La crescita esponenziale della domanda di potenza computazionale per l’Intelligenza Artificiale ha superato i limiti dell’architettura classica. Tra il 2012 e il 2018 il compute utilizzato nei principali risultati di AI è raddoppiato ogni pochi mesi, aumentando di 300.000 volte in sei anni. Questo ritmo ha messo sotto pressione l’architettura von Neumann, frenata da scarsa parallelizzazione delle CPU, memory wall e consumi elevati. Per rispondere alle nuove esigenze si è resa necessaria una svolta: la specializzazione dell’hardware.
Gli acceleratori dedicati sono stati il primo passo. Le GPU ottimizzate per il deep learning hanno introdotto migliaia di core paralleli e componenti specifici. Un esempio evidente è il salto dalle prestazioni della NVIDIA A100 a quelle della H100, che supera i 1000 TFLOPS FP16 grazie a Tensor Core avanzati e memorie HBM3. Parallelamente, gli ASIC dedicati come le TPU hanno ridefinito la scalabilità: una TPU v4 raggiunge 275 TFLOPS e sistemi composti da migliaia di unità arrivano a potenze dell’ordine degli ExaFLOPS. Soluzioni radicali come il wafer-scale di Cerebras adottano un intero wafer come chip unico, integrando centinaia di migliaia di core e memoria SRAM ad altissima banda, eliminando la necessità di comunicazione con RAM esterne.
Anche l’edge computing sta vivendo un’evoluzione significativa: le Neural Processing Unit integrate nei dispositivi mobili sono passate da 0,6 TOPS dei primi modelli a decine di TOPS delle versioni più recenti, abilitando funzioni di AI on-device sempre più avanzate con consumi ridotti.
Oltre alla specializzazione digitale, emerge il calcolo neuromorfico, ispirato al funzionamento del cervello. Chip come IBM TrueNorth integrano milioni di neuroni artificiali e centinaia di milioni di sinapsi con consumi estremamente ridotti. Intel Loihi utilizza neuroni spiking e architetture event-driven senza clock centralizzato, permettendo efficienza energetica elevatissima e applicazioni in robotica, ottimizzazione e riconoscimento sensoriale. Startup come BrainChip portano l’approccio nell’edge con soluzioni che consumano appena un milliwatt.
Il quantum computing introduce un paradigma completamente nuovo: sfrutta qubit in sovrapposizione ed entanglement per risolvere problemi impossibili per i computer classici. Processori come Sycamore hanno dimostrato vantaggi significativi su compiti specifici, mentre i roadmap industriali puntano a migliaia di qubit. Queste tecnologie potrebbero accelerare vari aspetti del machine learning, in particolare ottimizzazione e algebra lineare.
Il futuro del calcolo per l’AI si muove così verso un’architettura eterogenea che combina CPU, GPU, ASIC, sistemi neuromorfici e componenti quantistici, ciascuno ottimizzato per un workload specifico.
