Yapay Zeka Enerji Tüketimi İstatistikleri

Yakın tarihli bir tahmin, yapay zekanın 2028 yılına kadar veri merkezi elektriğinin yarısından fazlasını kullanacağını öngörüyor.¹ Üretken yapay zeka gibi hesaplama yoğun iş yükleri genişledikçe, toplam elektrik talebinin de artması bekleniyor.

Yapay zeka enerji tüketimi verimlilik eğilimlerini, politika yanıtlarını ve en iyi uygulamaları belirlemek için IEA, MIT ve büyük bulut sağlayıcılarından gelen verileri inceledik.

Yapay zeka veri merkezi enerji tüketimi

Yukarıdaki grafik için yapay zeka ve veri merkezlerindeki enerji kullanımına odaklanan birden fazla araştırma kuruluşundan ve sektör analizinden veri topladık. Bu kaynaklar arasında küresel enerji ajansları, akademik çalışmalar ve teknoloji sağlayıcılarının girişimleri yer almaktadır. Verileri nasıl topladığımızı öğrenin.

Yapay zeka enerji tüketimini yönetmek için öneriler

Son araştırmalara göre, yapay zeka enerji tüketimi artık inference tarafından domine edilmekte ve bireysel model çalıştırmalarından ziyade ölçek, dağıtım modelleri ve sistem verimsizlikleri tarafından yönlendirilmektedir. Yapay zeka enerji tüketimini etkili bir şekilde yönetmek için önerilerimiz şunlardır:

Inference verimliliğini eğitim verimliliğine göre önceliklendirin

Araştırma, yapay zeka hesaplamasının 80%'inden fazlasının artık inference için kullanıldığını gösteriyor.

• Inference başına (veya token başına / çıktı başına) enerjiyi birincil optimizasyon hedefi olarak ele alın.
• Eğitim verimliliğindeki marjinal kazanımlara yatırım yapmadan önce inference yollarını optimize edin.
• Optimizasyon çabalarını nadir veya uzun kuyruklu kullanım durumlarına değil, yüksek frekanslı endpoint'lere odaklayın.

Görev başına enerji metriklerini ölçün ve yayınlayın, model düzeyinde iddiaları değil

MIT'nin araştırmasına dayanarak, görev başına enerji tüketimi (elektrik) metin, görüntü ve video görevleri arasında farklılık göstermektedir.

• GPU olmayan genel giderler (bellek, ağ iletişimi, orkestrasyon) dahil olmak üzere görev başına enerjiyi ölçmek için pipeline'ları enstrümante edin.

Dar kapsamlı görevler için genel amaçlı üretken model'ler kullanmaktan kaçının

Daha yüksek enerji kullanımı, sınıflandırma gibi görevler için özel model'ler yerine üretken model'lerin kullanılmasıyla yakından bağlantılıdır. MIT Technology Review, göreve özel model'lerin daha az karbon ve enerji yoğun olduğunu göstermektedir.

• Sınıflandırma, sıralama, çıkarım ve yönlendirme için göreve özel veya distilled model'ler kullanın.
• Büyük üretken model'leri açık uçlu üretim gerektiren görevler için saklayın.
• Model kademeleri uygulayın (küçük model'den büyük model'e, gerekirse).

Inference sunumunda sistem düzeyinde israfı azaltın

Altyapı çalışmaları, sunucuların veri merkezi elektrik tüketiminin yaklaşık 60%'ını oluşturduğunu göstermektedir.

• Aşağıdaki yöntemlerle hızlandırıcı kullanımını artırın:
  • Toplu işleme
  • Önbelleğe alma
  • Daha akıllı zamanlama
• Pipeline'lar ve mikro hizmetler arasındaki gereksiz çağrıları ortadan kaldırın.
• Tepe tedariki yerine talebe duyarlı otomatik ölçeklendirme uygulayın.

Donanım verimliliğini ve Güç Kullanım Etkinliğini (PUE) yazılım meselesi olarak ele alın

• Bellek ve bant genişliği kısıtlamaları dahilinde verimli şekilde çalışan model'ler tasarlayın.
• Kapasiteyi ölçeklendirmeden önce mevcut donanımın kullanımını en üst düzeye çıkarın.
• Model mimarisi seçimlerini en enerji verimli mevcut hızlandırıcılarla uyumlu hale getirin.

