L’intelligenza artificiale richiede una potenza di calcolo molto diversa da quella dei data center tradizionali. Invece di affidarsi soprattutto a processori generici, progettati per eseguire operazioni in sequenza, utilizza grandi gruppi di chip specializzati, come GPU Tensor Core, TPU e acceleratori NPU.
Queste architetture hardware a parallelismo massivo svolgono contemporaneamente enormi quantità di calcoli, soprattutto operazioni matematiche su matrici, indispensabili per addestrare e far funzionare i modelli di Deep Learning.
Questa trasformazione architetturale ha innescato una crescita esponenziale dei requisiti di potenza termica ed elettrica: la densità media per rack, rimasta per oltre un decennio compresa nella fascia tra i 5 e i 10 kW, registra oggi picchi che superano stabilmente i 40-100 kW per singolo armadio nelle installazioni iperscalari, con proiezioni che raggiungono e oltrepassano i 120-150 kW per le generazioni a raffreddamento a liquido integrale[1]
Indice degli argomenti
Il consumo energetico e la sostenibilità dell’intelligenza artificiale
La dissipazione di calore a livello di silicio ha oltrepassato i valori standard dei socket tradizionali, raggiungendo livelli senza precedenti per singolo modulo computazionale, con valori di picco che si attestano stabilmente tra i 700 e gli oltre 1000 Watt per acceleratore. Una simile concentrazione energetica impone una revisione radicale delle dorsali di distribuzione interne ai data center, guidando la transizione verso architetture di alimentazione a 48 Volt o in corrente continua ad alta tensione direttamente sul backplane del rack, al fine di abbattere le perdite per effetto Joule e gestire correnti che superano migliaia di Ampere per cassetto computazionale.
Parallelamente, l’infrastruttura di interconnessione ad altissima velocità necessaria a sincronizzare decine di migliaia di core introduce un carico energetico parassita non trascurabile, dove transceiver ottici e switch di aggregazione concorrono ad assorbire fino al 15-20% della potenza complessiva del cluster. A ciò si aggiunge l’impatto termico dei circuiti integrati per la gestione dell’alimentazione di precisione posti a ridosso dei die, i quali richiedono raffreddamenti dedicati per evitare il degrado dei componenti a semiconduttore.
Secondo le analisi dettagliate dell’International Energy Agency, la domanda aggregata di energia elettrica imputabile a data center, intelligenza artificiale e infrastrutture di calcolo distribuito è destinata a raddoppiare a livello globale, proiettando la domanda complessiva verso e oltre la soglia dei 1.000 TWh, un ordine di grandezza equiparabile al consumo annuo complessivo di grandi sistemi industriali nazionali come il Giappone o la Germania[2].
Questo scenario rende manifesta l’azione del Paradosso di Jevons in ambito computazionale: i costanti guadagni di efficienza microelettronica, trainati dalla miniaturizzazione dei nodi litografici e dall’ottimizzazione del rapporto tra operazioni eseguite e potenza assorbita, non determinano una contrazione della domanda energetica aggregata. Al contrario, la contestuale riduzione del costo unitario del calcolo incentiva lo sviluppo di modelli di frontiera su scala esponenzialmente maggiore e la loro integrazione ubiqua nei flussi produttivi globali, saturando la capacità delle infrastrutture di generazione elettrica e delle sottostazioni di trasmissione ad alta tensione[3].
Le leggi di scala empiriche che legano l’aumento dei parametri del modello e del volume dei token di dataset a un incremento prestazionale continuo continuano a spingere l’industria verso investimenti infrastrutturali di scala sempre più massiccia[4].
Addestramento e inferenza: dove si gioca la sostenibilità dell’IA
L’assorbimento energetico dell’ecosistema dell’intelligenza artificiale si articola lungo tre stadi operativi e computazionali ben distinti, ciascuno caratterizzato da specifici pattern di utilizzo dell’hardware, diverse intensità di traffico dati e differenti dinamiche termiche.
Il costo energetico del pre-training
L’addestramento da zero di modelli linguistici di grandi dimensioni con centinaia di miliardi o trilioni di parametri richiede l’esecuzione di trilioni di moltiplicazioni matriciali dense su formati numerici a precisione ridotta come FP16, BF16 o FP8. Questa fase impegna cluster composti da decine di migliaia di nodi computazionali sincronizzati attraverso architetture di parallelismo tridimensionale, combinando partizionamento dei tensori all’interno del singolo nodo, suddivisione a pipeline tra nodi adiacenti e replicazione parallela dei dati con sincronizzazione distribuita dei gradienti.
