Son tahminlere göre, yapay zekâ 2028 yılına kadar veri merkezlerinin elektrik tüketiminin yarısından fazlasını oluşturacak. 1 Üretken yapay zeka gibi yoğun işlem gücü gerektiren iş yükleri yaygınlaştıkça, toplam elektrik talebinin de artması bekleniyor.
Önde gelen yapay zeka araştırmacıları ve kuruluşlarından elde edilen yapay zeka enerji tüketimiyle ilgili temel istatistikleri ve en iyi uygulamaları inceleyin.
Yapay zeka veri merkezi enerji tüketimi
Yukarıdaki grafik için, yapay zeka ve veri merkezlerindeki enerji kullanımına odaklanan çeşitli araştırma kuruluşlarından ve sektör analizlerinden veri topladık. Bu kaynaklar arasında küresel enerji ajansları, akademik çalışmalar ve teknoloji sağlayıcılarının girişimleri yer almaktadır.
Veriler şu şekilde toplandı:
- Veri merkezlerindeki küresel elektrik kullanımını ve büyümesini tahmin eden son enerji tüketimi analizlerinden elde edilen rakamları ve gelecek projeksiyonlarını kullandık.
- Mümkün olan yerlerde, enerji tüketimi gibi belirli ölçütleri açıklayan büyük bulut sağlayıcılarından (örneğin, Google Cloud'un çevresel etki verileri) kamuya açık ölçüm yöntemlerine atıfta bulunuyoruz.
Birçok raporda, yapay zeka ve makine öğreniminin küresel elektrik tüketimindeki payı, eğitim ve çıkarım enerji kullanımı ve veri merkezlerinin küresel elektrik tüketimindeki payı gibi farklı ölçü birimleri veya terminoloji kullanılması, bunların tek bir grafikte karşılaştırılmasını zorlaştırmaktadır. Tüm değerlerin tek bir grafikte birlikte sunulabilmesini sağlamak için, karşılaştırılabilir tanımlar ve ölçü birimleri kullanan çalışmaları dahil ettik:
- Veri merkezlerinin küresel elektrik tüketimi.
- Veri merkezlerindeki elektrik tüketiminde yapay zekanın payı.
- Amerika Birleşik Devletleri'ndeki veri merkezlerinin elektrik tüketimi, küresel ve ABD enerji kullanımı arasındaki farklılıkları ortaya koymak amacıyla gösterilmiştir.
Yapay zekâ enerji tüketiminin yönetimine yönelik öneriler
Son araştırmalara göre, yapay zekâ enerji tüketimi artık ağırlıklı olarak çıkarım işlemlerinden kaynaklanıyor ve bireysel model çalıştırmalarından ziyade ölçek, dağıtım modelleri ve sistem verimsizlikleri tarafından yönlendiriliyor. Yapay zekâ enerji tüketimini etkili bir şekilde yönetmek için önerilerimiz şunlardır:
Eğitim verimliliğinden ziyade çıkarım verimliliğine öncelik verin.
Araştırmalar, yapay zekâ hesaplama gücünün %80'inden fazlasının artık çıkarım yapmak için kullanıldığını gösteriyor.
- Çıkarım başına (veya belirteç/çıktı başına) enerji tüketimini birincil optimizasyon hedefi olarak ele alın.
- Eğitim verimliliğindeki küçük kazanımlara yatırım yapmadan önce çıkarım yollarını optimize edin.
- Optimizasyon çalışmalarını nadir veya az rastlanan kullanım durumlarına değil, yüksek frekanslı uç noktalara odaklayın.
Model düzeyindeki iddiaların ötesinde, görev bazında enerji ölçümlerini yapın ve yayınlayın.
MIT'nin araştırmasına göre, metin, görüntü ve video görevlerine göre görev başına enerji tüketimi (elektrik) farklılık göstermektedir.
- GPU dışı ek yükleri (bellek, ağ iletişimi, orkestrasyon) de dahil olmak üzere, görev başına enerji tüketimini ölçmek için işlem hatlarını yapılandırın.
Genel amaçlı üretken modelleri belirli görevler için kullanmaktan kaçının.
