La crisi energetica digitale: il conto da 945 TWh dell'IA
The Industrial Sauna We Call Progress
Entra in un moderno data center di intelligenza artificiale a Francoforte o Dublino, e il tuo primo pensiero non è "Questo è il futuro". È "Perché fa così caldo qui dentro?". Il calore ti colpisce come l'apertura dello sportello di un forno, ondate di energia termica che si sprigionano da rack di server che sembrano più forni industriali che computer. Il sistema di raffreddamento urla, le ventole al massimo, acqua refrigerata che scorre attraverso chilometri di tubature, solo per impedire a queste macchine di fondersi letteralmente.
Ogni chip acceleratore AI consuma 1.200 watt. Per dare un'idea, è più energia del termosifone che tiene caldo l'appartamento di tua nonna olandese a gennaio. E stiamo parlando di migliaia di questi chip, impilati in rack che consumano 50, 100, a volte 250 kilowatt ciascuno. Un singolo rack che assorbe tanta energia quanto 100 famiglie europee medie. In uno spazio grande quanto un armadio.
Questa è la crisi energetica digitale di cui la gente educata non parla alle conferenze. L'AI non sta solo consumando elettricità. La sta divorando con l'appetito di un buco nero, e tutti annuiamo educatamente come se fosse un comportamento perfettamente ragionevole per la matematica.
The Numbers That Should Make You Swear
Parliamo di scala, perché i numeri sono davvero terrificanti. Nel 2024, i data center di tutto il mondo hanno consumato circa 415 terawattora di elettricità. È l'1,5% di tutto il consumo elettrico globale. Per metterlo in termini europei, è sostanzialmente più dell'intera domanda annuale di elettricità della Spagna, pari a 248 TWh. Tutta la Spagna. Ogni casa, ogni fabbrica, ogni treno, ogni ospedale. I data center consumano di più.
Ma ecco dove la cosa smette di essere semplicemente allarmante e diventa davvero spaventosa: si prevede che quella cifra più che raddoppi entro il 2030, raggiungendo 945 TWh. È il 3% dell'elettricità globale. Non il 3% dell'elettricità tecnologica. Il 3% di tutto. Più di tutti i veicoli elettrici, le pompe di calore e i pannelli solari messi insieme.
E l'AI è il motore principale. Il consumo energetico dei data center AI cresce del 44,7% all'anno. Per capire quanto sia esponenziale, considera l'Irlanda. Nel 2024, i data center hanno consumato il 22% dell'elettricità totale irlandese, rispetto a solo il 5% nel 2015. È un aumento del 531% in nove anni. EirGrid, il gestore della rete irlandese, stima che entro il 2030 i data center potrebbero consumare il 30% dell'elettricità del paese. Quasi un terzo dell'intera rete elettrica di una nazione, solo per addestrare modelli e servire query AI.
Solo Dublino racconta la storia. I data center hanno consumato tra il 33% e il 42% di tutta l'elettricità di Dublino nel 2023. Alcune stime la mettono anche più alta. Il governo irlandese ha imposto una moratoria sulla costruzione di nuovi data center a Dublino fino al 2028 perché la rete non può letteralmente gestire altro carico. Amsterdam ha fatto lo stesso nel 2019, revocandola solo dopo aver implementato severi requisiti di efficacia dell'uso dell'energia e un tetto di 670 MVA fino al 2030. I Paesi Bassi sono andati oltre, imponendo una moratoria nazionale sui data center hyperscale che superano i 70 megawatt.
Questa non è una crescita graduale. È un'esplosione esponenziale della domanda energetica, che sta accadendo proprio ora, accelerando ogni trimestre, e che si sta scontrando frontalmente con i limiti delle infrastrutture fisiche.
La bomba di carbonio dell'addestramento
Addestrare un singolo modello linguistico di grandi dimensioni produce un'impronta di carbonio che farebbe arrossire una raffineria di petrolio. E a differenza delle raffinerie, che almeno producono qualcosa di tangibile da versare nel serbatoio, queste emissioni producono... beh, un modello che potrebbe allucinare con sicurezza su ricette a base di funghi.
GPT-3, il modello che ha dato il via al boom attuale dell'IA, ha emesso 552 tonnellate metriche di CO2 durante l'addestramento. Equivale a 123 autovetture a benzina guidate per un anno. Per un solo modello. Una sola sessione di addestramento. E questo è solo il consumo energetico diretto, senza contare il carbonio incorporato nella produzione delle GPU o nella costruzione del data centre.
