Intelligenza artificiale
Come i Memristori Rendono l’IA più Simile all’Umano
L’ascesa dell’hardware AI neuromorfico, simile al cervello
As AI becomes the center of the tech industry, a growing problem has emerged: the massive computing and energy demand of AI when performed using CPUs and GPUs.
As a result, researchers are working hard on Neural Processing Units (NPUs), also called neuromorphic chips, a type of AI hardware that mimics the brain’s neurons.
“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 – research scientist in psychiatry at Ohio State’s College of Medicine.
Researchers are testing several promising methods for creating neuromorphic chips. One approach involves leveraging incipient ferroelectricity—a still poorly understood phenomenon that could allow materials to spontaneously switch their electric polarization under the right conditions. Another focuses on active substrates made from vanadium or titanium, materials that can dynamically change their electrical properties to mimic brain-like signaling.
Perhaps the most widely discussed path is the use of memristors—a revolutionary class of electronic components capable of storing information through resistance changes. These devices can perform AI tasks at as little as 1/800th the normal power consumption, making them one of the most energy-efficient solutions under development.
Come i Memristori Imitano le Sinapsi
Scorri per scorrere →
| 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 |
Memristors are electronic components that mimic neuron-connecting synapses ricordando lo stato elettrico a cui sono stati impostati 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.
Molti percorsi sono in fase di esplorazione per creare i migliori memristori, dai relativamente convenzionali memristori a 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.
Hanno pubblicato i loro risultati su Nature Electronics1, con il titolo “A spiking artificial neuron based on one diffusive memristor, one transistor and one resistor”.
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 scorrere →
| Strato / Materiale | Ruolo nel Dispositivo | Perché è Importante |
|---|---|---|
| Ioni argento (Ag) | Specie mobile per lo spike | Si diffonde facilmente, consentendo impulsi guidati da ioni simili al fuoco 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 & 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 usati per costruire la tipica rete neurale multilivello utilizzata da quasi tutti i sistemi 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 blocchi costitutivi che alla fine ci hanno permesso di ridurre le dimensioni del chip di ordini di grandezza, e di ridurre il consumo energetico di ordini di grandezza.
In modo che sia sostenibile eseguire IA in futuro, con un livello simile di intelligenza senza consumare energia che non possiamo sostenere.
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 (INTC )
Intel 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 un leader nel calcolo neuromorfico, incluso attraverso il suo chip Loihi 2.
Ha anche creato la Intel Neuromorphic Research Community, che include la Pennsylvania State University, coinvolta nella ricerca sul diossido di vanadio, così come molti altri potenziali design neuromorfici, e oltre 75 altri gruppi di ricerca.
(INTC )
Intel è anche molto attiva nel imitare la percezione biologica replicando il modo in cui funziona il nostro cervello (una branca del calcolo neuromorfico), qualcosa di cui abbiamo discusso più approfonditamente nel nostro articolo “Biomimetic Olfactory Chips: Are Artificial Intelligence and E-Noses the Next Canary in a Coal Mine?”
Nel complesso, la ricerca di Intel Lab è all’avanguardia dell’innovazione nei semiconduttori, includendo IA, calcolo quantistico, calcolo neuromorfico, ecc. (Abbiamo discusso i progressi di Intel nel calcolo quantistico nel nostro articolo “The Current State of Quantum Computing”).
Puoi anche leggere di più sul business attuale di Intel e sui programmi di R&D nel nostro rapporto di investimento dedicato
Ultime Notizie e Sviluppi sulle Azioni Intel (INTC)
Studio Citato
1. Zhao, R., Wang, T., Moon, T. et al. A spiking artificial neuron based on one diffusive memristor, one transistor, and one resistor. Nature Electronics (2025). https://doi.org/10.1038/s41928-025-01488-x