Daha yüksek enerji tüketimi, uzmanlaşmış modeller yerine sınıflandırma gibi görevler için kullanılan üretken modellerle yakından ilişkilidir. MIT Technology Review, göreve özgü modellerin daha az karbon ve enerji yoğun olduğunu göstermektedir.
- Sınıflandırma, sıralama, çıkarma ve yönlendirme için göreve özel veya basitleştirilmiş modeller kullanın.
- Geniş kapsamlı üretken modelleri, ucu açık üretim gerektiren görevler için saklayın.
- Model kademelerini (gerekirse küçük modelden büyük modele doğru) tanıtın.
Çıkarım hizmetinde sistem düzeyindeki israfı azaltın
Altyapı çalışmaları, sunucuların veri merkezlerinin elektrik tüketiminin yaklaşık %60'ını oluşturduğunu göstermektedir.
- Hızlandırıcı kullanımını şu yollarla artırın:
- Toplu işlem
- Önbellekleme
- Daha akıllı planlama
- İşlem hatları ve mikro hizmetler genelinde gereksiz çağrıları ortadan kaldırın.
- En yüksek talep dönemlerinde kaynak tahsisi yerine, talebe duyarlı otomatik ölçeklendirme uygulayın.
Donanım verimliliğini ve Güç Kullanım Verimliliğini (PUE) yazılım sorunları olarak ele alın.
- Bellek ve bant genişliği kısıtlamalarına verimli bir şekilde uyum sağlayan tasarım modelleri geliştirin.
- Kapasiteyi artırmadan önce mevcut donanımın kullanımını en üst düzeye çıkarın.
- Model mimarisi seçimlerini, mevcut en enerji verimli hızlandırıcılarla uyumlu hale getirin.
Sistem tasarımında su kullanımını ve donanım ömrünü dikkate alın.
UNRIC'in araştırması, küresel yapay zekâya bağlı su talebinin katlanarak artacağını gösteriyor.
- Soğutma yoğunluğunu ve su kullanımını azaltan sistemleri tercih edin.
- Model verimliliği ve yeniden kullanım yoluyla donanım ömrünü uzatın.
- Gereksiz yeniden eğitim veya donanım değişimini hızlandıran yeniden görevlendirmelerden kaçının.
Yapay Zekanın Ekonomik Etkilerinin 2026 Yılına İlişkin Tahmini
Çalışmaya katılanlar, hem normal beklentiler hem de üç farklı yapay zeka ilerleme senaryosu (yavaş, orta, hızlı) altında temel ekonomik değişkenlere (GSYİH, enerji tüketimi, verimlilik, işgücüne katılım) ilişkin tahminler sundular:
- Katılımcıların tahminlerine göre, 2030 yılına kadar ABD'nin elektrik kullanımı, daha yavaş bir büyüme senaryosunda %2,3'e , orta düzeyde bir büyüme senaryosunda %4,9'a ve hızlı bir genişleme senaryosunda ise %7,4'e ulaşabilir; bu oran 2024'te yaklaşık %1 civarındaydı.
- 2050 yılına kadar bu payların sırasıyla %5 (yavaş), %8,3 (orta) ve %15 (hızlı) oranlarına yükselmesi öngörülüyor.
- Yapay zeka uzmanları ve üst düzey tahminciler, 2050'de hızlı büyüme altında talebin daha da artacağını öngörüyor ve her biri yaklaşık %19,5'lik bir artış tahmin ediyor. 2
MIT Teknoloji İncelemesi, 2025
MIT Technology Review, yapay zekâ enerji tüketimini iki ana aşamaya ayırıyor: model eğitimi ve yapay zekâ çıkarımı. Yapay zekâ özelliklerinin ürün ve hizmetler genelinde günlük hayata entegre edilmesi nedeniyle, çıkarımın artık enerji kullanımının baskın itici gücü olduğunu savunuyor.
Bu durum aynı zamanda bir şeffaflık açığını da ortaya koyuyor. Çoğu büyük "kapalı" yapay zeka modeli sağlayıcısı, toplam enerji tüketimlerini veya karbon ayak izlerini güvenilir bir şekilde tahmin etmek için yeterli bilgiyi açıklamıyor. 3
Elektrik ve toplam talep:
- ABD veri merkezleri: ABD'deki toplam elektrik tüketiminin %4,4'ü veri merkezlerine gidiyor.
- ABD veri merkezlerinde yapay zeka kullanımı: Yapay zekaya özel sunucuların 2024 yılında tahmini 53-76 terawatt-saat (TWh) enerji tükettiği ve projeksiyonların 2028 yılına kadar bu miktarın 165-326 TWh'ye ulaşacağını gösterdiği belirtiliyor.
Eğitim ve çıkarım arasındaki fark:
- Çıkarım payı: Yapay zeka hesaplamalarının %80-90'ının çıkarım için kullanıldığı tahmin ediliyor.
- Örnek eğitim enerjisi: GPT-4 eğitimi yaklaşık 50 GWh olarak tanımlanmıştır.
Görev başına enerji (elektrik tüketimi):
- Metin (Llama 3.1 8B): GPU dışı ek yükü hesaba kattığımızda yanıt başına ~114 joule.
- Metin (Llama 3.1 405B): Ek yük ile yanıt başına ~6.706 joule.
- Görüntüler (Kararlı Difüzyon 3 Ortamı, 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 merkezlerinin elektrik enerjisi karbon yoğunluğu, ABD ortalamasının %48 daha yükseğidir.
- Veri merkezlerindeki soğutma sistemleri büyük miktarlarda su, bazen de içme suyu kullanabilir.
Uluslararası Enerji Ajansı, 2025
Uluslararası Enerji Ajansı (IEA), yapay zeka enerji taleplerini veri merkezleri ve bileşenleri perspektifinden ele alıyor. Veri merkezinde elektriğin nerede tüketildiğine dair ayrıntılı bir döküm sunuyor ve veri merkezi elektrik tüketiminin küresel büyümesine ilişkin bir bakış açısı sağlıyor. 4
Veri merkezlerinden kaynaklanan küresel elektrik tüketimi:
- 2024 yılında tahmini ~415 TWh, yani küresel elektrik tüketiminin yaklaşık %1,5'i.
- Uluslararası Enerji Ajansı'nın (IEA) temel senaryosuna göre, 2030 yılına kadar yaklaşık 945 TWh'ye ulaşması ve küresel elektrik tüketiminin yaklaşık %3'ünü oluşturması öngörülüyor.
Veri merkezlerinin ekipman türüne göre elektrik tüketimi:
- Sunucular : Modern veri merkezlerindeki elektrik talebinin yaklaşık %60'ını oluşturur (türe göre değişir).
- Depolama sistemleri : yaklaşık %5.
- Ağ ekipmanları : %5'e kadar indirim.
- Soğutma sistemleri ve çevre kontrolü : Verimli hiper ölçekli veri merkezlerinde yaklaşık %7, daha az verimli kurumsal veri merkezlerinde ise %30'un üzerinde.
Şekil 1: Veri merkezi ve ekipman türüne göre elektrik tüketiminin payını gösteren 2024 verilerinin grafiği.
Google Bulut, 2025
Google, Gemini komut istemleri için yapay zeka çıkarımının çevresel etkisini (elektrik, karbon emisyonları ve su tüketimi dahil) ölçmek için bir metodoloji yayınladı. Komut istemi başına medyan değerleri sunuyor ve son 12 aylık dönemde önemli verimlilik iyileştirmeleri sağlandığını iddia ediyor. 5
İsteme başına ortalama etki (Gemini Apps metin istemi):
- 0,24 Wh enerji
- 0,03 gCO₂e emisyonu
- 0,26 mililitre su
Verimlilik artışı iddiaları
- Geçtiğimiz 12 ay içinde, Google, ortalama anlık enerji tüketiminin 33 kat, toplam karbon ayak izinin ise 44 kat azaldığını iddia etti.
Veri merkezi verimliliği ve altyapısı
- Google veri merkezi için filo genelindeki ortalama Güç Kullanım Verimliliği (PUE) 1,09'dur .
- Google'un en yeni nesil TPU'su Ironwood'un, ilk piyasaya sürülen TPU'suna göre 30 kat daha enerji verimli olduğu iddia ediliyor.
Karbon Özeti Organizasyonu, 2025
Carbon Brief, Uluslararası Enerji Ajansı'nın (IEA) verilerini özetliyor. 6 ve diğer kaynaklardan elde edilen veriler, temel etkileri, büyüme projeksiyonlarını ve bölgesel yoğunlaşma risklerini gösteren bir dizi grafik halinde derlenmiştir. Sektörün bugün küresel ölçekte küçük olduğunu ancak hızla büyüdüğünü ve bazı şebekelerde yerel olarak önemli olduğunu vurgulamaktadır. 7
Mevcut küresel hisseler
- Veri merkezleri küresel elektrik talebinin %1'inden biraz fazlasından ve CO₂ emisyonlarının %0,5'inden sorumludur (Şekil 2'ye bakınız).
Büyüme
- IEA'nın temel senaryosu: Veri merkezlerinin elektrik tüketimi 2030 yılına kadar 945 TWh'ye yükselecek.
- Veri merkezlerinin enerji tüketiminde yapay zekanın payı: Son zamanlarda yaklaşık %5 ila %15 arasındaydı, 2030 yılına kadar potansiyel olarak %35 ila %50'ye ulaşabilir.
Bölgesel yoğunlaşma örnekleri:
- İrlanda: Ulusal elektrik tüketiminin yaklaşık %21'i veri merkezleri için kullanılıyor ve bu oran 2026 yılına kadar %32'ye ulaşabilir.
- Virginia (ABD): Veri merkezlerinin tükettiği elektriğin %26'sı (kaynakta belirtildiği gibi).
Veri merkezleri için güç kaynağı karışımı (küresel)
- Fosil yakıtlar: Yaklaşık %60
- Yenilenebilir Enerji: %27
- Nükleer: %15
Şekil 2: IEA'nın 2025 Küresel Enerji İncelemesi ve Enerji ve Yapay Zeka raporuna dayanarak, bu şekil 2024 yılında küresel veri merkezlerinin elektrik tüketimini (TWh) ve CO₂ emisyonlarını (MtCO₂) diğer sektörlerinkiyle karşılaştırmaktadır.
Birleşmiş Milletler Batı Avrupa Bölgesel Bilgi Merkezi (UNRIC), 2025
UNRIC, yapay zekanın çevresel ayak izini tüm yaşam döngüsü boyunca ele alıyor: yazılım (eğitim, dağıtım, çıkarım, bakım) ve donanım (malzemeler, üretim, inşaat, elektronik atık). Veri merkezlerindeki elektrik tüketimi ve su kullanımının doğrudan etkiler olduğunu vurguluyor ve şeffaflığı ve hesap verebilirliği artırmak için politika önlemlerini savunuyor. 8
İstatistikler ve kategori dağılımı (elektrik, su, yaşam döngüsü kategorileri): Bu makale, çıkarılan bölümlerde sayısal verilerden ziyade kategorik veriler kullanmaktadır. Yapay zekanın etkilerini doğrudan, dolaylı ve üst düzey etkiler olarak açıkça gruplandırmaktadır. İşte bazı önemli bulgular:
- Çevresel etki kategorileri
- Doğrudan etkiler: Elektrik ve su tüketimi, sera gazı emisyonları, maden çıkarımı, kirlilik ve elektronik atıklar.
- Dolaylı: Yapay zekâ destekli uygulamalar ve hizmetlerden kaynaklanan emisyonlar.
- Üst düzey etkiler: Eşitsizliklerin ve önyargılı veya düşük kaliteli eğitim verileriyle ilgili sorunların artması.
- Veri merkezleri ve kaynak kullanımı
- Veri merkezleri büyük miktarda elektrik tüketiyor ve bu elektriğin büyük bir kısmı hala fosil yakıtlardan sağlanıyor.
- Soğutma sistemleri ve inşaat işleri için önemli miktarda suya ihtiyaç duyulmaktadır.
- Yapay zekâ ile ilgili küresel su talebinin 2027 yılına kadar 4,2-6,6 milyar metreküpe ulaşması ve Danimarka'nın yıllık su kullanımını aşması bekleniyor.
- 2 kilogramlık bir bilgisayar üretmek, nadir mineraller de dahil olmak üzere yaklaşık 800 kilogram ham madde gerektirebilir.
- Elektrik kullanımı ve büyüme
- IEA'nın tahminine göre, bir ChatGPT sorgusu , bir Google aramasına kıyasla yaklaşık 10 kat daha fazla elektrik tüketiyor.
- Yapay zekâ ve makine öğrenimi, 2021 yılında küresel elektrik kullanımının %0,2'sinden ve küresel emisyonların %0,1'inden azını oluşturuyordu, ancak talep hızla artıyor.
- Bazı teknoloji şirketleri, yapay zeka eğitimi ve çıkarımı için bilgi işlem talebinde yıllık %100'ün üzerinde bir büyüme olduğunu bildiriyor.
- Veri merkezlerinin genişlemesi
- Veri merkezleri , 2022 yılında küresel elektrik talebinin yaklaşık %1'ini oluşturuyordu.
- İrlanda'da, 2022 yılında ulusal elektrik tüketiminin %17'si veri merkezlerinden kaynaklanmıştır.
- Dünya genelindeki veri merkezlerinin sayısı 2012'de 500.000 iken bugün yaklaşık 8 milyona ulaştı.
MIT Haberleri: Üretken Yapay Zekanın Çevresel Etkisi, 2025
MIT News, üretken yapay zekanın neden kaynak yoğun olabileceğini açıklıyor ve eğitim ile çıkarım arasındaki farkı ortaya koyuyor. Güç yoğunluğu, şebeke güvenilirliği sorunları ve etkiler görünmez olduğunda kullanıcıların kullanımı azaltmaları için teşvik eksikliğinin altını çiziyor. 9
Güç yoğunluğu
- Üretken yapay zeka eğitim kümesi, tipik bir bilgi işlem iş yüküne kıyasla 7 ila 8 kat daha fazla enerji tüketebilir.
Veri merkezi elektrik tüketimi
- Küresel veri merkezi elektrik tüketimi 2022'de 460 TWh olarak belirtilmiş olup, 2026 yılına kadar ~1.050 TWh'ye ulaşması öngörülmektedir.
Model eğitimi örneği
- GPT-3 eğitiminin tahmini enerji tüketimi 1.287 MWh ve yaklaşık 552 ton CO₂'dir.
Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanımı Raporu, 2024
Bu rapor, ABD veri merkezlerinin tarihsel elektrik tüketimini tahmin ediyor ve 2028 yılına kadar senaryo aralıkları sunuyor. 2017 sonrası büyüme ivmesini, yapay zeka modellerini çalıştırmak için kullanılan grafik işlem birimleri de dahil olmak üzere hızlandırılmış sunuculara açıkça bağlıyor. 10
ABD'deki veri merkezlerinin toplam elektrik tüketimi:
- ~ 60 TWh (2014–2016) , nispeten istikrarlı.
- 2018 yılı itibarıyla 76 TWh , yani ABD elektrik tüketiminin yaklaşık %1,9'u .
- 2023 yılına kadar 176 TWh , yani ABD elektrik tüketiminin yaklaşık %4,4'ü .
2028 senaryo aralığı:
- 2028 yılına kadar 325 ila 580 TWh .
- Bu miktar, 2028 yılında ABD'nin öngörülen elektrik tüketiminin %6,7 ila %12,0'ına eşdeğerdir.
Sürücüler ve kategoriler:
- Büyüme, şu anda kurulu tabanın önemli bir payını oluşturan yapay zeka için GPU hızlandırmalı sunucular tarafından yönlendiriliyor.
- Bu metin, daha önce talebi sabit tutan verimlilik stratejilerini açıklamaktadır; bunlar arasında iyileştirilmiş soğutma sistemleri, güç yönetimi, daha yüksek kullanım oranları ve azaltılmış rölanti gücü yer almaktadır.
MIT Teknoloji İncelemesi, 2023
MIT Technology Review, yapay zekanın yalnızca eğitime odaklanmak yerine, günlük kullanım (çıkarım) sırasındaki enerji tüketimini ve karbon emisyonlarını nicelleştirmeye yönelik ilk girişimlerden birini ele alıyor. Makale, Hugging Face ve Carnegie Mellon Üniversitesi'nden araştırmacıların ön baskı çalışmasına dayanıyor.
