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 yoğunluklu iş yükleri genişledikçe, toplam elektrik talebinin de artması bekleniyor.

Yapay zeka enerji tüketimi verimlilik trendlerini, 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 merkezlerinde enerji kullanımına odaklanan birden fazla araştırma kuruluşu ve endüstri 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

Güncel araştırmalara göre, yapay zeka enerji tüketimine artık inference hakimdir ve bu tüketim, bireysel model çalıştırmalarından ziyade ölçek, dağıtım modelleri ve sistem verimsizlikleri tarafından yönlendirilmektedir. Yapay zeka enerji tüketimini etkili bir şekilde yönetmek için önerilerimiz şunlardır:

Inference verimliliğine eğitim verimliliğinden daha fazla öncelik verin

Araştırmalar, yapay zeka hesaplamalarının %80'inden fazlasının artık inference için kullanıldığını göstermektedir.

• Inference başına enerjiyi (veya token başına / çıktı başına) birincil optimizasyon hedefi olarak değerlendirin.
• 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.

Sadece model düzeyindeki iddiaları değil, görev başına enerji metriklerini ölçün ve yayınlayın

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

• Pipeline'ları, GPU dışı genel giderler (bellek, ağ oluşturma, orkestrasyon) dahil olmak üzere görev başına enerjiyi ölçecek şekilde donatın.

Dar kapsamlı görevler için genel amaçlı üretken modeller kullanmaktan kaçının

Daha yüksek enerji kullanımı, uzmanlaşmış modeller yerine sınıflandırma gibi görevler için kullanılan üretken modellerle yakından ilişkilidir. MIT Technology Review, göreve özel modellerin daha az karbon ve enerji yoğunluklu olduğunu göstermektedir.

• Sınıflandırma, sıralama, çıkarma ve yönlendirme için göreve özel veya damıtılmış modeller kullanın.
• Büyük üretken modelleri, açık uçlu üretim gerektiren görevler için saklayın.
• Model kaskadları (gerektiğinde küçük modelden büyük modele) tanıtın.

Inference sunumundaki sistem düzeyindeki israfı azaltın

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

• Hızlandırıcı kullanımını şunlar aracılığıyla artırın:
  • Batching
  • Caching
  • Daha akıllı zamanlama
• Pipeline'lar ve mikro hizmetler arasındaki gereksiz çağrıları ortadan kaldırın.
• Zirve kapasite tahsisi yerine talep duyarlı otomatik ölçeklendirme uygulayın.

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

• Bellek ve bant genişliği kısıtlamalarına verimli bir şekilde uyan modeller tasarlayın.
• Kapasiteyi artırmadan önce mevcut donanımın kullanımını maksimize edin.
• Model mimarisi seçimlerini mevcut en enerji verimli hızlandırıcılarla uyumlu hale getirin.

Sistem tasarımında su kullanımını ve donanım yaşam döngüsünü hesaba katın

UNRIC'ten gelen araştırmalar, küresel yapay zeka ile ilgili su talebinin üstel olarak artacağının öngörüldüğünü göstermektedir.

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

Yapay Zekanın Ekonomik Etkilerinin Öngörülmesi

Yapay Zekanın Ekonomik Etkilerinin Öngörülmesi (2026) çalışması katılımcıları, hem normal beklentiler hem de üç açık yapay zeka ilerleme senaryosu (yavaş, orta, hızlı) altında temel ekonomik değişkenlere (GSYİH, enerji tüketimi, üretkenlik, iş gücüne katılım) ilişkin tahminler sağlamıştır:

• Katılımcılar, 2030 yılına kadar ABD elektrik kullanımının, 2024'teki yaklaşık %1'lik orandan; yavaş büyüme durumunda %2,3, orta büyüme altında %4,9 ve hızlı genişleme senaryosunda %7,4'e çıkabileceğini tahmin etmektedir.
• 2050 yılına kadar bu payların %5 (yavaş), %8,3 (orta) ve %15 (hızlı) seviyelerine yükselmesi öngörülmektedir.
• Yapay zeka uzmanları ve süper öngörücüler, 2050'de hızlı büyüme altında daha da yüksek bir talep beklemekte ve her biri yaklaşık %19,5 tahmin etmektedir.²

MIT Technology Review

MIT Technology Review (2025), yapay zeka enerji tüketimini iki ana aşamaya ayırır: model eğitimi ve yapay zeka inference. Yapay zeka özelliklerinin ürünler ve hizmetler aracılığıyla günlük yaşama entegre edilmesi nedeniyle, inference'ın artık enerji kullanımının baskın yönlendiricisi olduğunu savunmaktadır.

