CPU vs GPU per l'IA: perché tutti usano le GPU (e perché potrebbe cambiare)
L'ossessione per le GPU
Parla con chiunque dell'esecuzione dell'IA e ti dirà: "Ti serve una GPU. Le CPU sono troppo lente. Tutti usano le GPU."
E hanno ragione. In gran parte. Le GPU dominano l'IA per buoni motivi. Ma la storia non è così semplice.
Capire perché le GPU hanno vinto, in cosa le CPU sono davvero brave e perché l'equilibrio potrebbe cambiare è importante. Soprattutto se sei tu a pagare le bollette. O quelle del tuo fornitore di elettricità. O se ti chiedi perché il tuo data center ha bisogno di una propria sottostazione elettrica.
Il pensiero comune è: le reti neurali a virgola mobile richiedono un parallelismo massiccio, le GPU offrono un parallelismo massiccio, quindi le GPU vincono. Ma questa è solo metà della storia. L'altra metà riguarda ciò che accade quando cambi la matematica.
Cosa sono davvero CPU e GPU
Partiamo dalle basi:
CPU (Central Processing Unit):
Il cervello del tuo computer. Progettata per attività generiche. Esegue il tuo sistema operativo. Apre file. Gestisce la memoria. Esegue programmi. Fa un po' di tutto.
Le CPU moderne hanno 8-64 core. Ogni core è potente. Può gestire logica complessa. Ramificazioni. Attività sequenziali. Ottima nel fare cose diverse rapidamente. Pensa a una CPU come a un piccolo team di ingegneri altamente qualificati, ognuno in grado di risolvere problemi complessi in modo indipendente.
GPU (Graphics Processing Unit):
Nata originariamente per la grafica. Il rendering di scene 3D richiede la stessa semplice matematica su milioni di pixel contemporaneamente. Le GPU eccellono in questo: operazioni semplici, parallelismo massiccio.
Le GPU moderne hanno migliaia di core. Ogni core è più semplice di un core della CPU. Ma migliaia di core che lavorano insieme? Una capacità di calcolo enorme per attività parallele. Pensa a una GPU come a un piano di fabbrica con migliaia di operai, ognuno che svolge un compito semplice molto rapidamente.
Questa è la differenza fondamentale: le CPU sono generaliste versatili. Le GPU sono processori paralleli specializzati.
Ecco un confronto visivo:
Perché le GPU dominano l'IA
I carichi di lavoro dell'IA, soprattutto le reti neurali, sono imbarazzantemente paralleli. Ecco perché vincono le GPU:
Moltiplicazioni di matrici ovunque:
Le reti neurali sono per lo più moltiplicazioni di matrici. Moltiplica l'input per i pesi. Milioni di moltiplicazioni. Tutte indipendenti. Perfette per l'elaborazione parallela.
GPU: esegue tutte le moltiplicazioni simultaneamente su migliaia di core. Veloce.
CPU: esegue le moltiplicazioni in sequenza o su un numero limitato di core. Molto più lenta.
Esempio: un singolo strato in un grande modello linguistico potrebbe moltiplicare una matrice 1024×4096 per una matrice 4096×1024. Sono oltre 4 miliardi di operazioni di moltiplicazione-accumulo. Su una GPU con tensor core, questo richiede millisecondi. Su una CPU, secondi. Il divario è enorme.
Stessa operazione, dati diversi:
Ogni neurone esegue la stessa operazione: moltiplicazione-accumulo. Solo con dati diversi. Questo si chiama SIMD (Single Instruction, Multiple Data). Le GPU sono costruite per questo.
GPU: un'istruzione trasmessa a migliaia di core. Ognuno la applica a dati diversi. Efficiente.
CPU: può eseguire SIMD con istruzioni vettoriali (AVX-512), ma solo su larghezze ridotte (8-16 operazioni). Non scala come le GPU.
È come dare la stessa ricetta a mille cuochi invece che a otto. I mille cuochi finiscono i loro piatti simultaneamente. Gli otto devono lavorare a lotti. Matematica semplice.
Larghezza di banda della memoria:
L'IA deve spostare enormi quantità di dati. Miliardi di pesi. Miliardi di attivazioni. La larghezza di banda della memoria conta.
GPU: architettura di memoria ottimizzata. Memoria ad alta larghezza di banda (HBM). Progettata per carichi di lavoro intensivi sui dati. Centinaia di GB/s.
