Cerca
Chiudi questo box di ricerca.

TERMODINAMICA DELL’AI

Termodinamica AI
Tabella dei Contenuti

Introduzione

La sostenibilità energetica è diventato un argomento di riferimento sia trasversale sia verticale per la politica e la socialità di ogni paese: dai gesti più semplici e quotidiani alla complessità di una gestione coordinata ed integrata delle agenzie coinvolte per ottimizzarla. Le tecnologie attuali, frutto delle evoluzioni concettuali e strumentali, che hanno caratterizzato ed accompagnato l’uomo fin dalla sua comparsa, stanno, specificamente in questo periodo storico, agendo e modificando non solamente le pratiche giornaliere, ma anche le relazioni fra le persone. All’interno di questo panorama, uno strumento in particolare sta inserendosi profondamente nelle nostre vite: l’intelligenza artificiale (che d’ora in poi indicherò con AI, dall’inglese Artificial Intelligence).

Essa rappresenta una sfida e un’opportunità in riferimento alla sostenibilità energetica; in questo articolo presenterò alcuni concetti di Fisica, poi li contestualizzerò nella specificità dell’AI ed, infine, fornirò un’analisi su sfide e soluzioni possibili.

L’Energia

Prerequisito fondante di questo articolo, soprattutto per un lettore senza dimestichezza con gli argomenti di Fisica, dev’essere il seguente: esiste un concetto che ha tre caratteristiche: si misura in Joule, si trasforma e si conserva, che è l’energia; ne esistono di diverse tipologie e classificate in base alla loro natura: lavoro, cinetica, potenziale gravitazionale, potenziale elastica, termica, elettrica, luminosa, chimica, nucleare. Ciò significa in modo sostanziale che, considerando un processo all’interno di un sistema chiuso, essa può cambiare forma, può averne anche più di una contemporaneamente, ma la somma algebrica di tutti i vari termini che la compongono deve rimanere costante, in altri termini deve conservarsi.

Fornisco un semplice esempio; supponiamo di voler studiare energeticamente un oggetto che viene lasciato cadere da fermo da una certa altezza; in cima avrà solamente una certa forma di energia, potenziale gravitazionale ed indicata con Ep, che corrisponderà al 100% di quella disponibile; durante la discesa ne acquisirà pian piano sempre più di cinetica indicata con EC a discapito di quella potenziale appunto (99%-1%, 98%-2%, etc, etc…) ed, appena prima di toccare terra, tutta si sarà trasformata in cinetica, che ora avrà un valore del 100%. Questo idealmente, ma…

Al termine della discesa è molto probabile che ne misureremo un valore minore di quello iniziale, perché durante il tragitto ne sarà stato perso un tot a causa degli attriti. Suddetta energia viene indicata con S e questo approccio si può applicare a tutte le trasformazioni energetiche.AI termodinamica

Cosa accade all’AI? Scopriamolo.

Da recenti studi, risulta che l’AI consumi enormi quantità di energia nei data center: per training ed inferenza di modelli generativi, come GPT, è richiesta una potenza elettrica equivalente a quella utilizzata da intere città: ora i valori annuali si attestano intorno ai   (100 milioni di Joule al secondo), che è l’equivalente, considerando l’energia digeribile (non l’efficienza biologica completa) di 3 miliardi di tonnellate di pane ( ), cioè   di pane al giorno; entro il 2030, sono previsti picchi di  , che significano un utilizzo di   di energia al secondo, che corrispondono al fabbisogno giornaliero di un adulto; in altri termini è come se in   consumassimo quanto ce ne servirebbe per  , cioè un giorno.

A questo aspetto, puramente di utilizzo, vanno aggiunte le questioni:

  • sulle sorgenti di energia per alimentare costantemente la “macchina”, che non sono infinite e nemmeno così semplici da reperire;
  • sulla quantità di energia che viene dissipata sotto forma di surriscaldamento degli strumenti, che non sarà più disponibile per alimentare i circuiti;
  • sull’energia necessaria per abbassare la temperatura di funzionamento.

Questione sorgenti. L’energia elettrica si produce compiendo lavoro meccanico, nello specifico moto rotatorio, su generatori o alternatori, sfruttando l’induzione elettromagnetica; quest’ultimo va provocato ed alimentato continuamente ed è qui che entrano in gioco turbine idrauliche od eoliche o termiche; la fonte di alimentazione è, praticamente, l’acqua o allo stato liquido o a quello gassoso; da dove e come prelevarla?

  • Salti idraulici, che sono possibili in zone montuose o collinari con corsi d’acqua e dighe artificiali e richiedono una portata costante o serbatoi per regolare il flusso e condotte forzate per massimizzare il dislivello.
  • Pale in zone con ventosità costante (media annua  ), spazi aperti privi di ostacoli ed altezze sufficienti per catturare venti forti.
  • Vapore ad alta temperatura prodotto da combustibili fossili, fissione nucleare, geotermia o radiazione e.m. proveniente dal Sole.

