Statistiche sul consumo energetico dell'IA

Una previsione recente stima che l'IA utilizzerà oltre la metà dell'elettricità dei data center entro il 2028.¹Con l'espansione dei carichi di lavoro ad alta intensità di calcolo come l'IA generativa, si prevede anche un aumento della domanda complessiva di elettricità.

Abbiamo esaminato i dati di IEA, MIT e dei principali fornitori di cloud per identificare le tendenze in termini di efficienza del consumo energetico dell'IA, le risposte politiche e le migliori pratiche.

Consumo energetico dei data center per l'IA

Abbiamo raccolto dati da molteplici organizzazioni di ricerca e analisi di settore che si concentrano sul consumo energetico dell'IA e dei data center per il grafico sopra. Queste fonti includono agenzie energetiche globali, studi accademici e iniziative di fornitori di tecnologia. Scopri come abbiamo raccolto i dati.

Raccomandazioni per gestire il consumo energetico dell'IA

Secondo ricerche recenti, il consumo energetico dell'IA è ormai dominato dall'inferenza e dipende meno dalle singole esecuzioni dei model che dalla scala, dai modelli di distribuzione e dalle inefficienze di sistema. Ecco le nostre raccomandazioni per gestire efficacemente il consumo energetico dell'IA:

Dare priorità all'efficienza dell'inferenza rispetto all'efficienza di addestramento

La ricerca mostra che oltre 80% del calcolo per l'IA è oggi utilizzato per l'inferenza.

• Considerare l'energia per inferenza (o per token / per output) come obiettivo primario di ottimizzazione.
• Ottimizzare i percorsi di inferenza prima di investire in miglioramenti marginali dell'efficienza di addestramento.
• Concentrare gli sforzi di ottimizzazione sugli endpoint ad alta frequenza, non sui casi d'uso rari o di coda.

Misurare e pubblicare metriche energetiche per singola attività, non dichiarazioni a livello di model

Secondo la ricerca del MIT, il consumo energetico per singola attività (elettricità) varia tra attività di testo, immagini e video.

• Strumentare le pipeline per misurare l'energia per attività, inclusi i costi generali non-GPU (memoria, rete, orchestrazione).

Evitare di usare model generativi generici per attività ristrette

Un consumo energetico più elevato è strettamente legato ai model generativi, usati per attività come la classificazione al posto di model specializzati. MIT Technology Review mostra che i model specifici per attività sono meno intensivi in termini di carbonio ed energia.

• Utilizzare model specializzati per attività o distillati per classificazione, ranking, estrazione e routing.
• Riservare i grandi model generativi alle attività che richiedono generazione aperta.
• Introdurre cascate di model (da model piccoli a model grandi, se necessario).

Ridurre gli sprechi a livello di sistema nell'erogazione dell'inferenza

Gli studi sulle infrastrutture mostrano che i server rappresentano circa 60% del consumo di elettricità dei data center.

• Aumentare l'utilizzo degli acceleratori tramite:
  • Batching
  • Caching
  • Pianificazione più intelligente
• Eliminare le chiamate ridondanti tra pipeline e microservizi.
• Implementare un autoscaling basato sulla domanda anziché il provisioning di picco.

Trattare l'efficienza hardware e la Power Usage Effectiveness (PUE) come aspetti software

• Progettare model che si adattino in modo efficiente ai vincoli di memoria e larghezza di banda.
• Massimizzare l'utilizzo dell'hardware esistente prima di aumentare la capacità.
• Allineare le scelte di architettura dei model con gli acceleratori disponibili più efficienti dal punto di vista energetico.

Tenere conto del consumo di acqua e del ciclo di vita dell'hardware nella progettazione dei sistemi

La ricerca dell'UNRIC mostra che la domanda globale di acqua legata all'IA è destinata ad aumentare in modo esponenziale.

• Prediligere distribuzioni che riducono l'intensità del raffreddamento e il consumo di acqua.
• Estendere la vita utile dell'hardware attraverso l'efficienza dei model e il riutilizzo.
• Evitare addestramenti o ridistribuzioni non necessari che accelerano il ricambio dell'hardware.