Ecco la parte davvero folle: GPT-3 è considerato piccolo secondo gli standard odierni. I modelli moderni sono più grandi di diversi ordini di grandezza. Addestrare un modello da 100 trilioni di parametri consuma circa 9 milioni di euro in tempo di calcolo GPU. Ai prezzi energetici europei e all'intensità di carbonio attuali, parliamo di migliaia di tonnellate di CO2 equivalente. Per modello. E un'implementazione di successo richiede in genere decine o centinaia di sessioni di addestramento, perché i primi diciassette tentativi hanno prodotto un modello che crede che il Belgio sia un tipo di formaggio.
I paper di ricerca strombazzano le impressionanti metriche di performance. L'impronta di carbonio? Finisce sepolta in una nota a piè di pagina, se mai viene menzionata. È l'equivalente nell'IA di vantarsi dell'accelerazione della propria auto nuova senza menzionare che fa 2 chilometri al litro.
L'effetto moltiplicatore dell'inferenza
Ecco cosa la maggior parte delle persone non capisce, ed è la parte che conta davvero: l'addestramento è un costo una tantum. L'inferenza, cioè l'uso del modello per rispondere alle domande, funziona in continuazione. Per sempre. A una scala che fa sembrare minuscole le emissioni dell'addestramento.
Ogni query a ChatGPT consuma elettricità. Ogni generazione di immagini con l'IA brucia watt. Ogni raccomandazione, ogni traduzione, ogni risposta dell'assistente vocale. Milioni di richieste al secondo, 24 ore al giorno, 365 giorni all'anno. E a differenza dell'addestramento, che avviene in raffiche concentrate, l'inferenza è distribuita su migliaia di data centre in tutto il mondo, rendendone quasi impossibile il monitoraggio.
La ricerca mostra che le emissioni dell'inferenza superano spesso quelle dell'addestramento di diversi ordini di grandezza, soprattutto per i modelli ampiamente distribuiti. L'addestramento può costare 500 tonnellate di CO2. L'inferenza nell'arco della vita del modello? Potenzialmente 50.000 tonnellate. Forse di più. Nessuno le conta, ed è esattamente questo il problema.
Le aziende tecnologiche dichiarano le emissioni dell'addestramento quando sono obbligate per legge dalle normative UE. Le emissioni dell'inferenza? Quelle sono "costi operativi generali", comodamente sepolte nelle statistiche generali dei data centre insieme ai server di posta elettronica e ai video di gatti. L'AI Act dell'UE richiede la divulgazione del consumo energetico per i modelli di IA per uso generale, ma l'applicazione è disomogenea e la divulgazione volontaria rimane esattamente ciò che è: volontaria.
La crisi della densità di potenza che sta spaccando la fisica
I data center tradizionali funzionavano con circa 36 kilowatt per rack. Gestibile. Il raffreddamento ad aria convenzionale funzionava bene. Si potevano costruire ovunque, con una buona connettività di rete e prezzi dell'elettricità ragionevoli. Le infrastrutture erano semplici.
Poi è arrivata l'AI, e la fisica si è arrabbiata.
Oggi i rack AI raggiungono i 50 kilowatt. Le implementazioni all'avanguardia arrivano a 100 kilowatt. Alcune configurazioni sperimentali stanno spingendo verso i 250 kilowatt per rack. È il consumo energetico di 100 famiglie europee medie, concentrato in pochi metri quadrati di rack per server. La densità di potenza si avvicina a quella di un motore a razzo.
Il problema non è solo la potenza totale. È la densità. Concentra così tanta energia in uno spazio così piccolo, e la fisica diventa il tuo nemico. Il calore deve andare da qualche parte, e il raffreddamento ad aria fisicamente non può gestirlo. Il carico termico è troppo elevato. Serve il raffreddamento a liquido. Il raffreddamento diretto al chip. Il raffreddamento per immersione. Sistemi complessi di gestione termica che costano più dei server stessi e richiedono team di ingegneri dedicati per funzionare.
I data center vengono riprogettati non per l'efficienza di calcolo, ma solo per prevenire il collasso termico. Stiamo costruendo infrastrutture per gestire il calore di scarto di operazioni matematiche che, fondamentalmente, non dovrebbero produrre tutto questo calore. È come progettare un sistema di scarico migliore per un'auto in fiamme, invece di chiedersi perché l'auto è in fiamme.
