Intelligenza artificiale

Tecnologie emergenti che stanno plasmando il futuro dell’hardware AI

mm
Pubblicato il
Aggiornato il
Aggiungi Securities.io alle tue fonti preferite su Google
Informativa: Securities.io può ricevere un compenso quando utilizzi link a prodotti da noi recensiti. Ciò non influenza le nostre valutazioni editoriali. Non siamo un consulente finanziario registrato; queste non sono raccomandazioni di investimento. Leggi la nostra informativa sulle affiliazioni.

Un nuovo tipo di calcolo

Con gli ultimi anni di progresso esponenziale nella tecnologia AI, i principali vincitori sono stati i costruttori di hardware AI. Questo perché l’AI moderna, che utilizza principalmente la tecnologia delle reti neurali, impiega la potenza di calcolo in modo molto diverso rispetto ai computer classici.

Invece di eseguire calcoli complessi con una CPU potente, esegue migliaia o milioni di calcoli più semplici in parallelo.

(Puoi approfondire come sono state inventate e funzionano le reti neurali in “Investing in Nobel Prize Achievements – Artificial Neural Networks, The Basis Of AI”)

Finora, le schede grafiche, o GPU (Graphics Processing Units), sono state lo strumento preferito per sviluppare l’AI, aumentando drasticamente i ricavi e i profitti dei leader del settore come Nvidia (NVDA ).

Il mercato dell’hardware AI dovrebbe continuare a crescere eccezionalmente rapidamente, con un CAGR del 31,2 % dal 2025 al 2035

Questo periodo dovrebbe vedere anche l’emergere di molti nuovi tipi di hardware AI, poiché le GPU riadattate per il calcolo AI vengono progressivamente sostituite da chip progettati specificamente per questa applicazione.

Nel lungo periodo, forme più esotiche di calcolo probabilmente entreranno nel mercato dell’hardware AI, da design specifici per applicazione a chip non al silicio o persino usando neuroni biologici reali.

Come funziona il pensiero AI

La differenza fondamentale tra i supercomputer classici e le AI è il modo in cui i dati vengono elaborati. Invece di risolvere calcoli complessi, le reti neurali creano nodi virtuali collegati in una rete. Mentre le prime reti neurali contenevano appena qualche decina di nodi, con poche centinaia di connessioni, le reti neurali moderne come quelle usate da ChatGPT utilizzano trilioni di possibili connessioni, raggiungendo livelli di complessità non dissimili dal cervello umano.

 

Fonte: Nobel Prize

Questo diverso metodo di calcolo richiede hardware in grado di eseguire milioni di operazioni in parallelo, anche se la potenza di calcolo dedicata a ciascuna è relativamente piccola.

Fortunatamente, si tratta di un tipo di hardware già in uso da molti anni, come il rendering grafico con le GPU, soprattutto per simulazioni 3D e videogiochi, che utilizza anch’esso questo tipo di numerosi piccoli calcoli in parallelo.

Questo è il motivo per cui il vincitore iniziale (e attuale) della corsa a garantire abbastanza chip AI è stato Nvidia, il leader nel mercato delle GPU.

GPU sempre più veloci

Con l’invenzione di algoritmi più efficienti e il rapido progresso nell’intelligenza artificiale che hanno creato, le potenziali applicazioni dell’AI sono esplose negli anni 2020.

Ciò ha portato una corsa sempre più intensa per assicurarsi hardware sufficiente, in particolare le GPU Nvidia nel 2023.

Parallelamente, le crescenti aspettative dalle potenziali applicazioni AI richiedono AI sempre più intelligenti, che a loro volta necessitano di più potenza di calcolo. E mentre assicurare più GPU era una soluzione, erano necessarie anche GPU migliori.

L’industria ha risposto, con una crescita di 1.000× nelle prestazioni in meno di 8 anni.

Fonte: NVIDIA

Può durare?

Ci sono segnali che i progressi nelle prestazioni delle GPU potrebbero presto rallentare. Prima di tutto, tutti i miglioramenti “facili”, come rendere le GPU più grandi e con transistor più piccoli e più densi, stanno raggiungendo il limite. Quindi, ulteriori miglioramenti devono derivare da redesign più radicali e innovazioni.

Problemi secondari stanno anche emergendo nell’industria. Per esempio, GPU molto più dense e potenti generano molto calore di scarto, al punto che ulteriori unità simili fonderebbero i chip.

Questo calore di scarto indica anche molta energia sprecata. Garantire una fornitura sufficiente di energia stabile e di base sta diventando un problema per le aziende AI, con tutte le grandi aziende tecnologiche che corrono a garantire forniture da centrali nucleari.

