La trappola delle GPU: l'IA europea in ostaggio
La bolletta del cloud a tarda notte
Immaginate questo: gestite una startup ad Amsterdam, Berlino o Barcellona. È tarda notte. Il vostro team ha appena rilasciato una nuova funzionalità di IA che i clienti adorano davvero. Tutto funziona. Tutto cresce.
Poi controllate la bolletta del cloud.
I costi della vostra infrastruttura sono appena triplicati. Non perché avete fatto un errore. Non perché siete stati hackerati. Ma perché il vostro fornitore di cloud ha deciso che i prezzi delle GPU aumentano. Di nuovo. E non potete fare nulla al riguardo, perché avete esattamente un'alternativa: pagare o chiudere.
Benvenuti nella trappola dell'infrastruttura di cui nessuno vi ha avvertito quando avete iniziato a costruire con l'IA. La trappola che costa alle aziende europee 35 miliardi di euro all'anno in infrastruttura per l'IA. La trappola costruita interamente per caso su chip da gaming che non erano mai stati pensati per eseguire un'intelligenza artificiale su scala di civiltà.
Questa è la storia di come ci siamo arrivati. E, cosa ancora più importante, di come potremmo finalmente uscirne.
L'incidente che è diventato un impero
30 settembre 2012. In una camera da letto a casa dei genitori a Toronto, Alex Krizhevsky esegue un'ultima sessione di addestramento. Il suo team, SuperVision, formato con i colleghi dottorandi Ilya Sutskever e il consulente Geoffrey Hinton, sta per presentare la propria partecipazione alla competizione ImageNet.
Hanno fatto qualcosa di non convenzionale: addestrare una rete neurale profonda usando due schede grafiche NVIDIA GTX 580. Hardware da gaming. Il tipo che usereste per rendere le esplosioni in Call of Duty, per far sputare fuoco realistico ai draghi, per calcolare i riflessi dell'acqua nei mondi fantasy.
In realtà, è un espediente. Avevano bisogno di più potenza di calcolo di quanto le CPU potessero offrire, e queste GPU da gaming da 500 euro funzionavano per caso. Nessuno pensa che questo sia il futuro dell'IA. È solo ciò che è disponibile in questo momento, per un progetto da studente di dottorato.
Il loro modello, AlexNet, non vince semplicemente la competizione ImageNet. Distrugge ogni tentativo precedente. I vincitori degli anni precedenti avevano raggiunto tassi di errore del 26,2%. AlexNet arriva al 15,3%. Non è un miglioramento incrementale. È una rivoluzione che si vede dallo spazio.
E proprio così, completamente per caso, le GPU sono diventate il fondamento dell'intelligenza artificiale. L'hardware da gaming è diventato la spina dorsale della tecnologia più importante del XXI secolo. Quello che tutti consideravano un ripiego temporaneo è diventato infrastruttura permanente.
Tredici anni dopo, quell'incidente è metastatizzato in qualcosa che nessuno aveva previsto: una dipendenza annuale da 35 miliardi di euro. Una vulnerabilità strategica. Una monocultura tecnologica. Una gabbia dorata che ha intrappolato l'intero ecosistema globale dell'IA, e l'Europa più di tutti.
Perché le schede grafiche da gaming si sono rivelate adatte
Chiariamo subito cosa è successo davvero. Le GPU non sono mai state progettate per l'intelligenza artificiale. Erano state costruite per rendere l'acqua realistica nei videogiochi, per rendere credibili le ombre, per calcolare gli effetti di luce in ambienti 3D a 60 fotogrammi al secondo.
Ma avevano una caratteristica architetturale che si è rivelata provvidenziale per le reti neurali: il parallelismo massivo. Mentre una CPU può avere 8 o 16 core che eseguono operazioni complesse in sequenza, una GPU ha migliaia di core più semplici che eseguono la stessa istruzione simultaneamente.
Le reti neurali, a quanto pare, sono per lo più moltiplicazioni di matrici. La stessa operazione matematica ripetuta milioni di volte. Parallelizzabile in modo imbarazzante, come dicono gli informatici. Il tipo di problema in cui puoi dividere il lavoro tra migliaia di processori semplici e ottenere accelerazioni notevoli.
