Intelligenza artificiale
Come i Memristori Stanno Rendendo l’AI più Simile all’Uomo
L’ascesa dell’Hardware AI Neuromorfico, Simile al Cervello
Mentre l’AI diventa il centro dell’industria tecnologica, è emerso un problema crescente: la grande domanda di calcolo e di energia dell’AI quando viene eseguita utilizzando CPU e GPU.
Di conseguenza, i ricercatori stanno lavorando sodo sulle Unità di Elaborazione Neurale (NPUs), anche chiamate chip neuromorfici, un tipo di hardware AI che mimetizza i neuroni del cervello.
“Non è che i nostri chip o computer non siano abbastanza potenti per quello che stanno facendo. È che non sono abbastanza efficienti. Utilizzano troppa energia.”
Il passaggio verso un hardware ispirato al cervello potrebbe ridisegnare il modo in cui affrontiamo l’intelligenza artificiale. I progetti neuromorfici offrono tre vantaggi principali rispetto ai chip convenzionali:
- Architettura adattiva: circuiti che possono riconfigurarsi in base ai dati di formazione.
- Efficienza energetica radicale: in alcuni casi, utilizzando fino a 1/100esimo della potenza di una GPU.
- Calore di uscita inferiore: riducendo le costose esigenze di raffreddamento che affliggono i data center AI di oggi.
(Puoi leggere di più sull’hardware specializzato per l’AI, comprese le NPUs, nel nostro rapporto dedicato sull’argomento.)
“Essere in grado di sviluppare microchip che mimano l’attività neurale reale significa che non è necessaria molta potenza per lo standby o quando la macchina non è in uso.
Questo può essere un enorme vantaggio computazionale ed economico.”
John LaRocco – ricercatore scientifico in psichiatria alla Facoltà di Medicina dell’Ohio State.
I ricercatori stanno testando diversi metodi promettenti per creare chip neuromorfici. Un approccio coinvolge l’utilizzo della ferroelettricità incipiente—un fenomeno ancora poco compreso che potrebbe consentire ai materiali di commutare spontaneamente la loro polarizzazione elettrica nelle condizioni appropriate. Un altro si concentra su substrati attivi realizzati con vanadio o titanio, materiali che possono cambiare dinamicamente le loro proprietà elettriche per mimare la segnalazione simile al cervello.
Forse il percorso più discusso è l’utilizzo di memristori—una classe rivoluzionaria di componenti elettronici in grado di memorizzare le informazioni attraverso cambiamenti di resistenza. Questi dispositivi possono eseguire compiti di intelligenza artificiale con fino a 1/800esimo del consumo di potenza normale, rendendoli una delle soluzioni più efficienti in termini di energia in fase di sviluppo.
Come i Memristori Mimano le Sinapsi
Swipe to scroll →
| Caratteristica | CPU | GPU | NPU / Chip Memristore |
|---|---|---|---|
| Architettura | Sequenziale, scopo generale | Parallelo, focalizzato su matrici | Ispirato al cervello, adattivo |
| Uso di energia | Alto | Modesto o alto | Estremamente basso (1/100–1/800 potenza) |
| Efficienza di apprendimento | Lento, memoria esterna | Formazione rapida, memoria esterna | In-memoria, auto-adattivo |
| Miglior caso d’uso | Calcolo generale | Formazione del modello di intelligenza artificiale | AI edge, robotica, intelligenza artificiale a basso consumo |
I memristori sono componenti elettronici che mimano le sinapsi che collegano i neuroni ricordando quale stato elettrico erano stati commutati dopo che la loro alimentazione è stata spenta.
Ciò può ridurre notevolmente l’energia e il tempo persi nello spostamento dei dati avanti e indietro tra processori e memoria.
Una delle principali forze dei memristori è la loro capacità di apprendimento efficiente e auto-adattivo in situ, che è critico per applicazioni in robotica e veicoli autonomi.
Inoltre, il basso consumo di potenza dei memristori è particolarmente benefico in robotica e veicoli autonomi, dove l’efficienza energetica è fondamentale.