La comunicazione inter-nodo avviene tramite fabric di rete non bloccanti ad altissima velocità e bassissima latenza con throughput aggregati fino a 800 Gbps per interfaccia, mantenendo i processori a un regime di carico continuo per settimane o mesi senza interruzioni. Le prime analisi empiriche sul Natural Language Processing hanno quantificato in modo rigoroso come l’addestramento di architetture dense generi volumi di emissioni equivalenti al ciclo di vita di molteplici autovetture[5]. L’impronta carbonica lorda scaturisce dalla combinazione tra la durata del calcolo, l’assorbimento di potenza nominale dell’hardware, l’efficienza dei sistemi di supporto dell’infrastruttura fisica e l’intensità di carbonio della rete elettrica locale al momento del prelievo [6].
Fine-tuning e impronta carbonica diffusa
Il fine-tuning supervisionato e le fasi di allineamento tramite preferenze umane rappresentano un passaggio intermedio ma strategico. Sebbene impieghino un volume computazionale totale inferiore rispetto al pre-training iniziale, la diffusione massiva di tecniche di adattamento parametrico efficiente, come LoRA, sposta progressivamente l’attività di ricalibrazione dai grandi hyperscaler verso cluster aziendali e data center periferici[7]. Questo decentramento moltiplica la frequenza di esecuzione su infrastrutture private o on-premise che presentano spesso coefficienti di efficienza energetica meno ottimizzati rispetto alle grandi farm hyperscale, determinando un’impronta carbonica diffusa e difficilmente monitorabile.
L’inferenza come principale fattore di scala
L’inferenza operativa costituisce il principale fattore di scala energetica lungo l’intero ciclo di vita applicativo, assorbendo la quota maggioritaria, stimata tra l’80% e il 90%, dell’energia cumulativa consumata dai sistemi distribuiti[8]. A differenza del training, che satura le unità di calcolo aritmetico mantenendo costantemente occupati i circuiti moltiplicatori, l’inferenza generativa sequenziale nella fase di decodifica token per token è strutturalmente limitata dalla larghezza di banda della memoria ad alta densità piuttosto che dalla pura potenza di calcolo.
Il caricamento continuo delle matrici di pesi a ogni passo temporale e la gestione della memoria cache dei vettori di attenzione richiedono un costante trasferimento di dati tra le memorie e i core computazionali.
Questa caratteristica strutturale del flusso dati genera un collo di bottiglia che si traduce in un assorbimento di potenza costante anche a bassi regimi di parallelismo delle query, rendendo una transazione generativa multimodale significativamente più energivora rispetto a un’interrogazione convenzionale su database relazionali o motori di ricerca a indicizzazione statica[9]. Valutazioni comparative sull’inferenza multimodale dimostrano inoltre che la generazione e l’elaborazione di immagini o video moltiplicano l’assorbimento energetico di ordini di grandezza rispetto alla pura generazione di testo[10].
Hardware e minerali critici nel ciclo di vita dell’IA
L’analisi dell’impatto ambientale dell’intelligenza artificiale non può limitarsi al consumo di elettricità durante il funzionamento operativo, ma deve incorporare l’impronta ecologica incorporata nell’hardware lungo il suo intero ciclo di vita produttivo, logistico e di smaltimento[11].
La produzione di wafer di silicio monoscristallino avanzato per nodi litografici di ultima generazione a 3 e 2 nanometri, associata all’uso di scanner litografici a ultravioletti estremi ad altissimo assorbimento e a processi di packaging avanzato tridimensionale su silicio interposer, richiede ambienti a camera bianca con consumi elettrici ininterrotti, gas fluorurati ad alto potenziale di riscaldamento globale per le fasi di incisione al plasma e volumi ingenti di acqua ultrapura per i cicli di lavaggio chimico.
La raffinazione e l’impiego di materie prime critiche, dal silicio ad altissima purezza al rame per le interconnessioni, passando per il cobalto, il litio e le terre rare indispensabili per i magneti permanenti e i condensatori multistrato, legano a doppio filo l’infrastruttura digitale con l’impatto ecologico e geopolitico dell’industria estrattiva globale.
L’accelerata obsolescenza tecnica dei server dedicati, il cui ciclo di sostituzione commerciale oscilla spesso tra i tre e i quattro anni per preservare la massima densità prestazionale e competitività sul mercato, comporta un ricambio infrastrutturale rapido e continuo.