CPU: larghezza di banda della memoria inferiore. Ottimizzata per la latenza, non per il throughput. Decine di GB/s.
Pensala come a tubi dell'acqua. Le GPU hanno tubi enormi che possono spostare grandi quantità di dati rapidamente. Le CPU hanno tubi più stretti, ottimizzati per un accesso rapido a quantità minori di dati. Per lo tsunami di dati dell'IA, servono i tubi più grandi.
Hardware specializzato:
Le GPU moderne hanno i tensor core. Hardware specificamente progettato per la moltiplicazione di matrici. Estremamente veloce per i carichi di lavoro dell'IA.
La NVIDIA A100, ad esempio, offre fino a 624 TFLOPS di prestazioni FP16 con i suoi tensor core di terza generazione. La H200 spinge ancora più in alto con la memoria HBM3e migliorata. Non sono solo veloci; sono costruite appositamente per le operazioni esatte di cui le reti neurali hanno bisogno.
Le CPU sono generiche. Nessun hardware specializzato per l'IA (per lo più). Fanno tutto discretamente, niente in modo eccezionale.
Per le reti neurali tradizionali con operazioni a virgola mobile, le GPU sono da 10 a 100 volte più veloci delle CPU. Il divario è reale.
In cosa le CPU sono davvero brave
Le CPU non sono inutili per l'IA. Eccellono in compiti diversi:
Logica complessa e ramificazioni:
Le CPU gestiscono bene la logica condizionale. If-then-else. Istruzioni switch. Flusso di controllo complesso. Le GPU faticano in questo ambito. Le ramificazioni causano divergenza, uccidendo il parallelismo.
Per attività di IA con molta logica condizionale, le CPU possono competere.
Immagina una GPU con migliaia di core che cerca di eseguire percorsi di codice diversi. Metà dei core vuole andare a sinistra, metà a destra. La GPU deve eseguire entrambi i percorsi e mascherare i risultati. Uno spreco. Una CPU esegue semplicemente il percorso di cui ha bisogno. Efficiente per la logica ramificata.
Inferenza a bassa latenza:
Per modelli piccoli con requisiti di latenza rigorosi, le CPU vincono. Nessun overhead di trasferimento dati. Nessuna inizializzazione della GPU. Solo esecuzione immediata.
Dispositivi edge, sistemi in tempo reale, applicazioni interattive. L'inferenza su CPU è pratica.
Il solo trasferimento PCIe può aggiungere 1-10 millisecondi. Per un modello che gira in 2 millisecondi, quell'overhead è inaccettabile. Le CPU eseguono immediatamente. Latenza di trasferimento pari a zero. Questo conta per le applicazioni reattive.
Operazioni intere e binarie:
Le CPU sono eccellenti nella matematica intera. Operazioni sui bit. Operazioni logiche. Sono operazioni fondamentali delle CPU, ottimizzate per decenni.
Per le reti neurali binarie o i modelli quantizzati a interi, il divario CPU-GPU si riduce drasticamente.
Le porte XNOR sono presenti nelle CPU fin dalla loro nascita. Il conteggio dei bit (popcount) è un'istruzione a ciclo singolo sulle CPU moderne. Queste operazioni sono così fondamentali che gli ingegneri dei semiconduttori le hanno ottimizzate senza sosta. Quando il tuo modello di IA usa queste operazioni primitive invece della moltiplicazione-addizione in virgola mobile, improvvisamente i decenni di ottimizzazione delle CPU contano più dei core paralleli della GPU.
Disponibilità generale:
Ogni dispositivo ha una CPU. Non ogni dispositivo ha una GPU. Per la distribuzione ovunque, le CPU sono l'unica opzione universale.
Telefoni, dispositivi IoT, sistemi embedded. L'inferenza su CPU è spesso l'unica scelta.
L'Europa ha requisiti rigorosi di residenza dei dati ai sensi del GDPR. Eseguire l'IA localmente sulle CPU evita le dipendenze dal cloud e le complicazioni del trasferimento transfrontaliero dei dati. Il telefono del tuo utente ha già una CPU. Nessun hardware aggiuntivo necessario. Nessun dato lascia il dispositivo. Conformità risolta.
La rete neurale binaria che cambia le regole del gioco
Ecco dove diventa interessante. Ricordi quelle operazioni binarie in cui le CPU sono brave?