Il chip che ha divorato la rete elettrica
Per un momento, concentriamoci sull'hardware, perché il consumo energetico dei singoli chip racconta una storia di follia crescente.
I primi acceleratori AI consumavano circa 400 watt. Già elevati, ma gestibili con il raffreddamento convenzionale. Poi 700 watt. Poi 1.000 watt. L'ultima architettura Blackwell di NVIDIA raggiunge i 1.200 watt per chip, con alcune configurazioni che spingono ancora più in alto. Si parla già di progetti futuri che arriveranno a 1.400 watt.
Pensateci. 1.200 watt. Per chip. Un singolo chip che consuma più energia della maggior parte degli elettrodomestici. E addestrare un modello di grandi dimensioni richiede migliaia di questi chip in funzione continua per settimane o mesi.
I numeri sono spietati: 1.000 chip × 1.200 watt = 1,2 megawatt. Per un singolo cluster di addestramento. Per addestrare un singolo modello. E nel mondo ci sono centinaia di questi cluster, con altri che entrano in funzione ogni trimestre. I mercati FLAP-D (Francoforte, Londra, Amsterdam, Parigi, Dublino) da soli rappresentano oltre il 60% della capacità dei data center europei, con una domanda di energia che dovrebbe passare da 96 TWh nel 2024 a 168 TWh entro il 2030.
Non è sostenibile. Non ci siamo nemmeno vicini. Stiamo bruciando elettricità a un ritmo che dieci anni fa sarebbe sembrato fantascienza, e il dibattito nel settore verte sulla capacità della rete di tenere il passo, non sulla domanda se dovremmo farlo affatto.
L'incubo verde dell'Europa e la scelta impossibile
Per l'Europa, questo crea un conflitto impossibile che non è più teorico. Sta accadendo proprio ora, nelle riunioni di pianificazione della rete e nelle audizioni normative in tutto il continente.
Il Green Deal europeo mira a rendere l'Europa climaticamente neutra entro il 2050. Le emissioni di carbonio devono calare di almeno il 55% entro il 2030 rispetto ai livelli del 1990. L'efficienza energetica deve migliorare in tutti i settori. Le energie rinnovabili devono sostituire i combustibili fossili. Sono obiettivi giuridicamente vincolanti ai sensi della legge europea sul clima.
Nel frattempo, il consumo energetico dell'IA sta esplodendo a un tasso annuo del 44%. Nel 2024, i data center europei hanno consumato 96 TWh, pari al 3,1% della domanda totale di energia. Ma la distribuzione è estremamente disomogenea. In Irlanda, rappresenta il 22% dell'elettricità nazionale. Nei Paesi Bassi, il 7%. In Germania, il 4%. I data center di Amsterdam, Londra e Francoforte hanno consumato tra il 33% e il 42% dell'elettricità di queste città nel 2023.
Le due traiettorie sono matematicamente incompatibili. L'Europa può raggiungere i suoi obiettivi climatici, oppure può costruire infrastrutture AI con gli approcci attuali. Non entrambe le cose. I numeri non tornano.
Alcuni sostengono che le energie rinnovabili risolvano il problema. "Basta alimentare i data center con solare ed eolico." Idea affascinante. Del tutto impraticabile. Nel 2024 l'Europa ha installato 65,5 GW di nuova capacità solare e 16,4 GW di nuovo eolico. Le rinnovabili hanno raggiunto il 47% della produzione elettrica. Ma i 945 TWh di nuova domanda da parte dei data center entro il 2030 richiederebbero una capacità rinnovabile equivalente a migliaia di altri parchi eolici e milioni di altri pannelli solari. Solo l'uso del suolo sarebbe astronomico. La Danimarca, con l'88,4% di elettricità rinnovabile (soprattutto eolica), viene spesso citata come modello. Ma l'intero consumo elettrico danese è solo una frazione della domanda prevista per i data center dell'IA.
Anche se fosse tecnicamente possibile, il costo opportunità è sconcertante. Ogni megawattora destinato all'addestramento dell'IA è un megawattora non disponibile per elettrificare i trasporti, riscaldare le case o alimentare l'industria. È un compromesso diretto, e stiamo scegliendo di bruciare energia rinnovabile per addestrare modelli che potrebbero essere obsoleti tra sei mesi, invece di riscaldare le case durante l'inverno.
La crisi idrica che nessuno monitora
L'energia non è l'unica risorsa che l'IA sta consumando. L'acqua sta diventando una crisi critica, soprattutto nelle regioni già soggette a stress idrico.
I data center usano enormi quantità di acqua per il raffreddamento evaporativo, su cui la maggior parte delle grandi strutture fa affidamento perché è più efficiente dei sistemi a circuito chiuso. Il raffreddamento evaporativo letteralmente fa evaporare l'acqua per dissipare il calore. L'acqua sparisce. Non viene riciclata nel sistema. Evapora nell'atmosfera. Rimossa definitivamente dalle riserve idriche locali.
Uno studio del 2024 ha rilevato che l'addestramento di GPT-3 nei data center statunitensi all'avanguardia di Microsoft ha consumato circa 700.000 litri di acqua dolce. Abbastanza per produrre 370 auto BMW o 320 veicoli elettrici Tesla. Per una singola sessione di addestramento. Di un singolo modello. E questo è solo il consumo idrico diretto in loco, senza contare l'acqua usata per la generazione di elettricità.
L'impronta idrica dell'intero ciclo di vita, inclusa la generazione di elettricità fuori sede, raggiunge i 5,4 milioni di litri. E l'uso continua: ChatGPT richiede circa 500 millilitri di acqua per una breve conversazione di 20-50 domande e risposte. Moltiplicate questo per milioni di utenti che fanno domande in continuazione, e il consumo idrico diventa sconcertante.
Nelle regioni soggette a siccità, questo sta creando conflitti diretti. I data center competono con l'agricoltura e le riserve idriche comunali. In alcune regioni, l'addestramento dell'IA sta letteralmente sottraendo acqua alle colture durante le siccità. Non è un problema futuro. Sta accadendo ora. E con l'espansione delle implementazioni dell'IA, sta peggiorando.
L'illusione dell'efficienza e il paradosso di Jevons
L'industria dell'IA adora parlare di miglioramenti in termini di efficienza. Ogni keynote di una conferenza presenta una slide: "I nuovi chip sono 10 volte più efficienti!" "Algoritmi migliori riducono il consumo energetico del 50%!" "I nostri data center sono alimentati al 100% da energia rinnovabile!"
Tutto vero. Tutto tecnicamente impressionante. Tutto completamente irrilevante per il problema reale.
Perché i miglioramenti in termini di efficienza vengono immediatamente assorbiti dall'aumento di scala. Questo è il paradosso di Jevons in azione, e gli economisti ne parlano dal 1865, quando William Stanley Jevons osservò che il miglioramento dell'efficienza del carbone nei motori a vapore portò a un aumento del consumo complessivo di carbone, non a una sua diminuzione.
L'amministratore delegato di Microsoft, Satya Nadella, ha letteralmente twittato "Il paradosso di Jevons colpisce ancora!" quando DeepSeek ha rilasciato il suo modello di IA efficiente e a basso costo. Aveva capito esattamente cosa sarebbe successo: costi più bassi significano più utilizzo, con un conseguente aumento del consumo totale. E aveva ragione.
Sì, i chip più recenti eseguono più calcoli per watt. Ma i modelli stanno diventando più grandi ancora più velocemente. Sì, algoritmi migliori riducono i tempi di addestramento. Ma stiamo addestrando più modelli, più spesso, con più parametri, perché ora possiamo permettercelo. Il consumo energetico totale non sta diminuendo. Sta accelerando. Il miglioramento di efficienza di 10 volte significa solo che possiamo addestrare un modello 10 volte più grande con lo stesso costo energetico. E quindi lo facciamo. E il consumo totale aumenta.
NVIDIA afferma che Blackwell è 100.000 volte più efficiente dal punto di vista energetico per l'inferenza rispetto ai chip di un decennio fa. Un'ingegneria spettacolare. Ma il consumo energetico totale dell'IA è esploso nello stesso periodo, perché i miglioramenti in termini di efficienza hanno consentito implementazioni su scale che prima erano economicamente impossibili.
Il costo reale delle fantasie in virgola mobile
Perché l'IA consuma così tanta energia? La risposta sta nella matematica, ed è più semplice di quanto si possa pensare.
L'aritmetica in virgola mobile, fondamento delle moderne reti neurali, è computazionalmente costosa. Ogni moltiplicazione richiede circuiti significativi, area di silicio significativa, potenza significativa. E le reti neurali sono miliardi e miliardi di operazioni in virgola mobile, ripetute milioni di volte al secondo.
Peggio ancora, stiamo usando una precisione estrema dove non è davvero necessaria. Float a 32 bit. Float a 16 bit. Persino float a 8 bit. Tutta questa precisione, tutto questo sovraccarico computazionale, tutta questa energia, per prendere decisioni che in definitiva sono binarie. Sì o no. Gatto o cane. Spam o ham. Approvare o rifiutare.
È come usare un supercomputer per lanciare una moneta. Il risultato è testa o croce, ma stiamo bruciando megawatt per calcolare probabilità fino alla sedicesima cifra decimale. La precisione è matematicamente bellissima. È anche termodinamicamente folle.
Questa non è ottimizzazione. Questo è spreco travestito da necessità, difeso dall'inerzia del "ma è sempre stato fatto così" e dal costo irrecuperabile di miliardi di euro investiti in infrastrutture GPU progettate specificamente per operazioni in virgola mobile.
L'alternativa binaria che funziona davvero
Qual è quindi la soluzione? Come costruiamo l'IA senza trasformare i data center in disastri climatici?
In Dweve, abbiamo iniziato mettendo in discussione il presupposto fondamentale. L'IA ha davvero bisogno dell'aritmetica in virgola mobile? Ha davvero bisogno di così tanta energia? Esiste una base matematica diversa che raggiunge la stessa intelligenza con un sovraccarico computazionale drasticamente inferiore?
Le reti neurali binarie forniscono una risposta chiara e testata empiricamente: no, l'IA non ha bisogno dell'aritmetica in virgola mobile. Nemmeno lontanamente.
Eliminando del tutto le operazioni in virgola mobile e usando una semplice logica binaria, il consumo energetico cala del 96%. Non grazie a ottimizzazioni marginali o a un'astuta gestione della cache. Grazie a una riprogettazione matematica fondamentale. Il risparmio computazionale deriva dalla sostituzione delle complesse operazioni di moltiplicazione e accumulo in virgola mobile con semplici operazioni binarie AND e XNOR, che richiedono un consumo energetico di diversi ordini di grandezza inferiore.
Quell'acceleratore Blackwell da 1.200 watt? Sostituitelo con una CPU da 50 watt che esegue operazioni binarie. Stessa intelligenza. Stesse capacità. 24 volte meno energia. O, meglio ancora, implementatelo su FPGA specificamente ottimizzate per operazioni binarie, ottenendo un'efficienza energetica 136 volte superiore rispetto agli approcci GPU tradizionali.
Quel rack di server da 250 kilowatt che assorbe tanta energia quanto un intero quartiere? Ridotto a 10 kilowatt. Quel gigantesco data centre che consuma l'elettricità di una città? Ridotto al consumo di un grande edificio per uffici. I requisiti infrastrutturali crollano proporzionalmente. Niente raffreddamento a liquido esotico. Niente sottostazioni elettriche dedicate. Niente potenziamenti della rete elettrica.
La matematica è semplice: le operazioni binarie consumano diversi ordini di grandezza in meno di energia rispetto alla virgola mobile. Le efficienze infrastrutturali ne conseguono naturalmente. L'impatto sul clima cala proporzionalmente. E i risultati? Accuratezza equivalente o superiore nei compiti reali, perché le reti neurali binarie riescono effettivamente a catturare relazioni strutturali che le reti in virgola mobile non colgono.
Oltre l'efficienza: un paradigma diverso per l'IA europea
Le reti neurali binarie non sono solo più efficienti. Rappresentano un approccio all'intelligenza fondamentalmente diverso, che si allinea naturalmente ai valori europei di sostenibilità, trasparenza e sovranità tecnologica.
Invece di approssimare le decisioni con la matematica continua e un'enorme potenza di calcolo, usano direttamente la logica discreta. Invece di bruciare energia per superare l'instabilità numerica nella discesa del gradiente, si fondano su basi binarie stabili. Invece di richiedere costose GPU proprietarie prodotte all'estero, girano in modo efficiente su CPU standard e possono essere distribuite su FPGA fabbricati in Europa.
Il risultato è un'IA che lavora con la fisica invece di combatterla. Un calcolo che non richiede sistemi di raffreddamento esotici. Un'infrastruttura che non pretende una propria centrale elettrica. E, cosa cruciale per l'Europa, un approccio tecnologico che non ti vincola alla dipendenza da NVIDIA, con sede in California, o da altri fornitori di hardware non europei.
