# AI 에너지 사용량 통계 (2026년 11월 업데이트)

> 1차 출처로 확인한 AI 에너지 사용량 통계: 데이터 센터 전력 소비, 프롬프트당 에너지, 이미지, 동영상, 학습, 물 사용량, 탄소 배출, 하드웨어 추세를 정리했습니다.

Source: https://greenai.guide/ko/기사/ai-에너지-사용량-통계-2026년-11월-업데이트/  
Updated: 2026-11-20

## 요약

이 AI 에너지 통계는 AI의 전력, 물, 탄소에 관한 가장 유용한 수치 40개를 모은 것으로, 각 수치를 1차 출처에서 확인하고 해당 연도를 밝혔습니다. 요약하면, 데이터 센터는 2024년에 약 415 TWh의 전력(전 세계 총량의 약 1.5%)을 사용했고, IEA는 2030년까지 약 950 TWh로 늘어날 것으로 예상합니다. 제공업체 자체 수치로 일반적인 텍스트 프롬프트 하나는 약 0.24~0.34 Wh를 쓰지만, 이미지, 동영상, 긴 입력, 추론은 훨씬 많이 씁니다.

## 핵심 내용

- IEA에 따르면 데이터 센터는 2024년에 약 415 TWh의 전력을 사용해 전 세계 총량의 약 1.5%를 차지했고, 2025년에는 485 TWh를 사용했습니다.
- IEA는 2030년까지 약 950 TWh, 즉 전 세계 전력 수요의 약 3%를 전망합니다. AI 중심 데이터 센터의 전력 사용량은 2025년에 50% 늘었습니다.
- 제공업체들은 텍스트 프롬프트당 약 0.24 Wh(Google, Gemini 텍스트 프롬프트 중앙값)와 0.34 Wh(OpenAI, ChatGPT 질의 평균)를 보고합니다.
- Hugging Face의 2025년 시험에서 추론 모델은 표준 모델보다 평균 30배 많은 에너지를 썼습니다.
- GPT-3 학습에는 약 1,287 MWh가 쓰였고 약 552톤의 CO₂e가 배출된 것으로 추정됩니다.
- 2025년 아일랜드에서 데이터 센터는 계량된 전력의 23%를 사용했습니다.

이 페이지는 사람들이 가장 많이 찾는 AI 에너지 통계를 모은 것으로, 각 수치를 1차 출처에서 확인하고 해당 연도를 함께
적었습니다. 수치를 빠르게 찾는 데 활용하시고, 중요한 곳에 인용하기 전에는 출처를 직접 확인하십시오.

## 핵심 AI 에너지 통계는 무엇일까요? {#what-are-the-key-ai-energy-statistics}

**데이터 센터는 전 세계 전력의 약 1.5%를 쓰며, 이 비율은 2030년까지 대략 두 배가 될 전망이고, 그 주된 원인은 AI입니다.**
일반적인 텍스트 프롬프트는 1와트시에 훨씬 못 미치는 에너지를 쓰지만, 이미지, 동영상, 매우 긴 입력, 추론은 훨씬 많이
씁니다. 아래 표에는 열 개 분야로 나눈 수치 40개가 있습니다. 출처마다 수치가 다르거나 수치가 범위로 제시된 경우에는
범위를 그대로 적었습니다.

## 데이터 센터 전력 {#data-centre-electricity}

**IEA에 따르면 데이터 센터는 2024년에 약 415 TWh, 2025년에 485 TWh를 사용했습니다.** 1테라와트시(TWh)는 10억
킬로와트시입니다.

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 1 | 데이터 센터는 2024년에 약 415 TWh의 전력을 사용해 전 세계 소비량의 약 1.5%를 차지했습니다. | 국제에너지기구(IEA) | 2025 |
| 2 | 데이터 센터 전력 사용량은 2025년에 17% 늘어 485 TWh가 되었습니다. | IEA | 2026 |
| 3 | IEA는 2030년까지 약 950 TWh, 즉 전 세계 전력 수요의 약 3%를 전망합니다. | IEA | 2026 |
| 4 | 2035년 전망치는 IEA 시나리오에 따라 700~1,700 TWh입니다. | IEA | 2025 |
| 5 | 데이터 센터 전력 사용량은 2017년 이후 매년 약 12%씩 늘었습니다. | IEA | 2025 |
| 6 | 2030년까지 전 세계 전력 수요 증가분의 약 10분의 1을 데이터 센터가 차지할 것입니다. | IEA | 2025 |