Le reti neurali binarie usano XNOR e popcount invece della moltiplicazione-addizione in virgola mobile. Sono operazioni native delle CPU. Estremamente veloci sulle CPU.
La matematica è elegante: invece di moltiplicare numeri a virgola mobile a 32 bit, confronti valori a 1 bit con XNOR, poi conti i bit corrispondenti con popcount. Lo stesso confronto logico, implementazione molto più semplice. E le CPU lo fanno dagli anni '70.
Prestazioni della CPU con reti binarie:
Per le reti binarie, le CPU possono eguagliare o superare le prestazioni della GPU. Perché?
XNOR e popcount sono economici sulle CPU. 6 transistor per XNOR. Operazioni a ciclo singolo. Nessun overhead in virgola mobile.
Le GPU sono ottimizzate per la virgola mobile. I loro tensor core non aiutano con le operazioni binarie. La specializzazione diventa un limite.
È come portare un'auto di Formula Uno a una gara di rally. Certo, è veloce su piste lisce. Ma quando il terreno cambia, la macchina da corsa specializzata fatica mentre l'auto da rally versatile eccelle. Le operazioni binarie hanno cambiato il terreno.
L'approccio Dweve:
Il nostro sistema Loom è significativamente più veloce sulle CPU rispetto ai modelli transformer sulle GPU. Non perché abbiamo della magia. Perché le operazioni binarie si adattano meglio alle CPU di quanto l'aritmetica in virgola mobile si adatti a loro.
XNOR-popcount è ciò per cui le CPU sono state progettate. Operazioni logiche. Conteggio di bit. Veloce.
Non è teoria. È misurabile. Le reti binarie cambiano radicalmente l'equazione hardware. Quando puoi attivare solo 4-8 specialisti di dominio tra 456 opzioni disponibili usando vincoli binari, e ogni specialista di dominio è 64-128MB di pure regole logiche, le CPU gestiscono tutto questo brillantemente. Nessuna aritmetica in virgola mobile necessaria. Solo operazioni bit veloci ed efficienti.
Consumo energetico (il costo nascosto)
Le prestazioni non sono tutto. Il consumo energetico conta. Soprattutto in Europa, dove i costi dell'energia sono elevati e le normative sulla sostenibilità sono severe.
Assorbimento delle GPU:
Le GPU AI di fascia alta consumano 300-700 watt. Sotto carico, costantemente. Per ore o giorni durante l'addestramento.
I data center pieni di GPU consumano megawatt. Energia equivalente a centrali elettriche. Enormi requisiti di raffreddamento. Il costo operativo è massiccio.
Si prevede che i futuri processori AI consumeranno fino a 15.360 watt ciascuno. Non è un refuso. Quindici kilowatt. Per chip. Serviranno soluzioni di raffreddamento esotiche e infrastrutture elettriche dedicate. La Direttiva europea sull'efficienza energetica richiede che i data center con potenza superiore a 500 kilowatt dichiarino il consumo energetico. Con GPU come queste, raggiungerai rapidamente quella soglia.
Assorbimento delle CPU:
Le CPU moderne consumano 50-150 watt sotto carichi AI. Molto meno delle GPU.
Per l'inferenza, soprattutto nella distribuzione periferica, l'efficienza energetica conta. Durata della batteria. Limiti termici. Costi operativi.
AMD ha recentemente annunciato un miglioramento dell'efficienza energetica a livello di rack di 20× per i sistemi AI entro il 2030, superando le tendenze del settore di quasi 3×. Ma anche con questi miglioramenti, le GPU restano avide di energia rispetto alle CPU per molti carichi di lavoro.
Vantaggio delle operazioni binarie:
Le operazioni binarie consumano molta meno energia dell'aritmetica in virgola mobile. Circuiti più semplici. Meno attività di commutazione. Minore energia per operazione.
Sulle CPU con reti binarie: riduzione del consumo energetico del 96% rispetto alle reti in virgola mobile su GPU. Stesso compito. Una frazione dell'energia.
Questo conta per la sostenibilità. Per i costi operativi. Per i vincoli di distribuzione. Quando i costi dell'elettricità in Europa sono tra i più alti al mondo, eseguire l'AI su CPU con operazioni binarie non è solo efficiente; è economicamente sensato. Il tuo commercialista apprezzerà le bollette elettriche più basse. Il tuo responsabile della sostenibilità apprezzerà la ridotta impronta di carbonio.
