Il manager a Huffpost: “Si investe in computer sempre pi\u00f9 potenti, si consuma pi\u00f9 energia e pi\u00f9 acqua, ma i risultati migliorano sempre meno. \u00c8 questo il nodo. Finch\u00e9 l’obiettivo delle big tech americane \u00e8 arrivare per prime, gli investimenti continueranno. Ma se i rendimenti diventano sempre pi\u00f9 bassi rispetto ai costi il problema si pone. C’\u00e8 un rischio bolla grande come una casa. I cinesi invece lavorano per renderla meno costosa, paradossalmente pi\u00f9 democratica”<\/p>\n\n\n\n
Un lungo articolo di The Atlantic, dal titolo “L’intelligenza artificiale generativa \u00e8 un disastro ingegneristico”, sostiene che l’AI generativa sia una delle tecnologie pi\u00f9 inefficienti mai portate su scala globale, a causa della sua estrema inefficienza e dell’insostenibilit\u00e0 del modello di sviluppo attuale. Un giudizio rilanciato su LinkedIn da Franco Bernab\u00e8, gi\u00e0 numero uno di Eni e Telecom Italia, oggi presidente di Techvisory, societ\u00e0 specializzata in intelligenza artificiale applicata, e dell’Universit\u00e0 di Trento. HuffPost lo ha intervistato per approfondire le ragioni di questa analisi.<\/p>\n\n\n\n
Partiamo dalla tesi di fondo. Perch\u00e9 The Atlantic definisce l’intelligenza artificiale generativa un “disastro ingegneristico”?<\/strong><\/p>\n\n\n\n The Atlantic ha una lunga tradizione di analisi critica della tecnologia. Gi\u00e0 nel 2008 pubblic\u00f2 il celebre saggio di Nicholas Carr sugli effetti di Google sulle nostre capacit\u00e0 cognitive. Anche questa volta la tesi \u00e8 molto forte, e poggia su un’analisi tecnica precisa. L’articolo sostiene che l’intelligenza artificiale stia assorbendo una parte crescente della capacit\u00e0 produttiva mondiale di memoria. I modelli di intelligenza artififciale utilizzano memorie HBM, mentre smartphone e computer usano soprattutto DRAM. Poich\u00e9 entrambe vengono prodotte negli stessi impianti, ma le HBM richiedono circa tre volte pi\u00f9 capacit\u00e0 produttiva, la crescita dell’AI sottrae spazio alla produzione di DRAM. Secondo The Atlantic, il risultato \u00e8 una minore disponibilit\u00e0 di memoria tradizionale e il rischio di rincari per l’intero mercato dell’elettronica.<\/p>\n\n\n\n Quali potrebbero essere gli effetti?<\/strong><\/p>\n\n\n\n La crescente domanda di chip e memorie potrebbe far aumentare i prezzi fino a rendere introvabili i computer pi\u00f9 economici entro il 2028. A questo si aggiunge l’enorme consumo energetico dei data center, che negli Stati Uniti sta gi\u00e0 alimentando forti opposizioni alla costruzione di nuovi impianti.<\/p>\n\n\n\n L’altro punto centrale dell’articolo riguarda la scalabilit\u00e0. Alex Reisner su The Atlantic sostiene che, a differenza del software tradizionale, l’intelligenza artificiale non diventa pi\u00f9 efficiente man mano che cresce. Al contrario, pi\u00f9 aumenta il lavoro richiesto, pi\u00f9 aumentano i costi. Che cosa significa, in concreto?<\/strong><\/p>\n\n\n\n Il problema sta nel funzionamento stesso dei modelli linguistici. I transformer, l’architettura su cui si basa ChatGPT, non guardano soltanto alla parola precedente, ma all’intero contesto del testo. \u00c8 come se, invece di leggere una parola alla volta, il sistema dovesse rileggere continuamente tutto ci\u00f2 che \u00e8 stato scritto per individuare la risposta migliore. Per questo, all’aumentare della lunghezza del testo e della complessit\u00e0 della richiesta, il fabbisogno di calcolo cresce in modo quadratico. E con esso crescono, nella stessa proporzione, anche il consumo di energia, l’acqua necessaria per il raffreddamento e i costi dell’intera infrastruttura.<\/p>\n\n\n\n C’\u00e8 per\u00f2 chi non \u00e8 d’accordo.<\/strong><\/p>\n\n\n\n L’obiezione principale \u00e8 questa: quello che dice Reisner \u00e8 vero dal punto di vista matematico, ma non da quello ingegneristico. Perch\u00e9, dicono, nel frattempo si \u00e8 lavorato molto sul software. Con la quantizzazione, la distillazione, la Mixture of Experts e altre tecniche si sono resi di fatto pi\u00f9 piccoli i modelli pi\u00f9 grandi, rendendoli anche molto pi\u00f9 efficienti. Da questo punto di vista, devo dire che i cinesi sono stati molto pi\u00f9 bravi. Per\u00f2 anche qui c’\u00e8 un limite. Quanto si pu\u00f2 continuare a distillare e a quantizzare un modello? A un certo punto non si pu\u00f2 andare oltre. E mentre i modelli diventano pi\u00f9 efficienti, la domanda continua a crescere ancora pi\u00f9 rapidamente. Il problema \u00e8 che il funzionamento dei transformer non cambia. Pi\u00f9 si allarga il contesto che il modello deve prendere in considerazione, pi\u00f9 aumentano i calcoli da fare.<\/p>\n\n\n\n In pratica, pi\u00f9 informazioni deve tenere contemporaneamente “in mente” per rispondere, pi\u00f9 potenza di calcolo serve?<\/strong><\/p>\n\n\n\n L’ingegneria pu\u00f2 rendere i modelli pi\u00f9 efficienti, ma non pu\u00f2 eliminare questo meccanismo. Per questo il consumo di energia e di acqua continua a crescere ed \u00e8 questo il punto sollevato da Reisner.<\/p>\n\n\n\n Scopri Il Trono di Silicio, la newsletter settimanale di Adele Sarno su chi guadagna potere nell’era del digitale. E chi lo perde. Per riceverla ogni luned\u00ec puoi iscriverti qui.<\/p>\n\n\n\n Se questi sono i limiti, perch\u00e9 l’industria continua a investire proprio in questa direzione, puntando su un enorme sfoggio di forza bruta, pi\u00f9 dati, pi\u00f9 calcolo, pi\u00f9 soldi, invece che su una maggiore efficienza?<\/strong><\/p>\n\n\n\n La brutalit\u00e0 di questo approccio ha due origini. La prima \u00e8 scientifica: nel 2020 Jared Kaplan pubblica “Scaling Laws for Neural Language Models”, secondo cui aumentando calcolo e dati gli errori dei modelli continuano a diminuire (Kaplan \u00e8 il ricercatore che poi ha co-fondato Anthropic, ndr). Quella legge ha influenzato moltissimo la corsa ai modelli sempre pi\u00f9 grandi, ma non \u00e8 accettata da tutti: molti sostengono che esista un limite oltre il quale gli errori non calano pi\u00f9 in modo significativo. Poi c’\u00e8 una ragione politico-industriale, sicuramente pi\u00f9 forte: pi\u00f9 investo, pi\u00f9 aumentano le probabilit\u00e0 di arrivare per primo. \u00c8 la logica del winner takes all<\/em>, il vincitore prende tutto, chi arriva prima si prende il mercato.<\/p>\n\n\n\n Ed \u00e8 qui che i due argomenti si saldano?<\/strong><\/p>\n\n\n\n Se quel limite esiste, a un certo punto aumentare la capacit\u00e0 di calcolo non porta pi\u00f9 miglioramenti proporzionati. Si investe in computer sempre pi\u00f9 potenti, si consumano pi\u00f9 energia e pi\u00f9 acqua, ma i risultati migliorano sempre meno. \u00c8 questo il nodo. Finch\u00e9 l’obiettivo delle Big Tech americane \u00e8 arrivare per prime, gli investimenti continueranno. Ma se i rendimenti diventano sempre pi\u00f9 bassi rispetto ai costi, allora la tesi di Reisner diventa difficile da ignorare.<\/p>\n\n\n\n \u00c8 anche su questo terreno che si gioca la competizione tra Stati Uniti e Cina? E che ruolo hanno, in questa partita, i modelli open source?<\/strong><\/p>\n\n\n\n Non solo i modelli open source, la Cina \u00e8 consapevole che i grandi modelli, oltre una certa soglia, richiedono sempre pi\u00f9 potenza di calcolo per ottenere miglioramenti sempre pi\u00f9 piccoli. Per questo lavora soprattutto sul software, cercando di rendere i modelli pi\u00f9 efficienti. Quando si accusano i cinesi di fare distillazione e quantizzazione, si dimentica che la loro strategia \u00e8 un’altra: migliorare il software invece di aumentare all’infinito la potenza di calcolo. Queste distinzioni fanno intravedere la vera ragione della differenza geopolitica tra l’approccio cinese e quello americano. I cinesi hanno dimostrato che si pu\u00f2 competere con risorse molto inferiori rispetto ai colossi americani.