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 yoğun hesaplama gerektiren 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 verimliliğine training verimliliğinden öncelik verin

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

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

Model düzeyindeki iddiaları değil, görev başına enerji metriklerini ölçün ve yayınlayın

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

• GPU dışı ek yük (bellek, ağ, orkestrasyon) dahil olmak üzere görev başına enerjiyi ölçmek için pipeline'ları enstrümante edin.

Dar görevler için genel amaçlı üretken modeller kullanmaktan kaçının

Daha yüksek enerji kullanımı, sınıflandırma gibi görevler için özel modeller yerine üretken modellerin kullanılmasıyla yakından bağlantılıdır. MIT Technology Review, göreve özgü modellerin daha az karbon ve enerji yoğun olduğunu göstermektedir.

• Sınıflandırma, sıralama, çıkarma ve yönlendirme için göreve özelleşmiş veya distilled modeller kullanın.
• Büyük üretken modelleri açık uçlu üretim gerektiren görevler için saklayın.
• Model kademeleri (gerekirse küçük modelden büyük modele) uygulayın.

Inference serving'de sistem düzeyindeki israfı azaltın

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

• Aşağıdakiler yoluyla hızlandırıcı kullanımını artırın:
  • Yığınlama (Batching)
  • Önbellekleme (Caching)
  • Daha akıllı zamanlama
• Pipeline'lar ve mikro hizmetler arasındaki gereksiz çağrıları ortadan kaldırın.
• Pik tedarik 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 uyan modeller tasarlayın.
• Kapasiteyi ölçeklendirmeden önce mevcut donanımın kullanımını en üst düzeye çıkarın.
• Model mimarisi seçimlerini enerji açısından en verimli mevcut hızlandırıcılarla uyumlu hale getirin.

Sistem tasarımında su kullanımını ve donanım yaşam döngüsünü hesaba katın

UNRIC'ten yapılan araştırma, küresel yapay zeka ile ilgili 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 training veya yeniden dağıtımdan kaçının.

Yapay Zeka Kullanımından Kaynaklanan Sera Gazı Emisyonlarının Tahmini: Kurumsal Düzeyde Ölçüm Çerçevesi

2026 Watershed çerçevesi, mevcut verilere bağlı olarak kurumsal yapay zeka emisyonlarını tahmin etmek için üç seviye önermektedir:

• Harcama tabanlı: Yapay zeka satıcı harcamasını ekonomik emisyon faktörü ile çarpın. Bu, kullanım verisi mevcut olmadığında kullanılabilir, ancak harcama gerçek elektrik tüketimi için zayıf bir proxy'dir.
• Faaliyet tabanlı: Token kullanımı, girdi ve çıktı token'ı başına tüketilen enerji, veri merkezi verimliliği (PUE) ve veri merkezine elektrik sağlayan şebekenin karbon yoğunluğundan emisyonları hesaplayın.
• Sağlayıcı tabanlı: Doğrudan yapay zeka sağlayıcısı tarafından raporlanan model ve altyapıya özgü enerji ve emisyon verilerini kullanın. Bu en hassas yaklaşımdır ancak daha fazla sağlayıcı şeffaflığı gerektirir.

Watershed'in bir frontier-model API'sine yılda $100.000 harcayan bir şirket örneğinde, harcama tabanlı yaklaşım 13.4 tCO₂e/yıl tahmin ederken, ayrıntılı faaliyet verileri kullanıldığında 3.7–5.4 tCO₂e ve sağlayıcı verileri kullanıldığında 3.2–4.5 tCO₂e tahmin edilmektedir.

Çerçeve, inference'ın milyon token başına kgCO₂e cinsinden ölçülmesini ve emisyonların yanı sıra elektrik tüketiminin raporlanmasını önermektedir. Eksiksiz bir tahmin, hem aktif GPU kullanımını hem de ana sistemleri, boşta kapasiteyi, veri merkezi ek yükünü, donanım üretimini ve model training'ini hesaba katmalıdır.

Günümüzdeki ana sınırlama veri erişilebilirliğidir: çoğu yapay zeka müşterisi, sağlayıcılarından model ve bölgeye özgü enerji rakamlarına sahip değildir, bu nedenle tahminler hala büyük ölçüde varsayımlara dayanmaktadır.²

Yapay Zekanın Ekonomik Etkilerinin Tahmini

Yapay Zekanın Ekonomik Etkilerinin Tahmini (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 sağlamıştır:

• 2030 yılına kadar katılımcılar, ABD elektrik kullanımının daha yavaş büyüme durumunda %2,3, ılımlı büyüme altında %4,9 ve hızlı genişleme senaryosunda %7,4 olabileceğini, 2024'teki yaklaşık %1'ten yukarı çıkacağını tahmin etmektedir.
• 2050 yılına kadar bu payların %5 (yavaş), %8,3 (ılımlı) ve %15 (hızlı) seviyesine yükselmesi 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.³