È stato un incontro del tutto casuale. Come scoprire che il frullatore della tua cucina è un ottimo mescolatore di vernice. Certo, funziona. È più veloce che mescolare a mano. Ma nessuno lo ha progettato per quello scopo. Nessuno lo ha ottimizzato per quell'uso. Semplicemente ha le proprietà giuste.
Il team di Toronto doveva addestrare reti più grandi. Le CPU erano lentissime, servivano settimane per quello che le GPU facevano in giorni. Cercarono alternative e trovarono la piattaforma CUDA di NVIDIA, un framework di programmazione che permetteva di riutilizzare le schede grafiche per il calcolo generico.
Non era ottimizzata per le reti neurali. Non era nemmeno particolarmente adatta. Ma era 10 volte più veloce delle CPU, e quando fai esperimenti in un laboratorio universitario con un budget risicato, è più che sufficiente.
Il "buono abbastanza" è diventato lo standard di riferimento. La soluzione temporanea si è consolidata in infrastruttura permanente. Il trucco è diventato l'industria. E qui sta la parte davvero notevole: tutti sapevano che era un trucco. Nel 2012, i ricercatori parlavano delle GPU come di un metodo di accelerazione comodo, una soluzione tampone in attesa che arrivasse qualcosa di meglio.
Nessuno immaginava che nel 2025 avremmo ancora usato hardware da gaming per l'IA all'avanguardia. Nessuno aveva previsto che questo sarebbe diventato il collo di bottiglia che limita l'intero settore. Eppure eccoci qui, ad addestrare modelli con migliaia di miliardi di parametri su hardware progettato originariamente per renderizzare i blocchi di Minecraft.
Come NVIDIA ha costruito il fossato inespugnabile
NVIDIA ha visto l'opportunità prima di chiunque altro. Mentre gli accademici trattavano le GPU come un semplice acceleratore per i loro esperimenti, NVIDIA costruiva un impero con la pazienza e la lungimiranza di un grande stratega.
CUDA si è evoluto da un semplice framework di programmazione a un ecosistema completo. Librerie per ogni operazione immaginabile. Strumenti di ottimizzazione. Sistemi di profiling. Infrastruttura di debugging. Documentazione estesa. Programmi educativi per studenti universitari. Evangelizzazione degli sviluppatori. Sponsorizzazioni di conferenze. Sovvenzioni per la ricerca.
Miliardi investiti in oltre un decennio per rendere CUDA non solo funzionale, ma indispensabile. Non solo veloce, ma insostituibile.
Ogni grande framework di intelligenza artificiale ha costruito le sue fondamenta su CUDA. PyTorch parla CUDA in modo nativo. TensorFlow compila su CUDA. JAX presuppone la disponibilità di CUDA. Se vuoi addestrare una rete neurale a velocità competitive, scrivi codice che gira su CUDA. Se vuoi ottimizzare le prestazioni, usi le librerie CUDA. Se vuoi distribuire su larga scala, ti serve hardware compatibile con CUDA.
E CUDA gira solo su GPU NVIDIA. Non è un caso. Non è una svista. È una strategia eseguita con precisione chirurgica per quindici anni.
È uno dei vendor lock-in di maggior successo nella storia dell'informatica. Non ottenuto attraverso restrizioni legali o comportamenti anticoncorrenziali che i regolatori potrebbero contestare, ma attraverso una costruzione di ecosistema instancabile e paziente. Quando l'industria si è resa conto di cosa stava accadendo, era ormai troppo tardi. L'intero stack dell'IA era stato costruito sulle fondamenta proprietarie di NVIDIA, una decisione alla volta, una libreria alla volta, un'ottimizzazione alla volta.
Oggi NVIDIA controlla il 92% del mercato degli acceleratori per l'IA. Non il 60%. Non il 75%. Novantadue per cento. Alcuni analisti stimano la quota del mercato dell'addestramento al 98%. Rileggi questi numeri. Non è un mercato competitivo. È un monopolio con una foglia di fico tecnica.
La morsa da 35 miliardi di euro all'anno
Parliamo di cosa significa questo monopolio in termini concreti, in particolare per le aziende europee che cercano di costruire prodotti AI.
