I progressi ispirati da NVIDIA riducono di 100 volte le esigenze energetiche dell’addestramento AI

L’intelligenza artificiale (AI) ha conquistato l’intero mondo, e nessun settore è rimasto immune alla magia di questo progresso tecnologico. Oggi, il 77% dei dispositivi incorpora la tecnologia AI, nonostante solo un terzo dei consumatori pensi di utilizzare piattaforme AI. 

Un numero crescente di organizzazioni sta adottando sempre più l’AI per la crescita aziendale, con 9 aziende su 10 che supportano la tecnologia per ottenere un vantaggio competitivo. Si prevede che questo utilizzo eliminerà 85 milioni di posti di lavoro, ma allo stesso tempo ne creerà 97 milioni di nuovi.

Questi numeri riflettono le stime secondo cui il mercato dell’AI contribuirà con 15,7 trilioni di dollari all’economia globale entro il 2030. Si prevede inoltre che la dimensione del mercato dell’AI crescerà di almeno il 120% anno su anno.

Tuttavia, con la crescita dell’adozione dell’AI, aumenta anche la domanda di energia per alimentare i data center, che sono estremamente energivori. Gestire e raffreddare migliaia di server 24 ore su 24 richiede enormi quantità di energia. Attualmente, questa energia proviene dalla rete elettrica, il che provoca problemi durante i picchi di domanda e mette sotto pressione il sistema. Secondo Chevron (CVX ) CEO Mike Wirth:

“La crescita e la domanda di energia possono gravare su una rete già sotto stress. Potrebbe aumentare i costi per i consumatori. Il gas naturale aiuterà a alimentare la rapida crescita dell’intelligenza artificiale con la sua insaziabile domanda di elettricità affidabile.”

In risposta a questa domanda, Chevron ha recentemente annunciato che collaborerà con GE (GE ) Verona e Engine No. 1 per generare elettricità per l’AI costruendo centrali a gas naturale direttamente collegate ai data center.

Attualmente, i data center rappresentano circa l’1% del consumo globale di elettricità, secondo un rapporto dell’Agenzia Internazionale dell’Energia (IEA). 

Ma questo è solo l’inizio, poiché le aziende spendono miliardi di dollari per costruire ancora più data center. 

Microsoft (MSFT ) prevede di investire 80 miliardi di dollari in data center abilitati all’AI, con la metà destinata agli Stati Uniti. Secondo le stime di Blackstone (BX ), oltre 1 trilione di dollari sarà investito nei data center statunitensi entro il 2030, con Google (GOOGL ), Meta (META ), e Amazon (AMZN ) tra i giganti tecnologici che costruiscono data center in tutto il paese.

Quindi, il consumo energetico del settore continuerà a accelerare da qui. Goldman Sachs (GS ) stima che la domanda di energia dei data center crescerà del 160% nei prossimi cinque anni, il che naturalmente porterà a una crescita senza precedenti dell’uso di elettricità.

Secondo le stime dell’Electric Power Research Institute (EPRI), il consumo energetico di queste strutture negli Stati Uniti potrebbe rappresentare tra il 4,6% e il 9,1% della generazione totale di elettricità entro la fine di questo decennio. 

Nel frattempo, in Europa, in particolare in Germania, i data center hanno consumato circa 16 miliardi di kWh di energia nel 2020 per calcolo, archiviazione e trasmissione, cifra che dovrebbe aumentare a 22 miliardi di kWh entro il 2025.

Di conseguenza, i ricercatori stanno costantemente esplorando modi per ridurre i requisiti energetici dell’AI. 

Ridurre il consumo energetico dell’AI

La tecnologia AI svolge un ruolo chiave nel migliorare l’efficienza energetica in vari settori ottimizzando il consumo di energia, prevedendo la domanda e consentendo la gestione intelligente della rete, portando infine a una riduzione degli sprechi energetici e a emissioni di carbonio più basse. 