Ayrıca bir şeffaflık boşluğuna 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 merkezlerindeki yapay zeka: Yapay zekaya özel sunucuların 2024'te tahminen 53-76 terawatt-saat (TWh) kullandığı ve projeksiyonların 2028'e kadar 165-326 TWh'ye ulaşacağını öngördüğü belirtilmektedir.

Eğitim ve inference karşılaştırması:

• Inference payı: Yapay zeka hesaplamalarının %80-%90'ının inference için kullanıldığı tahmin edilmektedir.
• Örnek eğitim enerjisi: GPT-4 eğitiminin yaklaşık 50 GWh olduğu belirtilmektedir.

Görev başına enerji (elektrik tüketimi):

• Metin (Llama 3.1 8B): GPU dışı 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, bazen içme suyu olmak üzere büyük miktarlarda su kullanabilir.

Uluslararası Enerji Ajansı

IEA (2025), yapay zeka enerji taleplerini veri merkezleri ve bileşenleri perspektifinden ele almaktadır. Bir veri merkezi içinde elektriğin nerede tüketildiğine dair bir döküm sunmakta ve veri merkezi elektrik tüketiminin büyümesine ilişkin küresel bir bakış açısı sağlamaktadır.⁴

Veri merkezlerinden kaynaklanan küresel elektrik tüketimi:

• 2024'te tahminen ~415 TWh, küresel elektrik tüketiminin yaklaşık %1,5'i.
• IEA temel senaryosunda, 2030'a kadar küresel elektrik tüketiminin %3'ünün hemen altında olan ~945 TWh'ye ulaşması öngörülmektedir.

Ekipman tipine göre veri merkezi elektrik tüketimi:

• Sunucular: Modern veri merkezlerindeki elektrik talebinin yaklaşık %60'ı (tipine göre değişir).
• Depolama sistemleri: Yaklaşık %5.
• Ağ ekipmanları: %5'e kadar.
• Soğutma sistemleri ve çevresel kontrol: Verimli hyperscale veri merkezlerinde yaklaşık %7 ve daha az verimli kurumsal veri merkezlerinde %30'un üzerinde.

Şekil 1: Veri merkezi ve ekipman tipine göre elektrik tüketim 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'ın çevresel etkisini ölçmek için bir metodoloji yayınladı. Prompt başına medyan değerleri sunmakta ve son 12 aylık dönemde önemli verimlilik artışları olduğunu iddia etmektedir.⁵

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

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

Verimlilik artışı iddiaları

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

Veri merkezi verimliliği ve altyapısı

• Google veri merkezleri için filo genelindeki 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 Organizasyonu

Carbon Brief (2025), Uluslararası Enerji Ajansı (IEA)⁶ ve diğer kaynakları; temel etkileri, büyüme projeksiyonlarını ve bölgesel yoğunlaşma risklerini gösteren bir dizi grafikte sentezlemektedir. Sektörün bugün küresel olarak küçük olduğunu ancak hızla büyüdüğünü ve bazı şebekelerde yerel olarak önemli hale geldiğini vurgulamaktadır.⁷

Güncel küresel paylar

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

Büyüme

• IEA merkezi senaryosu: Veri merkezi elektrik tüketimi 2030'a kadar 945 TWh'ye yükseliyor.
• Veri merkezi güç kullanımında yapay zekanın payı: Son zamanlarda yaklaşık %5 ile %15 arasında, 2030'a kadar potansiyel olarak %35 ile %50 arasında.

Bölgesel yoğunlaşma örnekleri:

• İrlanda: Ulusal elektriğin yaklaşık %21'i veri merkezleri için kullanılıyor, 2026'ya kadar potansiyel olarak %32.
• Virginia (ABD): Veri merkezleri tarafından tüketilen elektriğin %26'sı (alıntılandığı üzere).

Veri merkezleri için güç kaynağı karışımı (küresel)

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

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

Birleşmiş Milletler Batı Avrupa Bölgesel Bilgi Merkezi (UNRIC)