<\/p>\n\n\n\n Un abbonamento da 200 dollari a ChatGPT o Claude, usato al massimo, “vale” tra 8.000 e 14.000 dollari a prezzo pieno: le aziende ci rimettono pur di farci diventare clienti abituali. Ma se ogni utente costa pi\u00f9 di quanto rende, e arrivano modelli cinesi validi e spesso gratuiti, quanto pu\u00f2 durare questo modello di business?<\/strong><\/p>\n\n\n\n Il problema \u00e8 proprio questo: le aziende si caricano costi enormi per conquistare utenti che non scalano, anzi, ogni utente in pi\u00f9 costa sempre di pi\u00f9. La gente pensa che l’AI sia come Internet, quasi gratis, e fa domande anche inutili senza rendersi conto di quante risorse consumano. I cinesi seguono un’altra strada: modelli pi\u00f9 piccoli, spesso open source, specializzati su compiti specifici. Un approccio diverso sia al mercato sia al tipo di domande. Credo che l’intelligenza artificiale sia potentissima e possa aumentare l’efficienza delle aziende. Ma non con il modello perseguito dagli americani, perch\u00e9 quello \u00e8 insostenibile.<\/p>\n\n\n\n L’Europa oggi \u00e8 stretta tra Stati Uniti e Cina nella corsa all’intelligenza artificiale. Che cosa dovrebbe fare?<\/strong><\/p>\n\n\n\n L’Europa ha fatto bene a scrivere regole per l’intelligenza artificiale, ma ha trascurato un altro aspetto: costruire la tecnologia necessaria per svilupparla. Non deve cercare di imitare gli Stati Uniti. Dovrebbe invece creare programmi che funzionino con qualsiasi tipo di computer e di chip, senza dipendere da un solo produttore. In questo senso la Cina sta seguendo una strada interessante: rendersi il pi\u00f9 possibile indipendente dalle tecnologie americane. L’Europa \u00e8 ancora in tempo per farlo, ma questa possibilit\u00e0 non durer\u00e0 per sempre.<\/p>\n\n\n\n C’\u00e8 un altro elemento che, secondo lei, mette in discussione questa strategia “brutale” della Silicon Valley. \u00c8 il giudizio di Yann LeCun, considerato uno dei padri fondatori dell’intelligenza artificiale e per anni Chief AI Scientist di Meta, secondo cui gli attuali modelli linguistici non porteranno mai all’intelligenza artificiale generale. Perch\u00e9?<\/strong><\/p>\n\n\n\n Yann LeCun dice una cosa semplice: come pu\u00f2 un sistema pianificare azioni se non riesce a prevederne le conseguenze? Gli LLM sono puri meccanismi statistici, prendono pezzi di frase, li trasformano in vettori matematici, fanno previsioni senza capire cosa dicono.<\/p>\n\n\n\n \u00c8 un po’ come il frigorifero: non sa che tiene la roba al fresco, per\u00f2 la conserva bene\u2026<\/strong><\/p>\n\n\n\n Esatto, non c’\u00e8 consapevolezza. Per LeCun bisogna passare ai “modelli del mondo”, che imparano come un bambino, vedendo, sentendo, toccando, non prevedendo token per token. E aggiunge un avvertimento sugli agenti: usati in modo brutale sono la strada sicura per il disastro, perch\u00e9 non prevedono le conseguenze delle proprie azioni. Non a caso si moltiplicano i casi di agenti che cancellano interi database aziendali per “risolvere” un problema. Ma c’\u00e8 la fede: ti dicono che basta la potenza di calcolo, i soldi, 800 miliardi, 1000 miliardi, e hai risolto tutti i problemi. Ma non \u00e8 cos\u00ec. C’\u00e8 una corsa dove conta arrivare primi, e la narrazione sull’AI cambia continuamente perch\u00e9 le grandi aziende del settore si stanno per quotare in borsa.<\/p>\n\n\n\n Quanto pesano le IPO in arrivo su questi continui cambi di narrazione?<\/strong><\/p>\n\n\n\n Pesano moltissimo. Guardi SpaceX: quotata a valutazioni record, ha perso oltre mille miliardi di dollari in un mese, con un’offerta al retail tripla del normale.<\/p>\n\n\n\n Se i costi continuano a crescere cos\u00ec rapidamente, mentre i miglioramenti diventano sempre pi\u00f9 difficili e costosi da ottenere, viene spontaneo chiedersi se il mercato non stia sopravvalutando questa tecnologia. Esiste il rischio di una bolla dell’intelligenza artificiale?