Ad esempio, Vodafone UK ha utilizzato l’AI per ridurre il consumo energetico giornaliero delle unità radio 5G (RU) impiegando soluzioni software avanzate basate su AI e machine learning di Ericsson. Sono già riusciti a ridurlo del 33% in siti selezionati a Londra.

Vodafone UK ha implementato tre principali funzionalità di risparmio energetico nell’ambito del test. 

Ciò include una mappa di efficienza energetica delle radio, che utilizza il ML per identificare e classificare i siti con prestazioni inferiori per miglioramenti mirati creando una rappresentazione visiva di tutte le celle di rete. Poi c’è l’orchestrazione della modalità sleep delle celle 4G, che ha sviluppato un modello comportamentale delle celle di rete per affinare i parametri di sospensione al fine di creare un equilibrio tra risparmio energetico e prestazioni. Nel frattempo, la modalità Deep Sleep 5G utilizza algoritmi predittivi basati su AI, riducendo il consumo energetico del 70% durante le ore non di punta.

Ma che dire del Consumo energetico dell’AI? Bene, ricercatori e aziende hanno mirato a molteplici aree per ridurre il consumo energetico di questa tecnologia in rapida crescita.

Ciò include l’ottimizzazione dei modelli AI, l’utilizzo di hardware a basso consumo energetico e l’adozione di pratiche sostenibili come l’energia rinnovabile e il raffreddamento efficiente nei data center.

Per quanto riguarda l’ottimizzazione dei modelli AI, si possono adottare diversi approcci come il pruning, la quantizzazione e la distillazione. Nel pruning del modello, i parametri e le connessioni non necessari vengono rimossi dal modello senza influire sull’accuratezza. La quantizzazione riduce la precisione dei parametri del modello per diminuire i requisiti computazionali e il consumo energetico. Nella distillazione, i modelli più piccoli vengono addestrati per imitare il comportamento di un modello più grande e complesso, fornendo un modello più efficiente dal punto di vista energetico con prestazioni simili.

Come ha osservato MIT Technology Review nella pubblicazione di quest’anno, i modelli più piccoli sono una delle innovazioni tecnologiche che definiranno la prossima era. Questi modelli sono addestrati su set di dati più mirati e possono offrire precisione specifica per dominio, efficienza dei costi e maggiore sicurezza dei dati rispetto ai grandi modelli linguistici (LLM).

GPT-4o mini di OpenAI, Phi di Microsoft, Gemini Nano di Google DeepMind e Haiku di Claude 3 di Anthropic sono alcuni esempi di versioni più piccole di grandi modelli AI dei giganti tecnologici.

Per quanto riguarda l’hardware, l’attenzione è stata rivolta all’uso di GPU e altri processori AI specializzati progettati specificamente per carichi di lavoro ad alte prestazioni. 

Poi, ci sono server e processori a basso consumo energetico che regolano l’uso di energia in base alle richieste di carico, la virtualizzazione per una migliore utilizzo delle risorse eseguendo più processi su meno macchine fisiche, e tecnologie di raffreddamento avanzate per ridurre la necessità di sistemi di aria condizionata ad alto consumo.

Come abbiamo condiviso lo scorso mese, ricercatori della Tohoku University, dell’Agenzia Giapponese per l’Energia Atomica e del National Institute for Materials Science hanno realizzato un hardware AI altamente efficiente e a risparmio energetico. I ricercatori hanno utilizzato dispositivi spintronici per chip AI a basso consumo e hanno mostrato un dispositivo a torque spin-orbita (SOT) programmato da corrente che apre le porte a una nuova generazione di hardware AI.

Un altro modo per ridurre il consumo energetico dell’AI è attraverso pratiche sostenibili. I data center possono utilizzare fonti di energia rinnovabile, implementare sistemi di raffreddamento a basso consumo energetico e progettare layout efficienti per ridurre il consumo di energia.