Çalışma, büyük yapay zekâ modellerinin eğitilmesinin son derece enerji yoğun olmasına rağmen, bir yapay zekâ modelinin ömür boyu karbon ayak izinin büyük kısmının kullanımından kaynaklandığını gösteriyor. Popüler modeller milyonlarca veya milyarlarca kez kullanıldığı için, günlük çıkarım emisyonları eğitim emisyonlarını hızla aşabiliyor. 11
Görev başına enerji ve karbon yoğunluğu:
Araştırmacılar, Hugging Face platformunda yaygın olarak kullanılan 10 yapay zeka görevinde enerji kullanımını ölçtüler; 88 farklı modeli test ettiler ve Code Carbon ölçüm aracını kullanarak görev başına 1.000 komut çalıştırdılar. Başlıca karşılaştırmalar şunlardır:
- Görüntü oluşturma: Güçlü bir modelle tek bir görüntü oluşturmak, bir akıllı telefonu tamamen şarj etmekle yaklaşık aynı miktarda enerji tüketir.
- Stable Diffusion XL gibi bir modelle 1.000 görüntü oluşturmak, benzinli bir araçla yaklaşık 6,5 kilometre yol kat etmeye eşdeğer CO₂ emisyonu üretir.
- Görüntü oluşturma, ölçülen yapay zeka görevleri arasında açık ara en fazla enerji ve karbon tüketen görevdir.
- Metin üretimi: Metin üretimi önemli ölçüde daha az enerji gerektirir.
- 1.000 adet metin çıktısı üretmek, bir akıllı telefonun şarjının yalnızca yaklaşık %16'sını kullanır.
- İncelenen en düşük karbon yoğunluğuna sahip metin modeli, yalnızca 0,0006 mil araba sürmek kadar emisyon yaydı.
Model boyutu ve görev uzmanlaşması:
Çalışma, genel amaçlı üretken modeller ile göreve özgü modeller arasında önemli bir verimlilik açığı olduğunu ortaya koymaktadır:
- Büyük üretken modeller, birçok görevi (üretme, sınıflandırma, özetleme) gerçekleştirmek üzere tasarlandıkları için çok daha fazla enerji tüketirler. Örneğin, film yorumlarını sınıflandırmak için üretken bir model kullanmak, duygu sınıflandırması için özel olarak ince ayarlanmış daha küçük bir model kullanmaya göre yaklaşık 30 kat daha fazla enerji gerektirir.
- Daha küçük, özel modeller, belirli uygulama alanları için sürekli olarak daha az karbon yoğunluğuna sahiptir.
Kullanım kaynaklı emisyonlar ile eğitim kaynaklı emisyonlar arasındaki fark:
Araştırmacılar, eğitim kaynaklı emisyonları kümülatif kullanım kaynaklı emisyonlarla karşılaştırdı:
- Hugging Face'in en büyük BLOOM modelinin eğitim süresi yaklaşık 590 milyon kullanım sonrasında tamamlandı.
- ChatGPT gibi son derece popüler modellerde, günlük kullanıcı sayılarının çok yüksek olması nedeniyle kullanım kaynaklı emisyonlar, eğitim kaynaklı emisyonları haftalar içinde aşabilir.
- Bunun nedeni, eğitimin bir kez gerçekleşmesi, çıkarımın ise sürekli ve büyük ölçekte yapılmasıdır.
Daha geniş kapsamlı sonuçlar ve uzman görüşleri:
- Uzmanlar, görev başına emisyonların beklenenden yüksek olduğunu ve üretken yapay zekanın günlük yazılımlara ( e-posta , arama , kelime işlemci) entegre edilmesiyle birlikte endişelerin arttığını belirtiyor.
- Araştırmacılar, daha yeni ve daha büyük modellerin, sadece birkaç yıl öncesine ait yapay zeka sistemlerine kıyasla önemli ölçüde daha fazla karbon salınımına neden olduğunu vurguluyor.
SSS'ler
Veri merkezleri halihazırda elektrik talebinin önemli ve giderek artan bir payını oluşturmaktadır. Amerika Birleşik Devletleri'nde veri merkezleri 2023 yılında toplam elektriğin yaklaşık %4,4'ünü tüketmiştir ve tahminler, ABD veri merkezlerinin elektrik kullanımının 2030 yılına kadar 426 terawatt-saate (TWh) ulaşabileceğini, bu da 2024 seviyelerine göre %133'lük bir artışı temsil ettiğini göstermektedir. Bu büyümenin önemli bir kısmı, hızlandırılmış sunucularda çalışan yapay zeka iş yüklerinden kaynaklanmaktadır.