Infine, il calcolo AI sta diventando più specializzato, con metodologie diverse che emergono in aziende diverse e per applicazioni diverse, ognuna con requisiti hardware differenti. Quindi, molto probabilmente, l’era delle GPU universali usate da tutte le aziende AI sta per finire, anche se lentamente.

L’era delle Super GPU

Finora, la maggior parte dei data center AI è consistita nel collegare migliaia di GPU in server dedicati.

La soluzione immediata al problema di surriscaldamento e consumo energetico crescente sarà la costruzione di hardware integrato che vada oltre il semplice accumulo di GPU individuali.

“Nei data center di oggi, non è possibile inserire lo stesso numero di server NVIDIA H100 o vassoi di calcolo GB200 Superchip in un armadio come si poteva fare con le generazioni precedenti di GPU a causa delle maggiori esigenze di potenza e raffreddamento.

Un passo importante in quella direzione è il recente rilascio da parte di Nvidia del GB200 NVL72. Questo hardware è progettato per agire come una singola GPU massiccia, rendendola molto più potente anche rispetto al modello record H100 precedente.

L’efficienza termica migliorata e il risparmio energetico ci consentono di essere più generosi con il numero di GPU che possiamo inserire in un rack — il che significa più GPU per i nostri clienti.”

Questo dovrebbe anche essere molto più efficiente dal punto di vista energetico, un punto cruciale poiché l’industria AI potrebbe esaurire l’energia prima di esaurire i chip alla velocità con cui vengono costruiti i data center AI. E più efficienza di calcolo & energia significa meno calore di scarto, il che risolve temporaneamente anche il problema del surriscaldamento.

Fonte: Nvidia

Attualmente, CoreWeave è diventata il primo provider cloud con istanze Nvidia GB200 NLV72 generalmente disponibili (CRWV ).

(Puoi leggere di più su CoreWeave e la sua fornitura di cloud AI alle aziende che sviluppano soluzioni AI in “CoreWeave: The Cloud AI Hyperscaler”).

Hardware AI non basato su GPU

Field Programmable Gate Arrays (FPGAs)

Un altro tipo di hardware usato per lo sviluppo AI è il Field‑Programmable Gate Array. Le FPGA sono circuiti integrati che possono essere riprogrammati per svolgere compiti specifici in modo più efficiente. Funzionano grazie a interconnessioni configurabili tra i loro componenti.

Questo può rendere le FPGA più flessibili delle GPU e avere più potenziale di ottimizzazione per tipi specifici di calcoli.

Le FPGA sono anche più efficienti dal punto di vista energetico rispetto alle GPU. La loro bassa latenza (tempo di risposta rapido) le rende molto efficienti per applicazioni reali che richiedono reazioni veloci.

Tuttavia, le FPGA sono meno in grado di gestire calcoli molto impegnativi che richiedono molta potenza.

Un altro problema è che, sebbene le FPGA siano riprogrammabili, questo può essere un processo dispendioso in termini di tempo e lavoro. Quindi possono essere molto più lente da progettare, costruire e programmare. Questo può rappresentare un serio ostacolo in un campo che sta facendo progressi rivoluzionari ogni 6 mesi.

Ciò significa che finora, i casi d’uso delle FPGA si sono concentrati su alcune applicazioni AI, con lo sviluppo generale ancora basato su GPU meno efficienti ma universali:

  • Elaborazione in tempo reale: quando i dati in ingresso devono essere trattati rapidamente, ad esempio per l’elaborazione di segnali digitali, sistemi radar, veicoli autonomi e telecomunicazioni.
  • Accelerazione hardware personalizzata: le FPGA configurabili possono essere ottimizzate per accelerare compiti specifici di deep learning e cluster HPC ottimizzando tipi di dati o algoritmi particolari.
  • Quindi i moderni data center AI potrebbero diventare progressivamente un mix di GPU e FPGA, con ciascun hardware dedicato ai sotto‑task che può svolgere al meglio.
    • Edge computing: questo porta capacità di calcolo e storage più vicine all’utente finale, ad esempio direttamente in un’auto o in un drone. In questi casi, il basso consumo energetico e le dimensioni compatte delle FPGA sono vantaggi.

Application‑Specific Integrated Circuits (ASICs)

I sistemi ASIC sono costruiti per tipi di calcolo specifici e sono in grado di eseguirli solo. Non è tanto un chip di computer quanto un circuito integrato puro; le FPGA a volte sono chiamate ASIC programmabili.