Stima delle emissioni di GHG dall'uso dell'IA: framework per la misurazione a livello aziendale

Un framework Watershed del 2026 propone tre livelli per stimare le emissioni aziendali dell'IA, a seconda dei dati disponibili:

• Basato sulla spesa: moltiplicare la spesa per i fornitori di IA per un fattore economico di emissioni. Questo metodo può essere usato quando non sono disponibili dati sull'utilizzo, ma la spesa è un proxy debole per il consumo effettivo di elettricità.
• Basato sulle attività: calcolare le emissioni dall'uso dei token, dall'energia consumata per token in ingresso e in uscita, dall'efficienza del data center (PUE) e dall'intensità di carbonio dell'elettricità che alimenta il data center.
• Basato sul fornitore: utilizzare dati energetici e di emissioni specifici per model e infrastruttura comunicati direttamente dal fornitore di IA. Questo è l'approccio più preciso, ma richiede una maggiore trasparenza da parte del fornitore.

Nell'esempio di Watershed di un'azienda che spende $100,000 all'anno per un'API di model di frontiera, l'approccio basato sulla spesa stima 13.4 tCO₂e/anno, rispetto a 3.7–5.4 tCO₂e utilizzando dati di attività dettagliati e 3.2–4.5 tCO₂e utilizzando i dati del fornitore.

Il framework raccomanda di misurare l'inferenza in kgCO₂e per milione di token e di comunicare il consumo di elettricità insieme alle emissioni. Una stima completa dovrebbe considerare sia l'uso attivo delle GPU sia i sistemi host, la capacità inattiva, i costi generali del data center, la produzione dell'hardware e l'addestramento dei model.

Il limite principale oggi è la disponibilità dei dati: la maggior parte dei clienti di IA non dispone di dati energetici specifici per model e regione dai propri fornitori, quindi le stime dipendono ancora fortemente da ipotesi.²

Previsione degli effetti economici dell'IA

I partecipanti allo studio Forecasting the Economic Effects of IA (2026) hanno fornito stime di variabili economiche chiave (PIL, consumo energetico, produttività, partecipazione alla forza lavoro) sia in condizioni di aspettative normali sia in tre scenari espliciti di progresso dell'IA (lento, moderato, rapido):

• Entro il 2030, i partecipanti stimano che il consumo di elettricità degli Stati Uniti potrebbe rappresentare 2,3% in uno scenario di crescita più lenta, 4,9% in uno scenario di crescita moderata e 7,4% in uno scenario di rapida espansione, rispetto a circa 1% nel 2024.
• Entro il 2050, si prevede che queste quote aumentino a 5% (lento), 8,3% (moderato) e 15% (rapido).
• Gli specialisti di IA e i superprevisori prevedono una domanda ancora più elevata in caso di crescita rapida nel 2050, stimando ciascuno circa 19,5%.³

Studio del MIT Technology Review

MIT Technology Review (2025) suddivide il consumo energetico dell'IA in due fasi principali: addestramento dei model e inferenza dell'IA. Sostiene che l'inferenza è ormai il principale fattore di consumo energetico perché le funzionalità di IA vengono integrate nella vita quotidiana attraverso prodotti e servizi.

Sottolinea inoltre una lacuna di trasparenza. La maggior parte dei principali fornitori di model di IA “closed” non divulga informazioni sufficienti per stimare in modo affidabile il loro consumo energetico totale o l'impronta di carbonio.⁴

Elettricità e domanda totale:

• Data center statunitensi: 4,4% dell'elettricità totale degli Stati Uniti è destinata ai data center.
• IA nei data center statunitensi: i server specifici per l'IA hanno consumato circa 53-76 terawattora (TWh) nel 2024 e le proiezioni suggeriscono 165-326 TWh entro il 2028.

Addestramento e inferenza:

• Quota dell'inferenza: si stima che 80%-90% del calcolo dell'IA sia utilizzato per l'inferenza.
• Esempio di energia per l'addestramento: l'addestramento di GPT-4 è descritto come circa 50 GWh.