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

İstatistikler ve kategori dökümü (elektrik, su, yaşam döngüsü kategorileri): Bu makale, çıkarılan bölümlerde sayısal olmaktan ziyade 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 derinleşmesi ve yanlı veya düşük kaliteli eğitim verileriyle ilgili sorunlar.
• Veri merkezleri ve kaynak kullanımı
  • Veri merkezleri, büyük ölçüde hala fosil yakıtlarla sağlanan büyük miktarlarda elektrik tüketmektedir.
  • Soğutma sistemleri ve inşaat için önemli miktarlarda su gereklidir.
  • Küresel yapay zeka ile ilgili su talebinin 2027 yılına kadar 4,2–6,6 milyar metrekübe ulaşması beklenmektedir ve bu miktar Danimarka'nın yıllık su kullanımını aşmaktadır.
  • 2 kilogramlık bir bilgisayar üretmek, nadir mineraller dahil olmak üzere yaklaşık 800 kilogram hammadde gerektirebilir.
• Elektrik kullanımı ve büyüme
  • IEA tahminine göre, bir ChatGPT sorgusu bir Google aramasından yaklaşık 10 kat daha fazla elektrik kullanmaktadır.
  • Yapay zeka ve makine öğrenimi, 2021'de küresel elektrik kullanımının oluşturuyordu, ancak talep hızla artıyor.
  • Bazı teknoloji şirketleri, yapay zeka eğitimi ve inference için hesaplama talebinde yıllık %100'ün üzerinde büyüme bildirmektedir.
• Veri merkezlerinin genişlemesi
  • Veri merkezleri 2022'de küresel elektrik talebinin yaklaşık %1'ini temsil ediyordu.
  • İrlanda'da veri merkezleri 2022'de ulusal elektrik kullanımının %17'sini oluşturuyordu.
  • Dünya çapındaki veri merkezi sayısı 2012'deki 500.000'den bugün yaklaşık 8 milyona yükseldi.

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

Tercih edilen kaynak olarak ekle

Üretken Yapay Zekanın Çevresel Etkisi Üzerine MIT Haberleri

MIT News (2025), üretken yapay zekanın neden kaynak yoğun olabileceğini açıklar ve eğitim ile inference arasındaki farkı belirtir. Güç yoğunluğu, şebeke güvenilirliği sorunları ve etkiler görünmez olduğunda kullanıcıların kullanımı azaltması için teşviklerin eksikliğini vurgular.⁹

Güç yoğunluğu

• Bir üretken yapay zeka eğitim kümesi, tipik bir hesaplama 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 olarak öngörülmüştür.

Model eğitimi örneği

• GPT-3 eğitiminin 1,287 MWh ve yaklaşık 552 ton CO₂ olduğu tahmin edilmektedir.

Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanım Raporu

Amerika Birleşik Devletleri Veri Merkezi Enerji Kullanım Raporu (2024), geçmiş ABD veri merkezi elektrik tüketimini tahmin etmekte ve 2028'e kadar senaryo aralıkları sunmaktadır. 2017 sonrası büyüme kırılmasını, yapay zeka modellerini çalıştırmak için kullanılan grafik işlem birimleri 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 öngörülen ABD elektrik tüketiminin %6,7 ila %12,0'sine eşdeğer.

Yönlendiriciler ve kategoriler:

• Büyüme, şu anda kurulu tabanın önemli bir kısmını oluşturan GPU-hızlandırmalı yapay zeka sunucuları tarafından yönlendirilmektedir.
• Geliştirilmiş soğutma sistemleri, güç yönetimi, daha yüksek kullanım oranları ve azaltılmış boşta bekleme gücü dahil olmak üzere, daha önce talebi sabit tutan verimlilik stratejilerini açıklamaktadır.

MIT Technology Review

MIT Technology Review (2023), sadece eğitime odaklanmak yerine, yapay zekanın günlük kullanım (inference) sırasındaki enerji kullanımı ve karbon emisyonlarını nicelleştirmeye yönelik ilk girişimlerden birini raporlamaktadır. Makale, Hugging Face ve Carnegie Mellon Üniversitesi araştırmacıları tarafından hazırlanan bir ön baskı çalışmasına dayanmaktadır.

Çalışma, büyük yapay zeka modellerini eğitmenin yüksek enerji yoğunluklu olduğunu, ancak bir yapay zeka modelinin yaşam boyu karbon ayak izinin çoğunun kullanımından kaynaklandığını göstermektedir. Popüler modeller milyonlarca veya milyarlarca kez dağıtıldığı için, günlük inference emisyonları eğitim emisyonlarını hızla aşabilir.¹¹

Görev başına enerji ve karbon yoğunluğu:

Araştırmacılar, Hugging Face platformundaki 10 yaygın yapay zeka görevi boyunca enerji kullanımını ölçmüş, 88 farklı modeli test etmiş ve Code Carbon ölçüm aracını kullanarak görev başına 1.000 prompt çalıştırmıştır. Temel karşılaştırmalar şunlardır:

• Görüntü oluşturma: Güçlü bir modelle tek bir görüntü oluşturmak, yaklaşık olarak bir akıllı telefonu tamamen şarj etmekle aynı enerjiyi tüketir.
  • Stable Diffusion XL gibi bir modelle 1.000 görüntü oluşturmak, benzinli bir arabayla yaklaşık 4,1 mil sürmeye benzer CO₂ emisyonları üretir.
  • Görüntü oluşturma, ölçülen yapay zeka görevleri arasında açık ara en enerji ve karbon yoğunluklu olanıdır.
• Metin oluşturma: Metin oluşturmak önemli ölçüde daha az enerji yoğunlukludur.
  • 1.000 metin çıktısı üretmek, bir akıllı telefon şarjının yalnızca yaklaşık %16'sını kullanır.
  • İncelenen en az karbon yoğunluklu metin modeli, sadece 0,0006 mil sürmek kadar emisyon yaymıştır.