Le aziende stanno attivamente assumendo impegni in tal senso, con Google che sta facendo progressi nell’energia geotermica. Microsoft è un altro esempio, che prevede di riaprire la centrale nucleare di Three Mile Island per diventare carbon neutral entro il 2030.

Curiosamente, l’AI viene utilizzata per migliorare l’efficienza energetica dell’AI stessa. La tecnologia è impiegata per ottimizzare il consumo energetico in edifici e industrie, prevedendo quando le attrezzature necessitano di manutenzione e riducendo la domanda di picco sfruttando le condizioni della rete in tempo reale.

In mezzo a tutto ciò, ricercatori della Technical University of Munich (TUM) hanno sviluppato un nuovo metodo che addestra le reti neurali fino a 100 volte più velocemente, riducendo significativamente il consumo energetico associato alle applicazioni AI.

Per questo, i ricercatori hanno calcolato i parametri direttamente basandosi su probabilità anziché utilizzare un approccio iterativo, ma finora i risultati sono comparabili in qualità ai metodi iterativi esistenti.

Un nuovo modo per ridurre considerevolmente il consumo energetico dell’AI 

Oltre all’aumento dell’uso dell’AI, il lancio di applicazioni AI più complesse nei prossimi anni comporterà un notevole aumento della domanda di capacità dei data center. 

Queste applicazioni consumeranno enormi quantità di energia per l’addestramento delle reti neurali. Pertanto, il nuovo studio si concentra sulla riduzione dell’enorme energia necessaria per addestrare le reti neurali per l’AI. 

Le reti neurali sono utilizzate nell’AI per riconoscere immagini e elaborare il linguaggio, tra le altre attività. Il funzionamento di queste reti è ispirato al modo in cui opera il cervello umano.

La rete neurale è composta da nodi interconnessi chiamati neuroni artificiali. Qui, i segnali in ingresso sono ponderati con parametri specifici prima di essere sommati e, se il limite definito viene superato, il segnale viene trasmesso al nodo successivo.

Ora, per addestrare la rete, la selezione iniziale dei valori dei parametri è tipicamente casuale e poi gradualmente regolata per migliorare progressivamente le previsioni della rete.

Questo approccio, naturalmente, richiede molte iterazioni, rendendo l’addestramento estremamente impegnativo e, di conseguenza, portando al consumo di molta elettricità.

Quindi, un team di ricercatori guidato da Felix Dietrich, professore di Machine Learning potenziato dalla fisica, ha sviluppato un nuovo metodo. Dietrich è membro centrale del Munich Data Science Institute (MDSI) e membro associato del Munich Center for Machine Learning (MCML).

Ciò che fa questa nuova tecnica è utilizzare le probabilità anziché determinare ripetutamente i parametri tra i nodi. Questo nuovo metodo probabilistico utilizza in modo mirato i valori in posizioni critiche nei dati di addestramento. Si tratta di punti in cui si verificano grandi e rapidi cambiamenti di valore.

Con questo approccio, lo studio mira a ottenere sistemi dinamici a risparmio energetico dai dati. Tali sistemi dinamici cambiano nel tempo secondo delle regole. Questi sistemi si trovano nei mercati finanziari e nei modelli climatici.

“Il nostro metodo rende possibile determinare i parametri richiesti con una potenza di calcolo minima. Questo può rendere l’addestramento delle reti neurali molto più veloce e, di conseguenza, più efficiente dal punto di vista energetico. Inoltre, abbiamo osservato che l’accuratezza del nuovo metodo è comparabile a quella delle reti addestrate iterativamente.”

– Dietrich

Questo progresso ha il potenziale di ridurre sostanzialmente l’impatto ambientale dell’AI diminuendo l’energia necessaria per l’addestramento delle reti neurali. Potremmo vedere le industrie che implementano modelli AI su larga scala adottare questo metodo entro i prossimi 1-3 anni, portando a soluzioni AI più sostenibili ed economicamente vantaggiose.

