La crescita vertiginosa dei consumi elettrici legati all’intelligenza artificiale sta diventando un problema critico per i costi energetici e per il clima. Una nuova tecnologia sviluppata in Cina suggerisce però che sia possibile cambiare radicalmente questa tendenza, riducendo in modo drastico l’energia necessaria per addestrare le reti neurali.
Come l’AI moderna brucia elettricità come un grande impianto industriale
Chi genera immagini con l’AI o conversa con un assistente virtuale vede solo un’interfaccia elegante e intuitiva. Dietro le quinte, però, lavorano enormi data center pieni di processori e chip grafici che consumano quantità impressionanti di elettricità, soprattutto durante l’addestramento di modelli complessi simili ai grandi modelli linguistici.
Più una rete neurale è complessa, più servono calcoli e trasferimenti di dati tra memoria e processori. Proprio queste operazioni causano perdite di energia enormi. Sempre più esperti avvertono che lo sviluppo dell’AI rischia di diventare uno dei maggiori consumatori di elettricità al mondo, paragonabile ai grandi settori industriali.
La soluzione al problema non può più limitarsi all’ottimizzazione del software. Serve un cambiamento radicale nell’hardware e nei metodi di addestramento dei modelli.
Memristor: una memoria che calcola direttamente sul posto
Una delle principali direzioni di sviluppo per rendere l’AI più efficiente dal punto di vista energetico è il cosiddetto calcolo “in-memory”. Invece di spostare continuamente i dati tra memoria e processore, parte delle operazioni viene eseguita direttamente dove i dati sono memorizzati. In questo approccio i memristor giocano un ruolo chiave.
Il memristor è un componente elettronico speciale che funziona come un resistore dotato di memoria. La sua resistenza cambia in base alla storia della corrente che lo attraversa e può rappresentare i pesi di una rete neurale. In questo modo una singola struttura svolge contemporaneamente il ruolo di memoria e di unità di calcolo.
Questo tipo di componente:
- memorizza le informazioni (i pesi della rete),
- consente calcoli locali senza inviare continuamente i dati al processore,
- può ridurre in modo significativo il traffico di dati e quindi il consumo di elettricità.
La teoria è molto promettente, ma i memristor reali sono tutt’altro che perfetti. Introducono rumore, si comportano in modo instabile e ogni operazione di scrittura è energivora e ne riduce la durata. Per questo un semplice trasferimento delle classiche tecniche di addestramento su questo hardware non dà risultati soddisfacenti.
Strategia innovativa: meno correzioni, più tolleranza agli errori
Un team del centro di ricerca dell’università di Zhejiang, in Cina, ha proposto una filosofia completamente diversa per addestrare l’AI sui memristor. Invece di cercare di eliminare tutte le imperfezioni, gli studiosi hanno progettato un metodo che le integra consapevolmente nel processo. Lo chiamano error-aware probabilistic update, in breve EaPU.
Il cuore dell’approccio è semplice: la rete non tenta di correggere ogni minima variazione di peso. Se l’errore resta entro i limiti di tolleranza dell’hardware, il parametro non viene modificato. Le correzioni si attivano solo quando la deviazione supera una certa soglia.
Invece di aggiornare quasi tutti i pesi a ogni passo di apprendimento, con EaPU la rete modifica meno dello 0,1% dei parametri. Meno scritture significa minor consumo di energia e maggiore durata dell’hardware.
Questa strategia porta diversi effetti positivi:
- il numero di operazioni di scrittura sui memristor cala in modo drastico,
- l’impatto del rumore si riduce, perché l’algoritmo non spreca energia su ogni fluttuazione casuale,
- l’addestramento diventa più stabile nonostante l’hardware imperfetto.
Quanta elettricità si riesce a risparmiare?
Secondo i risultati pubblicati, l’addestramento delle reti neurali su un’architettura a memristor con EaPU richiede 50 volte meno energia rispetto ai precedenti metodi pensati per questi componenti.
Ma non è tutto. Se si confronta questo approccio con l’addestramento tradizionale su chip grafici, la differenza diventa enorme. I ricercatori stimano che il consumo complessivo di elettricità possa diminuire di sei ordini di grandezza, cioè all’incirca di un fattore pari a un milione.
Il metodo aumenta anche la precisione di funzionamento della rete di circa il 60% rispetto alle soluzioni precedenti basate su memristor. In pratica, i risultati si avvicinano a quelli dei supercomputer tradizionali, senza compromessi sulla qualità.