## 수요가 집중된 곳 {#where-demand-is-concentrated}

**소수의 국가와 지역이 부하의 대부분을 짊어지고 있습니다.** 이것이 전력망에 어떤 의미인지는
[AI와 데이터 센터 전력 수요](/ko/기사/ai와-데이터-센터-전력-수요/)를 참고하십시오.

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 7 | 2030년까지 전 세계 데이터 센터 전력 증가분의 약 80%를 미국과 중국이 차지합니다. | IEA | 2025 |
| 8 | 미국 데이터 센터는 2023년에 176 TWh, 즉 미국 전력의 약 4.4%를 사용했습니다. | 로런스 버클리 국립연구소(LBNL) | 2024 |
| 9 | 미국 데이터 센터는 2028년까지 325~580 TWh, 즉 미국 전력의 6.7~12%를 사용할 것으로 전망됩니다. | LBNL | 2024 |
| 10 | 2030년까지 미국 전력 수요 증가분의 거의 절반을 데이터 센터가 차지합니다. | IEA | 2025 |
| 11 | 데이터 센터는 2025년 아일랜드 계량 전력의 23%를 사용했으며, 2015년에는 5%였습니다. | 아일랜드 중앙통계청(Central Statistics Office) | 2026 |
| 12 | 데이터 센터는 2023년 버지니아주 전력의 거의 4분의 1을 사용했습니다. | 전력연구소(Electric Power Research Institute) | 2024 |

## AI가 차지하는 비중 {#ai-s-share}

**데이터 센터 전력 중 AI가 차지하는 비중에 대한 정확한 공개 수치는 없지만, AI가 가장 빠르게 성장하는 부분입니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 13 | AI 중심 데이터 센터의 전력 사용량은 2025년에 50% 늘었습니다. | IEA | 2026 |
| 14 | 주로 AI에 쓰이는 가속 서버의 전력 사용량은 IEA 기준 시나리오에서 매년 30%씩 늘어날 것으로 전망됩니다. | IEA | 2025 |
| 15 | 일반적인 AI 중심 데이터 센터 하나는 100,000가구만큼의 전력을 사용합니다. | IEA | 2025 |

## 프롬프트당 에너지 {#energy-per-prompt}

**제공업체 자체 수치로 일반적인 텍스트 프롬프트는 약 0.24~0.34 Wh입니다.** 이 수치는 자체 보고된 것이고, 방법이
서로 다르며, 텍스트만 다룹니다. [측정이 병목이다](/ko/기사/측정이-그린-ai의-병목입니다/)를 참고하십시오.

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 16 | Gemini Apps 텍스트 프롬프트 중앙값은 0.24 Wh를 쓰고, 0.03 g CO₂e를 배출했으며, 0.26 mL의 물을 소비했습니다. | Google (Elsworth et al.) | 2025 |
| 17 | 가장 효율적인 데이터 센터에서 가동 중인 AI 칩만 계산하면 같은 프롬프트가 0.10 Wh입니다. | Google (Elsworth et al.) | 2025 |
| 18 | ChatGPT 평균 질의 한 번은 약 0.34 Wh와 약 0.000085갤런의 물을 씁니다. | Sam Altman, OpenAI | 2025 |
| 19 | 일반적인 GPT-4o 질의는 약 0.3 Wh를 쓰며, 10,000 token 입력에서는 약 2.5 Wh, 100,000 token 입력에서는 거의 40 Wh로 늘어납니다. | Epoch AI | 2025 |
| 20 | Mistral Large 2의 400 token 응답 하나는 1.14 g CO₂e를 배출하고 45 mL의 물을 씁니다. | Mistral AI | 2025 |
| 21 | 추론 모델은 표준 모델보다 평균 30배 많은 에너지를 썼고, 한 모델은 추론을 켰을 때 150~700배 많이 썼습니다. | Hugging Face AI Energy Score | 2025 |