Una singola GPU NVIDIA H100 costa tra i 23.000 e i 37.000 euro. Solo per un chip. Addestrare un moderno modello linguistico di grandi dimensioni richiede migliaia di queste GPU in esecuzione continua per settimane o mesi. Il solo costo di calcolo può raggiungere decine di milioni di euro. E questo è solo un ciclo di addestramento. La maggior parte dei modelli richiede dozzine di iterazioni prima di funzionare in modo accettabile.
La nuova architettura Blackwell di NVIDIA consuma fino a 1.200 watt per chip. Più energia di una stufa elettrica ad alta potenza. Offre un addestramento AI circa 2,5 volte più veloce rispetto alla precedente generazione H100. Ingegneria impressionante, senza dubbio.
Ma costa anche di più, richiede un'infrastruttura di raffreddamento a liquido che la maggior parte dei data center non possiede, e non hai assolutamente altra scelta se vuoi rimanere competitivo. Perché tutti gli altri la comprano. Perché CUDA funziona solo su di essa. Perché l'ecosistema non esiste da nessun'altra parte.
L'intero sistema si basa su una semplice realtà: se vuoi costruire un'AI all'avanguardia, hai bisogno delle GPU NVIDIA. E se hai sede in Europa, sei in una posizione di svantaggio strutturale fin dal primo giorno.
I provider cloud americani come AWS, Microsoft Azure e Google Cloud investono oltre 37 miliardi di euro ogni trimestre in infrastrutture GPU. Ogni. Singolo. Trimestre. Controllano il 70% del mercato cloud europeo. I provider europei detengono solo il 15% del loro mercato interno, in calo rispetto al 29% del 2017.
Aziende come SAP e Deutsche Telekom detengono ciascuna solo il 2% del mercato cloud europeo. I provider cloud europei come OVHcloud, Scaleway e Hetzner servono mercati di nicchia, senza riuscire a eguagliare la scala degli hyperscaler americani. Incapaci di assicurarsi GPU a prezzi competitivi. Incapaci di offrire le stesse prestazioni. Incapaci di competere.
Non è che alle aziende europee manchino talento tecnico o ambizione. Manca loro l'accesso alle GPU a prezzi competitivi e su larga scala. Non sono solo indietro nella corsa. Corrono su una pista completamente diversa, con barriere strutturali che miliardi di investimenti faticano a superare.
Le startup AI europee affrontano una partita impossibile da vincere
Considerate cosa sta succedendo alle aziende AI europee proprio ora, in tempo reale, mentre cercano di competere.
Mistral AI, la startup AI più promettente della Francia, ha raccolto 468 milioni di euro di finanziamenti. Sono soldi veri. Questo la rende una delle aziende AI europee meglio capitalizzate. Anche con quel tesoretto, ha dovuto annunciare una partnership sovrana per l'infrastruttura AI con NVIDIA al VivaTech 2025 solo per assicurarsi l'accesso alle GPU.
Rileggete questa frase. Quasi mezzo miliardo di euro di finanziamenti, e hanno comunque dovuto collaborare con NVIDIA solo per ottenere chip. Non è una scelta strategica. È una necessità travestita da partnership.
Aleph Alpha, la risposta tedesca a OpenAI, ha cambiato rotta a fine 2024, passando dalla creazione di modelli fondamentali all'aiuto alle aziende per implementare l'AI. Perché? Come ha riconosciuto il fondatore Jonas Andrulis, costruire LLM si è rivelato troppo difficile e costoso in uno spazio dominato da giganti tecnologici dalle tasche profonde.
Traduzione: non sono riusciti ad assicurarsi l'accesso alle GPU nella scala necessaria per competere. Non sono riusciti a eguagliare gli investimenti infrastrutturali delle aziende americane. Così hanno virato verso un modello di business che non richiede di competere sull'addestramento di modelli fondamentali. Non è strategia. È resa.
Le aziende AI europee hanno ricevuto dieci volte meno finanziamenti delle loro controparti americane. Ma anche se i finanziamenti fossero uguali, il collo di bottiglia delle GPU rimarrebbe. NVIDIA dà priorità ai suoi clienti più grandi: i provider cloud americani e i giganti tecnologici. Le startup europee fanno la fila per gli avanzi, pagando prezzi maggiorati per qualunque allocazione riescano a ottenere.
