# Zużycie energii przez AI: statystyki (stan na listopad 2026)

> Statystyki zużycia energii przez AI sprawdzone u źródeł: prąd w centrach danych, energia na prompt, obrazy, wideo, trening, woda, emisje i sprzęt.

Source: https://greenai.guide/pl/artykuly/zuzycie-energii-przez-ai-statystyki-stan-na-listopad-2026/  
Updated: 2026-11-20

## W skrócie

Zebraliśmy tu 40 najbardziej przydatnych danych o zużyciu prądu i wody przez AI oraz o jej emisjach, każdą sprawdzoną w źródle pierwotnym i opatrzoną datą. W skrócie: centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej (około 1,5% światowego zużycia), IEA spodziewa się około 950 TWh do 2030 roku, a typowy prompt tekstowy zużywa według danych samych dostawców mniej więcej 0,24–0,34 Wh, podczas gdy obrazy, wideo, długie dane wejściowe i rozumowanie zużywają znacznie więcej.

## Najważniejsze punkty

- Według IEA centra danych zużyły około 415 TWh energii elektrycznej w 2024 roku, około 1,5% światowego zużycia, a w 2025 roku 485 TWh.
- IEA prognozuje około 950 TWh do 2030 roku, czyli około 3% światowego zapotrzebowania na energię elektryczną; zużycie prądu przez centra danych nastawione na AI wzrosło w 2025 roku o 50%.
- Dostawcy podają około 0,24 Wh (Google, mediana promptu tekstowego Gemini) i 0,34 Wh (OpenAI, przeciętne zapytanie do ChatGPT) na prompt tekstowy.
- W testach Hugging Face z 2025 roku modele rozumujące zużywały średnio 30 razy więcej energii niż standardowe.
- Trening GPT-3 zużył według szacunków 1 287 MWh i spowodował emisję około 552 ton CO₂e.
- Centra danych zużyły w 2025 roku 23% opomiarowanej energii elektrycznej w Irlandii.

Na tej stronie zebraliśmy statystyki dotyczące zużycia energii przez AI, których ludzie szukają najczęściej. Każdą
sprawdziliśmy w źródle pierwotnym i podajemy rok, którego dotyczy. Strona pozwala szybko znaleźć potrzebną liczbę;
zanim zacytują ją Państwo w czymś ważnym, warto zajrzeć do źródła.

## Jakie są najważniejsze statystyki dotyczące energii AI? {#what-are-the-key-ai-energy-statistics}

**Centra danych zużywają około 1,5% światowej energii elektrycznej, do 2030 roku ta ilość ma się mniej więcej
podwoić, a głównym motorem wzrostu jest AI.** Typowy prompt tekstowy zużywa ułamek watogodziny, natomiast obrazy,
wideo, bardzo długie dane wejściowe i rozumowanie zużywają znacznie więcej. Poniższe tabele zawierają 40 danych w
dziesięciu grupach. Tam, gdzie źródła się różnią albo wartość jest przedziałem, podajemy przedział.

## Energia elektryczna w centrach danych {#data-centre-electricity}

**Według IEA centra danych zużyły około 415 TWh w 2024 roku i 485 TWh w 2025 roku.** Terawatogodzina (TWh) to
miliard kilowatogodzin.

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 1 | Centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej, około 1,5% światowego zużycia. | Międzynarodowa Agencja Energetyczna (IEA) | 2025 |
| 2 | Zużycie energii elektrycznej przez centra danych wzrosło w 2025 roku o 17%, do 485 TWh. | IEA | 2026 |
| 3 | IEA prognozuje około 950 TWh do 2030 roku, czyli około 3% światowego zapotrzebowania na energię elektryczną. | IEA | 2026 |
| 4 | Prognozy na 2035 rok wynoszą od 700 do 1 700 TWh w zależności od scenariusza IEA. | IEA | 2025 |
| 5 | Zużycie energii elektrycznej przez centra danych rośnie od 2017 roku o około 12% rocznie. | IEA | 2025 |
| 6 | Centra danych będą odpowiadać za około jedną dziesiątą wzrostu światowego zapotrzebowania na energię elektryczną do 2030 roku. | IEA | 2025 |

## Gdzie skupia się popyt {#where-demand-is-concentrated}

**Większość obciążenia przypada na kilka krajów i regionów.** Co to oznacza dla sieci, wyjaśniamy w tekście
[AI a zapotrzebowanie centrów danych na energię elektryczną](/pl/artykuly/ai-a-zuzycie-energii-elektrycznej-przez-centra-danych/).

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 7 | Stany Zjednoczone i Chiny odpowiadają za prawie 80% światowego wzrostu zużycia energii elektrycznej przez centra danych do 2030 roku. | IEA | 2025 |
| 8 | Centra danych w USA zużyły w 2023 roku 176 TWh, około 4,4% energii elektrycznej w kraju. | Lawrence Berkeley National Laboratory (LBNL) | 2024 |
| 9 | Prognozuje się, że centra danych w USA zużyją do 2028 roku 325–580 TWh, czyli 6,7–12% energii elektrycznej w kraju. | LBNL | 2024 |
| 10 | Centra danych odpowiadają za prawie połowę wzrostu zapotrzebowania na energię elektryczną w USA do 2030 roku. | IEA | 2025 |
| 11 | Centra danych zużyły w 2025 roku 23% opomiarowanej energii elektrycznej w Irlandii, wobec 5% w 2015 roku. | Central Statistics Office, Irlandia | 2026 |
| 12 | Centra danych zużyły w 2023 roku prawie jedną czwartą energii elektrycznej w Wirginii. | Electric Power Research Institute | 2024 |

## Udział AI {#ai-s-share}

**Nie ma dokładnej publicznej liczby określającej udział AI w zużyciu prądu przez centra danych, ale AI to ich
najszybciej rosnąca część.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 13 | Zużycie energii elektrycznej przez centra danych nastawione na AI wzrosło w 2025 roku o 50%. | IEA | 2026 |
| 14 | W scenariuszu bazowym IEA zużycie energii elektrycznej przez serwery akcelerowane, używane głównie do AI, ma rosnąć o 30% rocznie. | IEA | 2025 |
| 15 | Typowe centrum danych nastawione na AI zużywa tyle energii elektrycznej co 100 000 gospodarstw domowych. | IEA | 2025 |

## Energia na prompt {#energy-per-prompt}

**Według danych samych dostawców typowy prompt tekstowy zużywa około 0,24–0,34 Wh.** Są to dane deklarowane przez
firmy, oparte na różnych metodach i dotyczące wyłącznie tekstu. Zob.
[pomiar jest wąskim gardłem](/pl/artykuly/pomiar-to-waskie-gardlo-zielonej-ai/).

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 16 | Mediana promptu tekstowego w aplikacjach Gemini zużywała 0,24 Wh, powodowała emisję 0,03 g CO₂e i zużywała 0,26 ml wody. | Google (Elsworth i in.) | 2025 |
| 17 | Gdy liczy się tylko aktywne układy AI w najbardziej efektywnych centrach danych, ten sam prompt zużywa 0,10 Wh. | Google (Elsworth i in.) | 2025 |
| 18 | Przeciętne zapytanie do ChatGPT zużywa około 0,34 Wh i około 0,000085 galona wody. | Sam Altman, OpenAI | 2025 |
| 19 | Typowe zapytanie do GPT-4o zużywa mniej więcej 0,3 Wh, około 2,5 Wh przy wejściu liczącym 10 000 tokenów i prawie 40 Wh przy wejściu liczącym 100 000 tokenów. | Epoch AI | 2025 |
| 20 | Odpowiedź o długości 400 tokenów z modelu Mistral Large 2 powoduje emisję 1,14 g CO₂e i zużywa 45 ml wody. | Mistral AI | 2025 |
| 21 | Modele rozumujące zużywały średnio 30 razy więcej energii niż modele standardowe; jeden model z włączonym rozumowaniem zużywał 150–700 razy więcej. | Hugging Face AI Energy Score | 2025 |

## Obrazy i wideo {#images-and-video}

**Generowanie obrazów i wideo zużywa znacznie więcej energii niż zadania tekstowe.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 22 | Generowanie obrazów zużywało średnio około 2,9 kWh na 1 000 obrazów, wobec 0,002 kWh na 1 000 klasyfikacji tekstu. | Luccioni, Jernite i Strubell | 2024 |
| 23 | Najmniej efektywny z badanych modeli obrazowych zużywał na jeden obraz około połowy ładowania smartfona. | Luccioni, Jernite i Strubell | 2024 |
| 24 | Otwarte modele zamieniające tekst na wideo zużywały od 0,14 Wh do ponad 415 Wh na krótki klip, a energia rosła kwadratowo wraz z rozdzielczością i długością. | Delavande, Pierrard i Luccioni | 2025 |

## Treningi modeli {#training-runs}

**Trening dużego modelu może zużyć gigawatogodziny, ale większość twórców najnowszych modeli tego nie ujawnia.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 25 | Trening GPT-3 zużył według szacunków 1 287 MWh i spowodował emisję około 552 ton CO₂e. | Patterson i in., Google | 2021 |
| 26 | Trening BLOOM spowodował emisję około 24,7 tony CO₂e z energii elektrycznej, a 50,5 tony po doliczeniu produkcji sprzętu i sprzętu pozostającego w bezczynności. | Luccioni, Viguier i Ligozat | 2022 |
| 27 | Trening modeli Llama 3.1 zajął 39,3 mln godzin pracy GPU i spowodował emisję 11 390 ton CO₂e (metodą lokalizacyjną). | Meta | 2024 |
| 28 | Trening Mistral Large 2 i 18 miesięcy jego użytkowania wytworzyły 20,4 kilotony CO₂e i zużyły 281 000 m³ wody. | Mistral AI | 2025 |

## Woda {#water}

**AI zużywa wodę głównie do chłodzenia centrów danych, a pośrednio także do wytwarzania energii elektrycznej.** Zob.
[jak oszacować ślad wodny AI](/pl/jak/jak-oszacowac-slad-wodny-ai/).

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 29 | Trening GPT-3 w amerykańskich centrach danych Microsoftu mógł bezpośrednio odparować 700 000 litrów słodkiej wody. | Li, Yang, Islam i Ren | 2023 (aktualizacja 2025) |
| 30 | Globalny popyt na AI może w 2027 roku odpowiadać za pobór 4,2–6,6 mld m³ wody. | Li, Yang, Islam i Ren | 2023 (aktualizacja 2025) |
| 31 | Google zużył w 2025 roku 41 mld litrów (10,9 mld galonów) wody w swoich centrach danych i biurach i uzupełnił około 78% zużytej słodkiej wody. | Google | 2026 |

## Emisje i emisje firm {#carbon-and-company-emissions}

**Emisje największych dostawców AI rosną mimo dużych zakupów czystej energii.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 32 | Emisje Google liczone na potrzeby celów klimatycznych firmy wyniosły w 2025 roku około 14,5 mln ton CO₂e, o 18% więcej niż w 2024 roku i o 81% więcej niż w 2019 roku. | Google | 2026 |
| 33 | Łączne emisje Microsoftu wyniosły w roku finansowym 2025 około 20,3 mln ton CO₂e, wobec około 12,9 mln w 2020 roku. | Microsoft | 2026 |
| 34 | Emisje bezwzględne Amazona wzrosły od 2024 do 2025 roku o 16%, do 80,85 mln ton CO₂e. | Amazon | 2026 |
| 35 | Generatywna AI może dodać łącznie 1,2–5,0 mln ton elektroodpadów w latach 2020–2030. | Wang i in., Nature Computational Science | 2024 |

## Trendy w sprzęcie i efektywności {#hardware-and-efficiency-trends}

**Sprzęt i oprogramowanie stają się znacznie bardziej efektywne, ale popyt rośnie szybciej.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 36 | Czołowy sprzęt do uczenia maszynowego staje się co roku o około 40% bardziej energooszczędny. | Epoch AI | 2024 |
| 37 | Najbardziej energooszczędny superkomputer na liście Green500 z listopada 2026 roku, francuski KAIROS, osiąga 73,28 gigaflopsa na wat. | TOP500 | 2026 |
| 38 | Liczba obliczeń na kilowatogodzinę podwajała się w latach 1946–2009 mniej więcej co 1,57 roku („prawo Koomeya”). | Koomey i in. | 2011 |

