Il costo nascosto dell’intelligenza artificiale: energia, acqua e la legge dei rendimenti decrescenti (G.Previdi)
Quando chiediamo a un’intelligenza artificiale di scrivere una poesia, riassumere un documento o generare un’immagine, l’esperienza sullo schermo ci appare eterea, quasi immateriale. Eppure, dietro ogni singola risposta si muove una macchina colossale fatta di silicio, cavi e, soprattutto, risorse naturali reali.
Il vero collo di bottiglia dell’era dell’AI non è più solo la creatività degli algoritmi, ma la fisica: i data center che alimentano questi sistemi consumano quantità stratosferiche di energia e acqua, e la crescita della potenza computazionale non è più proporzionale ai costi ambientali. Siamo entrati a pieno titolo nella logica dei rendimenti decrescenti.
Data center: sete di energia e risorse idriche
I server che addestrano e fanno girare i modelli linguistici di grandi dimensioni richiedono una potenza di calcolo senza precedenti. Per mantenere freschi i processori ad alte prestazioni racchiusi nei rack, i centri dati consumano milioni di litri d’acqua al giorno per i sistemi di raffreddamento a evaporazione.
Parallelamente, la richiesta energetica di queste infrastrutture è schizzata alle stelle, al punto che diverse grandi aziende tecnologiche stanno stipulando accordi diretti con centrali nucleari e fonti energetiche tradizionali per evitare il blackout delle proprie server farm.
La trappola dei rendimenti decrescenti
Negli ultimi anni abbiamo assistito alla cosiddetta legge di scaling: modelli più grandi, addestrati su più dati con più parametri, producevano risultati nettamente migliori. Ma oggi questo paradigma sta mostrando la corda:
- Costi esponenziali, guadagni lineari: Per ottenere miglioramenti marginali nella precisione o nella capacità di ragionamento di un modello, oggi è necessario aumentare la capacità di calcolo e la quantità di dati in modo esponenziale.
- Il muro dei dati: Stiamo quasi esaurendo i dati di alta qualità prodotti dall’uomo disponibili su internet, costringendo i sistemi a nutrirsi di dati sintetici o a ripetersi, con il rischio di un degrado qualitativo.
In sintesi, stiamo bruciando una quantità di energia sempre maggiore per ottenere progressi che, per quanto avanzati, sono proporzionalmente sempre più piccoli rispetto allo sforzo richiesto.
Il nodo centrale: Continuare a inseguire la crescita attraverso la forza bruta non è più sostenibile dal punto di vista ecologico ed economico.
Verso un’efficienza necessaria
La buona notizia è che l’industria sta iniziando a fare i conti con questi limiti fisici. La ricerca si sta spostando dai modelli giganti e generalisti verso architetture più snelle, algoritmi ottimizzati e chip specializzati a basso consumo.
L’intelligenza artificiale non può permettersi di ignorare i confini del pianeta. Se il futuro dell’AI vuole essere davvero rivoluzionario, la prossima grande sfida non sarà renderla più grande, ma imparare a fare molto di più con molta meno energia.
Link all’articolo originale: