Intelligenza artificiale
Come i Memristori Rendono l’IA più Simile all’Umano
Aggiungi Securities.io alle tue fonti preferite su Google
L’ascesa dell’hardware AI neuromorfico, simile al cervello
Con l’intelligenza artificiale ormai al centro del settore tecnologico, è emerso un problema crescente: l’enorme fabbisogno di calcolo ed energia dell’IA quando viene eseguita su CPU e GPU.
Di conseguenza, i ricercatori stanno lavorando intensamente sulle unità di elaborazione neurale (NPU), chiamate anche chip neuromorfici: un tipo di hardware per l’IA che imita i neuroni del cervello.
“Non è che i nostri chip o computer non siano sufficientemente potenti per quello che fanno. È che non sono abbastanza efficienti. Consumano troppa energia.”
Il passaggio verso hardware ispirato al cervello potrebbe rimodellare il nostro approccio all’intelligenza artificiale. I design neuromorfici offrono tre vantaggi principali rispetto ai chip convenzionali:
- Architettura adattiva: circuiti che possono riconfigurarsi in base ai dati di addestramento.
- Efficienza energetica radicale: in alcuni casi, utilizza solo 1/100 della potenza di una GPU.
- Minore emissione di calore: riduce i costosi requisiti di raffreddamento che affliggono i data center AI odierni.
“Essere in grado di sviluppare microchip che imitano l’attività neurale reale significa che non è necessaria molta energia in standby o quando la macchina non è in uso.
Questo può rappresentare un enorme potenziale vantaggio computazionale ed economico.
John LaRocco – ricercatore in psichiatria presso il College of Medicine della Ohio State University
I ricercatori stanno sperimentando diversi metodi promettenti per creare chip neuromorfici. Un approccio consiste nello sfruttare la ferroelettricità incipiente, un fenomeno ancora poco compreso che, nelle giuste condizioni, potrebbe consentire ai materiali di invertire spontaneamente la propria polarizzazione elettrica. Un altro si concentra su substrati attivi in vanadio o titanio, materiali capaci di modificare dinamicamente le proprie proprietà elettriche per imitare la trasmissione dei segnali cerebrali.
Il percorso forse più discusso è l’uso dei memristori, una classe rivoluzionaria di componenti elettronici in grado di memorizzare informazioni attraverso variazioni della resistenza. Questi dispositivi possono svolgere compiti di IA consumando appena 1/800o dell’energia abituale, risultando tra le soluzioni più efficienti attualmente in fase di sviluppo.
Come i Memristori Imitano le Sinapsi
Scorri per continuare →
| Caratteristica | CPU | GPU | NPU / Chip Memristore |
|---|---|---|---|
| Architettura | Sequenziale, uso generale | Parallelo, focalizzato su matrici | Ispirata al cervello, adattiva |
| Consumo energetico | Elevato | Moderato‑alto | Estremamente basso (1/100–1/800 della potenza) |
| Efficienza di apprendimento | Lenta, memoria esterna | Addestramento veloce, memoria esterna | In‑memoria, auto‑adattiva |
| Caso d’uso migliore | Calcolo generale | Addestramento modelli IA | IA edge, robotica, IA a basso consumo |
I memristori sono componenti elettronici che imitano le sinapsi che collegano i neuroni, ricordando lo stato elettrico impostato anche dopo lo spegnimento.
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, fondamentale per le applicazioni in robotica e veicoli autonomi.
Inoltre, il basso consumo energetico dei memristori è particolarmente vantaggioso in robotica e veicoli autonomi, dove l’efficienza energetica è fondamentale.
Si stanno esplorando molti percorsi per creare memristori migliori: dai relativamente convenzionali memristori all’ossido di titanio all’uso di veri neuroni umani (organoidi) o persino funghi.
L’idea di utilizzare materiale organico, inclusi veri neuroni, per imitare l’attività dei neuroni ha senso a livello teorico. Tuttavia, nella pratica, interfacciare tale “computer” con i sistemi IT tradizionali può essere difficile.
“I nostri sistemi informatici esistenti non sono mai stati progettati per elaborare enormi quantità di dati o per apprendere da pochi esempi da soli.
Un modo per aumentare sia l’efficienza energetica che quella di apprendimento è costruire sistemi artificiali che operano secondo i principi osservati nel cervello.
Questa mancanza di efficienza è sbalorditiva se confrontata con il cervello umano. Un bambino piccolo può imparare a riconoscere cifre scritte a mano dopo aver visto solo pochi esempi di ciascuna, mentre un computer tipicamente ne ha bisogno di migliaia per raggiungere lo stesso risultato.
E il cervello umano compie questa impresa consumando circa 20 W di potenza, mentre i più recenti data center AI operano a scala GW, ovvero quasi cento milioni di volte più energia.
Una nuova opzione intermedia potrebbe essere creare chip artificiali che agiscono 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.
I risultati sono stati pubblicati su Nature Electronics1 con il titolo “Un neurone artificiale a impulsi basato su un memristore diffusivo, un transistor e un resistore”.
Replicare Come i Neuroni Sparano Utilizzando Memristori Diffusivi
Come Funzionano i Neuroni?
Il modo in cui i neuroni interagiscono tra loro e, in ultima analisi, elaborano le informazioni, è mediante l’uso di segnali sia elettrici che chimici.
Se un segnale è sufficientemente forte, genera un impulso elettrico chiamato potenziale d’azione consentendo agli ioni sodio carichi positivamente di inondare la cellula.
Fonte: Nature Electronics
Quando questo segnale elettrico viene ricevuto, provoca il rilascio di neurotrasmettitori.
Finora, i memristori elettronici e i circuiti a semiconduttore complementare ossido-metallo (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 diffuso”, che utilizza anche interazioni chimiche reali per avviare processi computazionali.
Cosa Sono i Memristori Diffusivi e Come Funzionano?
Mentre i tradizionali sistemi in silicio si basano sugli elettroni per eseguire calcoli, i memristori diffusivi utilizzano invece il movimento degli atomi. Usano ioni d’argento incorporati in materiali ossidi per generare impulsi elettrici che imitano le funzioni naturali del cervello.
Fonte: Nature Electronics
Naturalmente, questo non replica esattamente il funzionamento di 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 le dinamiche è molto simile.”
In parte, questa somiglianza deriva dal fatto che gli ioni d’argento si diffondono facilmente in questo sistema di memristori, similmente a come gli ioni 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.
Scorri per continuare →
| Strato / Materiale | Ruolo nel Dispositivo | Perché è Importante |
|---|---|---|
| Ioni argento (Ag) | Specie mobile per lo spike | Si diffondono facilmente, consentendo impulsi guidati dagli ioni simili alla scarica neurale |
| Matrice ossido (es. HfO2) | Ospite di ioni / mezzo di commutazione | Controlla il movimento degli ioni e la formazione di filamenti per gli stati memristivi |
| Palladio (Pd) | Elettrodo / interfaccia catalitica | Contatto stabile e chimica dell’interfaccia favorevole |
| Titanio (Ti) | Strato di adesione/barriera | Migliora la stabilità dell’elettrodo e l’integrità dello stack |
| Silicio (Si) | Sottostrato / integrazione CMOS | Consente integrazione verticale all’interno del footprint di un transistor |
Il futuro: chip neuromorfici e IA a basso consumo energetico
Un vantaggio chiave di questo nuovo tipo di memristore è che si adatta all’interno del footprint di un singolo transistor, mentre i progetti più vecchi richiedevano decine o addirittura centinaia.
Il test iniziale ha utilizzato solo una manciata di questi memristori diffusivi, dimostrando che possono essere impiegati per costruire la tipica rete neurale multilivello utilizzata da quasi tutti i sistemi di IA odierni.
Fonte: Nature Electronics
Il passo successivo sarà assemblare molti più di questi sistemi per testare quanto possano essere efficienti nell’eseguire effettivamente compiti di IA.
“Stiamo progettando i componenti fondamentali che ci consentiranno di ridurre le dimensioni del chip di diversi ordini di grandezza e, allo stesso tempo, il consumo energetico di diversi ordini di grandezza.
In questo modo, in futuro sarà sostenibile eseguire sistemi di IA con un livello di intelligenza simile senza consumare quantità di energia che non possiamo permetterci.”
Scoprire se altri ioni possono essere utilizzati potrebbe essere utile, poiché gli ioni d’argento non sono comunemente usati 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.
A lungo termine, saranno probabilmente particolarmente utili per il cosiddetto “edge computing”, dove il calcolo avviene direttamente sul posto, ad esempio con un robot o un’auto a guida autonoma che deve prendere una decisione senza collegamento a un data center IA.
Investire nei Produttori di Chip Neuromorfici
Intel
Intel (INTC ) è un gigante nel settore dei semiconduttori e si è evoluta nel corso degli anni da fondatrice dell’industria a leader scientifico e di innovazione, perdendo il primato di volume di produzione a favore di aziende come la TSMC di Taiwan.
Intel è leader nel calcolo neuromorfico, anche grazie al chip Loihi 2.
Ha inoltre creato la Intel Neuromorphic Research Community, che comprende la Pennsylvania State University, impegnata nella ricerca sul biossido di vanadio e su molti altri possibili progetti neuromorfici, oltre a più di 75 altri gruppi di ricerca.
INTC Grafico dei prezzi
Intel è molto attiva anche nell’imitazione della percezione biologica replicando il funzionamento del cervello, un ramo del calcolo neuromorfico approfondito nel nostro articolo “Chip olfattivi biomimetici: intelligenza artificiale e nasi elettronici sono il prossimo canarino nella miniera?”.
Nel complesso, la ricerca di Intel Labs è all’avanguardia dell’innovazione nei semiconduttori, tra IA, calcolo quantistico e calcolo neuromorfico. Abbiamo analizzato i progressi di Intel nel calcolo quantistico nell’articolo “Lo stato attuale del calcolo quantistico”.
Puoi leggere ulteriori informazioni sulle attività attuali di Intel e sui suoi programmi di R&D nel nostro rapporto d’investimento dedicato.
Ultime Notizie e Sviluppi sulle Azioni Intel (INTC)
Studio Citato
1. Zhao, R., Wang, T., Moon, T. et al. Un neurone artificiale a impulsi basato su un memristore diffusivo, un transistor e un resistore. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