## 이미지와 동영상 {#images-and-video}

**이미지와 동영상 생성은 텍스트 작업보다 훨씬 많은 에너지를 씁니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 22 | 이미지 생성은 1,000장당 평균 약 2.9 kWh를 썼는데, 텍스트 분류는 1,000건당 0.002 kWh였습니다. | Luccioni, Jernite, Strubell | 2024 |
| 23 | 시험한 이미지 모델 중 가장 비효율적인 모델은 이미지 한 장에 스마트폰 충전량의 약 절반을 썼습니다. | Luccioni, Jernite, Strubell | 2024 |
| 24 | 오픈 텍스트-동영상 모델은 짧은 클립 하나에 0.14 Wh에서 415 Wh 이상까지 썼으며, 에너지는 해상도와 길이에 따라 제곱으로 늘었습니다. | Delavande, Pierrard, Luccioni | 2025 |

## 학습 실행 {#training-runs}

**대형 모델 학습에는 기가와트시 단위의 에너지가 들 수 있지만, 최신 모델 개발사 대부분은 이를 공개하지 않습니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 25 | GPT-3 학습에는 약 1,287 MWh가 쓰였고 약 552톤의 CO₂e가 배출된 것으로 추정됩니다. | Patterson et al., Google | 2021 |
| 26 | BLOOM 학습은 전력에서 약 24.7톤의 CO₂e를 배출했으며, 제조와 유휴 하드웨어까지 포함하면 50.5톤입니다. | Luccioni, Viguier, Ligozat | 2022 |
| 27 | Llama 3.1 모델 학습에는 3,930만 GPU 시간과 11,390톤의 CO₂e(지역 기준)가 들었습니다. | Meta | 2024 |
| 28 | Mistral Large 2의 학습과 18개월간의 사용으로 20.4킬로톤의 CO₂e가 발생했고 281,000 m³의 물이 소비되었습니다. | Mistral AI | 2025 |

## 물 {#water}

**AI는 주로 데이터 센터 냉각에, 그리고 간접적으로는 발전에 물을 씁니다.**
[AI의 물 발자국을 추정하는 방법](/ko/방법/ai의-물-발자국은-어떻게-추정하나요/)을 참고하십시오.

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 29 | Microsoft의 미국 데이터 센터에서 GPT-3를 학습하면 담수 700,000리터가 직접 증발할 수 있습니다. | Li, Yang, Islam, Ren | 2023 (2025 개정) |
| 30 | 2027년 전 세계 AI 수요는 42억~66억 m³의 취수량을 차지할 수 있습니다. | Li, Yang, Islam, Ren | 2023 (2025 개정) |
| 31 | Google은 2025년 데이터 센터와 사무실에서 410억 리터(109억 갤런)의 물을 소비했고, 담수 소비량의 약 78%를 보충했습니다. | Google | 2026 |

## 탄소와 기업 배출량 {#carbon-and-company-emissions}

**대형 AI 제공업체의 배출량은 대규모 청정에너지 구매에도 불구하고 늘고 있습니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 32 | Google의 목표 기준(ambition-based) 배출량은 2025년 약 1,450만 톤 CO₂e로, 2024년보다 18%, 2019년보다 81% 늘었습니다. | Google | 2026 |
| 33 | Microsoft의 총배출량은 2025 회계연도에 약 2,030만 톤 CO₂e로, 2020년의 약 1,290만 톤보다 많습니다. | Microsoft | 2026 |
| 34 | Amazon의 절대 배출량은 2024년에서 2025년 사이 16% 늘어 8,085만 톤 CO₂e가 되었습니다. | Amazon | 2026 |
| 35 | 생성형 AI는 2020~2030년에 걸쳐 총 120만~500만 톤의 전자 폐기물을 더할 수 있습니다. | Wang et al., Nature Computational Science | 2024 |

## 하드웨어와 효율 추세 {#hardware-and-efficiency-trends}

**하드웨어와 소프트웨어는 훨씬 효율적이 되고 있지만, 수요는 그보다 빠르게 늘고 있습니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 36 | 주요 머신러닝 하드웨어의 에너지 효율은 해마다 약 40% 좋아집니다. | Epoch AI | 2024 |
| 37 | 2026년 11월 Green500 목록에서 가장 에너지 효율이 높은 슈퍼컴퓨터인 프랑스의 KAIROS는 와트당 73.28 기가플롭스를 냅니다. | TOP500 | 2026 |
| 38 | 킬로와트시당 계산 횟수는 1946년부터 2009년까지 약 1.57년마다 두 배가 되었습니다('쿠미의 법칙'). | Koomey et al. | 2011 |

## 제공업체와 연구자가 보고한 효율 향상 {#efficiency-gains-reported-by-providers-and-researchers}

**보고된 향상 폭은 크지만, 대부분 자체 보고이거나 직접 고른 기준선과 비교해 측정한 것입니다.**

| # | 통계 | 출처 | 연도 |
|---|---|---|---|
| 39 | Google은 12개월 동안 Gemini 텍스트 프롬프트 중앙값당 에너지가 33분의 1로, 탄소가 44분의 1로 줄었다고 보고합니다. | Google (Elsworth et al.) | 2025 |
| 40 | 작업 특화 소형 모델은 에너지 사용을 최대 90%, 더 짧은 프롬프트와 응답은 50% 넘게 줄일 수 있습니다. | UNESCO, 유니버시티 칼리지 런던 | 2025 |

자주 인용되는 수치가 두 개 더 있습니다. NVIDIA는 2024년, 자사 Blackwell 플랫폼이 대규모 언어 모델 추론에서 이전
세대보다 비용과 에너지 소비를 최대 25배 줄인다고 밝혔습니다. 이는 특정 작업 부하에 대한 공급업체의 주장입니다. 또
Google 연구자들은 2021년, 모델, 데이터 센터, 프로세서의 선택에 따라 학습의 탄소 발자국을 최대 약 100~1,000배 줄일 수
있다고 추정했습니다. 이런 향상을 실제로 얻는 방법은 [에너지 효율적인 AI](/ko/기사/ai-에너지-효율-ai-전력-소비를-줄이는-방법/)를 참고하십시오.

## 대중의 인식 {#public-attitudes}

**적어도 미국에서는 AI의 환경 영향에 대한 우려가 커지고 있습니다.** 다른 지역의 조사 근거는 더 부족합니다.

- 2026년 미국인의 53%가 AI의 환경 영향을 매우 또는 몹시 우려했으며, 2025년에는 41%였습니다
  (AP-NORC와 시카고 대학교 에너지정책연구소).
- 2025년 미국인의 72%가 적어도 어느 정도 우려했습니다(같은 조사 기관).
- 영국에서는 정부의 2024년 대중 인식 추적 조사에서 54%가 AI가 기후 변화 감시에 도움이 될 것으로 기대했으며, 이런
  낙관에 비해 AI의 부정적인 환경 영향에 대한 인식은 그만큼 높지 않다고 지적했습니다.

## 수치를 고르는 방법 {#how-we-choose-figures}

**1차 출처를 쓰고, 연도를 밝히며, 수치에 논란이 있는 경우 범위를 우선합니다.**

- **1차 출처만 사용합니다.** 각 수치는 뉴스 보도가 아니라 발행 기관의 보고서, 논문, 페이지에서 직접 확인합니다.
  1차 출처를 찾지 못한 수치는 뺐습니다.
- **발표된 그대로 적습니다.** 출처가 말하지 않는 값으로 수치를 반올림하지 않습니다. 직접 계산한 것이 있으면 그렇다고
  밝힙니다.
- **경계가 중요합니다.** 프롬프트당 수치는 무엇을 계산에 넣느냐에 따라 달라집니다. Google 자체 수치도 가동 중인 칩만
  계산하면 0.24 Wh에서 0.10 Wh로 낮아집니다. 기업 수치는 자체 보고이며 독립적으로 감사받지 않았습니다.
- **논란이 있으면 범위로 제시합니다.** 전망치는 시나리오에 따라 다르므로, 숫자 하나를 고르지 않고 범위를 보여 줍니다.
- **오래된 수치는 표시합니다.** 신경 구조 탐색을 포함한 학습 실행 하나에 대해 널리 인용되는 2019년 추정치(약
  626,000 lb의 CO₂e)는 이후 Google 연구자들이 실제 비용을 과대평가했다고 주장했기 때문에 표에 넣지 않았습니다.