MIT Technology Review çalışması

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

Ayrıca bir şeffaflık açığına 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.⁴

Elektrik ve toplam talep:

• ABD veri merkezleri: Toplam ABD elektriğinin %4,4'ü veri merkezlerine gitmektedir.
• ABD veri merkezlerinde yapay zeka: Yapay zekaya özgü sunucular 2024'te tahmini 53-76 terawatt-saat (TWh) kullanmıştır ve projeksiyonlar 2028'e kadar 165-326 TWh öngörmektedir.

Training ve inference karşılaştırması:

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

Görev başına enerji (elektrik tüketimi):

• Metin (Llama 3.1 8B): GPU dışı ek yük hesaba katıldığında yanıt başına ~114 joule.
• Metin (Llama 3.1 405B): Ek yük ile yanıt başına ~6.706 joule.
• Görüntüler (Stable Diffusion 3 Medium, 1024×1024): Toplam ~2.282 joule; daha yüksek adımlar bunu ~4.402 joule'a 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 kullanabilir.

Uluslararası Enerji Ajansı

IEA (2025), yapay zeka enerji taleplerini veri merkezleri ve bileşenleri merceğinden çerçevelemektedir. Bir veri merkezi içinde elektriğin nerede tüketildiğine dair bir döküm sunmakta ve veri merkezi elektrik tüketiminin büyümesine ilişkin küresel bir görünüm sağlamaktadır.⁵

Veri merkezlerinden küresel elektrik tüketimi:

• 2024'te tahmini ~415 TWh, küresel elektrik tüketiminin yaklaşık %1,5'i.
• IEA temel senaryosunda, 2030'a kadar ~945 TWh'ye ulaşması, 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 hiper ölçekli veri merkezlerinde yaklaşık %7 ve daha az verimli kurumsal veri merkezlerinde %30'un üzerinde.

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

Google Cloud

Google, Gemini prompt'ları için elektrik, karbon emisyonları ve su tüketimi dahil olmak üzere yapay zeka inference'ının çevresel etkisini ölçmek için 2025'te bir metodoloji yayınladı. Prompt başına medyanları sunmakta ve yakın tarihli bir 12 aylık dönemde önemli verimlilik iyileştirmeleri olduğunu iddia etmektedir.⁶

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 geneli 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)⁷ 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.⁸

Mevcut küresel paylar

• Veri merkezleri, küresel elektrik talebinin %1'inden 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 yükselmektedir.
• Veri merkezi güç kullanımında yapay zeka payı: Yakın zamanda 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): Veri merkezleri tarafından tüketilen elektriğin %26'sı (belirtildiği gibi).

Veri merkezleri için güç kaynağı karması (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'te küresel veri merkezlerinden kaynaklanan elektrik tüketimini (TWh) ve CO₂ emisyonlarını (MtCO₂) diğer sektörlerle karşılaştırmaktadır.

Birleşmiş Milletler Batı Avrupa Bölgesel Bilgi Merkezi (UNRIC)

UNRIC (2025), yapay zekanın çevresel ayak izini tam yaşam döngüsü boyunca çerçevelemektedir: yazılım (training, 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.⁹

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 önemli 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 önyargılı veya düşük kaliteli training 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 miktarlarda su gerekmektedir.
  • Küresel yapay zeka ile ilgili 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 oluşturuyordu, ancak talep hızla artmaktadır.
  • Bazı teknoloji şirketleri, yapay zeka training ve inference'ı için bilgi işlem 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 genelindeki veri merkezi sayısı 2012'de 500.000'den bugün yaklaşık 8 milyona yükselmiştir.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Üretken Yapay Zekanın Çevresel Etkisi Üzerine MIT Haberleri

MIT News (2025), üretken yapay zekanın neden kaynak yoğun olabileceğini açıklamakta ve training ile inference arasında ayrım yapmaktadır. Güç yoğunluğunu, şebeke güvenilirliği sorunlarını ve etkiler görünmez olduğunda kullanıcıların kullanımı azaltma konusunda teşvik eksikliğini vurgulamaktadır.¹⁰

Güç yoğunluğu

• Bir üretken yapay zeka training 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 training örneği

• GPT-3 training'i 1.287 MWh ve yaklaşık 552 ton CO₂ olarak tahmin edilmektedir.

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 modellerini çalıştırmak için kullanılan grafik işlem birimleri de dahil olmak üzere hızlandırılmış sunuculara açıkça bağlamaktadır.¹¹

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'si ila %12.0'ına eşdeğer.