Il motivo per usare gli ASIC invece di FPGA o GPU è che gli ASIC sono molto più veloci di qualsiasi altro dispositivo logico. Sono anche più efficienti dal punto di vista energetico e più piccoli.

Questo è il motivo per cui, ad esempio, gli ASIC miner sono usati nel mining di criptovalute, con il design ottimizzato per eseguire il tipo di calcolo richiesto.

Fonte: Wevolver

Tuttavia, gli ASIC sono anche molto più complessi da progettare, quindi ha senso svilupparne uno solo per un compito che sarà ripetuto abbastanza spesso da coprire i costi di progettazione. In generale, gli ASIC hanno senso economico solo quando considerati per la produzione di massa.

I design personalizzati richiedono anche conoscenze esperte, e i linguaggi di programmazione e le librerie più diffusi potrebbero non essere utilizzabili.

Questa necessità di design personalizzato può, tuttavia, essere anche un vantaggio, poiché crea una protezione aggiuntiva della proprietà intellettuale (IP).

I casi d’uso per gli ASIC sono simili a quelli delle FPGA: edge computing, riconoscimento immagini, telecomunicazioni e elaborazione di segnali, ma richiedono calcoli spesso ripetuti più di quanto facciano le FPGA.

Poiché non sono flessibili, è improbabile che siano sufficienti da sole per compiti AI complessi. Tuttavia, possono essere integrati in un sistema hardware AI per aumentare efficienza e velocità.

Notoriamente, aziende come Etched stanno sviluppando ASIC specifici per eseguire calcoli dei transformer (la “T” in chatGPT).

Fonte: Etched

Chip neuromorfici

Oltre a migliorare le GPU o costruire ASIC più efficienti, altri concetti stanno cercando di cambiare completamente il modo in cui avviene il calcolo.

Un’idea è che, se progettiamo una rete neurale, dovremmo avere un’architettura di chip che la rifletta.

Questa è l’idea dei chip neuromorfici, che funzionano come neuroni interconnessi a livello hardware invece di simularli tramite complesse equazioni matematiche e milioni di calcoli paralleli.

Questi dispositivi sono talvolta chiamati NPUs (Neural Processing Unit), solitamente combinando molti tipi diversi di componenti in un’unica unità.

I chip neuromorfici spesso usano segnali elettrici complessi, più vicini a dati analogici. Questo differisce dai “normali” computer che usano un design di Von Neumann con segnali binari (0 & 1).

Fonte: Tech Target

Molti metodi sono attualmente esplorati per creare chip neuromorfici:

Chip fotonici

Un’altra opzione per superare molte delle limitazioni attuali dell’hardware al silicio è passare a computer fotonici. Invece di elettroni che trasportano le informazioni, sono i fotoni dei laser a farlo.

Questo metodo ha il vantaggio di essere molto meno vulnerabile al surriscaldamento e di sfruttare la luce, la cosa più veloce dell’Universo.

Per ora, la durabilità dei componenti fotonici, in particolare la memoria, è stata un problema, ma sta cambiando rapidamente.

Altri recenti progressi nella fotonica includono:

Uso di neuroni reali

Un altro modo per spingere l’AI verso prestazioni simili a quelle del cervello reale è forse semplicemente usare cervelli fin dall’inizio.

Dopotutto, se una rete neurale composta da neuroni reali può essere altamente adattiva ed eccellere nel riconoscimento di pattern in natura, perché non dovrebbe funzionare in un contesto più artificiale?

Nel marzo 2025, questo concetto è progredito con il rilascio da parte di Cortical Labs di CL1, il primo Synthetic Biological Intelligence (SBI).

Neuroni reali sono coltivati in una soluzione ricca di nutrienti, fornendo loro tutto il necessario per rimanere sani. Crescono su un chip di silicio, che invia e riceve impulsi elettrici nella struttura neurale.

Questo sfuma davvero il confine tra intelligenza artificiale e naturale. Un computer fatto di neuroni reali è ancora artificiale?

Integriamo i neuroni nel biOS con una miscela di silicio rigido e tessuto morbido. Puoi collegarti direttamente a questi neuroni. Distribuisci codice direttamente ai neuroni reali e risolvi le sfide più difficili di oggi.

Il neurone è auto‑programmazione, infinitamente flessibile, e il risultato di quattro miliardi di anni di evoluzione. Ciò che i modelli AI digitali spendono enormi risorse per emulare, noi lo iniziamo con.

Questo potrebbe essere una vera svolta se alcune teorie che considerano il cervello umano più come un computer quantistico che come un sistema elettrico dovessero rivelarsi vere.

