Come la potenza di calcolo ha plasmato lo sviluppo dell'IA
La storia dell'intelligenza artificiale è inseparabile dalla storia della potenza di calcolo. Molte delle idee fondamentali alla base dei sistemi odierni — le reti neurali, la retropropagazione dell'errore, l'apprendimento per rinforzo — esistevano già negli anni Ottanta e Novanta, ma rimasero a lungo curiosità accademiche perché mancava l'hardware capace di eseguirle su scala utile. È stata la disponibilità crescente di calcolo, più ancora delle singole intuizioni teoriche, a trasformare l'IA da promessa ricorrente in tecnologia dominante. Comprendere questo legame aiuta a spiegare perché i progressi siano arrivati a ondate e perché, nel 2026, la competizione fra le grandi aziende tecnologiche sia diventata anche e soprattutto una corsa ai data center e ai semiconduttori.
Dal sapere teorico al collo di bottiglia del calcolo
Per decenni l'IA ha attraversato cicli di entusiasmo e disillusione, i cosiddetti "inverni dell'IA". Le reti neurali multistrato erano teoricamente in grado di apprendere funzioni complesse, ma addestrarle richiedeva una quantità di operazioni matematiche proibitiva per i processori dell'epoca. I computer disponibili eseguivano i calcoli in sequenza, mentre l'addestramento di una rete richiede di moltiplicare ripetutamente enormi matrici di numeri. Il risultato era che modelli concettualmente validi restavano piccoli, lenti e poco accurati, alimentando lo scetticismo sulla loro reale utilità.
Il vincolo, in altre parole, non era principalmente l'idea, ma la capacità di trasformarla in esperimenti su grande scala. Questo spiega perché molti "nuovi" metodi degli anni 2010 fossero in realtà riscoperte di tecniche precedenti, rese finalmente praticabili da hardware più potente ed economico.
Il punto di svolta: le GPU e AlexNet
Lo spartiacque arrivò nel 2012 con AlexNet, una rete neurale convoluzionale sviluppata da Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton all'Università di Toronto. AlexNet vinse la competizione di riconoscimento di immagini ImageNet con un margine enorme, e lo fece grazie a un'intuizione tanto pratica quanto decisiva: addestrare la rete su processori grafici (GPU) anziché su processori tradizionali.
Le GPU, nate per i videogiochi, sono progettate per eseguire migliaia di operazioni in parallelo, esattamente ciò che serve per le moltiplicazioni di matrici delle reti neurali. AlexNet venne addestrata su appena due schede NVIDIA in pochi giorni, ottenendo risultati che con i metodi precedenti sarebbero stati impensabili. Da quel momento il calcolo parallelo divenne lo standard dell'apprendimento profondo, e NVIDIA si trasformò gradualmente da produttore di hardware per il gaming a fornitore centrale dell'infrastruttura dell'IA mondiale.
Una crescita che supera la legge di Moore
La famosa legge di Moore descriveva il raddoppio del numero di transistor su un chip ogni circa due anni. La potenza di calcolo destinata all'addestramento dei modelli di IA ha superato di gran lunga questo ritmo. Nell'era dell'apprendimento profondo il calcolo impiegato per i modelli più avanzati ha iniziato a raddoppiare nell'arco di pochi mesi anziché di anni.
Le cifre rendono l'idea della trasformazione. AlexNet richiese all'incirca 10¹⁵–10¹⁶ operazioni in virgola mobile (FLOP) per essere addestrata. GPT-4, nel 2023, ne richiese circa 2 × 10²⁵: un aumento di un miliardo di volte in poco più di un decennio. Dove la sola legge di Moore avrebbe prodotto un miglioramento di circa sette volte, il calcolo dedicato all'IA è cresciuto di centinaia di migliaia di volte. Secondo le analisi di Epoch AI, la frontiera dei modelli avanza a un ritmo di circa 4,7 volte all'anno in termini di calcolo di addestramento, e la soglia di 10²⁶ FLOP è stata superata intorno alla fine del 2025.
Le leggi di scala: più calcolo, più capacità
Perché aggiungere calcolo migliora i risultati? La risposta è arrivata con le cosiddette leggi di scala ("scaling laws"). Studi condotti a partire dal 2020 hanno mostrato che la qualità di un modello linguistico cresce in modo prevedibile aumentando tre fattori congiunti: la dimensione del modello (numero di parametri), la quantità di dati di addestramento e la potenza di calcolo impiegata. Le "leggi di Chinchilla", in particolare, hanno chiarito che dimensione del modello e quantità di dati vanno aumentate in modo bilanciato per sfruttare al meglio il calcolo disponibile.