Considerazioni sui costi (la realtà aziendale)
L'hardware costa denaro. Siamo specifici:
- Costi GPU: Le GPU AI di fascia alta costano decine di migliaia per unità. Il noleggio di data center varia ma si accumula rapidamente. Addestrare modelli di grandi dimensioni richiede centinaia di GPU per settimane. La fattura raggiunge milioni.
- Costi CPU: Le CPU di fascia alta costano migliaia, non decine di migliaia. Molto più economiche. Già presenti in ogni server. Nessun acquisto di hardware aggiuntivo necessario.
- TCO (Costo Totale di Possesso): Le GPU richiedono costo hardware più consumo energetico più raffreddamento più infrastrutture specializzate. TCO elevato.
CPU: costo hardware inferiore più minore consumo energetico più infrastrutture standard. TCO inferiore.
Per l'inferenza su larga scala, soprattutto con reti binarie, le CPU possono essere più convenienti. Il divario prestazionale si riduce, il divario di costo si allarga a favore delle CPU.
Ecco un esempio pratico: eseguire inferenza per un milione di richieste al giorno. Con GPU e modelli a virgola mobile, potresti aver bisogno di server GPU dedicati, infrastruttura di raffreddamento e budget energetici considerevoli. Con CPU e reti binarie, puoi usare l'infrastruttura server esistente, raffreddamento standard e una frazione dell'energia. Stesse capacità, economie completamente diverse.
Le aziende europee devono considerare un aspetto aggiuntivo: la sovranità hardware. La maggior parte delle GPU AI di fascia alta proviene da produttori americani. Le dipendenze dalla catena di approvvigionamento creano rischi. Le CPU offrono opzioni di approvvigionamento più diversificate, inclusi produttori europei. Quando le tensioni geopolitiche influiscono sulle forniture di chip, avere alternative conta.
Quando usare l'una o l'altra
La scelta giusta dipende dal tuo caso d'uso:
Usa le GPU quando:
Addestri modelli grandi a virgola mobile. Le prestazioni sono critiche. Il budget lo consente. L'energia non è un vincolo. Architetture di reti neurali tradizionali.
Le GPU eccellono qui. Nessun dubbio. Se stai addestrando un modello transformer da 70 miliardi di parametri, le GPU sono la tua scelta migliore. La loro architettura parallela e i tensor core le rendono l'opzione ovvia per moltiplicazioni di matrici massive a virgola mobile.
Usa le CPU quando:
Esegui inferenza all'edge. L'energia è limitata. I costi contano. I requisiti di latenza sono rigorosi. Modelli binari o quantizzati. Distribuzione ovunque.
Le CPU hanno senso. Spesso sono l'unica opzione.
Considera anche le CPU quando serve conformità al GDPR con elaborazione locale, quando distribuisci su hardware eterogeneo senza disponibilità di GPU, quando l'efficienza energetica conta più del throughput grezzo, o quando usi reti neurali binarie che sfruttano i punti di forza delle CPU.
L'approccio ibrido:
Addestra su GPU (se usi la virgola mobile). Distribuisci su CPU (usando versioni binarie o quantizzate). Il meglio di entrambi i mondi.
Oppure addestra reti binarie su CPU fin dall'inizio. Salta del tutto le GPU. Questo è l'approccio Dweve.
Non esiste una risposta universale. Il dogma "ti serve una GPU" ignora le sfumature. Il tuo carico di lavoro, l'ambiente di distribuzione, i vincoli di budget e le scelte architetturali contano tutti. Prendi una decisione informata, non una riflessa.
Il futuro (evoluzione hardware)
Il panorama hardware sta cambiando:
Chip AI specializzati:
TPU (Google). Neural engine (Apple). ASIC personalizzati. Ottimizzati per carichi di lavoro AI specifici. Né pura CPU né pura GPU.
Potrebbero dominare nicchie specifiche. Ma CPU e GPU restano di uso generale. E i chip specializzati comportano rischi di vendor lock-in. Quando Google controlla le TPU e Apple controlla i neural engine, dipendi dalle loro roadmap e dai loro prezzi. Le aziende europee dovrebbero considerare queste implicazioni di sovranità.