Model boyutu ve görev uzmanlaşması:

Çalışma, genel amaçlı üretken modeller ile göreve özel modeller arasında büyük bir verimlilik boşluğu olduğunu vurgulamaktadır:

• Büyük üretken modeller çok daha fazla enerji tüketir çünkü birçok görevi (üretme, sınıflandırma, özetleme) gerçekleştirmek üzere tasarlanmışlardır. Örneğin, film incelemelerini sınıflandırmak için üretken bir model kullanmak, özellikle duygu sınıflandırması için fine-tune edilmiş daha küçük bir model kullanmaktan ~30 kat daha fazla enerji gerektirir.
• Küçük, uzmanlaşmış modeller dar uygulamalar için tutarlı bir şekilde daha az karbon yoğunlukludur.

Kullanım emisyonları ve eğitim emisyonları:

Araştırmacılar, eğitim emisyonlarını kümülatif kullanım emisyonlarıyla karşılaştırmıştır:

• Hugging Face'in en büyük BLOOM modelinin eğitimi, yaklaşık 590 milyon kullanımdan sonra aşılmıştır.
• ChatGPT gibi son derece popüler modeller için, devasa günlük kullanıcı hacimleri nedeniyle kullanım emisyonları haftalar içinde eğitim emisyonlarını aşabilir.
• Bu durum, eğitimin bir kez gerçekleşmesi, inference'ın ise ölçekli olarak sürekli gerçekleşmesi nedeniyle oluşur.

Daha geniş etkiler ve uzman görüşleri:

• Uzmanlar, görev başına emisyonların beklenenden daha yüksek olduğunu belirterek, üretken yapay zeka günlük yazılımlara (e-posta, arama, kelime işlemci) entegre oldukça endişelerin arttığını belirtmektedir.
• Araştırmacılar, daha yeni ve daha büyük modellerin, sadece birkaç yıl önceki yapay zeka sistemlerinden önemli ölçüde daha fazla karbon yoğunluklu olduğunu vurgulamaktadır.

Son donanım verimliliği yenilikleri

Birkaç 2026 donanım sürümü, yapay zeka verimliliğinde büyük kazanımlar göstermektedir. Örneğin, FuriosaAI RNGD inference çipi, tipik üst düzey GPU'lar tarafından tüketilen yaklaşık 600W+ değerinden çok daha düşük olan 180W TDP ile Ocak 2026'da seri sevkiyatına başlamıştır¹² ,¹³

Meta, dört yeni MTIA inference hızlandırıcı (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 sunulmaları planlanıyor.¹⁴

Son olarak Arm, Meta ile birlikte geliştirilen ve OpenAI'yi erken kullanıcıları arasında sayan, 136 Neoverse V3 çekirdeğe kadar sahip ilk veri merkezi CPU'sunu (3nm AGI CPU) duyurdu¹⁵ .

Yapay zeka enerji tüketimi verilerini nasıl topladık

• Veri merkezlerindeki küresel elektrik kullanımını ve büyümesini tahmin eden güncel enerji tüketimi analizlerinden rakamlar ve gelecek projeksiyonları kullandık.
• Mevcut olduğunda, inference başına enerji gibi belirli metrikleri açıklayan büyük bulut sağlayıcılarının (örneğin, Google Cloud'un çevresel etki verileri) halka açık ölçüm metodolojilerine atıfta bulunduk.

Birçok rapor, küresel elektrikteki yapay zeka ve makine öğrenimi payı, eğitim ve inference enerji kullanımı ve veri merkezlerinin küresel elektrikteki payı gibi farklı ölçüm birimleri veya terminolojiler kullanmakta, bu da onları 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 gerçekleştirilen küresel elektrik tüketimi.
• Veri merkezleri içindeki elektrik tüketiminde yapay zekanın payı.
• Küresel ve ABD enerji kullanımı arasındaki farkları 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

16.

https://www.cell.com/action/showPdf?pii=S2666-3899%2825%2900278-8

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da e-posta pazarlama ve satış videoları üzerine odaklanan bir sektör analistidir. Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalışmıştır. 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