<\/strong><\/p>\n\n\n\n C’\u00e8 un rischio bolla grande come una casa. Il problema vero \u00e8 che rischia di danneggiare l’intelligenza artificiale: \u00e8 una tecnologia importante, che ha fatto enormi progressi, ma non tanto da giustificare questa narrazione quasi teologica. Va usata bene e con consapevolezza. Le imprese che se la mettono in casa senza avere le competenze adatte fanno danni a se stesse. E’ potentissima, ma come una bomba: se non la maneggi con cura ti scoppia in mano. Devi avere le persone giuste, devi guardare con grande attenzione alle architetture che utilizzi per i tuoi processi interni e non farti condizionare dall’effetto wow. Da questo punto di vista i cinesi stanno affrontando il tema con molta piu consapevolezza.<\/p>\n\n\n\n In questo scenario, perch\u00e9 la strategia cinese le sembra pi\u00f9 sostenibile di quella americana?<\/strong><\/p>\n\n\n\n I cinesi lavorano per renderla meno costosa, paradossalmente pi\u00f9 democratica. C’\u00e8 un obiettivo geopolitico chiaro: mettere a disposizione in open source tecnologie potenti significa fissare gli standard che diventano universali, e con questo la propria rete di influenza nel mondo cresce.<\/p>\n\n\n\n Il professor Luciano Floridi diceva la scorsa settimana a Pompei che l’intelligenza artificiale diventer\u00e0 un’infrastruttura come l’elettricit\u00e0: ce ne accorgeremo solo quando non ci far\u00e0 pi\u00f9 caso, un po’ come l’elettricit\u00e0, che notiamo solo quando salta la corrente. Lei che ne pensa?<\/strong><\/p>\n\n\n\n Che \u00e8 gi\u00e0 cos\u00ec: il 50% di quello che \u00e8 scritto oggi \u00e8 generato dall’intelligenza artificiale. Ma tra 2-3 anni il problema sar\u00e0 un altro.<\/p>\n\n\n\n Come finisce la creativit\u00e0 in una situazione del genere?<\/strong><\/p>\n\n\n\n La creativit\u00e0 \u00e8 una prerogativa umana, l’intelligenza artificiale \u00e8 una cosa meccanica. Quando tra 3-4 anni tutto ci\u00f2 che viene pubblicato sar\u00e0 scritto, o assistito, dall’intelligenza artificiale, che assorbe quello che \u00e8 stato fatto in passato, ripeter\u00e0 creativit\u00e0 del passato, senza generarne di nuova. E l\u00ec avremo un problema vero: chi genera la nuova creativit\u00e0?<\/p>\n","protected":false},"excerpt":{"rendered":" Il manager a Huffpost: “Si investe in computer sempre pi\u00f9 potenti, si consuma pi\u00f9 energia e pi\u00f9 acqua, ma i risultati migliorano sempre meno. \u00c8 questo il nodo. Finch\u00e9 l’obiettivo delle big tech americane \u00e8 arrivare per prime, gli investimenti continueranno. Ma se i rendimenti diventano sempre pi\u00f9 bassi rispetto ai costi il problema si […]<\/p>\n","protected":false},"author":5,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[31],"tags":[],"class_list":["post-766","post","type-post","status-publish","format-standard","hentry","category-visione-scenari"],"acf":[],"fonte":"","url_articolo":"https:\/\/www.huffingtonpost.it\/economia\/2026\/07\/21\/news\/franco_bernabe_intervista_intelligenza_artificiale-22400052\/","_links":{"self":[{"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/posts\/766","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/comments?post=766"}],"version-history":[{"count":1,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/posts\/766\/revisions"}],"predecessor-version":[{"id":768,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/posts\/766\/revisions\/768"}],"wp:attachment":[{"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/media?parent=766"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/categories?post=766"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.techvisory.it\/rassegna-stampa\/wp-json\/wp\/v2\/tags?post=766"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}