Estensioni AI per CPU:
Intel AMX (Advanced Matrix Extensions). ARM SVE2. Estensioni vettoriali RISC-V. CPU che aggiungono istruzioni specifiche per l'AI.
Il divario CPU-GPU per l'AI si sta riducendo. Soprattutto per le operazioni intere e binarie.
Queste estensioni portano l'accelerazione della moltiplicazione di matrici direttamente nelle CPU. Non potenti quanto le GPU dedicate per la virgola mobile, ma sufficienti per molti carichi di lavoro. E sono incluse di serie, senza bisogno di hardware aggiuntivo.
Architetture efficienti dal punto di vista energetico:
Con l'aumento dei costi energetici, l'efficienza conta più delle prestazioni grezze. Operazioni binarie. Chip neuromorfici. Calcolo analogico.
Il futuro favorisce l'efficienza. Le CPU con operazioni binarie si adattano a questa tendenza meglio della potenza dissipativa dei calcoli in virgola mobile delle GPU.
I prezzi dell'energia in Europa e le normative sulla sostenibilità accelerano questo cambiamento. Quando si pagano tariffe elettriche elevate e si affrontano obblighi di riduzione delle emissioni di carbonio, l'efficienza non è un'opzione. È un obbligo. L'hardware che fa di più con meno energia vince.
Crescita dell'edge computing:
L'IA si sposta dal cloud all'edge. Telefoni. Auto. Dispositivi IoT. Questi dispositivi hanno CPU, non GPU.
Un'IA efficiente sulle CPU diventa un obbligo, non un'opzione.
L'AI Act dell'UE sottolinea l'elaborazione locale per determinate applicazioni. L'edge computing con IA basata su CPU si allinea perfettamente a questi requisiti normativi. I dati restano locali. L'elaborazione avviene localmente. La conformità è più semplice.
Numeri di prestazioni reali
Entriamo nello specifico con misurazioni concrete:
Reti neurali in virgola mobile:
GPU: 100-300 TFLOPS (mille miliardi di operazioni in virgola mobile al secondo). I modelli di fascia alta come l'A100 raggiungono 624 TFLOPS per FP16. La più recente H200 spinge ancora più in alto.
CPU: 1-5 TFLOPS
Vincitore: GPU (20-100× più veloce)
Il divario è innegabile. Per le reti neurali tradizionali, le GPU dominano. Ecco perché tutti presumevano che servissero GPU per l'IA. Per un decennio, avevano ragione.
Reti neurali binarie:
GPU: Limitata dalla mancanza di hardware specializzato. Usa INT8 o kernel personalizzati. Forse 10-30× più veloce della CPU per le operazioni binarie.
CPU: XNOR e popcount sono nativi. Estremamente veloci. Parallelismo tra core con AVX-512.
Vincitore: la CPU può eguagliare o superare la GPU (Dweve Loom: 40× più veloce su CPU rispetto ai transformer su GPU)
Questa inversione non è magia. È la matematica che incontra la progettazione hardware. Le operazioni binarie sfruttano i punti di forza della CPU nello stesso modo in cui la moltiplicazione in virgola mobile sfrutta i punti di forza della GPU.
Latenza:
GPU: overhead di trasferimento PCIe. 1-10ms solo per lo spostamento dei dati.
CPU: zero overhead di trasferimento. Inferenza in meno di un millisecondo possibile.
Vincitore: CPU per applicazioni a bassa latenza
Quell'overhead PCIe è fisso. Nessuna ottimizzazione può eliminarlo. Per le applicazioni in tempo reale in cui ogni millisecondo conta, le CPU vincono per progettazione.
Efficienza energetica (operazioni per watt):
GPU: ~500-1000 GFLOPS/W (virgola mobile)
CPU: ~100-200 GFLOPS/W (virgola mobile)
Vincitore: GPU per la virgola mobile
Le operazioni binarie cambiano tutto questo:
CPU con binario: 10-50× migliori operazioni/watt rispetto alla GPU con virgola mobile
Vincitore: CPU con operazioni binarie
Quando i costi dell'elettricità in Europa sono 3-4× più alti che negli Stati Uniti, queste differenze di efficienza si traducono direttamente in costi operativi. Il caso economico per un'IA basata su CPU diventa convincente rapidamente.