L'UE ha risposto con l'iniziativa InvestAI, mobilitando 200 miliardi di euro per gli investimenti nell'IA. Nel febbraio 2025, Brookfield Infrastructure e Data4 hanno annunciato 19,2 miliardi di euro di investimenti in infrastrutture per l'IA nella sola Francia. Nel dicembre 2024, l'impresa comune EuroHPC ha selezionato sette consorzi per creare le prime AI Factory in Finlandia, Germania, Grecia, Italia, Lussemburgo, Spagna e Svezia.
Si tratta di investimenti enormi. Impegni concreti. Ma le prime gigafabbriche non saranno operative prima del 2027. E tutte, senza eccezione, funzioneranno con GPU NVIDIA. L'Europa spende centinaia di miliardi di euro per liberarsi dalla dipendenza dai provider cloud americani, solo per approfondire la dipendenza dall'hardware americano.
Il problema è evidente.
La Trappola dell'Ecosistema: Perché la Fuga è Quasi Impossibile
Ecco perché il lock-in è così insidioso, anche quando tutti lo riconoscono come un problema da risolvere.
Immagina di essere un laboratorio di ricerca dell'Università Tecnica di Monaco. Usi GPU NVIDIA da cinque anni. L'intero codebase è ottimizzato per CUDA. I tuoi ricercatori hanno competenze su CUDA. La tua infrastruttura presuppone CUDA. Le tue pipeline di deployment dipendono da CUDA. Hai investito milioni di euro e innumerevoli anni-uomo in questo ecosistema.
Ora qualcuno ti offre un'alternativa. Magari la piattaforma ROCm di AMD. Magari le TPU di Google. Magari un acceleratore IA personalizzato di una promettente startup europea.
Per passare, devi riscrivere l'intera base di codice per una nuova piattaforma, un processo che richiede mesi o anni. Riaddestrare il tuo team su nuovi strumenti, framework e tecniche di ottimizzazione. Riottimizzare tutti i tuoi modelli per diverse architetture hardware. Accettare che l'80% delle librerie open-source di intelligenza artificiale non funzionerà senza modifiche significative. Rischia che l'alternativa manchi di durata e supporto del fornitore. Spera che le prestazioni corrispondano o superino quelle che avevi, sapendo che probabilmente non sarà così. Prega di non essere appena passato da un ecosistema proprietario a un altro, altrettanto bloccato ma con meno risorse alle spalle.
I costi di migrazione sono astronomici. I rischi sono enormi. I benefici sono incerti. Per la maggior parte delle organizzazioni, è un calcolo impossibile. Meglio restare con il diavolo che conosci, anche se quel diavolo è costoso, controllato da potenze straniere e strategicamente rischioso.
Colossi tecnologici come Microsoft, Meta e Google hanno investito decine di miliardi in data center basati su CUDA. Quell'infrastruttura non rappresenta solo costi irrecuperabili. Rappresenta il fondamento dell'intera loro strategia sull'intelligenza artificiale. I loro talenti sono formati su CUDA. Il loro codice presuppone CUDA. I loro strumenti di distribuzione si aspettano CUDA. Il loro vantaggio competitivo dipende dalla competenza in CUDA.
Questo è ciò che gli economisti chiamano alti costi di migrazione con effetti di rete. Una volta che una tecnologia raggiunge la massa critica, sostituirla diventa quasi impossibile, anche se esistono alternative superiori. Anche se tutti starebbero meglio cambiando. Anche se la soluzione attuale è subottimale, costosa e strategicamente pericolosa.
NVIDIA non ha costruito solo hardware eccellente. Ha costruito una gabbia con sbarre dorate, e l'intera industria dell'intelligenza artificiale vi è entrata volontariamente, una decisione opportuna alla volta, senza rendersi conto che la porta si stava chiudendo alle loro spalle.
Il collo di bottiglia dell'innovazione di cui nessuno parla
La conseguenza peggiore non è il costo o nemmeno il lock-in del fornitore. È ciò che il dominio delle GPU fa all'innovazione stessa, allo spazio delle possibilità di ciò che l'intelligenza artificiale potrebbe essere.
Quando una tecnologia raggiunge una dominanza di mercato quasi totale, l'innovazione confluisce nel rendere quella tecnologia marginalmente migliore piuttosto che nell'esplorare approcci fondamentalmente diversi. NVIDIA rilascia nuove generazioni di GPU con miglioramenti incrementali. I ricercatori ottimizzano il codice per le architetture NVIDIA. Gli sviluppatori di framework aggiungono funzionalità CUDA. Tutti corrono più veloci sullo stesso tapis roulant.
Nel frattempo, approcci radicalmente diversi all'intelligenza artificiale vengono privati di risorse, attenzione e talento. Perché investire nel calcolo neuromorfico quando tutti usano GPU? Perché esplorare il ragionamento basato su vincoli quando le reti neurali funzionano abbastanza bene? Perché sviluppare reti binarie quando la virgola mobile è lo standard consolidato? Perché perseguire il calcolo analogico, l'elaborazione fotonica o qualsiasi altra architettura alternativa?
La risposta è brutalmente semplice: non puoi competere. L'ecosistema non esiste. Gli strumenti non ci sono. L'infrastruttura non è disponibile. I talenti hanno imparato CUDA e non vogliono ricominciare da zero. Gli investitori finanziano approcci basati su GPU perché hanno una trazione comprovata, perché capiscono il mercato, perché le alternative sono troppo rischiose.
È un ciclo che si autoalimenta e restringe lo spazio delle possibilità a ogni iterazione. La dominanza delle GPU crea vantaggi ecosistemici. I vantaggi ecosistemici attirano investimenti. Gli investimenti rafforzano la dominanza delle GPU. Gli approcci alternativi faticano persino a iniziare, figuriamoci a raggiungere la scala necessaria per dimostrare la propria validità.
Non stiamo più esplorando l'intero spazio delle possibili architetture di intelligenza artificiale. Stiamo esplorando lo spazio molto più ristretto di ciò che funziona efficientemente sulle GPU NVIDIA. Questo è un vincolo profondo all'innovazione che si accumula nel tempo. Ogni anno la gabbia diventa più piccola, le pareti più spesse, l'uscita più distante. Ogni anno investiamo di più nell'ottimizzare la cosa sbagliata.
Colonialismo digitale: la crisi strategica dell'Europa
Per l'Europa, questa non è una semplice difficoltà tecnica o una sfortunata situazione di mercato. È una crisi strategica con implicazioni geopolitiche che definirà la sovranità tecnologica europea per generazioni.
Il 10 giugno 2025, Anton Carniaux, direttore degli affari pubblici e legali di Microsoft France, si è presentato davanti al Senato francese per un'inchiesta sulla sovranità dei dati. Senatore dopo senatore, gli è stata posta una domanda apparentemente semplice: poteva garantire che i dati dei cittadini francesi conservati sui server Microsoft non sarebbero mai stati trasmessi alle autorità statunitensi senza un'esplicita autorizzazione francese?
La sua risposta, chiara e senza elusioni: No, non posso garantirlo.
Ai sensi del CLOUD Act statunitense, le aziende tecnologiche americane sono tenute a rispettare le richieste di dati del governo degli Stati Uniti, indipendentemente da dove i dati siano fisicamente conservati. Se una richiesta è formulata correttamente secondo la legge statunitense, Microsoft è legalmente obbligata a trasmettere i dati. La sovranità europea dei dati, in altre parole, è condizionata alla clemenza americana. Esiste per concessione della politica statunitense, non come espressione del controllo europeo.
Quella testimonianza ha scosso gli ambienti politici europei. Ma la situazione delle GPU è strutturalmente identica, solo meno visibile. NVIDIA è soggetta ai controlli sulle esportazioni statunitensi. Una disputa commerciale, un cambiamento di politica, una crisi geopolitica, e l'intera infrastruttura AI europea potrebbe essere rallentata o interrotta del tutto. Non ipoteticamente. Realmente. Con un tratto di penna a Washington.
L'Europa ha ricercatori AI brillanti. Università di livello mondiale che producono ricerche all'avanguardia. Startup innovative come Mistral AI e Aleph Alpha. Grandi istituti di ricerca come IDSIA in Svizzera, il Centro tedesco di ricerca per l'intelligenza artificiale, l'INRIA in Francia. Ingegneri di talento che costruiscono sistemi impressionanti.
Ma tutti costruiscono su fondamenta che non controllano, usando hardware a cui non possono accedere a prezzi competitivi, chiusi in un ecosistema proprietario di proprietà di una singola azienda americana, soggetti alla politica di esportazione statunitense, vulnerabili alle decisioni politiche americane.
Questa non è sovranità digitale. Questo è colonialismo digitale con un volto amichevole e un eccellente servizio clienti.
La bugia dell'efficienza che nessuno vuole affrontare
Ecco una verità scomoda che viene spesso trascurata nella maggior parte delle discussioni sull'infrastruttura AI: le GPU non sono realmente efficienti per l'AI. Sono semplicemente l'opzione meno inefficiente su cui ci siamo accordati perché erano disponibili nel 2012.
Sì, le GPU sono più veloci delle CPU per la moltiplicazione di matrici. Ma raggiungono la velocità con la forza bruta, non con l'eleganza o l'ottimizzazione. Consumano enormi quantità di energia. Richiedono complessi sistemi di raffreddamento a liquido. Esigono infrastrutture specializzate per i data center. E stanno peggiorando, non migliorando.
Una moderna NVIDIA Blackwell B200 assorbe 1.200 watt. Più energia della maggior parte dei termosifoni domestici. I data center in tutta Europa vengono riprogettati non per l'efficienza computazionale, ma semplicemente per gestire il carico termico. Il cabinet GB200 NVL72 consuma 120 kilowatt. Un singolo rack. Le fabbriche AI su scala gigawatt richiedono infrastrutture elettriche equivalenti a quelle di piccole città.
Si prevede che la domanda di energia dei data center in Europa raggiungerà 168 TWh entro il 2030 e 236 TWh entro il 2035, triplicando rispetto ai livelli del 2024. Nei Paesi Bassi, i data center consumano già il 7% dell'elettricità nazionale. A Francoforte, Londra e Amsterdam, consumano tra il 33% e il 42% di tutta l'elettricità. Rileggilo. Tra un terzo e quasi la metà di tutta l'elettricità nelle principali città europee va ai data center.
In Irlanda, i data center rappresentano oltre il 20% del consumo totale di elettricità nazionale. Un quinto dell'energia di un intero paese serve a mantenere i chip abbastanza freddi da funzionare. E questa percentuale cresce ogni anno man mano che nuove infrastrutture AI entrano in funzione.
Ed ecco la parte che dovrebbe far riflettere tutti: gran parte di quel calcolo è fondamentalmente sprecato. Le GPU eseguono operazioni in virgola mobile con una precisione estrema quando la decisione finale è binaria. Eseguono enormi moltiplicazioni di matrici quando basterebbero operazioni più semplici. Bruciano energia non perché sia necessaria per l'intelligenza, ma perché è così che funziona l'hardware delle GPU. Perché è l'unico modo che conosciamo per farlo su larga scala con gli strumenti in cui abbiamo investito.
Abbiamo ottimizzato per la metrica completamente sbagliata. Non qual è il modo migliore per fare AI, ma qual è il modo più veloce per farlo su una GPU. È come progettare aeroplani facendo battere le ali agli uccelli più velocemente invece di comprendere i principi fondamentali della portanza aerodinamica. Funziona, più o meno, ma ti stai perdendo completamente il punto.
La svolta binaria: uscire dal paradigma
Qual è allora la vera via d'uscita da questa gabbia dorata? In Dweve ci siamo posti una domanda fondamentalmente diversa: e se non avessimo affatto bisogno delle GPU? E se l'intero approccio in virgola mobile fosse stato fin dall'inizio la strada sbagliata?
Le reti neurali richiedono GPU perché usano l'aritmetica in virgola mobile. Le operazioni in virgola mobile richiedono hardware specializzato per ottenere prestazioni accettabili. È questo requisito architetturale a creare la dipendenza dalle GPU. Ecco perché siamo intrappolati. È questa la catena che dobbiamo spezzare.
Ma le reti neurali binarie eliminano del tutto l'aritmetica in virgola mobile. Funzionano con semplici operazioni logiche: AND, OR, XOR, XNOR. Il tipo di operazioni che ogni CPU moderna sa eseguire in modo efficiente usando set di istruzioni nativi esistenti da decenni. Nessun hardware specializzato richiesto. Nessuna dipendenza dalle GPU. Nessun vincolo con CUDA. Nessun monopolio del fornitore.
Dweve Core implementa questo approccio con 1.930 algoritmi ottimizzati per l'hardware che operano direttamente nello spazio decisionale discreto. Calcolo binario, calcolo ternario, calcolo a bassa precisione. Il framework gira in modo efficiente su CPU standard, ottenendo risultati che dovrebbero essere impossibili:
Server Intel Xeon standard che eseguono modelli di grandi dimensioni a velocità competitive. Consumo energetico misurato in decine di watt, non centinaia o migliaia. Requisiti di memoria ridotti di un ordine di grandezza. Velocità di inferenza che eguagliano o superano le implementazioni su GPU per molti carichi di lavoro. E tutto questo su hardware che esiste già in ogni data center, in ogni provider cloud, in ogni dispositivo edge.
La matematica è semplice. I modelli FP32 richiedono 4 byte per parametro. I modelli binari richiedono 1 bit per parametro. È una riduzione della memoria di 32 volte solo grazie alla quantizzazione. Aggiungi i pattern di attivazione sparsi e ti ritrovi con modelli che stanno nella RAM di sistema invece di richiedere costosa memoria ad alta larghezza di banda.
Le operazioni binarie si eseguono con le istruzioni XNOR e POPCNT. Sono istruzioni CPU native, parte dei set di istruzioni x86-64 e ARM, ottimizzate a livello di silicio. Sono veloci. Sono efficienti. Sono sempre state lì. Dovevamo solo capire come usarle nel modo giusto.
Cosa cambia davvero con le reti binarie
Non è un leggero miglioramento del paradigma esistente. È un paradigma diverso. Le implicazioni vanno ben oltre semplici metriche di prestazioni migliori.
Dweve Loom dimostra ciò che diventa possibile: 456 sistemi specializzati per dominio che operano come una Mixture of Specialists. Ogni specialista di dominio è una rete binaria ottimizzata per il proprio ambito. Matematica. Scienza. Codice. Linguaggio. Insieme raggiungono la profondità e la capacità di modelli molto più grandi, utilizzando una frazione delle risorse.
Il routing tra gli specialisti di dominio? Operazioni binarie. L'attivazione dello specialista di dominio? Decisioni binarie. La fusione dell'output finale? Logica binaria. È binario fino in fondo, e funziona perché l'intelligenza si manifesta in ultima analisi attraverso scelte discrete, non attraverso probabilità continue calcolate con precisione dispendiosa.
Questo gira su un server standard. Non un cluster di GPU. Non acceleratori specializzati. Un server che puoi acquistare da qualsiasi vendor hardware, installare in qualsiasi data center, distribuire in qualsiasi paese. Consumo energetico misurato in centinaia di watt per l'intero sistema, non per chip. Requisiti di raffreddamento soddisfatti dal raffreddamento ad aria standard, non da sistemi a liquido che costano milioni da installare.
Liberarsi: la via europea verso il futuro
L'era delle GPU è durata molto più a lungo di quanto avrebbe dovuto. Ciò che è iniziato come un espediente nella camera di uno studente laureato nel 2012 si è trasformato in una dipendenza a livello di settore. Quello che doveva essere un ripiego temporaneo è diventato infrastruttura permanente. Ciò che avrebbe dovuto essere sostituito anni fa si è invece calcificato in monopolio.
Ma le crepe stanno emergendo. I costi stanno diventando insostenibili per tutti tranne che per i più grandi giganti tecnologici. I rischi strategici sono impossibili da ignorare per qualsiasi governo che presti attenzione. Il collo di bottiglia dell'innovazione sta soffocando approcci alternativi che potrebbero essere migliori. L'impatto ambientale sta diventando insostenibile mentre costruiamo centrali elettriche su scala di gigawatt solo per raffreddare i chip. Le vulnerabilità geopolitiche sono troppo gravi perché l'Europa possa accettarle indefinitamente.
Le reti neurali binarie non sono semplicemente un'ottimizzazione degli approcci esistenti. Rappresentano un ripensamento fondamentale di come dovrebbe funzionare l'IA. Incarnano la differenza tra essere intrappolati nell'ecosistema di NVIDIA e raggiungere una genuina libertà tecnologica. Tra pagare la tassa sulle GPU per sempre e liberarsene completamente.