Molti percorsi sono stati esplorati su come creare i migliori memristori, dai relativamente convenzionali memristori di ossido di titanio all’utilizzo di neuroni umani reali (organoidi) o addirittura funghi.
L’idea di utilizzare materiale organico, compresi neuroni reali, per mimare l’attività dei neuroni ha senso a livello teorico. Tuttavia, nella pratica, l’interfacciamento di un tale “computer” con i sistemi IT tradizionali può essere difficile.
“I nostri sistemi di calcolo esistenti non erano destinati a elaborare grandi quantità di dati o a imparare da pochi esempi da soli.
Un modo per aumentare sia l’efficienza energetica che l’efficienza di apprendimento è costruire sistemi artificiali che operano secondo i principi osservati nel cervello.”
Questa mancanza di efficienza è sorprendente se paragonata al cervello umano. Un bambino può imparare a riconoscere i numeri scritti a mano dopo averne visti solo pochi esempi, mentre un computer di solito ne necessita di migliaia per raggiungere lo stesso compito.
E il cervello umano esegue questo compito consumando circa 20W di potenza, mentre i più recenti data center AI stanno guardando a scale di potenza del GW, o quasi cento milioni di volte più potente.
Un’opzione intermedia potrebbe essere creare chip artificiali che agiscano come neuroni nel loro principio di base. Questo è il percorso intrapreso dai ricercatori dell’University of Southern California, University of California, University of Massachusetts, Syracuse University, Air Force Research Laboratory e NASA Ames Research Center.
Hanno pubblicato i loro risultati su Nature Electronics1, con il titolo “Un neurone artificiale a impulsi basato su un memristore diffusivo, un transistore e una resistenza”.
Replicare Come i Neuroni Si Attivano Utilizzando Memristori Diffusivi
Come Funzionano i Neuroni?
Il modo in cui i neuroni interagiscono tra loro e, in definitiva, elaborano le informazioni, è utilizzando sia segnali elettrici che chimici.
Se un segnale è abbastanza forte, genera un impulso elettrico chiamato potenziale d’azione permettendo ai positivamente carichi ioni di sodio di inondare la cellula.
Fonte: Nature Electronics
Quando questo segnale elettrico viene ricevuto, provoca il rilascio di neurotrasmettitori.
Fino ad ora, i memristori elettronici e i circuiti CMOS hanno utilizzato segnali elettrici per simulare virtualmente tale funzionamento, richiedendo centinaia di transistor per simulare un neurone.
Invece, i ricercatori hanno sviluppato un dispositivo chiamato “memristore diffusivo”, che utilizza anche interazioni chimiche reali per avviare processi computazionali.
Cosa Sono i Memristori Diffusivi e Come Funzionano?
Mentre i sistemi di silicio tradizionali si basano su elettroni per eseguire calcoli, i memristori diffusivi utilizzano il movimento degli atomi. Utilizzano ioni di argento incorporati in materiali ossidi per generare impulsi elettrici che mimano le funzioni naturali del cervello.
Fonte: Nature Electronics
Naturalmente, ciò non replica esattamente il modo in cui funziona un neurone, ma il principio è molto simile.
“Anche se non sono esattamente gli stessi ioni nelle nostre sinapsi e neuroni artificiali, la fisica che governa il movimento degli ioni e la dinamica sono molto simili.”
In parte, questa somiglianza deriva dal fatto che gli ioni di argento sono facili da diffondere in questo sistema memristore, simile a come gli ioni di sodio possono muoversi nelle cellule organiche.
Oltre all’argento, il memristore utilizza anche palladio, silicio, titanio e afnio. La ricerca ha potuto visualizzare in tempo reale la diffusione dell’argento in risposta a uno stimolo elettrico.
Swipe to scroll →
| Strato / Materiale | Ruolo nel Dispositivo | Perché è Importante |
|---|---|---|
| Ioni di argento (Ag) | Specie mobili per l’attivazione | Si diffondono facilmente, abilitando impulsi ionici simili al fuoco neurale |
| Matrice di ossido (ad es. HfO2) | Ospite di ioni / mezzo di commutazione | Controlla il movimento degli ioni e la formazione di filamenti per gli stati memristivi |
| Palladio (Pd) | Interfaccia elettrodo / catalizzatore | Contatto stabile e chimica di interfaccia favorevole |
| Titanio (Ti) | Strato di adesione / barriera | Migliora la stabilità dell’elettrodo e l’integrità dello stack |
| Silicio (Si) | Substrato / integrazione CMOS | Consente l’integrazione verticale all’interno di un’impronta del transistore |
Il Futuro: Chip Neuromorfici ed Intelligenza Artificiale Efficienti in Termini Energetici
Un vantaggio chiave di questo nuovo tipo di memristore è che si adatta all’interno dell’impronta di un singolo transistore, mentre i progetti più vecchi richiedevano decine o addirittura centinaia.
Il test iniziale ha utilizzato solo una manciata di tali memristori diffusivi, dimostrando che possono essere utilizzati per costruire la tipica rete neurale multilivello utilizzata dalla quasi totalità dei sistemi di intelligenza artificiale oggi.
Fonte: Nature Electronics
Il prossimo passo sarà assemblare molti più di questi sistemi per testare quanto possono essere efficienti nell’eseguire effettivamente compiti di intelligenza artificiale.
“Stiamo progettando i mattoni fondamentali che alla fine ci porteranno a ridurre le dimensioni del chip di diversi ordini di grandezza e a ridurre il consumo di energia di diversi ordini di grandezza.
Così potrebbe essere sostenibile eseguire l’intelligenza artificiale in futuro, con un livello di intelligenza simile senza bruciare energia che non possiamo sostenere.”
Scoprire se altri ioni possono essere utilizzati potrebbe anche essere utile, poiché gli ioni di argento non sono comunemente utilizzati nella produzione di semiconduttori, il che potrebbe limitare la velocità di adozione di questo design da parte dell’industria.
Un altro effetto dei memristori diffusivi è che potrebbero aiutare a comprendere meglio come funzionano i cervelli biologici.
Nel lungo termine, sono probabilmente destinati a essere particolarmente utili per il cosiddetto “edge computing”, dove il calcolo viene eseguito direttamente sul posto, ad esempio con un robot o un’auto a guida autonoma che deve prendere una decisione senza connessione a un data center di intelligenza artificiale.
Investire nei Produttori di Chip Neuromorfici
Intel (INTC )
Intel è un gigante nel settore dei semiconduttori e si è evoluto nel corso degli anni da fondatore dell’industria a leader scientifico e innovativo, perdendo il posto di volume di produzione a società come TSMC di Taiwan.
Intel è un leader nel calcolo neuromorfico, incluso attraverso il suo chip Loihi 2.
Ha anche creato la Comunità di Ricerca Neuromorfica Intel, che include la Pennsylvania State University, coinvolta nella ricerca sul diossido di vanadio, nonché molti altri potenziali progetti neuromorfici e oltre 75 altri gruppi di ricerca.
(INTC )
Intel è anche molto attivo nel mimare i sensi biologici replicando il modo in cui funziona il nostro cervello (esso stesso un ramo del calcolo neuromorfico), qualcosa che abbiamo discusso ulteriormente nel nostro articolo “Chip Olfattivi Biomimetici: sono l’Intelligenza Artificiale e le E-Nose il Prossimo Canarino nella Miniera di Carbone?”
Complessivamente, la ricerca del Lab di Intel è all’avanguardia dell’innovazione nel settore dei semiconduttori, inclusi l’AI, il calcolo quantistico, il calcolo neuromorfico, ecc. (Abbiamo discusso i progressi di Intel nel calcolo quantistico nel nostro articolo “Lo Stato Attuale del Calcolo Quantistico”).
Puoi anche leggere di più sull’attuale attività commerciale e sui programmi di R&D di Intel nel nostro rapporto di investimento dedicato.
Ultime Notizie e Sviluppi Azionari di Intel (INTC)
Studio Citato
1. Zhao, R., Wang, T., Moon, T. et al. Un neurone artificiale a impulsi basato su un memristore diffusivo, un transistore e una resistenza. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