Pur essendo ancora una tecnologia emergente, potrebbe ricevere una spinta grazie ai progressi in campi affini, come la stampa 3D di organi umani, inclusi tessuti cerebrali funzionali, così come la produzione di organoidi (mini‑cervelli) da aziende come Final Spark e BiologIC.

Interfaccia cervello‑computer

Un altro modo per potenziare l’hardware AI potrebbe essere usarlo in interfaccia diretta con un altro tipo di supercomputer biologico: il cervello già presente nel nostro cranio che gestisce il nostro pensiero.

Inizialmente, le Brain‑Computer Interfaces (BCI) saranno probabilmente principalmente usate per aiutare persone affette da condizioni neurologiche.

Nuovi metodi per rendere gli impianti più durevoli e meno invasivi dovrebbero aiutare anche in questo ambito.

Nel lungo periodo, anche questo potrebbe sfumare il confine tra intelligenza macchina e umana. Se pensi qualcosa con l’assistenza di un’AI in interazione diretta con noi tramite BCI, chi ha pensato esattamente?

Tuttavia, a causa di preoccupazioni etiche e di sicurezza, questa è probabilmente una delle tecnologie più lontane, nonostante l’anticipazione di opere di fantascienza come Altered Carbon, Neuromancer o Cyberpunk 2077.

(Abbiamo coperto le aziende più importanti del settore in “5 Best Brain‑Computer Interfaces (BCI) Companies”).

Quanta potenza di calcolo è davvero necessaria?

DeepSeek

Per molti anni, ogni azienda AI ha gareggiato per aggiungere più potenza di calcolo il più velocemente possibile, presumendo che più sia sempre meglio.

Questo è stato messo in discussione dall’arrivo brutale della società cinese DeepSeek. Con un modello 10‑100× più efficiente dei concorrenti, e che costa solo il 3‑5 % per prestazioni equivalenti o superiori, DeepSeek ha sfidato la necessità di più potenza di calcolo per costruire AI migliori.

Una grande ragione per cui DeepSeek si è concentrata così tanto sull’efficienza del modello è stata la limitata accessibilità delle aziende AI cinesi ai chip AI. Questo è stato evidente quando, poco dopo il lancio, è stato rivelato che i modelli AI di altre aziende cinesi performavano in modo altrettanto impressionante: Qwen di Alibaba, Kimi di Moonshot AI, Doubao di ByteDance o Ernie Bot di Baidu.

Come dice il proverbio, “la necessità è la madre dell’invenzione”.

È probabile che nei prossimi anni il settore AI si concentri sia su migliori prestazioni sia su maggiore efficienza.

Tuttavia, ciò non significa che più calcolo non porterà a risultati migliori. Semplicemente, non è l’unico percorso verso il successo nell’industria AI, e aziende molto finanziate come OpenAI potrebbero aver mostrato una certa lassità nella spesa.

Per ora, la maggior parte delle AI è ancora in fase di sviluppo e sperimentazione con applicazioni limitate. Più saranno integrate nei flussi di lavoro di milioni di aziende in tutto il mondo, più sarà richiesto calcolo AI.

E più calcolo è necessario, più aumenterà la domanda di hardware più efficiente e meno energivoro.

Quindi, come per il calcolo tradizionale, possiamo presumere che il mercato continuerà a richiedere chip sempre più migliorati, soprattutto perché l’AI potrebbe presto diventare uno dei maggiori consumatori di energia al mondo.

EdgeAI & AI PC

Un altro effetto dell’emergere di DeepSeek e di altri modelli AI cinesi con requisiti di calcolo inferiori è che i modelli AI, soprattutto quelli “distillati”, possono ora girare su macchine individuali di fascia alta, invece che su data center AI su scala di gigawatt.

Ciò conferma i sostenitori di EdgeAI, che sostengono che gran parte del calcolo AI debba avvenire “in loco”, invece che solo nel cloud.

Poiché DeepSeek è un modello open‑source, questo apre la strada a molti esperimenti individuali con computer AI: potenti abbastanza da eseguire modelli AI, ma economici e compatti da poter essere acquistati da singoli utenti. In generale, ciò non porta a una minore domanda di calcolo AI, ma forse a un processo più decentralizzato per sviluppare e usare applicazioni AI.

Quindi i PC AI probabilmente diventeranno la nuova grande tendenza nella costruzione di PC, con la stampa specializzata che già discute in dettaglio la questione e quale marchio sia il migliore soprattutto ora che l’AI sta entrando nella maggior parte delle offerte tecnologiche, inclusi Microsoft (MSFT ), con Copilot quasi onnipresente in Windows OS e altri software dell’azienda.