Questo turnover incrementa la quota di emissioni incorporate rispetto alle emissioni operative totali, rendendo la gestione del fine vita, il riuso dei componenti attraverso catene di revamping industriale e il recupero dei metalli critici un fattore determinante e non più secondario per la sostenibilità complessiva della filiera tecnologica. A livello sistemico, la decarbonizzazione del settore richiede una transizione dall’approccio lineare di consumo a modelli circolari di riutilizzo dei server per carichi di calcolo secondari o a bassa intensità.
Data center, reti e acqua: l’impatto territoriale dell’IA
La valutazione delle prestazioni ambientali dei data center moderni richiede l’analisi integrata di standard metrici quantitativi capaci di fotografare l’efficienza reale degli impianti, superando le semplificazioni legate a singoli indicatori isolati.
Efficienza energetica e carico sulle reti
Il Power Usage Effectiveness misura l’efficienza della struttura fisica scorporando i carichi ausiliari, come il raffreddamento, i trasformatori di media e bassa tensione e le perdite termiche nei gruppi statici di continuità, rispetto al consumo effettivo dell’hardware di elaborazione. Nelle strutture hyperscale di ultima concezione questo parametro si colloca su valori compresi tra 1.1 e 1.2.
Nondimeno, in presenza di cluster computazionali con potenze concentrate di decine o centinaia di megawatt per singolo campus, un coefficiente favorevole non mitiga l’assorbimento assoluto, che continua a gravare pesantemente sulle sottostazioni di alimentazione primaria e sulle riserve di bilanciamento delle reti elettriche regionali, richiedendo spesso l’adeguamento forzato dei piani di sviluppo della rete di trasmissione nazionale. Nelle aree a più alta concentrazione infrastrutturale, l’allacciamento di nuovi poli di calcolo entra in competizione diretta con l’elettrificazione del trasporto pubblico e dei distretti residenziali.
La concentrazione geografica delle server farm genera colli di bottiglia territoriali evidenti anche nel panorama europeo e nazionale. In Italia, ad esempio, la forte polarizzazione delle infrastrutture digitali attorno all’hub metropolitano di Milano e al distretto di via Caldera ha spinto il gestore della rete di trasmissione ad alta tensione a pianificare ingenti investimenti di potenziamento per far fronte a richieste di allacciamento che superano svariati gigawatt di potenza aggregata.
Una dinamica analoga si riscontra nei principali snodi continentali come Francoforte, Londra, Amsterdam, Parigi e Dublino, dove le autorità locali hanno dovuto imporre moratorie temporanee o vincoli stringenti alle nuove connessioni per evitare squilibri alla rete primaria.
Il consumo idrico e le metriche ambientali
Un ruolo altrettanto cruciale è assunto dal Water Usage Effectiveness, parametro fondamentale nelle architetture termiche che impiegano torri evaporative o scambiatori adiabatici per lo smaltimento del calore. L’evaporazione diretta necessaria per dissipare carichi termici elevati richiede milioni di litri di acqua al giorno per singolo polo di calcolo, determinando un impatto idrico significativo e una pressione concorrenziale sui bacini idrografici regionali e sulle falde acquifere, specialmente in contesti geografici caratterizzati da stress idrico stagionale [12].
A queste metriche si affiancano il Carbon Usage Effectiveness, che quantifica l’intensità carbonica della fornitura ed esprime il rapporto tra le emissioni di gas a effetto serra e l’energia consumata, incentivando la stipula di accordi a lungo termine per l’approvvigionamento da fonti rinnovabili, e l’Energy Reuse Factor, che misura la quota di energia termica di scarto esportata con successo al di fuori del perimetro del data center per il riutilizzo utile in reti terze.
Rinnovabili e nucleare per alimentare i data center AI
La necessità di alimentare cluster computazionali che operano a fattore di carico costante ventiquattro ore su ventiquattro sta ridisegnando le strategie di approvvigionamento energetico dei principali operatori tecnologici globali. La natura intermittente e non programmabile delle fonti rinnovabili tradizionali, come il fotovoltaico e l’eolico, impone il ricorso a complessi contratti di fornitura oraria abbinati a sistemi di accumulo elettrochimico a batteria su scala di rete, oppure la ricerca di fonti di generazione continua a zero emissioni dirette.
In questa prospettiva si inserisce il crescente interesse dell’industria per l’energia nucleare, sia attraverso la riattivazione e il prolungamento dell’esercizio di impianti a fissione esistenti tramite accordi dedicati di acquisto di energia a lungo termine, sia attraverso massicci investimenti nello sviluppo e nella sperimentazione di reattori modulari avanzati di piccola taglia (Small Modular Reactors).
Tali reattori, caratterizzati da potenze elettriche comprese tra poche decine e alcune centinaia di megawatt per singolo modulo, offrono la possibilità teorica di co-locazione diretta all’interno o nelle immediate adiacenze dei campus di calcolo, abbattendo le perdite di trasmissione di rete e fornendo un flusso continuo di energia elettrica e calore di processo senza generare emissioni di gas a effetto serra durante l’esercizio.
Green AI: algoritmi, hardware e impianti più efficienti
La transizione verso un modello computazionale sostenibile e conforme ai principi della Green AI[13] richiede un approccio di co-progettazione integrata che coinvolge simultaneamente algoritmi, architetture hardware e sistemi meccanici di supporto.
Quantizzazione, modelli sparsi e FlashAttention
Sul piano algoritmico, la quantizzazione avanzata post-addestramento e consapevole dell’addestramento converte i pesi e le attivazioni dalla precisione a 16 bit verso formati a 8 o 4 bit, come evidenziato nello sviluppo di metodi di quantizzazione per modelli linguistici ad alta densità[14]. Queste tecniche riducono l’occupazione di memoria HBM fino al 75% e dimezzano l’energia assorbita nelle matrici di calcolo aritmetico. Parallelamente, le architetture Mixture-of-Experts sostituiscono i blocchi densi di elaborazione con matrici di moduli specializzati attivati in modo condizionale, garantendo che solo una frazione ristretta dei parametri totali venga attivata dinamicamente per ciascun token generato[15].
L’efficienza del calcolo dell’attenzione beneficia inoltre di innovazioni strutturali nella gestione degli accessi in memoria, come dimostrato dall’algoritmo FlashAttention, che riorganizza il computo matriciale mediante tecniche di partizionamento a blocchi per massimizzare la residenza dei dati nella memoria SRAM veloce del chip, riducendo drasticamente i trasferimenti verso la memoria HBM esterna e abbattendo l’energia spesa per singolo layer di attenzione[16].
A ciò si affiancano tecniche di decodifica speculativa, l’ottimizzazione del raggruppamento dinamico delle richieste e la distillazione di modelli compatti, i quali consentono di implementare pipeline specializzate su architetture edge e server locali con consumi energetici di oltre un ordine di grandezza inferiori rispetto ai grandi modelli generalisti di frontiera.
Acceleratori, interconnessioni ottiche e nuovi paradigmi
Sul fronte dell’hardware, l’integrazione di interconnessioni ottiche direttamente sul package dei processori e lo sviluppo di commutatori ottici di circuito sostituiscono i tradizionali collegamenti in rame per il traffico dati ad alta velocità, eliminando la necessità di continue conversioni elettro-ottiche intermedie e abbattendo sensibilmente l’energia assorbita dagli switch di rete[17]. L’adozione di acceleratori dedicati e disegnati su misura per specifici operatori matematici massimizza ulteriormente il throughput per Watt rispetto alle architetture programmabili generiche, consentendo un utilizzo quasi totale del silicio attivo.
Guardando oltre i limiti fisici dell’architettura tradizionale di Von Neumann, la ricerca microelettronica sta esplorando paradigmi emergenti come il calcolo neuromorfico basato su memristori e circuiti a impulsi (spiking neural networks), nonché processori ottici e analogici per l’algebra matriciale in-memory. Queste tecnologie consentono di eseguire le moltiplicazioni tra matrici sfruttando direttamente le leggi fisiche di Kirchhoff e Ohm all’interno delle celle di memoria, riducendo a zero il costo energetico del trasferimento dei pesi e prospettando riduzioni dei consumi fino a due ordini di grandezza per specifici carichi di inferenza a bassa latenza.
Raffreddamento liquido e riuso del calore
A livello impiantistico, l’impiego di piastre di raffreddamento a liquido a contatto diretto con i die dei processori garantisce uno scambio termico superiore rispetto all’aria, consentendo la rimozione del calore con fluidi a temperature operative controllate ed eliminando l’assorbimento parassita dei ventilatori industriali. Nei contesti a più alta concentrazione di potenza, l’immersione completa delle schede in fluidi dielettrici sintetici azzera la resistenza termica complessiva, uniformando le temperature di esercizio dei componenti ausiliari.
I fluidi termovettori in uscita da questi sistemi a liquido raggiungono temperature adatte all’immissione diretta nelle reti di teleriscaldamento urbano di quarta generazione, trasformando l’energia termica dissipata in riscaldamento per complessi residenziali, serre agricole e distretti industriali.
A completamento dell’infrastruttura, l’integrazione di sistemi di monitoraggio della rete elettrica consente di programmare i carichi di addestramento massivo in funzione delle curve di produzione delle fonti rinnovabili. Attraverso lo spostamento spaziale e temporale dei carichi di lavoro computazionali, il sistema distribuisce i task a livello geografico allocandoli nei nodi che presentano l’intensità di carbonio marginale più favorevole, oppure ne modula l’intensità durante i picchi di surplus solare ed eolico per evitare il ricorso a impianti termoelettrici fossili di riserva [18].
Le regole europee per la sostenibilità dell’intelligenza artificiale
La regolamentazione europea ha stabilito vincoli precisi di trasparenza, rendicontazione e progettazione ecologica per l’intera filiera del calcolo, configurando un quadro normativo che mira a guidare gli investimenti verso infrastrutture a basso impatto.
La Direttiva sull’Efficienza Energetica, attraverso l’articolo 12, istituisce l’obbligo formale per i gestori di data center sul territorio comunitario con una potenza IT installata pari o superiore a 500 kW di raccogliere, validare e pubblicare annualmente le metriche operative all’interno del database europeo dedicato, coprendo consumi elettrici complessivi, coefficienti di efficienza energetica, profili di prelievo idrico e fattori di reimpiego termico verso l’esterno [19].
Parallelamente, il Regolamento sull’Intelligenza Artificiale introduce specifici obblighi per i fornitori di modelli per finalità generali che presentano capacità ad alto impatto e rischi sistemici, identificati sulla base di soglie computazionali cumulative elevate pari a dieci elevato alla venticinquesima FLOPS. Tali fornitori sono tenuti a documentare in modo verificabile i consumi energetici, le stime di impatto ambientale e l’impronta carbonica sostenuta lungo l’intero processo di sviluppo, test e validazione tecnica[20].
A questo quadro si raccorda la Tassonomia Europea per la Finanza Sostenibile, che vincola l’accesso a capitali agevolati per le infrastrutture digitali al rispetto di requisiti stringenti di efficienza energetica, all’impiego di refrigeranti a basso potenziale di riscaldamento globale e all’allineamento con pratiche rigorose di economia circolare per la gestione dell’hardware dismesso.
Un’ecologia del calcolo per rendere l’intelligenza artificiale sostenibile
L’integrazione strutturale dei sistemi di intelligenza artificiale nei processi produttivi, decisionali e amministrativi segna un punto di non ritorno per lo sviluppo economico globale. Tuttavia, questa accelerazione non può compiersi ignorando i vincoli della termodinamica, i limiti di carico delle reti elettriche e la disponibilità finita delle risorse territoriali e idriche. La sostenibilità della transizione digitale non si raggiungerà confidando unicamente nell’evoluzione incrementale dell’efficienza dei semiconduttori, poiché la riduzione dei costi marginali di elaborazione continua a stimolare una domanda aggregata di calcolo esponenzialmente superiore.
La reale convergenza tra transizione ecologica e digitale richiede l’abbandono definitivo del paradigma computazionale basato sul sovradimensionamento e sulla forza bruta architetturale. Il percorso verso un’ecologia del calcolo impone una disciplina ingegneristica integrata, capace di legare strettamente l’innovazione algoritmica alla co-progettazione dell’hardware, all’adozione di architetture impiantistiche a recupero termico e al rispetto dei quadri normativi europei di rendicontazione trasparente. Solo attraverso una governance rigorosa dei flussi energetici e un utilizzo consapevole dei modelli sarà possibile preservare il valore trasformativo dell’intelligenza artificiale, garantendo che il progresso computazionale non si traduca in un debito ambientale insostenibile per la società.
