Statistiche sul consumo energetico dell'IA

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

Abbiamo raccolto dati da IEA, MIT e dai principali fornitori di cloud per identificare le tendenze dell'efficienza energetica 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 sull'uso dell'energia nell'IA e nei data center per il grafico sopra. Queste fonti includono agenzie energetiche globali, studi accademici e iniziative di fornitori di tecnologia. Ulteriori informazioni su come abbiamo raccolto i dati.

Raccomandazioni per la gestione del consumo energetico dell'IA

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

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

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

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

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

Sulla base della ricerca del MIT, il consumo energetico per attività (elettricità) varia tra attività di testo, immagine e video.

• Strumentare le pipeline per misurare l'energia per attività, incluso il sovraccarico non-GPU (memoria, rete, orchestrazione).

Evitare di utilizzare modelli generativi generici per attività specifiche

Un maggiore consumo energetico è strettamente legato ai modelli generativi, utilizzati per attività come la classificazione invece di modelli specializzati. MIT Technology Review mostra che i modelli specifici per attività sono meno intensivi in termini di carbonio ed energia.

• Utilizzare modelli specializzati o distillati per classificazione, ranking, estrazione e instradamento.
• Riservare i grandi modelli generativi per attività che richiedono una generazione aperta.
• Introdurre cascate di modelli (dal modello piccolo al modello grande, se necessario).

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

Gli studi sull'infrastruttura mostrano che i server rappresentano circa il 60% del consumo elettrico dei data center.

• Aumentare l'utilizzo degli acceleratori tramite:
  • Raggruppamento (batching)
  • Memorizzazione nella cache (caching)
  • Pianificazione più intelligente
• Eliminare le chiamate ridondanti tra pipeline e microservizi.
• Implementare l'autoscaling sensibile alla domanda anziché il provisioning di picco.

Trattare l'efficienza hardware e l'efficacia dell'uso dell'energia (PUE) come questioni software

• Progettare modelli 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 del modello con gli acceleratori più efficienti dal punto di vista energetico disponibili.

Tenere conto dell'uso dell'acqua e del ciclo di vita dell'hardware nella progettazione del sistema

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

• Favorire implementazioni che riducano l'intensità di raffreddamento e il consumo di acqua.
• Estendere la durata dell'hardware attraverso l'efficienza e il riutilizzo dei modelli.
• Evitare riaddestramenti o ridistribuzioni non necessari che accelerano il turnover dell'hardware.

Stima delle emissioni di gas serra dall'uso dell'IA: quadro per la misurazione a livello aziendale

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

• Basato sulla spesa: Moltiplicare la spesa per i fornitori di IA per un fattore di emissione economico. Questo può essere utilizzato 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'utilizzo di token, l'energia consumata per token di input e output, l'efficienza del data center (PUE) e l'intensità di carbonio dell'elettricità che alimenta il data center.
• Basato sul fornitore: Utilizzare i dati energetici e di emissione specifici per modello e infrastruttura riportati 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 un modello di frontiera, l'approccio basato sulla spesa stima 13.4 tCO₂e/anno, rispetto a 3.7–5.4 tCO₂e utilizzando dati dettagliati sulle attività 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 riportare il consumo di elettricità insieme alle emissioni. Una stima completa dovrebbe tenere conto sia dell'uso attivo della GPU che dei sistemi host, della capacità inattiva, del sovraccarico del data center, della produzione di hardware e dell'addestramento del modello.

Il principale limite attuale è la disponibilità dei dati: la maggior parte dei clienti IA non dispone di dati energetici specifici per modello 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 delle principali variabili economiche (PIL, consumo energetico, produttività, tasso di partecipazione alla forza lavoro) sia in condizioni normali che 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 il 2.3% in uno scenario di crescita più lenta, il 4.9% in uno scenario di crescita moderata e il 7.4% in uno scenario di espansione rapida, rispetto a circa l'1% del 2024.
• Entro il 2050, si prevede che queste quote aumentino al 5% (lento), 8.3% (moderato) e 15% (rapido).
• Gli specialisti di IA e i super-previsori prevedono una domanda ancora più elevata in caso di crescita rapida nel 2050, stimando ciascuno circa il 19.5%.³

Studio del MIT Technology Review

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

Evidenzia anche una lacuna di trasparenza. La maggior parte dei principali fornitori di modelli di IA "chiusi" 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: il 4.4% dell'elettricità totale degli Stati Uniti è destinato ai data center.
• IA all'interno dei data center statunitensi: i server specifici per l'IA hanno consumato una stima di 53-76 terawattora (TWh) nel 2024 e le proiezioni suggeriscono 165-326 TWh entro il 2028.

Addestramento vs inferenza:

• Quota di inferenza: si stima che l'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 del sovraccarico non-GPU.
• Testo (Llama 3.1 405B): ~6.706 joule per risposta con sovraccarico.
• Immagini (Stable Diffusion 3 Medium, 1024×1024): ~2.282 joule totali; un numero maggiore di passaggi può portare a ~4.402 joule.
• Video (esempi CogVideoX): ~109.000 joule per un breve output di bassa qualità; ~3.4 milioni di joule per un video di 5 secondi di qualità superiore.

Infrastruttura ed emissioni della rete:

• 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 utilizzare grandi quantità di acqua, a volte acqua potabile.

Agenzia Internazionale dell'Energia

L'IEA (2025) inquadra le richieste energetiche dell'IA attraverso la lente dei data center e dei loro componenti. Fornisce una ripartizione di dove viene consumata l'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:

• Stimato ~415 TWh nel 2024, circa l'1.5% del consumo globale di elettricità.
• Si prevede che raggiunga ~945 TWh entro il 2030, meno del 3% del consumo globale di elettricità nello scenario base dell'IEA.

Consumo di elettricità dei data center per tipo di apparecchiatura:

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

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

Google Cloud

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

Impatti mediani per prompt (prompt di testo Gemini Apps):

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

Dichiarazioni di miglioramento 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 del data center e infrastruttura

• L'efficacia media dell'uso dell'energia (PUE) della flotta è 1.09 per i data center Google.
• L'ultima generazione di TPU di Google, Ironwood, è dichiarata essere 30× più efficiente dal punto di vista energetico rispetto alla sua prima TPU disponibile al pubblico.

Organizzazione Carbon Brief

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

Quote globali attuali

• I data center sono responsabili di oltre l'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 il 21% dell'elettricità nazionale è utilizzato per i data center, potenzialmente il 32% entro il 2026.
• Virginia (USA): 26% dell'elettricità consumata dai data center (come citato).

Mix di approvvigionamento energetico per i data center (globale)

• Combustibili fossili: Quasi il 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 nell'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 dell'acqua nei data center sono impatti diretti e sostiene misure politiche per migliorare la divulgazione e la responsabilità.⁹

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

• Categorie di impatto ambientale
  • Diretto: Consumo di elettricità e acqua, emissioni di gas serra, estrazione di minerali, inquinamento e rifiuti elettronici.
  • Indiretto: Emissioni da applicazioni e servizi abilitati all'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, la maggior parte ancora fornita da combustibili fossili.
  • Sono necessarie quantità significative di acqua per i sistemi di raffreddamento e 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 idrico annuale della Danimarca.
  • La produzione di un computer da 2 chilogrammi può richiedere circa 800 chilogrammi di materie prime, inclusi minerali rari.
• Consumo di elettricità e crescita
  • Una query ChatGPT può utilizzare circa 10× più elettricità di una ricerca 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 annuale di oltre il 100% nella domanda di calcolo per l'addestramento e l'inferenza dell'IA.
• Espansione dei data center
  • I data center rappresentavano circa l'1% della domanda globale di elettricità nel 2022.
  • In Irlanda, i data center rappresentavano il 17% del consumo nazionale di elettricità nel 2022.
  • Il numero di data center in tutto il 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 e la mancanza di incentivi per gli utenti a ridurre l'utilizzo quando gli impatti sono invisibili.¹⁰

Densità di potenza

• Un cluster di addestramento di IA generativa potrebbe consumare da 7 a 8 volte più energia di un carico di lavoro di calcolo tipico.