Sistem tasarımında su kullanımını ve donanım yaşam döngüsünü hesaba katın

UNRIC'ten gelen araştırma, küresel yapay zeka kaynaklı su talebinin katlanarak artmasının öngörüldüğünü göstermektedir.

• Soğutma yoğunluğunu ve su kullanımını azaltan dağıtımları tercih edin.
• Model verimliliği ve yeniden kullanım yoluyla donanım ömürlerini uzatın.
• Donanım devrini hızlandıran gereksiz yeniden eğitim veya yeniden dağıtımdan kaçının.

Yapay Zekanın Ekonomik Etkilerinin Tahmin Edilmesi

Yapay Zekanın Ekonomik Etkilerinin Tahmin Edilmesi (2026) çalışması katılımcıları, hem normal beklentiler hem de üç açık yapay zeka ilerleme senaryosu (yavaş, ılımlı, hızlı) altında temel ekonomik değişkenlere (GSYİH, enerji tüketimi, verimlilik, işgücüne katılım) ilişkin tahminler sundu:

• 2030 yılına kadar katılımcılar, ABD elektrik kullanımının daha yavaş büyüme senaryosunda %2,3'ü, ılımlı büyüme altında %4,9'u ve hızlı genişleme senaryosunda %7,4 'ü oluşturabileceğini ve bu oranın 2024'teki yaklaşık %1'den yükseleceğini tahmin etmektedir.
• 2050 yılına kadar bu payların %5 (yavaş), %8,3 (ılımlı) ve %15 (hızlı) seviyelerine çıkması öngörülmektedir.
• Yapay zeka uzmanları ve süper tahminciler, 2050'de hızlı büyüme altında daha da yüksek talep öngörmekte ve her biri yaklaşık %19,5 tahmin etmektedir.²

MIT Technology Review çalışması

MIT Technology Review (2025), yapay zeka enerji tüketimini iki ana aşamaya ayırmaktadır: model eğitimi ve yapay zeka inference. Yapay zeka özelliklerinin ürün ve hizmetler aracılığıyla günlük hayata yerleştirilmesi nedeniyle inference'ın artık enerji kullanımının baskın itici gücü olduğunu savunmaktadır.

Ayrıca bir şeffaflık açığına da dikkat çekmektedir. Çoğu büyük "kapalı" yapay zeka model sağlayıcısı, toplam enerji kullanımlarını veya karbon ayak izlerini güvenilir bir şekilde tahmin etmek için yeterli bilgi açıklamamaktadır.³

Elektrik ve toplam talep:

• ABD veri merkezleri: Toplam ABD elektriğinin %4,4'ü veri merkezlerine gitmektedir.
• ABD veri merkezlerinde yapay zeka: Yapay zeka odaklı sunucular 2024'te tahmini 53-76 terawatt-saat (TWh) kullanmış olup, projeksiyonlar 2028 yılına kadar 165-326 TWh'ye işaret etmektedir.

Eğitim ve inference karşılaştırması:

• Inference payı: Yapay zeka hesaplamasının %80-%90'ının inference için kullanıldığı tahmin edilmektedir.
• Örnek eğitim enerjisi: GPT-4 eğitimi yaklaşık 50 GWh olarak tanımlanmaktadır.

Görev başına enerji (elektrik tüketimi):

• Metin (Llama 3.1 8B): GPU olmayan genel giderler hesaba katıldığında yanıt başına ~114 joule.
• Metin (Llama 3.1 405B): Genel giderlerle birlikte yanıt başına ~6.706 joule.
• Görüntüler (Stable Diffusion 3 Medium, 1024×1024): Toplam ~2.282 joule; daha yüksek adımlar bunu ~4.402 joule'e çıkarabilir.
• Video (CogVideoX örnekleri): Düşük kaliteli kısa bir çıktı için ~109.000 joule; daha yüksek kaliteli 5 saniyelik bir video için ~3,4 milyon joule.

Altyapı ve şebeke emisyonları:

• Veri merkezi elektrik karbon yoğunluğu ABD ortalamasından %48 daha yüksektir.
• Veri merkezlerindeki soğutma sistemleri büyük miktarlarda su, bazen de içme suyu kullanabilmektedir.