Test pratici: dalla rimozione del rumore alle immagini ad alta risoluzione
Per dimostrare che non si tratta solo di teoria, i ricercatori hanno realizzato un vero array di memristor con tecnologia a 180 nanometri. Su questo hardware hanno addestrato reti neurali per due compiti impegnativi nel campo delle immagini:
- rimozione del rumore dalle fotografie,
- aumento della risoluzione (processi di super‑risoluzione).
Negli esperimenti hanno ottenuto risultati paragonabili ai metodi tradizionali basati su processori e acceleratori grafici. La differenza principale riguardava il profilo di consumo: l’hardware a memristor con EaPU ha richiesto molta meno corrente per svolgere le stesse operazioni.
Verso grandi modelli linguistici più “verdi”?
Oggi l’attenzione è concentrata soprattutto sui grandi modelli linguistici che alimentano chatbot e generatori di testo. Il loro addestramento richiede quantità di energia difficili anche solo da immaginare e necessita di centinaia, talvolta migliaia, di chip grafici che lavorano in parallelo. Non sorprende quindi che i ricercatori stiano valutando se EaPU possa essere applicato proprio a questa classe di modelli.
Gli autori dello studio riconoscono che l’hardware attualmente disponibile è limitato. Un array a 180 nanometri rappresenta solo una piccola frazione di ciò che servirebbe per addestrare un grande modello linguistico completo. Allo stesso tempo sono convinti che il concetto dell’algoritmo e la gestione degli errori non siano legati a un solo tipo di problema.
Gli esperti ritengono che lo stesso approccio possa essere applicato ai grandi modelli linguistici non appena verranno sviluppate piattaforme hardware sufficientemente estese basate su memristor o tecnologie affini.
È interessante notare che EaPU non è confinato ai soli memristor. Il team sottolinea che un’analoga modalità di aggiornamento probabilistico dei parametri potrebbe funzionare anche in altre forme di memoria non volatile, come i transistor ferromagnetici o le memorie magnetoresistive.
Una nuova generazione di hardware per l’AI
Se tecniche di questo tipo uscissero dai laboratori, potrebbero portare alla nascita di una nuova classe di acceleratori per l’intelligenza artificiale. Invece di puntare solo su nuove generazioni di GPU tradizionali, alcune applicazioni potrebbero passare a unità specializzate per il calcolo in‑memory. Questo hardware potrebbe trovare spazio non solo nei data center, ma anche nei dispositivi “edge”: dalle telecamere intelligenti alle apparecchiature mediche.
Si può immaginare, ad esempio, un sistema di sicurezza che elabora le immagini direttamente in loco, riconosce gli incidenti e richiede solo una minima parte dell’energia delle soluzioni attuali. Oppure uno smartphone in grado di eseguire un modello linguistico locale senza scaricare rapidamente la batteria. Scenari di questo tipo hanno una concreta possibilità di diventare realtà se il consumo elettrico scende di vari ordini di grandezza.
Quali conseguenze per utenti e imprese
Dal punto di vista degli utenti finali, i due effetti più rilevanti sono costi più bassi dei servizi e minore impatto ambientale. Meno elettricità nei data center significa minori costi operativi per i gestori e quindi maggior probabilità che le funzioni avanzate di AI siano accessibili senza abbonamenti molto costosi.
Per le organizzazioni che vogliono adottare l’AI, un salto di efficienza di questo tipo cambia le regole del gioco economico. Addestrare un proprio modello non sarebbe più un privilegio riservato ai giganti della tecnologia. Se i costi energetici si riducono di cento o mille volte, anche realtà più piccole – comprese aziende attive in settori come medicina, manifattura o logistica – potrebbero permettersi soluzioni su misura.
Bisogna però considerare un aspetto fondamentale: una trasformazione reale richiede non solo nuovi algoritmi, ma anche la produzione su larga scala di chip di memoria specializzati. Si tratta di un processo di lungo periodo, che necessita di investimenti e tempo, in modo simile a quanto è avvenuto con il passaggio dai processori classici alle GPU dedicate a grafica e intelligenza artificiale.
Per chi segue l’evoluzione tecnologica, questo tema è sempre più rilevante nella pianificazione di nuovi data center e progetti scientifici. Università e imprese che iniziano già ora a interessarsi al calcolo in‑memory e alle tecniche tolleranti agli errori potranno godere di un vantaggio competitivo quando queste soluzioni diventeranno uno standard diffuso.
