Ogni volta che qualcuno pone una domanda a un large language model, accetta un suggerimento di connessione su una piattaforma social, o segue un percorso alternativo proposto da un’app di navigazione, viene consumata energia a una scala che la maggior parte delle persone non considera mai. L’hardware che gestisce queste interazioni si trova in enormi data center, attivi e alimentati ventiquattr’ore su ventiquattro. Per capire perché sia così, e perché una scoperta apparentemente marginale in laboratorio potrebbe cambiarlo, occorre tornare alle basi: come funziona davvero l’hardware per l’IA, e quanto sia ancora lontano dall’organo che cerca di imitare.
Il Problema Energetico Nascosto in Ogni Interazione con l’IA
I processori che alimentano l’IA moderna sono le GPU, e ciascuna può consumare fino a 1.000 watt. Questa cifra mette una singola GPU alla pari con un aspirapolvere, una lavastoviglie o un forno. La differenza è che le GPU nei data center non si spengono mai. Funzionano in modo continuo, elaborando migliaia di miliardi di operazioni al secondo, e i data center ne contengono migliaia che operano in parallelo.
Per fare un confronto, uno smartphone moderno consuma meno di 1 watt.
Non si tratta semplicemente di una questione di scala. Riflette un disallineamento architetturale più profondo. Le GPU sono costruite per eseguire software che simula reti neurali artificiali, e questa simulazione richiede di spostare enormi quantità di dati attraverso miliardi di transistor. Il processo è intrinsecamente dispendioso perché l’hardware non è mai stato progettato per pensare come pensa un cervello. È stato progettato per eseguire logica binaria rapidamente, e la simulazione delle reti neurali viene sovrapposta a tutto ciò.
Il cervello umano, al contrario, è circa un milione di volte più efficiente dal punto di vista energetico rispetto all’attuale hardware per l’IA in compiti comparabili. Questo divario non è una piccola lacuna ingegneristica. È un segnale che l’intero approccio computazionale potrebbe dover essere ripensato.
Ciò che il Cervello Fa e i Transistor Non Possono Fare
I neuroni biologici operano attraverso un meccanismo specifico. Quando la tensione nel corpo cellulare di un neurone sale abbastanza da superare una soglia, innesca un impulso autopropagante chiamato potenziale d’azione, che viaggia lungo una lunga proiezione chiamata assone. All’estremità dell’assone si trova una sinapsi, una giunzione elettrochimica che si connette alle proiezioni ramificate del neurone successivo, chiamate dendriti. Se un numero sufficiente di questi impulsi arriva entro una determinata finestra temporale, il neurone ricevente genera il proprio potenziale d’azione. Il sistema è guidato dagli eventi, sparso e straordinariamente efficiente.
Le reti neurali artificiali prendono in prestito la logica concettuale di questo processo, ma la implementano tramite software in esecuzione su transistor. Il divario tra l’originale biologico e l’approssimazione elettronica è enorme, e si manifesta direttamente nel consumo energetico.
L’ingegneria neuromorfica è il campo che cerca di colmare questo divario. L’obiettivo è costruire componenti elettronici che si comportino come neuroni e sinapsi a livello hardware, senza simularli nel software. Sono stati compiuti progressi, ma l’approccio dominante presenta un limite serio: implementare un singolo neurone artificiale o una singola sinapsi richiede l’interconnessione di decine, e talvolta anche centinaia, di transistor standard. Ciò richiede una superficie significativa del chip, introduce ritardi quando i segnali devono essere elaborati in sequenza, e rende estremamente difficile scalare verso sistemi in grado di competere con le GPU più avanzate.
Alcune ricerche hanno esplorato dispositivi sperimentali completamente nuovi, ma questi non hanno ancora raggiunto l’affidabilità necessaria per sistemi di grandi dimensioni. Il settore sembrava bloccato tra due opzioni imperfette.
Un Singolo Transistor che Si Comporta come una Cellula Cerebrale
Ecco ciò che la maggior parte della copertura mediatica sull’hardware per l’IA non coglie: la soluzione potrebbe essere sempre stata presente, all’interno di uno dei componenti più comuni dell’elettronica.
I ricercatori hanno scoperto che un transistor CMOS standard, il mattone fondamentale di praticamente tutta la logica digitale, può comportarsi come un neurone o una sinapsi da solo, senza dover essere combinato con decine di altri componenti. La scoperta è stata accidentale. È emersa dall’osservazione di ciò che accade quando una parte normalmente trascurata del transistor — il terminale di bulk — non viene semplicemente collegata a massa, ma è invece connessa attraverso una resistenza.
In condizioni operative standard, aumentare la tensione al drain produce una corrente che sale progressivamente e scende lungo lo stesso percorso. Ma quando si aggiunge una resistenza al terminale di bulk, accade qualcosa di diverso. Le coppie elettrone-lacuna che normalmente verrebbero disperse iniziano ad accumularsi. Una volta che la tensione di bulk raggiunge un certo punto, un transistor bipolare a giunzione nascosto all’interno del MOSFET si attiva, causando un picco improvviso della corrente. La corrente rimane poi elevata finché la tensione al drain non scende al di sotto di una soglia separata. I punti di attivazione e di rilassamento sono diversi tra loro — una proprietà chiamata isteresi — il che significa che la corrente scorre solo per un periodo definito prima che il dispositivo torni a riposo.
Questo comportamento corrisponde strettamente a ciò di cui ha bisogno un neurone artificiale: un picco improvviso e non lineare quando viene superata una soglia di tensione, seguito da un rilassamento automatico. Una configurazione correlata produce la conduttanza stabile e regolabile richiesta da una sinapsi artificiale. Ciascun comportamento — neurone e sinapsi — viene ottenuto con un singolo dispositivo.
Perché Questo è Importante al di Là del Laboratorio
Le implicazioni si estendono ben oltre l’ingegneria hardware. L’impronta energetica dell’IA è già una preoccupazione significativa, e cresce man mano che i modelli diventano più grandi e più ampiamente diffusi. Un’architettura di calcolo che si avvicini all’efficienza del cervello — invece di rimanere sei ordini di grandezza al di sotto di essa — cambierebbe l’economia e il profilo ambientale dell’infrastruttura IA in modi difficili da sopravvalutare.
C’è anche una questione di scalabilità. Gli attuali approcci neuromorfici sono vincolati dall’area e dalla complessità necessarie per costruire ogni neurone e sinapsi a partire da molti transistor. Un’implementazione a singolo dispositivo rimuove questo vincolo e apre la strada verso sistemi abbastanza grandi da essere genuinamente competitivi con l’hardware basato su GPU.
È questo che rende degna di nota la natura accidentale della scoperta. Il componente non era esotico né di nuova invenzione. Era un transistor ordinario, che operava in un regime che semplicemente non era mai stato esaminato con attenzione. L’intuizione non risiedeva nel materiale, ma nell’osservazione.
In Sintesi
Un transistor standard, a lungo trascurato in una specifica modalità operativa, può comportarsi come un neurone o una sinapsi biologica da solo, senza richiedere i complessi circuiti multi-transistor che hanno limitato il calcolo neuromorfico fino ad ora. L’attuale hardware per l’IA consuma fino a 1.000 watt per GPU ed è circa un milione di volte meno efficiente dal punto di vista energetico rispetto al cervello umano in compiti comparabili. Questa scoperta non colma immediatamente quel divario, ma indica la direzione verso un’architettura hardware che potrebbe rendere l’IA molto meno energivora — e molto più scalabile — di qualsiasi cosa costruita finora.
Basato su un articolo di IEEE Spectrum AI.