International Energy Agency

IEA (2025), yapay zeka enerji taleplerini veri merkezleri ve bileşenleri merceğinden çerçevelendirmektedir. Bir veri merkezi içinde elektriğin nerede tüketildiğine dair bir döküm sunmakta ve veri merkezi elektrik tüketiminin büyümesine ilişkin küresel bir görünüm sağlamaktadır.⁴

Veri merkezlerinden kaynaklanan küresel elektrik tüketimi:

• 2024'te tahmini ~415 TWh, küresel elektrik tüketiminin yaklaşık %1,5'i.
• IEA temel senaryosunda, 2030 yılına kadar ~945 TWh'ye ulaşması ve küresel elektrik tüketiminin %3'ünün altında olması öngörülmektedir.

Ekipman türüne göre veri merkezi elektrik tüketimi:

• Sunucular: modern veri merkezlerinde elektrik talebinin yaklaşık %60'ı (türe göre değişir).
• Depolama sistemleri: yaklaşık %5.
• Ağ ekipmanı: %5'e kadar.
• Soğutma sistemleri ve çevresel kontrol: verimli hyperscale veri merkezlerinde yaklaşık %7, daha az verimli kurumsal veri merkezlerinde ise %30'un üzerinde.

Şekil 1: Veri merkezi ve ekipman türüne göre elektrik tüketimi payının 2024 verilerini gösteren grafik.

Google Cloud

Google, 2025 yılında Gemini prompt'ları için elektrik, karbon emisyonları ve su tüketimi dahil olmak üzere yapay zeka inference'ının çevresel etkisini ölçmek için bir metodoloji yayınladı. Prompt başına medyan değerleri sunmakta ve son 12 aylık dönemde önemli verimlilik iyileştirmeleri olduğunu iddia etmektedir.⁵

Prompt başına medyan etkiler (Gemini Apps metin prompt'u):

• 0,24 Wh enerji
• 0,03 gCO₂e emisyon
• 0,26 mililitre su

Verimlilik iyileştirme iddiaları

• Son 12 ayda, Google medyan prompt başına enerjinin 33 kat düştüğünü ve toplam karbon ayak izinin 44 kat düştüğünü iddia etti.

Veri merkezi verimliliği ve altyapı

• Google veri merkezleri için filo genelinde ortalama Güç Kullanım Etkinliği (PUE) 1,09'dur.
• Google'ın en yeni nesil TPU'su Ironwood'un, halka açık ilk TPU'sundan 30 kat daha enerji verimli olduğu iddia edilmektedir.

Carbon Brief Kuruluşu

Carbon Brief (2025), International Energy Agency (IEA)⁶ ve diğer kaynakları, temel etkileri, büyüme projeksiyonlarını ve bölgesel yoğunlaşma risklerini gösteren bir dizi grafik halinde sentezlemektedir. Sektörün bugün küresel olarak küçük olduğunu ancak hızla büyüdüğünü ve bazı şebekelerde yerel olarak önemli olduğunu vurgulamaktadır.⁷

Mevcut küresel paylar

• Veri merkezleri, küresel elektrik talebinin %1'inden ve CO₂ emisyonlarının %0,5'inden sorumludur (bkz. Şekil 2).

Büyüme

• IEA merkezi senaryosu: Veri merkezi elektrik tüketimi 2030 yılına kadar 945 TWh'ye yükselmektedir.
• Veri merkezi güç kullanımında yapay zeka payı: Son dönemde yaklaşık %5 ila %15, 2030'a kadar potansiyel olarak %35 ila %50.

Bölgesel yoğunlaşma örnekleri:

• İrlanda: Ulusal elektriğin yaklaşık %21'i veri merkezleri için kullanılmakta, 2026'ya kadar potansiyel olarak %32.
• Virginia (ABD): Elektriğin %26'sı veri merkezleri tarafından tüketilmektedir (alıntılandığı gibi).

Veri merkezleri için güç kaynağı karması (küresel)

• Fosil yakıtlar: Yaklaşık %60
• Yenilenebilir enerji: %27
• Nükleer: %15

Şekil 2: IEA'nın Küresel Enerji Değerlendirmesi 2025 ve Enerji ve Yapay Zeka raporuna dayanan bu şekil, 2024 yılında küresel veri merkezlerinden kaynaklanan elektrik tüketimini (TWh) ve CO₂ emisyonlarını (MtCO₂) diğer sektörlerle karşılaştırmaktadır.