Energia per attività (consumo di elettricità):

• Testo (Llama 3.1 8B): ~114 joule per risposta tenendo conto dei costi generali non-GPU.
• Testo (Llama 3.1 405B): ~6.706 joule per risposta con costi generali.
• Immagini (Stable Diffusion 3 Medium, 1024×1024): ~2.282 joule totali; un numero maggiore di passaggi può portare questo valore a ~4.402 joule.
• Video (esempi CogVideoX): ~109.000 joule per un output breve di bassa qualità; ~3.4 milioni di joule per un video di 5 secondi di qualità superiore.

Infrastruttura ed emissioni della rete elettrica:

• L'intensità di carbonio dell'elettricità dei data center è superiore del 48% rispetto alla media statunitense.
• I sistemi di raffreddamento nei data center possono usare grandi quantità di acqua, talvolta potabile.

Agenzia Internazionale dell'Energia

L'IEA (2025) inquadra la domanda energetica dell'IA attraverso la lente dei data center e dei loro componenti. Fornisce una ripartizione dei consumi di elettricità all'interno di un data center e offre una prospettiva globale sulla crescita del consumo di elettricità dei data center.⁵

Consumo globale di elettricità dei data center:

• Stimati ~415 TWh nel 2024, circa 1,5% del consumo globale di elettricità.
• Si prevede che raggiungano ~945 TWh entro il 2030, meno del 3% del consumo globale di elettricità nello scenario di base dell'IEA.

Consumo di elettricità dei data center per tipo di apparecchiatura:

• Server: circa 60% della domanda di elettricità nei data center moderni (varia in base al tipo).
• Sistemi di storage: circa 5%.
• Apparecchiature di rete: fino a 5%.
• Sistemi di raffreddamento e controllo ambientale: circa 7% nei data center iperscalabili efficienti e oltre 30% nei data center aziendali meno efficienti.

Figura 1: Grafico che mostra i dati del 2024 sulla quota di consumo di elettricità per data center e tipo di apparecchiatura.

Google Cloud

Google ha pubblicato nel 2025 una metodologia per misurare l'impatto ambientale dell'inferenza dell'IA per i prompt di Gemini, inclusi elettricità, emissioni di carbonio e consumo di acqua. Presenta le mediane per prompt e rivendica significativi miglioramenti dell'efficienza negli ultimi 12 mesi.⁶

Impatti mediani per prompt (prompt testuale delle app Gemini):

• 0.24 Wh di energia
• 0.03 gCO₂e di emissioni
• 0.26 millilitri di acqua

Miglioramenti dichiarati dell'efficienza

• Negli ultimi 12 mesi, Google ha dichiarato che l'energia per prompt mediano è diminuita di 33×, e l'impronta di carbonio totale è diminuita di 44×.

Efficienza e infrastruttura dei data center

• La Power Usage Effectiveness (PUE) media dell'intera flotta è 1.09 per i data center di Google.
• La TPU di ultima generazione di Google, Ironwood, è dichiarata essere 30× più efficiente dal punto di vista energetico rispetto alla prima TPU disponibile al pubblico.

Organizzazione Carbon Brief

Carbon Brief (2025) sintetizza i dati dell'Agenzia Internazionale dell'Energia (IEA)⁷e di altre fonti in una serie di grafici che mostrano gli impatti di riferimento, le proiezioni di crescita e i rischi di concentrazione regionale. Sottolinea che il settore è oggi piccolo a livello globale, ma in rapida crescita e localmente significativo in alcune reti elettriche.⁸

Quote globali attuali

• I data center sono responsabili di oltre 1% della domanda globale di elettricità e dello 0,5% delle emissioni di CO₂ (vedi Figura 2).

Crescita

• Scenario centrale IEA: il consumo di elettricità dei data center sale a 945 TWh entro il 2030.
• Quota dell'IA sul consumo energetico dei data center: circa dal 5% al 15% di recente, potenzialmente dal 35% al 50% entro il 2030.

Esempi di concentrazione regionale:

• Irlanda: circa 21% dell'elettricità nazionale è utilizzata per i data center, potenzialmente 32% entro il 2026.
• Virginia (Stati Uniti): 26% dell'elettricità consumata dai data center (come citato).

Mix di approvvigionamento energetico per i data center (globale)

• Combustibili fossili: quasi 60%
• Rinnovabili: 27%
• Nucleare: 15%

Figura 2: Basata sul Global Energy Review 2025 dell'IEA e sul suo rapporto Energy and IA, questa figura confronta il consumo di elettricità (TWh) e le emissioni di CO₂ (MtCO₂) dei data center globali nel 2024 con quelli di altri settori.

Centro Regionale di Informazione delle Nazioni Unite per l'Europa Occidentale (UNRIC)

L'UNRIC (2025) inquadra l'impronta ambientale dell'IA lungo l'intero ciclo di vita: software (addestramento, distribuzione, inferenza, manutenzione) e hardware (materiali, produzione, costruzione, rifiuti elettronici). Sottolinea che il consumo di elettricità e l'uso di acqua nei data center sono impatti diretti e sostiene misure politiche per migliorare la divulgazione e la responsabilità.⁹

Statistiche e suddivisione per categoria (elettricità, acqua, categorie del ciclo di vita): l'articolo dell'UNRIC è più categoriale che numerico nelle sezioni estratte. Raggruppa esplicitamente gli impatti dell'IA in effetti diretti, indiretti e di ordine superiore. Ecco alcuni dei principali risultati:

• Categorie di impatto ambientale
  • Diretto: consumo di elettricità e acqua, emissioni di gas serra, estrazione di minerali, inquinamento e rifiuti elettronici.
  • Indiretto: emissioni delle applicazioni e dei servizi abilitati dall'IA.
  • Di ordine superiore: amplificazione delle disuguaglianze e problemi legati a dati di addestramento distorti o di scarsa qualità.
• Data center e uso delle risorse
  • I data center consumano grandi quantità di elettricità, per la maggior parte ancora fornita da combustibili fossili.
  • Quantità significative di acqua sono necessarie per i sistemi di raffreddamento e per la costruzione.
  • Si prevede che la domanda globale di acqua legata all'IA raggiunga 4.2–6.6 miliardi di metri cubi entro il 2027, superando il consumo annuo di acqua della Danimarca.
  • Produrre un computer da 2 chilogrammi può richiedere circa 800 chilogrammi di materie prime, inclusi minerali rari.
• Uso e crescita dell'elettricità
  • Una query ChatGPT può consumare circa 10× più elettricità di una ricerca su Google, secondo la stima dell'IEA.
  • L'IA e il machine learning hanno rappresentato <0,2% del consumo globale di elettricità e <0,1% delle emissioni globali nel 2021, ma la domanda sta aumentando rapidamente.
  • Alcune aziende tecnologiche segnalano una crescita annua della domanda di calcolo di oltre 100% per l'addestramento e l'inferenza dell'IA.
• Espansione dei data center
  • I data center rappresentavano circa 1% della domanda globale di elettricità nel 2022.
  • In Irlanda, i data center hanno rappresentato 17% del consumo nazionale di elettricità nel 2022.
  • Il numero di data center nel mondo è cresciuto da 500.000 nel 2012 a circa 8 milioni oggi.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

MIT News sull'impatto ambientale dell'IA generativa

MIT News (2025) spiega perché l'IA generativa può essere ad alta intensità di risorse e distingue tra addestramento e inferenza. Sottolinea la densità di potenza, i problemi di affidabilità della rete elettrica e la mancanza di incentivi per gli utenti a ridurre l'uso quando gli impatti sono invisibili.¹⁰

Densità di potenza

• Un cluster di addestramento per l'IA generativa può consumare da 7 a 8× più energia rispetto a un carico di lavoro informatico tipico.

Consumo di elettricità dei data center

• Il consumo globale di elettricità dei data center è citato come 460 TWh nel 2022 e previsto a ~1.050 TWh entro il 2026.

Esempio di addestramento di un model

• L'addestramento di GPT-3 è stimato in 1.287 MWh e circa 552 tonnellate di CO₂.

Rapporto sul consumo energetico dei data center negli Stati Uniti

Il rapporto United States Data Center Energy Usage Report (2024) stima il consumo storico di elettricità dei data center negli Stati Uniti e fornisce intervalli di scenario fino al 2028. Collega esplicitamente il punto di svolta della crescita successivo al 2017 ai server accelerati, comprese le unità di elaborazione grafica utilizzate per eseguire i model di IA.¹¹

Consumo totale di elettricità dei data center negli Stati Uniti:

• ~60 TWh (2014–2016), relativamente stabile.
• 76 TWh entro il 2018, circa 1,9% del consumo di elettricità degli Stati Uniti.
• 176 TWh entro il 2023, circa 4,4% del consumo di elettricità degli Stati Uniti.

Intervallo di scenario per il 2028:

• 325 a 580 TWh entro il 2028.
• Equivalenti a 6,7% a 12,0% del consumo di elettricità previsto negli Stati Uniti nel 2028.

Fattori trainanti e categorie:

• La crescita è trainata dai server accelerati da GPU per l'intelligenza artificiale, che ora rappresentano una quota significativa della base installata.
• Descrive strategie di efficienza che in precedenza hanno mantenuto stabile la domanda, tra cui sistemi di raffreddamento migliorati, gestione dell'energia, tassi di utilizzo più elevati e riduzione della potenza inattiva.

MIT Technology Review

MIT Technology Review (2023) riferisce di uno dei primi tentativi di quantificare il consumo energetico e le emissioni di carbonio dell'IA durante l'uso quotidiano (inferenza), invece di concentrarsi solo sull'addestramento. L'articolo si basa su uno studio preprint di ricercatori di Hugging Face e della Carnegie Mellon University.

Lo studio mostra che, sebbene l'addestramento di grandi model di IA sia ad alta intensità energetica, la maggior parte dell'impronta di carbonio di un model di IA nel corso della sua vita deriva dal suo utilizzo. Poiché i model più diffusi vengono distribuiti milioni o miliardi di volte, le emissioni dell'inferenza quotidiana possono superare rapidamente quelle dell'addestramento.¹²

Energia per attività e intensità di carbonio:

I ricercatori hanno misurato il consumo energetico in 10 attività comuni di IA sulla piattaforma Hugging Face, testando 88 model diversi ed eseguendo 1.000 prompt per attività utilizzando lo strumento di misurazione Code Carbon. I principali confronti sono:

• Generazione di immagini: generare una singola immagine con un model potente consuma all'incirca la stessa energia di una ricarica completa di uno smartphone.
  • Generare 1.000 immagini con un model come Stable Diffusion XL produce emissioni di CO₂ paragonabili a percorrere circa 4.1 miglia in un'auto a benzina.
  • La generazione di immagini è di gran lunga l'attività di IA misurata più intensiva in termini di energia e carbonio.
• Generazione di testo: la generazione di testo è significativamente meno intensiva in termini energetici.
  • Produrre 1.000 output di testo consuma circa 16% della carica di uno smartphone.
  • Il model testuale meno intensivo in termini di carbonio ha emesso l'equivalente di percorrere 0.0006 miglia.

Dimensioni del model e specializzazione per attività:

Lo studio evidenzia un importante divario di efficienza tra i model generativi general-purpose e i model specifici per attività:

• I grandi model generativi consumano molta più energia perché sono progettati per svolgere molte attività (generare, classificare, riassumere). Ad esempio, usare un model generativo per classificare le recensioni di film richiede circa 30× più energia rispetto all'uso di un model più piccolo fine-tuned specificamente per la classificazione del sentiment.
• I model più piccoli e specializzati sono costantemente meno intensivi in termini di carbonio per le applicazioni ristrette.

Emissioni d'uso ed emissioni di addestramento:

I ricercatori hanno confrontato le emissioni di addestramento con le emissioni cumulative legate all'utilizzo:

• L'addestramento del più grande model BLOOM di Hugging Face è stato superato dopo circa 590 milioni di utilizzi.
• Per model estremamente popolari come ChatGPT, le emissioni d'uso potrebbero superare quelle di addestramento nel giro di settimane, a causa degli enormi volumi giornalieri di utenti.
• Ciò accade perché l'addestramento avviene una sola volta, mentre l'inferenza avviene continuamente e su larga scala.

Implicazioni più ampie e opinioni degli esperti:

• Gli esperti osservano che le emissioni per singola attività erano più elevate del previsto, sollevando preoccupazioni man mano che l'IA generativa viene integrata nei software di uso quotidiano (email, ricerca, elaborazione testi).
• I ricercatori sottolineano che i model più recenti e di grandi dimensioni sono sostanzialmente più intensivi in termini di carbonio rispetto ai sistemi di IA di pochi anni fa.

Innovazioni recenti nell'efficienza hardware

Diversi rilasci hardware del 2026 mostrano grandi progressi nell'efficienza dell'IA. Ad esempio, il chip per inferenza FuriosaAI RNGD ha iniziato la produzione in volumi a gennaio 2026 con un TDP di 180W ¹³, molto inferiore ai circa 600W+ consumati dalle tipiche GPU di fascia alta.¹³

Meta ha annunciato quattro nuovi acceleratori per inferenza MTIA (MTIA 300/400/450/500); i chip focalizzati sull'IA offrono circa da 18 a 27.6 TB/s di larghezza di banda della memoria e ne è prevista l'introduzione nel 2027.¹⁴

Infine, Arm ha annunciato la sua prima CPU per data center (la 3nm AGI CPU) con un massimo di 136 core Neoverse V3 ¹⁵, sviluppata insieme a Meta, e annovera OpenAI tra i primi utilizzatori.

Metodologia su come abbiamo raccolto i dati sul consumo energetico dell'IA

• Abbiamo utilizzato cifre e proiezioni future provenienti da recenti analisi sul consumo energetico che stimano l'uso globale di elettricità nei data center e la loro crescita.
• Dove disponibili, facciamo riferimento a metodologie di misurazione pubblicamente accessibili di grandi fornitori di cloud (ad es. i dati sull'impatto ambientale di Google Cloud) che comunicano metriche specifiche, come l'energia per inferenza.

Molti rapporti utilizzano unità di misura o terminologie diverse, come la quota dell'IA e del ML sul consumo globale di elettricità, il consumo energetico di addestramento e inferenza e la quota dei data center sul consumo globale di elettricità, rendendo difficile confrontarli in un unico grafico. Per garantire che tutti i valori potessero essere presentati insieme in un unico grafico, abbiamo incluso gli studi che utilizzavano definizioni e unità di misura comparabili:

• Il consumo globale di elettricità dei data center.
• La quota dell'IA sul consumo di elettricità all'interno dei data center.
• Il consumo di elettricità dei data center negli Stati Uniti, per evidenziare le differenze tra uso energetico globale e statunitense.

FAQ

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiche sul consumo energetico dell'IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Consultato il 7 agosto 2026}
}

Registro delle modifiche

4 aggiornamenti

2026

1. 7 ago

   Aggiunta una sezione sulla stima delle emissioni aziendali di IA tramite il framework Watershed.

2. 18 mag

   Aggiunta una sezione "Recenti innovazioni nell'efficienza hardware" su FuriosaAI RNGD, i chip MTIA di Meta e la CPU per data center di Arm.

3. 6 apr

   Aggiunta una sezione "Forecasting the Economic Effects of AI, 2026" con proiezioni della quota elettrica statunitense per il 2030 e il 2050.

4. 19 gen

   Aggiornata l'introduzione alla sezione delle statistiche sul consumo energetico dell'IA.

Collegamenti di riferimento

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

Analista di settore

Segui

Sıla Ermut è un'analista di settore presso AIMultiple e si occupa di modelli di IA, infrastrutture di IA, governance dell'IA e applicazioni aziendali dell'IA. La sua ricerca si concentra principalmente sull'uso dell'IA nel marketing, nella sanità, nelle catene di approvvigionamento e nella sostenibilità.
In precedenza ha lavorato come reclutatrice in società di project management e consulenza. Sıla ha conseguito un Master of Science in Psicologia Sociale e un Bachelor of Arts in Relazioni Internazionali.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento