Chip, memoria, energia e miliardi: il costo nascosto dell’intelligenza artificiale. E la corsa per renderla sostenibile.

L’intelligenza artificiale generativa sta conquistando il mondo. Ma dietro la sua apparente immaterialità c’è una macchina industriale gigantesca fatta di data center, energia, chip e miliardi di dollari. Sarà questo il suo tallone d’Achille?
Ci siamo abituati a considerare l’intelligenza artificiale come qualcosa d’immateriale. Una domanda entra in uno smartphone e, pochi secondi dopo, compare una risposta. Un testo, un’immagine, una traduzione, un programma informatico.
Sembra quasi magia. Ma dietro quella risposta c’è probabilmente la più grande corsa alla costruzione d’infrastrutture informatiche della storia. Ed è qui che inizia il problema.
The Atlantic ha recentemente pubblicato un articolo dal titolo volutamente provocatorio: “Generative AI is an Engineering Disaster”. La tesi è radicale: il modello industriale sul quale abbiamo costruito l’attuale AI generativa sarebbe enormemente inefficiente e rischierebbe di trasformare il suo stesso successo nel proprio limite.
Non significa che l’AI non funzioni. Al contrario: funziona talmente bene che tutti la vogliono. Ed è proprio questo che mette sotto pressione il sistema.

La fame di memoria dell’intelligenza artificiale

Un modello come ChatGPT non gira semplicemente sul nostro computer. Dietro ogni interrogazione ci sono enormi infrastrutture composte da acceleratori, server, memorie ad altissima velocità, sistemi di raffreddamento e reti elettriche.
La crescita dell’AI sta quindi modificando anche mercati apparentemente lontani dall’intelligenza artificiale, e quello delle memorie è forse l’esempio più evidente.
Nel 2026 i prezzi della DRAM e della memoria NAND hanno registrato aumenti eccezionali. TrendForce stima che, nonostante un rallentamento della corsa, nel terzo trimestre la DRAM possa aumentare ancora del 13–18% e la NAND del 10–15%. La domanda proveniente dai server AI e dai grandi data center continua a comprimere l’offerta disponibile per computer, smartphone e altri dispositivi.
È un paradosso interessante: la tecnologia che dovrebbe rendere l’informatica più potente rischia, almeno nel breve periodo, di rendere più costosi alcuni dei componenti dell’informatica tradizionale.

Il vero problema: ogni risposta ha un costo

Il software tradizionale ha costruito una parte della propria fortuna su una caratteristica formidabile: una volta scritto, può essere distribuito a milioni di persone con costi marginali relativamente bassi.
Con l’intelligenza artificiale generativa la situazione è diversa. Ogni volta che chiediamo a un modello di ragionare, generare un’immagine o analizzare migliaia di pagine, qualcuno/qualcosa deve eseguire fisicamente quei calcoli.
Più utilizziamo l’AI, più servono capacità di calcolo, memoria ed energia.
È qui che The Atlantic individua una debolezza strutturale dell’attuale paradigma: l’intelligenza artificiale non è soltanto software. È sempre più un’industria pesante digitale: fabbriche di chip al posto delle acciaierie, data center al posto degli altiforni, gigawatt al posto del carbone.
Ma la logica industriale, sorprendentemente, torna ad assomigliare a quella del Novecento: per produrre di più bisogna costruire più infrastrutture.

Attenzione: l’AI sta diventando anche molto più efficiente

Qui occorre però evitare una conclusione troppo facile. Dire che l’AI sia destinata al collasso economico sarebbe prematuro. L’intera industria sta lavorando esattamente sul problema dell’efficienza: modelli più piccoli, quantizzazione, architetture sparse, chip specializzati, migliore utilizzo delle GPU e sistemi capaci di attivare soltanto le parti del modello necessarie a risolvere un determinato problema. Gartner prevede che entro il 2030 il costo necessario per eseguire l’inferenza di un LLM gigantesco possa diminuire di oltre il 90% rispetto al 2025. E alcune analisi accademiche rilevano che il prezzo commerciale dei token è già diminuito enormemente negli ultimi anni, grazie non soltanto all’hardware ma anche all’innovazione software e architetturale. La partita, quindi, non è affatto chiusa.

Più grande significa necessariamente più intelligente?

Esiste poi una questione ancora più profonda.
Per anni una parte dell’industria ha seguito una regola semplice: più dati, più parametri, più capacità di calcolo producono modelli migliori.
Ha funzionato sorprendentemente bene. Ma fino a quando sarà così?
Yann LeCun, uno dei padri del deep learning, sostiene da tempo che aumentare semplicemente le dimensioni degli attuali modelli linguistici non sarà sufficiente per arrivare a un’intelligenza paragonabile a quella umana. Serviranno sistemi capaci di costruire rappresentazioni del mondo, comprendere relazioni causali, pianificare e apprendere dall’esperienza.
La domanda diventa allora affascinante: stiamo costruendo una nuova forma di intelligenza o una gigantesca macchina statistica che stiamo rendendo sempre più potente?
Forse entrambe le cose.

La prossima rivoluzione potrebbe chiamarsi efficienza

La storia della tecnologia insegna qualcosa. I computer non hanno conquistato il mondo semplicemente perché sono diventati più potenti. Lo hanno conquistato perché, contemporaneamente, sono diventati più piccoli, economici ed efficienti.
Lo stesso è accaduto con Internet, con gli smartphone e con quasi tutte le grandi tecnologie general purpose. Potrebbe succedere anche all’intelligenza artificiale. Per questo il vero traguardo dei prossimi anni potrebbe non essere costruire il modello con più trilioni di parametri o il data center più grande del pianeta.
Potrebbe essere ottenere la stessa intelligenza con un decimo dell’energia, un decimo della memoria e un decimo del capitale.
Se accadrà, l’AI avrà compiuto il passaggio decisivo da straordinario esperimento tecnologico a infrastruttura universale.
Se non accadrà, il limite dell’intelligenza artificiale potrebbe rivelarsi sorprendentemente umano: non quanto siamo capaci di farla diventare intelligente, ma quanto possiamo permetterci di alimentarla.

 

di Isabella Zotti Minici