu et 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 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 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 sorties matérielles de 2026 montrent des gains importants en matière d'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 quelque 600W+ consommés par les GPU 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 centres de données (le 3nm AGI CPU) avec jusqu'à 136 cœurs Neoverse V3 ¹⁵, codéveloppé avec Meta, et compte OpenAI parmi 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 issues 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 référons aux méthodologies de mesure publiques des grands fournisseurs cloud (par exemple, les données d'impact environnemental de Google Cloud) qui divulguent des indicateurs spécifiques, tels que l'énergie par inférence.

De nombreux rapports utilisent différentes unités de mesure ou terminologies, telles que la part de l'IA et du ML dans l'électricité mondiale, la consommation d'énergie d'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 :

• 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 énergétique 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.

Forecasting the Economic Effects of AI

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.

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