Conclusione

Dalle GPU da gaming, l’hardware per l’AI sta evolvendo rapidamente. È iniziato con GPU progettate per l’AI e sta evolvendo verso “super GPU” progettate da zero per adattarsi ai data center AI con minore consumo energetico e produzione di calore.

Il passo successivo sarà probabilmente un’integrazione più profonda di GPU generaliste con ASIC e chip FPGA per eseguire compiti AI specifici con meno energia e spazio.

Più avanti, le scommesse saranno su quale tecnologia vincerà per il calcolo AI: chip neuromorfici, fotonici, spintronici, o persino neuroni biologici reali addestrati a interagire con substrati di silicio, e forse AI che interagisce direttamente con i nostri cervelli tramite interfacce dirette.

Per tutte queste tecnologie, è certo che la crescita esplosiva della capacità dell’AI e la conseguente crescita esplosiva delle applicazioni manterranno la domanda di hardware AI più avanzato e migliore.

Quindi, anche se arrivano sul mercato modelli AI più efficienti, come DeepSeek, l’improvvisa corsa alla domanda di PC AI potrebbe essere un buon indicatore che l’hardware AI rimarrà probabilmente in una certa scarsità rispetto alla domanda nei prossimi anni.

Un leader nell’hardware AI

Nvidia

NVDA Grafico dei prezzi

NVIDIA è passata da una società di semiconduttori di nicchia specializzata in schede grafiche a un gigante tecnologico in prima linea nella rivoluzione AI e nella massiccia quantità di hardware necessaria.

Questo è stato ottenuto grazie allo sviluppo di CUDA, un’interfaccia di programmazione di uso generale per le GPU NVIDIA, aprendo la porta a usi diversi dal gaming.

“I ricercatori hanno capito che acquistando questa scheda da gaming chiamata GeForce, la si aggiunge al proprio computer e si ha sostanzialmente un supercomputer personale. Dinamica molecolare, elaborazione sismica, ricostruzione TC, elaborazione di immagini — una miriade di cose diverse.”

Jensen Huang, in un’intervista a Sequoia

Questa più ampia adozione delle GPU, e più specificamente dell’hardware NVIDIA, ha creato un ciclo di feedback positivo basato su effetti di rete: più usi, più utenti finali e programmatori familiari con esse, più vendite, più budget R&D, più accelerazione nella velocità di calcolo, più usi, ecc.

Fonte: Nvidia

Oggi, la base installata comprende centinaia di milioni di GPU CUDA.

Un’altra cosa notevole sull’evoluzione della potenza di calcolo AI è che segue una legge esponenziale invece della più lineare Legge di Moore per le CPU. Questo perché non solo l’hardware GPU migliora, ma la potenza di elaborazione richiesta è diminuita grazie a miglioramenti radicali nel modo in cui le reti neurali vengono addestrate.

Sebbene leader in GPU e AI, NVIDIA è anche molto attiva nello sviluppo del calcolo quantistico come nuovo motore di crescita.

Simile a come ha distribuito CUDA per le applicazioni di reti neurali, Nvidia ha rilasciato CUDA‑Q per il calcolo quantistico, offrendo un sistema cloud quantistico dove è possibile noleggiare capacità di calcolo quantistico NVIDIA tramite un servizio cloud.

Fonte: NVIDIA

Questo include anche tecnologie come cuQuantum di NVIDIA per i ricercatori che vogliono emulare computer quantistici, cuPQC per la crittografia quantistica e DGX Quantum per l’integrazione sia del calcolo classico sia di quello quantistico.

In generale, NVIDIA è in prima linea nella costruzione di un ecosistema di calcolo quantistico, capitalizzando la sua posizione di leader nell’AI e nell’hardware AI.

Fonte: NVidia

Con una posizione forte nell’AI, nel mining di criptovalute e forse presto nel calcolo quantistico, Nvidia è molto ben posizionata per diventare una delle aziende hardware di calcolo dominanti nel prossimo decennio.

Puoi leggere di più sulla storia, il modello di business e le innovazioni di Nvidia in “NVIDIA (NVDA) Spotlight: From Graphics Giant to AI Titan”.

Ultime notizie su NVIDIA

mm

Jonathan è un ex ricercatore biochimico che ha lavorato nell'analisi genetica e nelle sperimentazioni cliniche. Ora è un analista di titoli e scrittore finanziario con un focus su innovazione, cicli di mercato e geopolitica nella sua pubblicazione 'The Eurasian Century'.