Immagine copertina generata con l’intelligenza artificiale
L’espansione dell’intelligenza artificiale sta aumentando la pressione sulle infrastrutture energetiche. Entro il 2030, secondo le previsioni richiamate da Tom’s Hardware, il fabbisogno elettrico dei data center potrebbe arrivare a livelli paragonabili a quelli dell’intero Giappone. Per affrontare questa sfida, i grandi operatori tecnologici stanno investendo miliardi in chip più efficienti, sistemi di raffreddamento avanzati e nuove connessioni alla rete elettrica. Ma una parte importante della soluzione potrebbe arrivare anche dal software, attraverso una gestione più intelligente delle risorse di calcolo.
L’impatto energetico crescente del calcolo AI
La crescita dell’intelligenza artificiale sta mettendo sotto pressione i data center, soprattutto quelli gestiti dagli hyperscaler, gli operatori che forniscono servizi cloud su scala globale. Secondo le stime citate nell’articolo di Tom’s Hardware, nel 2030 la domanda elettrica legata all’AI potrebbe raggiungere 945 TWh, un volume paragonabile all’attuale consumo del Giappone.
Un indicatore utile per valutare l’efficienza delle infrastrutture è il Power Usage Effectiveness (PUE), che misura il rapporto tra l’energia complessivamente assorbita da un data center e quella utilizzata dalle apparecchiature informatiche. Tuttavia, questo parametro non indica se i server stiano effettivamente svolgendo attività utili. Inoltre, secondo i dati riportati dalla testata, il PUE medio è rimasto sostanzialmente stabile per sei anni consecutivi.
I server rappresentano circa il 60% dei consumi elettrici di un data center moderno, mentre il raffreddamento può incidere dal 7% nei siti hyperscale più efficienti a oltre il 30% nelle strutture aziendali meno efficienti. Intervenire sul software, quindi, potrebbe offrire ulteriori margini di risparmio.
Software hyperscaler AI: un nuovo approccio all’efficienza
Secondo Jae-Won Chung, dottorando in informatica e ingegneria all’Università del Michigan e ricercatore dell’iniziativa ML.Energy, gli algoritmi possono contribuire in modo significativo alla riduzione dei consumi. Il principio è semplice: non basta migliorare l’hardware, bisogna anche ridurre il lavoro che gli viene richiesto.
I test condotti da ML.Energy sul modello Qwen 3 235B A22B Thinking di Alibaba hanno mostrato che l’inferenza con il formato FP8, caratterizzato da una precisione numerica inferiore, ha consumato circa un terzo di energia in meno rispetto al formato bfloat16 nei compiti di ragionamento analizzati.
Un altro esempio arriva da Perseus, un ottimizzatore per l’addestramento dei modelli sviluppato da Chung. Il sistema individua le parti di un processo che possono essere rallentate senza compromettere il risultato complessivo, sincronizzandole con le attività più impegnative. Nei test, questo approccio ha ridotto fino al 30% l’energia necessaria all’addestramento, senza diminuire la produttività né modificare l’hardware.
Investimenti hardware e limiti attuali del settore
I produttori di chip continuano a lavorare sull’efficienza energetica. Nvidia, per esempio, permette di regolare diversi parametri delle proprie GPU Blackwell, comprese frequenze di calcolo e memoria, limiti di potenza e impostazioni della cache.
Secondo le stime dell’azienda, questi profili energetici possono ridurre i consumi fino al 15%, mantenendo almeno il 97% delle prestazioni complessive. In strutture con disponibilità elettrica limitata, ciò potrebbe consentire di utilizzare più GPU e aumentare la capacità di elaborazione fino al 13%.
Resta però il problema dei costi e dei tempi necessari per sostituire i componenti fisici. Chetan Visrolia, responsabile dello sviluppo commerciale per le infrastrutture dei data center presso SHI, individua inoltre negli apparati obsoleti che eseguono software datato una delle opportunità più immediate di risparmio.
Verso una gestione dinamica della domanda AI
L’ottimizzazione non riguarda soltanto i chip. Anche la gestione dei carichi di lavoro può fare la differenza: dimensionare correttamente le istanze cloud, memorizzare nella cache le richieste ripetute e affidare le operazioni più semplici a modelli AI più piccoli sono alcune delle strategie disponibili.
A queste si aggiungono compilatori più efficienti, una migliore organizzazione delle richieste e la riduzione dei token elaborati, anche attraverso prompt più brevi e limiti alle risposte generate.
Un ulteriore margine riguarda il momento e il luogo in cui viene consumata l’elettricità. Sophie Hall, dottoranda presso il laboratorio di controllo automatico del Politecnico federale di Zurigo (ETH), ha studiato la possibilità di spostare i carichi di lavoro tra i data center della rete globale di Google.
Le attività non urgenti possono essere rinviate alle ore in cui la domanda locale è inferiore oppure trasferite in regioni con maggiore capacità disponibile e accesso a elettricità a minore intensità carbonica. La pianificazione anticipata e la programmazione in tempo reale possono aiutare a sfruttare le condizioni della rete senza compromettere le prestazioni richieste.
L’importanza della programmazione intelligente
Lo spostamento dei carichi presenta comunque alcuni ostacoli. Le norme sulla sovranità dei dati possono impedire il trasferimento di determinate attività oltre i confini nazionali, mentre la movimentazione di grandi quantità di informazioni tra regioni diverse può comportare difficoltà tecniche e operative.
Il software, dunque, non può sostituire gli investimenti in nuovi chip e infrastrutture elettriche, ma può aiutare a sfruttare meglio le risorse già disponibili. Il suo contributo diventa particolarmente importante man mano che la capacità della rete si trasforma in un limite alla crescita dei servizi AI.
Come orientare le scelte nell’era dei data center AI
Resta infine da considerare il cosiddetto paradosso di Jevons: quando una tecnologia diventa più efficiente, il risparmio ottenuto può essere compensato da un aumento del suo utilizzo. Nel caso dell’intelligenza artificiale, l’energia risparmiata potrebbe quindi essere impiegata per generare più token e soddisfare una domanda crescente.
Per questo motivo, migliorare l’efficienza dei singoli processi non garantisce automaticamente una diminuzione dei consumi complessivi. La sfida per gli hyperscaler sarà ottenere più prestazioni da ogni watt consumato, combinando innovazione hardware, ottimizzazione del software e una gestione più flessibile della domanda elettrica.
Fonte: Tom’s Hardware