L'Europa non deve vincere la corsa alle GPU. L'Europa deve renderle obsolete. Costruire sistemi di IA che funzionino su hardware standard che già possediamo. Creare tecnologie che non dipendano da acceleratori americani soggetti ai controlli sulle esportazioni degli Stati Uniti. Sviluppare capacità che non possano essere limitate da decisioni di politica estera o compromesse da leggi straniere sull'accesso ai dati.
In Dweve, l'intera piattaforma è costruita su questa base. Core fornisce il framework algoritmico binario. Loom implementa il modello di intelligenza con specialisti di dominio. Nexus orchestra i sistemi multi-agente. Aura gestisce gli agenti autonomi. Spindle gestisce la governance della conoscenza. Mesh crea infrastruttura decentralizzata.
Tutto questo gira in modo efficiente su infrastruttura europea standard. Su CPU nei data center di Interxion, di Equinix, di OVHcloud. Su dispositivi edge in tutto il continente. Su hardware che controlliamo, usando matematica che non può essere monopolizzata, creando valore che resta in Europa.
Nessuna dipendenza dalle GPU. Nessuna vulnerabilità strategica. Nessuna gabbia dorata.
La scelta che ci attende
L'industria dell'IA si trova a un bivio. Un percorso prosegue lungo la traiettoria delle GPU, accettando costi sempre più elevati, una sovranità in declino, uno spazio di innovazione che si restringe, un impatto ambientale crescente e una vulnerabilità strategica che si approfondisce. L'altro percorso si libera del tutto, usando una matematica discreta che non richiede acceleratori specializzati, che gira su hardware che già possediamo, che ci restituisce il controllo.
La gabbia dorata sembra comoda vista da dentro. NVIDIA produce prodotti davvero eccellenti. CUDA è ottimizzata in modo impressionante. L'ecosistema è maturo e completo. Le prestazioni sono reali. L'inerzia è potente. I costi irrecuperabili creano un impegno psicologico. Il cambiamento è difficile, rischioso e incerto.
Ma resta pur sempre una gabbia. E la porta si sta chiudendo.
Ogni trimestre la dipendenza dalle GPU si approfondisce. Ogni euro investito in infrastrutture CUDA alza il costo del passaggio ad altro. Ogni nuova generazione di acceleratori rafforza il lock-in. Ogni ricercatore formato esclusivamente su CUDA restringe il bacino di talenti. Ogni anno la gabbia si fa più piccola e l'uscita più lontana. Ogni anno abbiamo meno margine di manovra, meno opzioni, rischi più alti.
Le reti neurali binarie e il calcolo discreto offrono una via di fuga. Ma solo se la prendiamo prima che la gabbia diventi ineludibile. Solo se agiamo finché restano possibili alternative. Solo se siamo disposti a mettere in discussione l'assunto che le GPU siano inevitabili, che la virgola mobile sia necessaria, che il monopolio sia accettabile.
Il colpo di fortuna del 2012 ha svolto il suo compito. Ha dimostrato che il deep learning funziona su larga scala. Ha provato il potenziale dell'IA oltre ogni immaginazione. Ha dato il via a un'industria che sta trasformando la civiltà. Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton meritano un enorme riconoscimento per la loro scoperta. Hanno cambiato il mondo.
Ma i colpi di fortuna non sono fatti per diventare fondamenta. Le soluzioni raffazzonate non sono fatte per diventare infrastrutture. I ripieghi temporanei non sono fatti per diventare dipendenze permanenti. L'hardware da gaming non è fatto per gestire un'IA su scala civilizzazionale. I monopoli americani non sono fatti per controllare all'infinito la sovranità tecnologica europea.
È ora di costruire qualcosa di meglio. Qualcosa che non ci intrappoli in gabbie dorate. Qualcosa che meriti davvero di essere il fondamento dell'intelligenza artificiale. Qualcosa che funzioni su hardware standard, rispetti i vincoli energetici, consenta una vera innovazione, preservi l'autonomia strategica e ci restituisca il controllo del nostro futuro tecnologico.
L'era delle GPU sta finendo, che lo si riconosca o no. La fisica e l'economia lo garantiscono. L'unica domanda è se lo vedremo arrivare e costruiremo l'alternativa, o se un giorno ci sveglieremo scoprendo di non poterci sottrarre e capiremo, troppo tardi, che avremmo dovuto agire quando ne avevamo ancora la possibilità.