Note
[1] Uptime Institute (2023). Global Data Center Survey 2023: Power Density and Infrastructure Trends. Uptime Institute Intelligence. ↩
[2] International Energy Agency – IEA (2024). Electricity 2024: Analysis and Forecast to 2026. OECD/IEA Report, Parigi. ↩
[3] Jevons, W. S. (1865). The Coal Question: An Inquiry Concerning the Progress of the Nation, and the Probable Exhaustion of Our Coal-Mines. Macmillan and Co., Londra; cfr. anche Alcott, B. (2005). Jevons’ Paradox. Ecological Economics, 54(1), pp. 9–21. ↩
[4] Kaplan, J., McCandlish, S., Henighan, T., Brown, T. B., Chess, B., Child, R., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361 [cs.LG]. ↩
[5] Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL), pp. 3645–3650. ↩
[6] Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L. M., Rothchild, D., So, D. R., Texier, M., & Dean, J. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350 [cs.LG]. ↩
[7] Hu, E. J., Shen, Y., Wallis, P., Allen-Zhu, Z., Li, Y., Wang, S., Wang, L., & Chen, W. (2022). LoRA: Low-Rank Adaptation of Large Language Models. In International Conference on Learning Representations (ICLR). ↩
[8] Wu, C.-J., Raghavendra, R., Gupta, U., Acun, B., Ardalani, N., Maeng, K., Chang, G. A., Aga, F., Huang, J., Bai, Z., Gschwind, M., Gopireddy, B., Sundaram, G., Alembik, A., Mirian, N., Xu, G., & Hazelwood, K. (2022). Sustainable AI: Environmental Implications, Challenges and Opportunities. In Proceedings of Machine Learning and Systems (MLSys), vol. 4, pp. 795–813. ↩
[9] Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2023). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. Journal of Machine Learning Research (JMLR), 24(253), pp. 1–20. ↩
[10] Luccioni, A. S., Jernite, Y., & Strubell, E. (2024). Power Hungry Processing: Watts Driving the Cost of AI Deployment?. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT), pp. 85–99. ↩
[11] Gupta, U., Kim, Y. G., Lee, S., Tse, J., Lee, H.-H. S., Wei, G.-Y., Brooks, D., & Wu, C.-J. (2021). Chasing Carbon: The Elusive Environmental Footprint of Computing. In IEEE International Symposium on High-Performance Computer Architecture (HPCA), pp. 854–867. ↩
[12] Li, P., Yang, J., Islam, M. A., & Ren, S. (2023). Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. Communications of the ACM, 66(12), pp. 30–35 (arXiv:2304.03271). ↩
[13] Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), pp. 54–63. ↩
[14] Dettmers, T., Lewis, M., Belkada, Y., & Zettlemoyer, L. (2022). LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale. In Advances in Neural Information Processing Systems (NeurIPS), 35, pp. 30318–30332. ↩
[15] Fedus, W., Zoph, B., & Shazeer, N. (2022). Switch Transformers: Scaling to Trillion Parameter Models with Simple and Efficient Sparsity. Journal of Machine Learning Research (JMLR), 23(120), pp. 1–39. ↩
[16] Dao, T., Fu, D. Y., Ermon, S., Rudra, A., & Ré, C. (2022). FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness. In Advances in Neural Information Processing Systems (NeurIPS), 35, pp. 16344–16359. ↩
[17] Jouppi, N. P., Yoon, D. H., Kurian, G., Li, S., Patil, N., Laudon, J., Young, C., & Patterson, D. (2023). TPU v4: An Optically Reconfigurable Supercomputer for Machine Learning with Hardware Support for Embeddings. In Proceedings of the 50th Annual International Symposium on Computer Architecture (ISCA), pp. 1–14. ↩
[18] Dodge, J., Prewitt, T., Tachet des Combes, R., Odmark, E., Schwartz, R., Strubell, E., Luccioni, A. S., Smith, N. A., DeCario, N., & Buchanan, W. (2022). Measuring the Carbon Intensity of AI in Cloud Instances. In Proceedings of the 2022 ACM Conference on Fairness, Accountability, and Transparency (FAccT), pp. 1536–1546. ↩
[19] Unione Europea (2023). Direttiva (UE) 2023/1791 del Parlamento europeo e del Consiglio, del 13 settembre 2023, sull’efficienza energetica e che modifica il regolamento (UE) 2023/955 (Rifusione). Gazzetta Ufficiale dell’Unione Europea, L 231, pp. 1–111. ↩
[20] Unione Europea (2024). Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, del 13 giugno 2024, che stabilisce regole armonizzate sull’intelligenza artificiale (Regolamento sull’IA). Gazzetta Ufficiale dell’Unione Europea, GU L, 2024/1689, 12.7.2024. ↩
Partecipa alla community