## Zyski z efektywności podawane przez dostawców i badaczy {#efficiency-gains-reported-by-providers-and-researchers}

**Podawane zyski są duże, ale większość z nich to dane deklarowane przez firmy albo mierzone względem wybranego
punktu odniesienia.**

| # | Dane | Źródło | Rok |
|---|---|---|---|
| 39 | Google podaje 33-krotny spadek energii i 44-krotny spadek emisji na medianę promptu tekstowego Gemini w ciągu 12 miesięcy. | Google (Elsworth i in.) | 2025 |
| 40 | Małe modele dostosowane do zadania mogą ograniczyć zużycie energii nawet o 90%, a krótsze prompty i odpowiedzi o ponad 50%. | UNESCO i University College London | 2025 |

Często cytowane są jeszcze dwie liczby. NVIDIA stwierdziła w 2024 roku, że jej platforma Blackwell obniża koszt i
zużycie energii przy inferencji (wnioskowaniu) dużych modeli językowych nawet 25-krotnie w porównaniu z poprzednią
generacją; to deklaracja producenta dotycząca konkretnego obciążenia. Badacze Google oszacowali zaś w 2021 roku, że
wybór modelu, centrum danych i procesora może zmniejszyć ślad węglowy treningu nawet około 100–1 000 razy. Jak
osiągnąć takie zyski w praktyce, opisujemy w tekście [energooszczędna AI](/pl/artykuly/energooszczedna-ai-jak-sprawic-by-ai-zuzywala-mniej-energii/).

## Postawy społeczne {#public-attitudes}

**Obawy o wpływ AI na środowisko rosną, przynajmniej w USA.** Danych z badań w innych krajach jest mniej.

- W 2026 roku 53% Amerykanów było bardzo lub niezwykle zaniepokojonych wpływem AI na środowisko, wobec 41% w 2025
  roku (AP-NORC i Energy Policy Institute at the University of Chicago).
- W 2025 roku 72% Amerykanów było co najmniej trochę zaniepokojonych (ci sami ankieterzy).
- W Wielkiej Brytanii rządowe badanie postaw społecznych z 2024 roku wykazało, że 54% osób spodziewa się, że AI
  pomoże monitorować zmiany klimatu, i odnotowało, że temu optymizmowi nie towarzyszy świadomość negatywnego wpływu
  AI na środowisko.

## Jak dobieramy dane {#how-we-choose-figures}

**Korzystamy ze źródeł pierwotnych, podajemy rok i wolimy przedziały tam, gdzie dane są sporne.**

- **Tylko źródła pierwotne.** Każdą liczbę sprawdzamy we własnym raporcie, artykule lub na stronie wydawcy, a nie w
  doniesieniach prasowych. Gdy nie udało się znaleźć źródła pierwotnego, pomijamy daną.
- **Tak, jak opublikowano.** Nie zaokrąglamy liczb do postaci, której źródło nie podaje. Gdy coś obliczamy sami,
  zaznaczamy to.
- **Granice mają znaczenie.** Wartości na prompt zmieniają się w zależności od tego, co się liczy: dane samego Google
  spadają z 0,24 Wh do 0,10 Wh, gdy liczy się tylko aktywne układy. Dane firm są deklarowane przez nie same i nie
  są niezależnie audytowane.
- **Przedziały tam, gdzie dane są sporne.** Prognozy różnią się w zależności od scenariusza, a my pokazujemy
  przedział, zamiast wybierać jedną liczbę.
- **Oznaczamy starsze dane.** Szeroko cytowane szacunki z 2019 roku dla jednego treningu z przeszukiwaniem
  architektury sieci neuronowej (około 626 000 funtów CO₂e) zostały później uznane przez badaczy Google za
  zawyżające rzeczywisty koszt; nie uwzględniliśmy ich w tabelach.

Jak sprawdzić liczbę napotkaną gdzie indziej, wyjaśniamy w tekście
[jak sprawdzić twierdzenie o zużyciu energii przez AI](/pl/jak/jak-sprawdzic-twierdzenie-o-zuzyciu-energii-przez-ai/).

## Ostatnia weryfikacja {#last-checked}

**Wszystkie dane na tej stronie zostały ostatnio sprawdzone w źródłach 20 listopada 2026 roku.** Aktualizujemy
stronę, gdy IEA, krajowe urzędy statystyczne lub najwięksi dostawcy publikują nowe dane. Jeśli zauważą Państwo
nowszą liczbę lub błąd, prosimy o [kontakt](/pl/kontakt/).

## Co zrobić dalej {#what-to-do-next}

- Cytując dane o zużyciu energii przez AI, warto podać link do tej strony lub konkretnej tabeli i wskazać źródło
  pierwotne.
- Własne korzystanie z AI warto umieścić w kontekście: zob.
  [jak spojrzeć na własne zużycie energii przez AI z właściwej perspektywy](/pl/jak/jak-ocenic-moje-zuzycie-energii-przez-ai-we-wlasciwej-perspektywie/).
- Zużycie energii przez własną AI można zmierzyć: zob.
  [jak mierzyć energię i emisje AI](/pl/dobre-praktyki/jak-mierzyc-zuzycie-energii-i-emisje-ai/).
- Warto poprosić dostawców o ich dane: zob.
  [jak poprosić firmę AI o dane o zużyciu energii](/pl/jak/jak-zapytac-firme-ai-o-dane-o-zuzyciu-energii/).
- Własny ślad można zmniejszyć: zob. [energooszczędna AI](/pl/artykuly/energooszczedna-ai-jak-sprawic-by-ai-zuzywala-mniej-energii/).

## Najczęściej zadawane pytania

### Ile energii zużywa AI?

Nie ma jednej liczby dla AI. IEA szacuje, że wszystkie centra danych zużyły w 2024 roku około 415 TWh, około 1,5% światowej energii elektrycznej, a najszybciej rosnącą częścią są centra danych nastawione na AI: ich zużycie prądu wzrosło w 2025 roku o 50%.

### Ile energii zużywa jedno zapytanie do ChatGPT?

Prezes OpenAI podał w 2025 roku około 0,34 Wh na przeciętne zapytanie, a Epoch AI niezależnie oszacował około 0,3 Wh na typowe zapytanie do GPT-4o. Bardzo długie dane wejściowe mocno to podnoszą: Epoch AI szacuje prawie 40 Wh przy wejściu liczącym 100 000 tokenów.

### Ile energii potrzeba do wygenerowania obrazu przez AI?

W badaniu Luccioni, Jernite’a i Strubell z 2024 roku generowanie obrazów zużywało średnio około 2,9 kWh na 1 000 obrazów, czyli około 2,9 Wh na obraz. Najmniej efektywny model zużywał na jeden obraz mniej więcej połowę ładowania smartfona.

### Ile wody zużywa AI?

Google podaje 0,26 ml wody na medianę promptu tekstowego Gemini, a Mistral 45 ml na odpowiedź o długości 400 tokenów z modelu Mistral Large 2. Badacze szacują, że globalny popyt na AI może w 2027 roku odpowiadać za pobór 4,2–6,6 mld metrów sześciennych wody.

### Ile energii zużył trening GPT-3?

Badacze Google oszacowali w opublikowanej w 2021 roku pracy, że trening GPT-3 zużył 1 287 MWh energii elektrycznej i spowodował emisję około 552 ton CO₂e. Energia zużyta na trening nowszych, większych modeli w większości nie jest ujawniana.

### Jaki procent energii elektrycznej zużywają centra danych?

Około 1,5% na świecie w 2024 roku (IEA), 4,4% w Stanach Zjednoczonych w 2023 roku (Lawrence Berkeley National Laboratory) i 23% opomiarowanej energii elektrycznej w Irlandii w 2025 roku (Central Statistics Office).

### Czy AI staje się bardziej energooszczędna?

Tak, w przeliczeniu na zadanie. Google podaje, że energia mediany promptu Gemini spadła w ciągu roku 33-krotnie, a Epoch AI ustalił, że czołowe układy AI stają się co roku o około 40% bardziej energooszczędne. Łączne zużycie wciąż jednak rośnie, bo popyt rośnie szybciej.

### Czy ludzie martwią się wpływem AI na środowisko?

Coraz bardziej, przynajmniej w USA: sondaż AP-NORC i University of Chicago wykazał, że w 2026 roku 53% Amerykanów było bardzo lub niezwykle zaniepokojonych wpływem AI na środowisko, wobec 41% w 2025 roku.

## Źródła

- [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)