다른 곳에서 본 수치를 확인하려면 [AI 에너지 사용에 관한 주장을 확인하는 방법](/ko/방법/ai-에너지-사용에-관한-주장이-맞는지-어떻게-확인하나요/)을 참고하십시오.

## 마지막 확인 {#last-checked}

**이 페이지의 모든 수치는 2026년 11월 20일에 출처에서 마지막으로 확인했습니다.** IEA, 각국 통계청, 주요 제공업체가
새 데이터를 발표하면 페이지를 업데이트합니다. 더 새로운 수치나 오류를 발견하시면 [문의해 주십시오](/ko/문의/).

## 다음에 할 일 {#what-to-do-next}

- AI 에너지 수치를 인용할 때는 이 페이지나 특정 표에 링크하고, 원래 출처를 밝히십시오.
- [내 AI 에너지 사용을 다른 것과 비교해 가늠하는 방법](/ko/방법/내-ai-에너지-사용량은-다른-것과-비교하면-어느-정도인가요/)으로 개인 사용량을 맥락 속에서 보십시오.
- [AI의 에너지와 탄소를 측정하는 방법](/ko/모범-사례/ai의-에너지와-탄소를-측정하는-방법/)으로 여러분의 AI 에너지를 측정하십시오.
- 공급업체에 수치를 요청하십시오. [AI 기업에 에너지 수치를 요청하는 방법](/ko/방법/ai-회사에-에너지-사용량-수치를-어떻게-요청하나요/)을 참고하십시오.
- [에너지 효율적인 AI](/ko/기사/ai-에너지-효율-ai-전력-소비를-줄이는-방법/)로 여러분의 발자국을 줄이십시오.

## 자주 묻는 질문

### AI는 에너지를 얼마나 쓰나요?

AI에 대한 단일 수치는 없습니다. IEA는 2024년 모든 데이터 센터가 약 415 TWh, 즉 전 세계 전력의 약 1.5%를 사용했다고 추정하며, 그중 AI 중심 데이터 센터가 가장 빠르게 성장하는 부분으로, 2025년 전력 사용량이 50% 늘었습니다.

### ChatGPT 질문 한 번에 에너지가 얼마나 드나요?

OpenAI 최고경영자는 2025년 평균 질의 한 번에 약 0.34 Wh라고 밝혔고, Epoch AI는 일반적인 GPT-4o 질의를 독자적으로 약 0.3 Wh로 추정했습니다. 입력이 매우 길면 이 값이 크게 늘어납니다. Epoch AI는 100,000 token 입력에서 거의 40 Wh로 추정합니다.

### AI 이미지 한 장을 생성하는 데 에너지가 얼마나 드나요?

Luccioni, Jernite, Strubell의 2024년 연구에서 이미지 생성은 평균 1,000장당 약 2.9 kWh, 장당 약 2.9 Wh였습니다. 가장 비효율적인 모델은 이미지 한 장에 스마트폰 충전량의 약 절반을 썼습니다.

### AI는 물을 얼마나 쓰나요?

Google은 Gemini 텍스트 프롬프트 중앙값에 0.26 mL의 물을, Mistral은 Mistral Large 2의 400 token 응답에 45 mL를 보고합니다. 연구자들은 2027년 전 세계 AI 수요가 42억~66억 세제곱미터의 취수량을 차지할 수 있다고 추정합니다.

### GPT-3를 학습하는 데 에너지가 얼마나 들었나요?

Google 연구자들은 2021년 발표에서 GPT-3 학습에 1,287 MWh의 전력과 약 552톤의 CO₂e가 들었다고 추정했습니다. 더 새롭고 큰 모델의 학습 에너지는 대부분 공개되지 않습니다.

### 데이터 센터는 전력의 몇 퍼센트를 쓰나요?

2024년 전 세계 약 1.5%(IEA), 2023년 미국 4.4%(로런스 버클리 국립연구소), 2025년 아일랜드 계량 전력의 23%(아일랜드 중앙통계청)입니다.