İtici güçler ve kategoriler:

• Büyüme, artık kurulu tabanın önemli bir payını oluşturan yapay zeka için GPU hızlandırmalı sunucular tarafından yönlendirilmektedir.
• Daha önce talebi sabit tutan verimlilik stratejilerini açıklamaktadır; bunlar arasında iyileştirilmiş soğutma sistemleri, güç yönetimi, daha yüksek kullanım oranları ve azaltılmış boşta güç tüketimi yer almaktadır.

MIT Technology Review

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

Çalışma, büyük yapay zeka modellerini training etmenin oldukça enerji yoğun olmasına rağmen, bir yapay zeka modelinin kullanım ömrü boyunca karbon ayak izinin çoğunun kullanımından geldiğini göstermektedir. Popüler modeller milyonlarca veya milyarlarca kez dağıtıldığı için, günlük inference emisyonları training emisyonlarını hızla aşabilir.¹²

Görev başına enerji ve karbon yoğunluğu:

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

• Görüntü üretimi: Güçlü bir modelle tek bir görüntü oluşturmak, bir akıllı telefonu tamamen şarj etmekle yaklaşık aynı enerjiyi tüketir.
  • Stable Diffusion XL gibi bir modelle 1.000 görüntü oluşturmak, benzinli bir araba ile 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 üretimi 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 modeli, 0.0006 mil sürmeye eşdeğer emisyon yaydı.

Model boyutu ve görev uzmanlaşması:

Çalışma, genel amaçlı üretken modeller ile göreve özgü modeller arasında büyük bir verimlilik farkını vurgulamaktadır:

• 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, özellikle duygu sınıflandırması için fine-tune edilmiş daha küçük bir model kullanmaktan ~30 kat daha fazla enerji gerektirir.
• Daha küçük, özelleşmiş modeller dar uygulamalar için tutarlı şekilde daha az karbon yoğundur.

Kullanım emisyonları ve training emisyonları karşılaştırması:

Araştırmacılar, training emisyonlarını kümülatif kullanım emisyonlarıyla karşılaştırdı:

• Hugging Face'in en büyük BLOOM modelinin training'i, yaklaşık 590 milyon kullanımdan sonra aşıldı.
• ChatGPT gibi son derece popüler modeller için, büyük günlük kullanıcı hacimleri nedeniyle kullanım emisyonları haftalar içinde training emisyonlarını aşabilir.
• Bu, training bir kez gerçekleşirken inference'ın ölçekte sürekli olarak gerçekleşmesi nedeniyledir.

Daha geniş etkiler ve uzman görüşleri:

• Uzmanlar, üretken yapay zeka günlük yazılımlara (e-posta, arama, kelime işlemci) yerleştikçe görev başına emisyonların beklenenden daha yüksek olduğunu ve endişe yarattığını belirtmektedir.
• Araştırmacılar, daha yeni, daha büyük modellerin birkaç yıl önceki yapay zeka sistemlerinden önemli ölçüde daha karbon yoğun olduğunu vurgulamaktadır.

Son dönem donanım verimliliği yenilikleri

2026'daki çeşitli donanım sürümleri, 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 seri sevkiyata başladı.^{13 13}

Meta, dört yeni MTIA inference hızlandırıcısı (MTIA 300/400/450/500) duyurdu; yapay zeka odaklı çipler yaklaşık 18 ila 27.6 TB/s bellek bant genişliği sunmakta ve 2027'de kullanıma sunulması planlanmaktadır.¹⁴

Son olarak Arm, Meta ile birlikte geliştirilen ve OpenAI'yi 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 yakın tarihli enerji tüketimi analizlerinden rakamlar ve gelecek projeksiyonları kullandık.
• Mevcut olduğunda, inference başına enerji gibi belirli metrikleri açıklayan büyük bulut sağlayıcılarının (ör. Google Cloud'un çevresel etki verileri) kamuya açık ölçüm metodolojilerine referans veriyoruz.

Birçok rapor, küresel elektriğin yapay zeka ve makine öğrenimi payı, training ve inference enerji kullanımı ve veri merkezlerinin küresel elektrikteki payı gibi farklı ölçüm birimleri veya terminoloji kullanmakta, bu da 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 tüketimindeki payı.
• Küresel ve ABD enerji kullanımı arasındaki farklılıkları vurgulamak için Amerika Birleşik Devletleri'ndeki veri merkezleri tarafından 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  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Erişim tarihi: 7 Ağustos 2026}
}

Referans Linkleri

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

Endüstri Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'leri, yapay zeka altyapısı, yapay zeka yönetişimi ve kurumsal yapay zeka uygulamalarını kapsayan bir endüstri analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır. 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