Questa scoperta ha avuto una conseguenza strategica enorme: ha trasformato il miglioramento dell'IA in un problema in larga parte ingegneristico e finanziario. Se investire più calcolo produce in modo affidabile modelli più capaci, allora chi dispone di più data center e più semiconduttori ottiene un vantaggio competitivo diretto. È questa logica che ha alimentato gli investimenti miliardari degli ultimi anni.
Costi, energia e i limiti dell'approccio a forza bruta
La corsa al calcolo ha un prezzo crescente. I modelli della generazione 2023-2024, come GPT-4, hanno richiesto investimenti di addestramento dell'ordine di 100 milioni di dollari o più. I modelli della generazione 2025-2026, che superano i 10²⁶ FLOP, comportano costi nell'ordine del miliardo di dollari, con proiezioni che parlano di cifre ancora superiori per i sistemi successivi. A ciò si aggiungono i consumi energetici e idrici dei data center, diventati un tema centrale del dibattito pubblico.
Per questo l'efficienza è diventata importante quanto la potenza bruta. Da un lato, i progressi algoritmici hanno ridotto enormemente il calcolo necessario a ottenere un dato livello di prestazioni: già fra il 2012 e il 2019 il costo computazionale per raggiungere le prestazioni di AlexNet era calato di circa 44 volte. Dall'altro, gli operatori puntano a estrarre più valore da ogni chip, spostando parte dell'attenzione dall'addestramento all'inferenza, cioè all'uso del modello una volta addestrato.
Il panorama nel 2026
Nel 2026 l'infrastruttura di calcolo è il cuore visibile dell'industria dell'IA. L'architettura NVIDIA Blackwell, con sistemi a livello di rack come il GB200 NVL72, consente di collegare decine di GPU come se fossero un unico acceleratore, e cluster basati su nuove tecnologie di interconnessione possono scalare oltre i 100.000 processori coordinati. Questa scala è ciò che rende possibile l'addestramento dei modelli multi-trilione di parametri e il funzionamento in tempo reale degli assistenti e degli "agenti" che eseguono compiti complessi.
I colli di bottiglia, però, si sono spostati. Non sono più soltanto i singoli chip, ma la velocità delle interconnessioni fra di essi, la densità di potenza elettrica e la gestione del calore: nei cluster di fascia alta il raffreddamento a liquido ha ormai sostituito quello ad aria. Il numero di modelli che superano le soglie di calcolo più elevate è destinato a crescere rapidamente nei prossimi anni, segno che l'accesso alla potenza di calcolo resta il principale fattore che distingue chi può competere alla frontiera da chi non può.
Domande frequenti
Perché le GPU sono così importanti per l'intelligenza artificiale?
Le reti neurali si addestrano eseguendo enormi moltiplicazioni di matrici, operazioni che possono essere svolte in parallelo. Le GPU, a differenza dei processori tradizionali, sono progettate per eseguire migliaia di calcoli simultaneamente, e questo le rende molto più efficienti per addestrare e usare i modelli di IA. La svolta avvenne nel 2012 con AlexNet.
Cosa sono le leggi di scala dell'IA?
Sono relazioni empiriche secondo cui la qualità di un modello migliora in modo prevedibile aumentando insieme la dimensione del modello, la quantità di dati e la potenza di calcolo. Hanno trasformato il progresso dell'IA in un problema in gran parte di investimento in infrastruttura, favorendo chi dispone di più calcolo.
Quanta potenza di calcolo serve per addestrare un modello di frontiera nel 2026?
I modelli più avanzati del 2025-2026 superano i 10²⁶ FLOP di calcolo di addestramento, con costi nell'ordine del miliardo di dollari. La frontiera cresce di circa 4,7 volte all'anno, un ritmo molto superiore a quello storico della legge di Moore.
La sola potenza di calcolo basta a far progredire l'IA?
No. Il calcolo è un fattore decisivo, ma i progressi algoritmici hanno ridotto enormemente le risorse necessarie per ottenere un dato livello di prestazioni. Efficienza, qualità dei dati e architetture migliori contano quanto la potenza bruta, anche per ragioni di costo ed energia.