### AI의 에너지 효율은 좋아지고 있나요?

작업당으로는 그렇습니다. Google은 Gemini 프롬프트 중앙값의 에너지가 1년 만에 33분의 1로 줄었다고 보고하며, Epoch AI는 주요 AI 칩의 에너지 효율이 해마다 약 40% 좋아진다고 봅니다. 그래도 수요가 더 빠르게 늘기 때문에 총사용량은 여전히 늘고 있습니다.

### 사람들은 AI의 환경 영향을 걱정하나요?

적어도 미국에서는 점점 더 그렇습니다. AP-NORC와 시카고 대학교의 여론조사에 따르면 2026년 미국인의 53%가 AI의 환경 영향을 매우 또는 몹시 우려했으며, 이는 2025년 41%보다 늘어난 수치입니다.

## 출처

- [Energy and AI: executive summary](https://www.iea.org/reports/energy-and-ai/executive-summary), International Energy Agency (2025)
- [Key questions on energy and AI](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), International Energy Agency (2026)
- [DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL)](https://www.energy.gov/articles/doe-releases-new-report-evaluating-increase-electricity-demand-data-centers), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
- [Data centres metered electricity consumption 2025: key findings](https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2025/keyfindings/), Central Statistics Office, Ireland (2026)
- [Powering data centers: U.S. energy system and emissions impacts of growing loads](https://restservice.epri.com/publicdownload/000000003002031198/0/Product), Electric Power Research Institute (2024)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [How much energy does ChatGPT use?](https://epoch.ai/gradient-updates/how-much-energy-does-chatgpt-use), Epoch AI (2025)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [AI Energy Score v2: refreshed leaderboard, now with reasoning](https://huggingface.co/blog/sasha/ai-energy-score-v2), Hugging Face (Luccioni and Gamazaychikov) (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (FAccT 2024) (2024)
- [Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models](https://arxiv.org/abs/2509.19222), Delavande, Pierrard and Luccioni (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al., Google (2021)
- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum (2019)
- [Estimating the carbon footprint of BLOOM, a 176B parameter language model](https://arxiv.org/abs/2211.02001), Luccioni, Viguier and Ligozat (2022)
- [Llama 3.1 model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models](https://arxiv.org/abs/2304.03271), Li, Yang, Islam and Ren (2025)
- [Google 2026 environmental report](https://sustainability.google/google-2026-environmental-report/), Google (2026)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [2025 Amazon sustainability report](https://sustainability.aboutamazon.com/2025-amazon-sustainability-report.pdf), Amazon (2026)
- [E-waste challenges of generative artificial intelligence](https://doi.org/10.1038/s43588-024-00712-6), Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
- [Leading ML hardware becomes 40% more energy-efficient each year](https://epoch.ai/data-insights/ml-hardware-energy-efficiency), Epoch AI (2024)
- [Implications of historical trends in the electrical efficiency of computing](https://doi.org/10.1109/MAHC.2010.28), Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- [Green500, November 2026](https://top500.org/lists/green500/2026/11/), TOP500 (2026)
- [NVIDIA Blackwell platform arrives to power a new era of computing](https://nvidianews.nvidia.com/news/nvidia-blackwell-platform-arrives-to-power-a-new-era-of-computing), NVIDIA (2024)
- [AI large language models: new report shows small changes can reduce energy use by 90%](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [2026 poll: Americans' views on the impact of AI and data centers](https://epic.uchicago.edu/insights/2026-poll-americans-views-on-the-impact-of-ai-and-data-centers/), Energy Policy Institute at the University of Chicago and AP-NORC (2026)
- [2025 poll: Americans' views on the environmental impact of AI](https://epic.uchicago.edu/insights/2025-poll-americans-views-on-the-environmental-impact-of-ai), Energy Policy Institute at the University of Chicago and AP-NORC (2025)
- [Public attitudes to data and AI: tracker survey (wave 4)](https://www.gov.uk/government/publications/public-attitudes-to-data-and-ai-tracker-survey-wave-4/public-attitudes-to-data-and-ai-tracker-survey-wave-4-report), Department for Science, Innovation and Technology (2024)
