La maggior parte delle discussioni sul futuro dell’intelligenza artificiale convergono sullo stesso collo di bottiglia: l’energia. La formazione di un modello linguistico di grandi dimensioni consuma per giorni abbastanza elettricità per una piccola città. Eseguire l'inferenza su larga scala non è molto diverso. Nel frattempo, il cervello umano elabora linguaggio complesso, visione e modelli decisionali consumando circa 20 watt, meno di una lampadina a incandescenza. Questa discrepanza non è una curiosità accademica; è il problema ingegneristico più importante che l'industria dell'hardware deve affrontare.
L’informatica neuromorfica è una delle sfide più serie per affrontarlo. Non perché sostituirà le GPU che eseguono i modelli attuali, ma perché risolve una diversa categoria di problemi, con un’efficienza che l’architettura von Neumann – quella che governa praticamente ogni computer dagli anni ’40 – non può raggiungere.
Cosa rende il cervello diverso da una GPU
Una GPU elabora in modo denso e sincrono: tutti i core lavorano in parallelo, l'orologio pulsa continuamente, l'energia viene consumata indipendentemente dal fatto che avvengano o meno calcoli utili. Questo è ottimo per l'algebra lineare batch, che è esattamente ciò che fanno le reti neurali profonde durante l'addestramento.
Il cervello funziona in un modo radicalmente diverso. I neuroni si attivano in risposta agli eventi, non ai cicli dell’orologio. Nella maggior parte dei casi, la maggior parte dei neuroni è silenziosa. Quando arriva uno stimolo, si attiva solo il sottoinsieme rilevante, in modo sparso, asincrono e con un consumo di energia proporzionale al lavoro svolto, non al tempo trascorso.
I chip neuromorfici tentano di riprodurre questa architettura nel silicio. Intel Loihi 2, ad esempio, implementa neuroni e sinapsi artificiali che si comportano in modo simile: attivazione basata sugli eventi, elaborazione e calcolo della memoria locale nello stesso elemento, consumo di energia solo quando c'è attività. IBM TrueNorth ha seguito un principio simile, con 4096 core neuromorfici che funzionano a pochi milliwatt. Non sono chip veloci nel senso convenzionale; Sono chip efficienti in un modo che CPU e GPU semplicemente non lo sono.
Dove questa tecnologia ha senso oggi
Nel mondo reale, i chip neuromorfici ora superano le prestazioni della GPU nei problemi di rilevamento continuo dei bordi, con bassa latenza e potenza minima.
Pensiamo ai sensori industriali che devono rilevare anomalie nei flussi di dati in tempo reale, senza inviare tutto al cloud. Oppure dispositivi IoT che devono riconoscere modelli audio o di vibrazione per mesi con una piccola batteria. Oppure sistemi di visione integrati nei droni che devono reagire in millisecondi senza un cavo di alimentazione nelle vicinanze. In questi scenari, l’efficienza energetica è la variabile che governa la fattibilità – e le architetture neuromorfiche vincono con un margine che migliora con ogni generazione di chip.
Ciò che questi chip non fanno bene, per ora, è addestrare modelli di grandi dimensioni o eseguire inferenze linguistiche dense. Per questo la GPU continua a regnare. La categoria è complementare e non sostitutiva.
Il calcolo del DNA e la frontiera biologica
Oltre al silicio, esiste una frontiera ancora più radicale: l’utilizzo di molecole biologiche come substrato informatico. Il calcolo del DNA non è una metafora: è un calcolo letterale con filamenti di DNA, in cui i dati sono codificati in sequenze di basi e le reazioni molecolari eseguono operazioni logiche.
La motivazione è la densità di archiviazione assurda: un grammo di DNA può teoricamente immagazzinare exabyte di dati. E durabilità: il DNA intatto è stato recuperato da campioni vecchi di decine di migliaia di anni. Microsoft e altri hanno già dimostrato la memorizzazione e il recupero funzionale dei dati nel DNA sintetico. Non è ancora un prodotto, ma è già un laboratorio avanzato.
Anche l’informatica analogica basata su circuiti molecolari e memristori, componenti che combinano memoria ed elaborazione nello stesso elemento fisico, sta avanzando a un ritmo rilevante. Lo schema che emerge è che la rigida divisione tra dove vengono archiviati i dati e dove vengono elaborati, che governa tutta l’architettura convenzionale, comincia a essere messa in discussione a livello fisico.
Come dovrebbe considerare la cosa un leader
L’errore strategico più semplice da commettere in questo caso è quello di trattare il calcolo neuromorfico come una curiosità di ricerca che avrà importanza solo tra dieci anni. L’orizzonte della rilevanza operativa è più breve di quanto sembri, soprattutto per le aziende con una presenza nell’edge, nella produzione, nella logistica, nella sanità o in qualsiasi settore in cui sensori e dispositivi integrati prendono decisioni locali.
Adottare i neuromorfici ora non è il punto. Il lavoro è capire quando l'equazione cambia per il tuo caso d'uso. Se stai pagando per l'inferenza del cloud per elaborare i dati che un sensore potrebbe analizzare localmente con un chip specializzato, il discorso sull'efficienza energetica e sulla latenza è già rilevante. Se stai costruendo un prodotto per mercati in cui il consumo di energia e i costi di connettività rappresentano limitazioni reali – e in Brasile si tratta di gran parte del mercato industriale e agricolo – questa tecnologia entra nel radar prima di quanto pensi.
Ciò che i leader devono fare oggi è mantenere un canale di intelligence sul settore senza comprometterne i budget di produzione. Tieniti aggiornato su ciò che Intel, IBM e startup come BrainChip e Innatera stanno lanciando. Mantenere un ingegnere o un ricercatore interno che monitori l'area. Quando arriverà il punto critico – e arriverà, perché la fisica favorisce l’efficienza – vorrai essere un ciclo di apprendimento avanti, non partire da zero.
Leggi anche
- Chip di inferenza e ASIC: quando specializzato batte generico
- AI efficiente dal punto di vista energetico: più piccola ed economica batte più grande
- Chip specializzati e la fine dell'era delle CPU generiche
- PC AI e NPU: cosa cambia quando il dispositivo ottiene l'acceleratore AI
- Come costruire un business case per l'intelligenza artificiale nelle operazioni industriali
- Energia IA e sovranità: cosa devono pianificare i governi adesso