Cosa devi ricordare
Se non ricordi altro da tutto questo, ricorda:
- 1. Le GPU dominano l'IA a virgola mobile. Parallelismo nella moltiplicazione di matrici. Tensor core specializzati. Da 20 a 100 volte più veloci delle CPU per le reti neurali tradizionali. Per i carichi di lavoro a virgola mobile, sono la scelta ovvia.
- 2. Le CPU eccellono in altre cose. Logica complessa. Bassa latenza. Operazioni intere e binarie. Disponibilità universale. Elaborazione locale conforme al GDPR.
- 3. Le reti binarie cambiano le carte in tavola. XNOR e popcount sono operazioni native della CPU. Le CPU possono eguagliare o superare le prestazioni delle GPU per l'IA binaria. Il cambiamento matematico favorisce l'architettura delle CPU.
- 4. Il consumo energetico conta sempre di più. GPU: 300-700W oggi, fino a 15.360W previsti. CPU: 50-150W. Operazioni binarie: riduzione del 96% del consumo. Con i costi energetici europei e i mandati di sostenibilità, l'efficienza non è un'opzione.
- 5. Il costo non è solo hardware. Energia. Raffreddamento. Infrastruttura. Sovranità della supply chain. Il TCO conta. Le CPU sono spesso più economiche per l'inferenza su larga scala, soprattutto con le reti binarie.
- 6. Scegli in base al carico di lavoro, non al dogma. Addestramento di modelli grandi a virgola mobile? GPU. Inferenza al edge? CPU. Reti binarie? CPU. Conformità al GDPR? CPU. Anche gli approcci ibridi funzionano.
- 7. Il futuro favorisce l'efficienza. Edge computing. Costi energetici in aumento. Regolamenti UE sulla sostenibilità. Requisiti dell'AI Act. Le architetture favorevoli alle CPU sono in ascesa, non in declino.
La conclusione
Le GPU hanno vinto il primo round dell'IA perché le reti neurali erano progettate per operazioni a virgola mobile e parallelismo massiccio. Le GPU sono state costruite esattamente per questo. Un decennio di dominio ha creato l'assunto che l'IA richieda GPU. Per i carichi di lavoro a virgola mobile, questo resta vero.
Ma l'IA si sta evolvendo. Reti binarie. Quantizzazione intera. Architetture efficienti. Tutto questo favorisce le CPU. Le fondamenta matematiche sono cambiate, e con esse l'hardware ottimale.
La narrazione del "ti serve una GPU" è superata per molti casi d'uso. Inferenza al edge? Reti binarie? Distribuzione attenta ai costi? Conformità al GDPR? Le CPU sono competitive. Spesso superiori.
Il panorama hardware sta cambiando. Stanno emergendo chip specializzati. Arrivano le estensioni IA delle CPU. Il monopolio delle GPU sta finendo. Le aziende europee hanno vantaggi particolari in questo cambiamento: le rigorose normative sulla protezione dei dati favoriscono l'elaborazione locale su CPU, gli alti costi energetici premiano l'efficienza e le preoccupazioni sulla sovranità hardware favoriscono un approvvigionamento diversificato di CPU.
Capire cosa fa bene ogni processore ti aiuta a scegliere correttamente. Non in base al clamore. In base ai tuoi requisiti reali. Prestazioni, energia, costo, vincoli di distribuzione, conformità normativa.
Le GPU dominano ancora l'addestramento di modelli grandi a virgola mobile. Ma l'inferenza? La distribuzione? L'edge computing? L'equilibrio sta cambiando. E le operazioni binarie sulle CPU stanno guidando questo cambiamento. Il prossimo decennio dell'IA non assomiglierà all'ultimo. L'hardware che sembrava essenziale potrebbe essere opzionale. L'hardware che sembrava insufficiente potrebbe essere ideale.
La tua scelta non è GPU o CPU. È capire quale carico di lavoro si adatta a quale hardware. E sempre più spesso, questa comprensione indica le CPU per più casi d'uso di quanto suggerisca la saggezza convenzionale.
Vuoi vedere l'IA ottimizzata per CPU in azione? Scopri Dweve Loom. Ragionamento con vincoli binari su CPU standard. 40× più veloce dei modelli transformer su GPU. Riduzione del consumo energetico del 96%. Conforme al GDPR per progettazione. Il tipo di IA che funziona con l'hardware che già possiedi. Costruita in Europa per i requisiti europei.