Azienda Innovativa

NVIDIA Corporation

Un leader nel calcolo AI, NVIDIA (NVDA ) sviluppa GPU e acceleratori AI a basso consumo energetico, innovando continuamente per migliorare le prestazioni riducendo al contempo il consumo di energia.​

L’anno scorso, al AI Summit DC, l’azienda ha riferito che l’uso energetico delle sue GPU ha registrato una riduzione massiccia di 2.000 volte nell’addestramento nell’ultimo decennio. Durante questo periodo, ha anche sperimentato una riduzione energetica di 100.000 volte nella generazione di token. Il miglioramento dell’efficienza è stato di 2.000 volte, mentre è stato registrato un miglioramento di 4.000 volte nelle prestazioni di calcolo negli ultimi dieci anni.

Secondo Bob Pette, VP di Nvidia per le piattaforme enterprise all’epoca:

“Se le auto avessero migliorato la loro efficienza tanto quanto noi abbiamo migliorato le prestazioni di inferenza, potresti percorrere oltre 300 anni con un solo pieno di benzina. Al centro del calcolo accelerato c’è il calcolo sostenibile.”

Blackwell di Nvidia è la sua nuova architettura GPU di punta, che succede a Hopper ed è progettata per migliorare le prestazioni AI “in modo significativo”. Questa piattaforma è dotata del chip più potente al mondo, del motore transformer di seconda generazione e del NVLink di quinta generazione, pur essendo estremamente efficiente dal punto di vista energetico per l’inferenza e l’addestramento.

NVIDIA Corporation è in realtà un’azienda di infrastrutture informatiche a stack completo, con segmenti che includono Compute & Networking e Graphics.

Compute & Networking comprende soluzioni per data center, networking, veicoli autonomi ed elettrici, servizi di cloud computing DGX e Jetson, mentre il segmento Graphics comprende GPU GeForce, GeForce NOW, software GPU virtuale, GPU NVIDIA RTX e software Omniverse Enterprise.

Con una capitalizzazione di mercato di 2,96 trilioni di dollari, le azioni NVIDIA, al momento della stesura, sono scambiate a 121,50 dollari, in calo del 9,4% YTD. L’azienda ha un EPS (TTM) di 2,94 e un P/E (TTM) di 41,40, mentre il rendimento del dividendo è dello 0,03%.

Nonostante il calo dei prezzi delle azioni NVIDIA osservato di recente, non esclusivo al produttore di chip, l’azienda continua ad attrarre investitori. Dopotutto, il valore delle sue azioni è aumentato di oltre il 1.800% dal 2020, rendendola una delle aziende più preziose al mondo.

L’interesse per NVIDIA è particolarmente forte tra i giovani investitori, poiché supera Tesla (TSLA ) come azione più detenuta su Robinhood (HOOD ). La stragrande maggioranza (75%) dei conti finanziati su questa piattaforma di investimento senza commissioni è detenuta da Millennials e Gen Z. 

Il CEO di Robinhood, Vlad Tenev, crede inoltre che Nvidia sarà più importante che mai, grazie all’AI.

“Credo che l’AI renderà gli investimenti più importanti perché se il controllo della tecnologia sarà centralizzato nelle aziende tecnologiche, allora devi essere un investitore in quelle aziende per trarne beneficio.”

– Tenev

Per quanto riguarda i dati finanziari dell’azienda, Nvidia ha riportato il Q4 conclusosi il 26 gennaio 2025, rivelando un fatturato di 39,3 miliardi di dollari, un aumento del 12% e del 78% rispetto al trimestre precedente e all’anno precedente, rispettivamente. 

Nel segmento data center, il fatturato del quarto trimestre dell’azienda è stato un record di 35,6 miliardi di dollari. Durante questo periodo, NVIDIA è stata scelta come partner tecnologico chiave per il progetto Stargate da 500 miliardi di dollari.