Aziende come Black Forest Labs in Germania, Mistral AI in Francia e Aleph Alpha in Germania stanno costruendo capacità di IA impressionanti, ma restano fondamentalmente dipendenti dalle architetture tradizionali a virgola mobile e dalla filiera delle GPU. Le reti neurali binarie offrono un percorso verso una genuina sovranità europea dell'IA, su hardware che può essere prodotto in Europa con processi in linea con gli impegni climatici del continente.
È così che l'Europa può avere entrambe le cose: avanzamento dell'IA e obiettivi climatici. Non rendendo l'approccio attuale leggermente più verde con acquisti di energia rinnovabile e compensazioni di carbonio, ma usando una matematica che non richiede in partenza un consumo energetico su scala planetaria. L'AI Act europeo lo riconosce già, imponendo la divulgazione del consumo energetico e incoraggiando codici di condotta volontari sulla sostenibilità ambientale. Gli approcci binari trasformano quegli obiettivi ambiziosi in realtà compiuta.
La scelta che stiamo facendo adesso
La crisi energetica digitale non è inevitabile. È una scelta. Una scelta che stiamo facendo proprio ora, in ogni ordine di GPU, in ogni contratto di costruzione di data center, in ogni sessione di addestramento di modelli.
È la scelta di continuare a usare l'aritmetica a virgola mobile perché è familiare, perché gli strumenti esistono, perché riqualificare un intero settore è difficile. La scelta di accettare una crescita esponenziale del consumo energetico perché i risultati trimestrali sono buoni e i venture capitalist sono entusiasti. La scelta di bruciare più elettricità per addestrare un singolo modello di quanta ne consumi una città in un anno, perché possiamo, e perché qualcun altro pagherà il costo climatico.
Ma potremmo scegliere diversamente. L'Europa è in una posizione unica per guidare questa scelta.
Potremmo scegliere una matematica che non sprechi il 96% della propria energia in precisione superflua. Potremmo scegliere algoritmi che funzionino in modo efficiente sull'hardware standard invece di richiedere acceleratori specializzati. Potremmo scegliere architetture che rispettino i limiti fisici e ambientali invece di presupporre una disponibilità infinita di energia. Potremmo scegliere approcci in linea con il Green Deal europeo invece di minarlo direttamente.
Il boom dell'IA non deve trasformarsi in una catastrofe energetica. Le reti neurali binarie dimostrano che esiste un'altra strada. Una strada che offre intelligenza senza il costo climatico. Una strada che funziona con i vincoli delle energie rinnovabili invece di sopraffarli. Una strada che tratta l'efficienza come una caratteristica fondamentale, non come un ripensamento da menzionare nei rapporti di sostenibilità.
L'Irlanda non deve scegliere tra lo sviluppo economico attraverso i data center e una quantità sufficiente di elettricità per le case. Amsterdam non deve imporre moratorie. Dublino non deve assistere al consumo da parte dei data center di quasi metà dell'elettricità cittadina mentre i residenti affrontano costi energetici in aumento.
Il Green Deal europeo e il progresso dell'IA non sono incompatibili. Ma solo se siamo disposti a mettere in discussione le ipotesi fondamentali e a costruire un'IA che abbia davvero senso dal punto di vista matematico, fisico ed economico. La traiettoria attuale porta a 945 TWh entro il 2030, al 3% dell'elettricità globale, a migliaia di tonnellate di CO2 per modello, a milioni di litri di consumo idrico e a una scelta impossibile tra obiettivi climatici e progresso tecnologico.
L'alternativa esiste già oggi. Reti neurali binarie che girano su CPU standard e FPGA efficienti. Calcolo che consuma il 96% in meno di energia. IA sostenibile che non richiede di scegliere tra progresso e pianeta. Algoritmi trasparenti che gli europei possono davvero comprendere e verificare, non pesi floating-point a scatola chiusa controllati da società straniere.
L'unica domanda è se la coglieremo prima di aver bruciato così tanta energia, consumato così tanta acqua e costruito così tante infrastrutture inefficienti da non avere più scelta. La finestra si sta chiudendo. Ma è ancora aperta.
Vuoi un'IA che non richieda la propria centrale elettrica? Dweve Core, il nostro framework di calcolo discreto che combina reti neurali binarie, sistemi basati su vincoli e calcolo spike che alimenta Dweve Loom, offre un consumo energetico inferiore del 96% sia per l'addestramento che per l'inferenza su hardware standard. Nessun acceleratore proprietario. Nessun raffreddamento esotico. Nessun compromesso sulle capacità. Il futuro dell'IA europea sostenibile è efficiente, trasparente e disponibile oggi.