Yapay zekâya özel sunucuların 2024 yılında tahmini 53-76 TWh enerji tükettiği ve bu tüketimin 2028 yılına kadar yılda 165-326 TWh'ye yükseleceği öngörülüyor. Bu aralığın üst sınırında, yalnızca yapay zekâ ile ilgili elektrik kullanımı, ABD'deki hanelerin yaklaşık %22'sinin enerji ihtiyacını karşılayabilir.
Büyük modellerin eğitilmesi enerji yoğun olsa da, yapay zeka enerji tüketiminin en önemli itici gücü artık çıkarım (inference) işlemidir. Günümüzde yapay zeka hesaplamalarının yaklaşık %80-90'ını çıkarım oluşturmaktadır ve yapay zeka özellikleri günlük ürün ve hizmetlere entegre edildikçe, 2030 yılına kadar toplam yapay zeka enerji talebinin yaklaşık %75'ini temsil etmesi beklenmektedir.
Tipik bir üretken yapay zeka sorgusu, geleneksel bir arama motoru isteğine kıyasla yaklaşık 4 ila 5 kat daha fazla enerji tüketir. Milyonlarca veya milyarlarca yapay zeka sorgusunun günlük olarak işlendiği durumlarda bu fark önemli hale gelir.
Küresel olarak, veri merkezleri 2024 yılında yaklaşık 415 TWh elektrik tüketti. Yapay zekâ şu anda azınlık bir paya sahip olsa da, bazı tahminlere göre, benimsenme oranlarına ve verimlilik iyileştirmelerine bağlı olarak, yapay zekâ destekli veri merkezlerinin 2030 yılına kadar küresel enerji talebinin %21'ine kadarını karşılaması bekleniyor.
Yapay zekâ, elektrik tüketimi ve donanım üretimi yoluyla karbon emisyonlarına katkıda bulunur. Tahminler, yapay zekânın yıllık karbon ayak izinin 2025 yılına kadar 32,6-79,7 milyon ton CO₂'ye ulaşabileceğini göstermektedir. 12
Evet. GPU'lar ve diğer yüksek performanslı bilgi işlem bileşenleri genellikle kısa çalışma ömrüne sahip olup, bu da giderek büyüyen bir elektronik atık (e-atık) sorununa yol açmaktadır. Bu bileşenlerin üretimi ayrıca nadir mineraller de dahil olmak üzere büyük miktarda ham madde gerektirmektedir.
Yapay zekanın çevresel etkisini önemli ölçüde azaltabilecek çeşitli stratejiler mevcuttur:
1. Yapay zeka iş yüklerinin yenilenebilir enerji kullanım oranının yüksek olduğu bölgelerde barındırılması, karbon yoğunluğunu düşürür.
2. Yazılım sistemleri, gerçek zamanlı karbon yoğunluğuna göre iş yüklerini ayarlayacak şekilde tasarlanabilir ve daha temiz elektrik mevcut olduğunda görevleri çalıştırabilir.
3. Model verimliliğini artırmak ve gereksiz çıkarım çağrılarını azaltmak, performanstan ödün vermeden enerji talebini düşürebilir.
Yapay zekânın çevresel etkisini yönetmek için doğru ölçüm şarttır. Araştırma kurumları yapay zekâ iş yüklerinin karbon ve enerji değerlendirmelerini hassas bir şekilde yapabilir, ancak çoğu kapalı yapay zekâ sağlayıcısı henüz yeterli veriyi açıklamamaktadır. Standartlaştırılmış raporlama, düzenleyicilerin, enerji şirketlerinin ve kullanıcıların yapay zekâ ile ilgili enerji kullanımını daha iyi anlamalarına ve yönetmelerine yardımcı olacaktır.
Yapay zekânın enerji, su ve emisyon etkilerini yönetmek, teknoloji şirketleri, araştırmacılar, enerji şirketleri ve politika yapıcılar arasında iş birliğini gerektirir. Koordineli planlama, yapay zekânın enerji maliyetlerini, emisyonları veya kaynak baskısını orantısız bir şekilde artırmadan ekonomik ve sosyal faydalar sağlamaya devam etmesini sağlamaya yardımcı olabilir.
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.