Consumo di elettricità dei data center

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

Esempio di addestramento del modello

• Addestramento di GPT-3 stimato a 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 statunitensi e fornisce intervalli di scenario fino al 2028. Collega esplicitamente il punto di flesso della crescita post-2017 all'accelerazione dei server, comprese le unità di elaborazione grafica utilizzate per eseguire modelli 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 l'1.9% del consumo di elettricità degli Stati Uniti.
• 176 TWh entro il 2023, circa il 4.4% del consumo di elettricità degli Stati Uniti.

Intervallo dello scenario 2028:

• 325 a 580 TWh entro il 2028.
• Equivalente al 6.7% al 12.0% del consumo di elettricità previsto negli Stati Uniti nel 2028.

Driver e categorie:

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

MIT Technology Review

MIT Technology Review (2023) riporta uno dei primi tentativi di quantificare il consumo energetico e le emissioni di carbonio dell'IA durante l'uso quotidiano (inferenza), piuttosto che concentrarsi semplicemente 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 modelli di IA sia altamente energivoro, la maggior parte dell'impronta di carbonio nel ciclo di vita di un modello di IA deriva dal suo utilizzo. Poiché i modelli più diffusi vengono distribuiti milioni o miliardi di volte, le emissioni giornaliere dell'inferenza possono rapidamente superare quelle dell'addestramento.¹²

Energia e intensità di carbonio per attività:

I ricercatori hanno misurato il consumo energetico per 10 attività comuni di IA sulla piattaforma Hugging Face, testando 88 modelli 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 modello potente consuma all'incirca la stessa energia necessaria per caricare completamente uno smartphone.
  • Generare 1.000 immagini con un modello come Stable Diffusion XL produce emissioni di CO₂ paragonabili a percorrere circa 4.1 miglia con un'auto a benzina.
  • La generazione di immagini è di gran lunga l'attività di IA più energivora e ad alta intensità di carbonio misurata.
• Generazione di testo: La generazione di testo è significativamente meno energivora.
  • Produrre 1.000 output di testo utilizza circa il 16% della carica di uno smartphone.
  • Il modello di testo a minore intensità di carbonio studiato ha emesso l'equivalente di percorrere 0.0006 miglia.

Dimensione del modello e specializzazione del compito:

Lo studio evidenzia un importante divario di efficienza tra i modelli generativi generici e i modelli specifici per attività:

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

Emissioni da utilizzo vs emissioni da addestramento:

I ricercatori hanno confrontato le emissioni dell'addestramento con le emissioni cumulative da utilizzo:

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

Implicazioni più ampie e opinioni degli esperti:

• Gli esperti notano che le emissioni per attività erano superiori alle aspettative, sollevando preoccupazioni man mano che l'IA generativa viene integrata nei software di uso quotidiano (email, ricerca, elaborazione testi).
• I ricercatori sottolineano che i modelli più recenti e più grandi sono sostanzialmente più intensivi in termini di carbonio rispetto ai sistemi di IA di qualche anno fa.

Recenti innovazioni nell'efficienza hardware

Diversi rilasci hardware del 2026 mostrano grandi guadagni nell'efficienza dell'IA. Ad esempio, il chip di inferenza FuriosaAI RNGD ha iniziato la spedizione in volumi nel 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 di 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 di memoria e sono previsti per il lancio 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 , co-sviluppata con Meta, e conta OpenAI come primo utilizzatore.

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

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

Molti rapporti utilizzano unità di misura o terminologie diverse, come la quota di IA e ML sul consumo globale di elettricità, il consumo energetico di addestramento vs inferenza e la quota dei data center sul consumo globale di elettricità, rendendo difficile il confronto 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:

• Consumo globale di elettricità dei data center.
• Quota dell'IA sul consumo di elettricità all'interno dei data center.
• Consumo di elettricità dei data center negli Stati Uniti, per evidenziare le differenze tra l'uso energetico globale e quello 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}
}

Collegamenti di riferimento

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

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 recruiter in società di project management e consulenza. Sıla possiede 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