Questione dissipazione. Questi processi energetici sono tutti il risultato di trasformazioni irreversibili, cioè che non permettono di “ri-avere” lo stato iniziale integro, da cui ripartire per un nuovo ciclo di produzione; non solo, nel loro compiersi “producono” naturalmente, per effetto principalmente di attriti, come spiegato dal secondo principio della termodinamica, una forma di energia irrecuperabile: l’entropia, indicata precedentemente con S.

Questione raffreddamento. Durante l’elaborazione delle informazioni, GPU e CPU aumentano le loro temperature e per questa ragione dissipano energia generando entropia, che è tipicamente il   di quella elettrica usata per il calcolo, a seconda dell’efficienza del sistema di raffreddamento; scaturiscono quindi i problemi di come trasferirla all’esterno per abbassare la temperatura di lavoro delle macchine e di come raffreddarle.Inquadriamo la situazione termodinamicamente.

Il calcolo con l’AI trasforma quasi tutta l’energia elettrica assorbita   in calore a temperatura di esercizio  .Per riportare il sistema a temperatura di funzionamento serve una pompa che rimuova il calore per un ciclo o per unità di tempo  , che viene indicato col coefficiente di prestazione (COP). L’energia elettrica richiesta al raffreddamento è  . In condizioni tipiche di data center, COP effettivi collocano il consumo di raffreddamento intorno al   dell’energia IT: se l’hardware consuma   per l’AI, alla climatizzazione servono circa  . Se in un ciclo (ad es. un’ora di training o inference) l’hardware AI assorbe una potenza media  , il calore da smaltire è  . Con un COP realistico, l’energia per riportare la temperatura alla fascia di funzionamento sicura è  , dove  . Nei data center AI di grandi dimensioni, l’energia per il raffreddamento può essere paragonabile a quella per il calcolo stesso e pesare fino al   del consumo elettrico complessivo del sito.

Screenshot 2026 01 16 alle 11.17.38

Sfide e Soluzioni

Un data center AI consuma 1 litro di acqua per ogni kWh elettrico, impattando consistentemente sulle strutture idriche locali, quindi una buona efficienza termica ridurrebbe anche il “costo” in acqua per unità di calcolo. L’impatto energetico si misura tramite il PUE (Power Usage Effectiveness) e si calcola così: 

Screenshot 2026 01 16 alle 11.20.07 1

più è vicino a 1, più il raffreddamento e l’infrastruttura stessa sono efficienti. Nei data center AI più avanzati si punta a PUE≈1,1–1,2, per abbassare la percentuale di energia “overhead”.

Ultimamente sta emergendo un paradosso, che è sì una sfida, ma che è già diventata una possibile soluzione ai problemi energetico e della sostenibilità, che consiste nell’affidare all’AI stessa la gestione dei data center, cioè l’AI che raffredda l’AI; un processo riflessivo, di auto-avvolgimento migliorativo. Ma come avviene?

Sono già stati implementati sistemi di controllo basati sull’AI.

  • Reinforcement Learning (Apprendimento per rinforzo)

L’RL è un metodo dove un agente AI impara a prendere decisioni sequenziali massimizzando una ricompensa a lungo termine.

Lavora su un ambiente che è il data center, gestendo temperature, carichi termici, flussi d’aria e consumi energetici, compiendo azioni come regolare ventilatori, pompe, valvole, setpoint termici e ricevendo una ricompensa, che premia il basso consumo energetico e le temperature sicure e da questo apprende, perché provando ad agire ne osserva le conseguenze e migliora le scelte decisionali, le politiche adatte al sistema, alla “sua società”.

Esempio: DeepMind/Google (2016-2020) con un   in meno sui consumi di cooling, perché l’RL anticipa i picchi di carico e ottimizza continuamente, operando un predictive control e di un meno   sul consumo totale del data center.

  • Predictive Control (MPC – Model Predictive Control)

MPC è un controllo avanzato; esso usa un modello matematico del sistema per pre-vedere l’evoluzione futura e ottimizzare le azioni da compiere sul sistema stesso.

Quindi, se si migliora il raffreddamento, si abbassa direttamente il PUE e si aumenta la frazione di energia utilizzabile per il calcolo: a parità di potenza IT per le AI, meno energia dispersa in ventilatori, chiller e torri di cooling, significa più efficienza energetica complessiva del sistema.

L’AI sostenibile richiede un design termodinamicamente informato: da predatore energetico ad ottimizzatore dell’entropia. Mirare ad una transizione chip green con regolamentazioni operative efficaci è urgente per un futuro sostenibile e per prendersi davvero cura del nostro amato pianeta.

Sitografia

Condividi Articolo

Leggi anche

DEI CONSACRATI ALLA SCUOLA DEL WEB

In collaborazione con il Centro Comunicazioni Sociali della Pontificia Università Urbaniana, la UISG ha ideato un corso di communicazione intitolato “Come fare uno sito web?”.

05/04/2018