United Nations Regional Information Centre for Western Europe (UNRIC)

UNRIC (2025), yapay zekanın çevresel ayak izini tüm yaşam döngüsü boyunca çerçevelendirmektedir: yazılım (eğitim, dağıtım, inference, bakım) ve donanım (malzemeler, üretim, inşaat, e-atık). Veri merkezlerindeki elektrik tüketimi ve su kullanımının doğrudan etkiler olduğunu vurgulamakta ve açıklama ile hesap verebilirliği iyileştirmek için politika önlemlerini savunmaktadır.⁸

İstatistikler ve kategori dökümü (elektrik, su, yaşam döngüsü kategorileri): UNRIC makalesi, çıkarılan bölümlerde sayısaldan çok kategoriktir. Yapay zeka etkilerini açıkça doğrudan, dolaylı ve üst düzey etkiler olarak gruplandırmaktadır. İşte bazı temel bulgular:

• Çevresel etki kategorileri
  • Doğrudan: Elektrik ve su tüketimi, sera gazı emisyonları, mineral çıkarımı, kirlilik ve elektronik atık.
  • Dolaylı: Yapay zeka destekli uygulama ve hizmetlerden kaynaklanan emisyonlar.
  • Üst düzey: Eşitsizliklerin artması ve taraflı veya düşük kaliteli eğitim verileriyle ilgili sorunlar.
• Veri merkezleri ve kaynak kullanımı
  • Veri merkezleri büyük miktarlarda elektrik tüketmekte olup, bunun çoğu hala fosil yakıtlardan sağlanmaktadır.
  • Soğutma sistemleri ve inşaat için önemli miktarda su gerekmektedir.
  • Küresel yapay zeka kaynaklı su talebinin 2027 yılına kadar 4,2–6,6 milyar metreküpe ulaşması ve Danimarka'nın yıllık su kullanımını aşması beklenmektedir.
  • 2 kilogramlık bir bilgisayar üretmek, nadir mineraller de dahil olmak üzere yaklaşık 800 kilogram ham madde gerektirebilir.
• Elektrik kullanımı ve büyüme
  • Bir ChatGPT sorgusu, IEA tahminine göre bir Google aramasından yaklaşık 10 kat daha fazla elektrik kullanabilir.
  • Yapay zeka ve makine öğrenimi, 2021'de küresel elektrik kullanımının <%0,2'sini ve küresel emisyonların <%0,1'ini oluşturdu, ancak talep hızla artmaktadır.
  • Bazı teknoloji şirketleri, yapay zeka eğitimi ve inference için bilgi işlem talebinde yıllık %100'ün üzerinde büyüme bildirmektedir.
• Veri merkezlerinin genişlemesi
  • Veri merkezleri 2022'de küresel elektrik talebinin yaklaşık %1'ini temsil etti.
  • İrlanda'da veri merkezleri 2022'de ulusal elektrik kullanımının %17'sini oluşturdu.
  • Dünya genelindeki veri merkezi sayısı 2012'de 500.000'den bugün yaklaşık 8 milyona yükseldi.

MIT News üretken yapay zekanın çevresel etkisi üzerine

MIT News (2025), üretken yapay zekanın neden kaynak yoğun olabileceğini açıklamakta ve eğitim ile inference arasında ayrım yapmaktadır. Güç yoğunluğu, şebeke güvenilirliği sorunları ve etkiler görünmez olduğunda kullanıcıların kullanımı azaltmaları için teşvik eksikliğini vurgulamaktadır.⁹

Güç yoğunluğu

• Bir üretken yapay zeka eğitim kümesi, tipik bir bilgi işlem iş yükünden 7 ila 8 kat daha fazla enerji tüketebilir.

Veri merkezi elektrik tüketimi

• Küresel veri merkezi elektrik tüketimi 2022'de 460 TWh olarak belirtilmiş ve 2026'ya kadar ~1.050 TWh öngörülmektedir.

Model eğitimi örneği

• GPT-3 eğitiminin 1.287 MWh ve yaklaşık 552 ton CO₂ olduğu tahmin edilmektedir.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanım Raporu

Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanım Raporu (2024), tarihsel ABD veri merkezi elektrik tüketimini tahmin etmekte ve 2028'e kadar senaryo aralıkları sunmaktadır. 2017 sonrası büyüme artışını, yapay zeka model'lerini çalıştırmak için kullanılan grafik işlem birimleri de dahil olmak üzere hızlandırılmış sunuculara açıkça bağlamaktadır.¹⁰

ABD toplam veri merkezi elektrik tüketimi:

• ~60 TWh (2014–2016), nispeten istikrarlı.
• 2018'e kadar 76 TWh, ABD elektrik tüketiminin yaklaşık %1,9'u.
• 2023'e kadar 176 TWh, ABD elektrik tüketiminin yaklaşık %4,4'ü.

2028 senaryo aralığı:

• 2028'e kadar 325 ila 580 TWh.
• 2028'de tahmini ABD elektrik tüketiminin %6,7'si ila %12,0'sine eşdeğer.

İtici güçler ve kategoriler:

• Büyüme, artık kurulu tabanın önemli bir payını oluşturan yapay zeka için GPU hızlandırmalı sunucular tarafından yönlendirilmektedir.
• Gelişmiş soğutma sistemleri, güç yönetimi, daha yüksek kullanım oranları ve azaltılmış boşta güç tüketimi dahil olmak üzere talebi daha önce sabit tutan verimlilik stratejilerini açıklamaktadır.

MIT Technology Review

MIT Technology Review (2023), yalnızca eğitime odaklanmak yerine, günlük kullanım (inference) sırasında yapay zekanın enerji kullanımını ve karbon emisyonlarını ölçmeye yönelik ilk girişimlerden birini raporlamaktadır. Makale, Hugging Face ve Carnegie Mellon Üniversitesi'nden araştırmacılar tarafından yapılan bir ön baskı çalışmasına dayanmaktadır.

Çalışma, büyük yapay zeka model'lerini eğitmenin son derece enerji yoğun olmasına rağmen, bir yapay zeka model'inin yaşam boyu karbon ayak izinin çoğunun kullanımından kaynaklandığını göstermektedir. Popüler model'ler milyonlarca veya milyarlarca kez dağıtıldığından, günlük inference emisyonları eğitim emisyonlarını hızla aşabilir.¹¹

Görev başına enerji ve karbon yoğunluğu:

Araştırmacılar, Hugging Face platformunda 10 yaygın yapay zeka görevinde enerji kullanımını ölçtü, 88 farklı model'i test etti ve Code Carbon ölçüm aracını kullanarak görev başına 1.000 prompt çalıştırdı. Temel karşılaştırmalar şunlardır:

• Görüntü üretimi: Güçlü bir model'le tek bir görüntü oluşturmak, bir akıllı telefonu tamamen şarj etmekle yaklaşık aynı enerjiyi tüketir.
  • Stable Diffusion XL gibi bir model'le 1.000 görüntü oluşturmak, benzinli bir arabayla yaklaşık 4,1 mil sürmeye eşdeğer CO₂ emisyonu üretir.
  • Görüntü üretimi, ölçülen açık ara en enerji ve karbon yoğun yapay zeka görevidir.
• Metin üretimi: Metin üretmek önemli ölçüde daha az enerji yoğundur.
  • 1.000 metin çıktısı üretmek, bir akıllı telefonun şarjının yaklaşık %16'sını kullanır.
  • İncelenen en az karbon yoğun metin model'i, 0,0006 mil sürmeye eşit emisyon yaydı.

Model boyutu ve görev uzmanlaşması:

Çalışma, genel amaçlı üretken model'ler ile göreve özel model'ler arasında büyük bir verimlilik farkını vurgulamaktadır:

• Büyük üretken model'ler, birçok görevi (üretme, sınıflandırma, özetleme) gerçekleştirmek üzere tasarlandıkları için çok daha fazla enerji tüketir. Örneğin, film yorumlarını sınıflandırmak için üretken bir model kullanmak, özellikle duygu sınıflandırması için fine-tune edilmiş daha küçük bir model kullanmaktan ~30 kat daha fazla enerji gerektirir.
• Daha küçük, özel model'ler dar uygulamalar için tutarlı şekilde daha az karbon yoğundur.

Kullanım emisyonları ve eğitim emisyonları karşılaştırması:

Araştırmacılar eğitim emisyonlarını kümülatif kullanım emisyonlarıyla karşılaştırdı:

• Hugging Face'in en büyük BLOOM model'inin eğitimi, yaklaşık 590 milyon kullanımdan sonra aşıldı.
• ChatGPT gibi son derece popüler model'ler için, büyük günlük kullanıcı hacimleri nedeniyle kullanım emisyonları birkaç hafta içinde eğitim emisyonlarını aşabilir.
• Bu, eğitimin bir kez gerçekleşmesi, inference'ın ise ölçekte sürekli olarak devam etmesi nedeniyle olur.

Daha geniş etkiler ve uzman görüşleri:

• Uzmanlar, üretken yapay zeka günlük yazılımlara (e-posta, arama, kelime işlem) yerleştikçe görev başına emisyonların beklenenden daha yüksek olduğunu ve endişelerin arttığını belirtmektedir.
• Araştırmacılar, daha yeni, daha büyük model'lerin birkaç yıl önceki yapay zeka sistemlerinden önemli ölçüde daha karbon yoğun olduğunu vurgulamaktadır.

Son donanım verimliliği yenilikleri

2026'daki birkaç donanım sürümü, yapay zeka verimliliğinde büyük kazanımlar göstermektedir. Örneğin, FuriosaAI RNGD inference çipi, tipik üst düzey GPU'ların tükettiği yaklaşık 600W+'dan çok daha düşük olan 180W TDP ile Ocak 2026'da hacimli sevkiyata başladı¹² .¹³

Meta, dört yeni MTIA inference hızlandırıcısını (MTIA 300/400/450/500) duyurdu; yapay zeka odaklı çipler yaklaşık 18 ila 27,6 TB/s bellek bant genişliği sunuyor ve 2027'de kullanıma sunulması planlanıyor.¹⁴

Son olarak Arm, Meta ile birlikte geliştirdiği ve OpenAI'ı erken kullanıcı olarak sayan, 136 Neoverse V3 çekirdeğe sahip ilk veri merkezi CPU'sunu (3nm AGI CPU) duyurdu.¹⁵

Yapay zeka enerji tüketimi verilerini nasıl topladığımıza dair metodoloji

• Veri merkezlerindeki küresel elektrik kullanımını ve büyümelerini tahmin eden son enerji tüketimi analizlerinden rakamları ve gelecek projeksiyonlarını kullandık.
• Mevcut olduğunda, büyük bulut sağlayıcılarının (ör. Google Cloud'un çevresel etki verileri) inference başına enerji gibi belirli metrikleri açıklayan kamuya açık ölçüm metodolojilerine referans veriyoruz.

Birçok rapor, yapay zeka ve makine öğreniminin küresel elektrikteki payı, eğitim ve inference enerji kullanımı ve veri merkezlerinin küresel elektrikteki payı gibi farklı ölçüm birimleri veya terminoloji kullanmakta ve bunları tek bir grafikte karşılaştırmayı zorlaştırmaktadır. Tüm değerlerin tek bir grafikte birlikte sunulabilmesini sağlamak için, karşılaştırılabilir tanımlar ve ölçüm birimleri kullanan çalışmaları dahil ettik:

• Veri merkezleri tarafından küresel elektrik tüketimi.
• Veri merkezleri içinde yapay zekanın elektrik tüketimi payı.
• Küresel ve ABD enerji kullanımı arasındaki farklılıkları vurgulamak için Amerika Birleşik Devletleri'ndeki veri merkezlerinin elektrik tüketimi.

SSS'ler

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Yapay Zeka Enerji Tüketimi İstatistikleri}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Erişim tarihi: 15 Haziran 2026}
}

Referans Linkleri

1.

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

2.

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

3.

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

MIT Technology Review

4.

Energy demand from AI – Energy and AI – Analysis - IEA

5.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

6.

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

7.

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

Carbon Brief

8.

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

United Nations

9.

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

10.

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

11.

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

MIT Technology Review

12.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

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

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'ta e-posta pazarlama ve satış videolarına odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. Sıla, Sosyal Psikoloji alanında Yüksek Lisans ve Uluslararası İlişkiler alanında Lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder