In questo articolo Indice dei contenuti 2 sezioni
Il consumo energetico dell’intelligenza artificiale è ormai un dato acquisito, e per contenerlo l’attenzione si concentra quasi sempre sull’hardware, quindi GPU più efficienti, chip ottimizzati, data center con connessioni e sistemi di raffreddamento migliori. Eppure una parte decisiva della partita si gioca nel software, dove la ricerca dell’algoritmo verde è diventata una corsa vera e propria.
Coral Calero, docente ordinaria di Linguaggi e Sistemi Informatici all’Università di Castilla La Mancha, lo spiega in modo semplice. L’hardware consuma perché sopra gira un programma che chiede risorse alla macchina, e più quel programma è ottimizzato meno risorse servono. Di conseguenza si riduce anche il fabbisogno energetico.
Il problema ha una dimensione globale perché l’energia è una risorsa scarsa e costosa, e aumentarne la produzione porta con sé più emissioni. Ma tocca anche un aspetto molto più concreto, cioè i costi per le aziende. Secondo il rapporto di McKinsey The State of AI in 2026: On the road to ROI, l’89% delle imprese nel mondo usa l’IA e il 44% sta lavorando per estenderla. Circa il 20% delle aziende intervistate però ne limita l’impiego proprio per le spese operative troppo alte, in linea con l’abbandono della moda del tokenmaxxing qualche mese fa.
Algoritmi verdi: perché alle imprese interessa l’efficienza
Calero, che guida l’area Software Verde e Sostenibile del gruppo di ricerca Alarcos, non usa giri di parole. Le aziende vogliono modelli efficienti non tanto per l’ambiente quanto perché altrimenti i conti non tornano. Il peso cresce con la diffusione degli agenti, programmi capaci di svolgere compiti in autonomia che però devono leggere e rileggere moltissime informazioni. Sono token consumati, molti più di quelli di un utente che interroga un chatbot, e quindi denaro ora che gli abbonamenti hanno lasciato spazio al pagamento a consumo.
Verónica Bolón Canedo, ricercatrice dell’Universidade da Coruña e direttrice della Cattedra UDC INDITEX di IA in Algoritmi Verdi, lavora con il suo team per progettare nuovi algoritmi o adattare quelli esistenti affinché consumino meno durante l’addestramento. Una delle strade è la riduzione dei bit, cioè usare 16 o 8 bit al posto dei 64 dell’aritmetica abituale di un computer. È un po’ come perdere decimali. L’arrotondamento elimina informazioni e l’errore può propagarsi da un calcolo all’altro fino a modificare il risultato finale, per questo bisogna intervenire sul software e compensare la perdita con il minimo impatto.
Nelle reti neurali i dati attraversano molti strati, e una tecnica consiste nel congelarne una parte, rifinire solo l’ultimo oppure aggiungere in coda un modello semplice. Qualcosa in precisione si perde, ammette Bolón, ma dipende dall’uso. Per curare il cancro non si può sacrificare nemmeno l’1%, mentre per consigliare un film un margine di errore più ampio è accettabile in cambio di molte meno risorse.
Addestramento, inferenza e la lezione cinese
Il consumo si divide in due fasi. C’è l’addestramento, che per i modelli più avanzati richiede enormi quantità di calcolo, e poi c’è l’inferenza, l’energia spesa ogni volta che l’IA risponde a una richiesta. Una stima di McKinsey indica che nel 2027 la domanda energetica globale dell’inferenza supererà per la prima volta quella dell’addestramento. Una soluzione è accorciare quest’ultimo riutilizzando architetture che sanno già riconoscere i bordi in un’immagine, utili tanto per distinguere cani e gatti quanto per i segnali stradali.
Conta anche il metodo. L’apprendimento supervisionato richiede milioni di dati etichettati, mentre quello non supervisionato lascia lavorare il modello e lo premia quando trova una buona soluzione, consumando in teoria meno. In Cina l’efficienza è una necessità dal 2022, quando gli Stati Uniti hanno vietato la vendita delle GPU Nvidia più avanzate, e gran parte dell’addestramento è non supervisionato con una fase finale su un insieme di dati ridotto e molto specifico.
Nel gennaio 2025 DeepSeek V3 ha scosso il settore avvicinandosi ai migliori sistemi di OpenAI con una spesa molto inferiore. Senza accesso alle GPU più potenti, l’azienda cinese ha rilanciato la mixture of experts (MoE), che attiva solo la rete specializzata necessaria invece dell’intero modello. Le basi teoriche risalgono agli anni Novanta, ma oggi la tecnica è quasi uno standard. OpenAI l’ha adottata già nelle versioni avanzate di GPT 4 e la integrano GPT 5.6 e GPT 6 Astra, così come le versioni Pro e Flash di Google Gemini 3.1. Anche Anthropic con ogni probabilità la utilizza, anche se l’azienda mantiene il riserbo sui propri sviluppi.
Fonte: TecnoAndroid