Altri sviluppi hanno incluso fornitori di servizi cloud AWS, CoreWeave (CRWV ), Google Cloud Platform (GCP), Microsoft Azure e Oracle (ORCL ) Cloud Infrastructure (OCI) che utilizzano sistemi NVIDIA® GB200 per soddisfare la crescente domanda di AI, rendendo la piattaforma di calcolo AI NVIDIA DGX™ Cloud e i microservizi NVIDIA NIM™ disponibili tramite AWS Marketplace, Cisco che integra NVIDIA Spectrum-X™ nel suo portafoglio di networking, la collaborazione con Verizon per integrare NVIDIA AI Enterprise, e partnership con IQVIA (IQV ), Mayo Clinic, Illumina e Arc Institute per avanzare nella scoperta di farmaci, genomica e assistenza sanitaria.

Il fatturato proveniente da Gaming e AI PC è sceso a 2,5 miliardi di dollari, mentre NVIDIA ha annunciato nuove schede grafiche GeForce RTX™ Serie 50 e laptop alimentati dall’architettura Blackwell, ha lanciato le schede grafiche GeForce RTX 5090 e 5080 e ha introdotto DLSS 4. 

Oltre a questi, il fatturato della Visualizzazione professionale è stato di 511 milioni di dollari e 570 milioni di dollari provengono dalla divisione Automotive e Robotics.

Durante questo trimestre, l’utile GAAP per azione diluita dell’azienda è stato di 0,89 dollari, in aumento del 14% rispetto al trimestre precedente e del 82% rispetto a un anno fa. L’utile non-GAAP per azione diluita è stato nel frattempo di 0,89 dollari.

Per l’anno fiscale 2025, il fatturato è stato di 130,5 miliardi di dollari, un aumento enorme del 114% rispetto all’anno precedente. L’utile GAAP per azione diluita per il periodo è stato di 2,94 dollari e l’utile non-GAAP per azione diluita è stato di 2,99 dollari. 

“La domanda per Blackwell è straordinaria poiché l’AI di ragionamento aggiunge un’altra legge di scaling — aumentare il compute per l’addestramento rende i modelli più intelligenti e aumentare il compute per il pensiero prolungato rende la risposta intelligente.

– CEO e fondatore Jensen Huang

Quindi, l’azienda ha aumentato la produzione dei suoi supercomputer AI Blackwell, raggiungendo vendite per miliardi di dollari.

Per il primo trimestre dell’anno fiscale 2026, l’azienda prevede un fatturato di 43 miliardi di dollari, spese operative GAAP di 5,2 miliardi di dollari e altri proventi non-GAAP di circa 400 milioni di dollari.

“L’AI sta avanzando a velocità della luce poiché l’AI agentica e l’AI fisica preparano il terreno per la prossima ondata di AI destinata a rivoluzionare le più grandi industrie.”

– Huang

Ultime notizie su NVIDIA Corporation

Conclusione

L’AI è destinata a rivoluzionare le imprese in tutti i settori, ma ciò comporta un aumento senza precedenti della domanda energetica. Questa domanda rappresenta una grande sfida, che molti ricercatori stanno cercando di superare. 

Lo sviluppo di un nuovo metodo di addestramento probabilistico segna una svolta significativa nell’AI a basso consumo energetico, riducendo le necessità di energia fino a 100 volte. Con il consumo energetico legato all’AI previsto in forte aumento man mano che i data center si espandono, questo progresso potrebbe ridurre notevolmente i costi operativi e l’impatto ambientale. 

In combinazione con l’attenzione di Nvidia verso GPU e acceleratori AI a basso consumo energetico, queste innovazioni possono contribuire ad accelerare l’adozione dell’AI e aumentare la produttività.

Clicca qui per scoprire tutto sull’investimento nell’intelligenza artificiale.