L’AI corre, ma la filiera dell’hardware non riesce a stare al passo. Negli ultimi mesi la corsa all’intelligenza artificiale ha assunto i tratti di una competizione industriale sempre meno governabile. Nella Silicon Valley si è diffusa perfino una pratica informale, il cosiddetto “tokenmaxxing”: sviluppatori, start-up e aziende cercano di consumare il maggior numero possibile di token, cioè le unità di testo elaborate dai modelli di AI, per dimostrare di essere tra i più avanzati nell’adozione di questi strumenti.
Tra gennaio e marzo, i token elaborati ogni settimana da OpenRouter, marketplace che consente l’accesso a diversi modelli, sono quadruplicati.
Il dato segnala un punto preciso: la domanda di potenza di calcolo legata all’AI sta crescendo più rapidamente della capacità dell’industria di sostenerla.
I laboratori che sviluppano i modelli, le grandi piattaforme cloud e i produttori di chip stanno aumentando gli investimenti, ma il sistema nel suo complesso mostra segni di saturazione.
Il risultato è un collo di bottiglia che riguarda l’intera filiera: data center, energia, gpu, memorie ad alta larghezza di banda, cpu, componenti di rete e sistemi di raffreddamento.
I primi segnali di stress arrivano dai servizi
La pressione sulla capacità disponibile non è più una previsione. È già visibile nei servizi offerti dalle principali società del settore.
A marzo Anthropic, società i cui modelli sono molto utilizzati dalle imprese, ha iniziato a limitare l’accesso ai propri strumenti nelle ore di punta. In seguito ha modificato i piani di abbonamento, in modo che molti osservatori hanno letto come un tentativo di frenare l’uso più intenso della piattaforma. Ad aprile il servizio ha registrato interruzioni medie di circa 30 minuti al giorno.
Anthropic non è un caso isolato.
Sempre a marzo OpenAI ha sospeso bruscamente Sora, il suo strumento per la generazione video, per riallocare una potenza di calcolo diventata troppo scarsa verso impieghi ritenuti più redditizi.
Il 20 aprile GitHub, piattaforma di collaborazione per sviluppatori controllata da Microsoft, ha smesso di accettare nuovi abbonamenti per il proprio assistente di programmazione.
Questi episodi raccontano una dinamica chiara. L’AI non incontra oggi il suo limite principale nella ricerca o nel software, ma nell’infrastruttura fisica necessaria a far funzionare i modelli. La disponibilità di chip, server, memoria e capacità elettrica è diventata una variabile strategica almeno quanto la qualità degli algoritmi.
Le big tech alzano la posta sugli investimenti
Di fronte a questa pressione, la risposta dell’industria è stata finanziaria prima ancora che tecnica: spendere di più, e spendere in fretta.
Il 20 aprile Anthropic ha annunciato una partnership da 100 miliardi di dollari con Amazon per assicurarsi fino a 5 gigawatt di capacità server. Quasi un quinto di questa capacità dovrebbe entrare in funzione entro la fine dell’anno.
Il 24 aprile la società ha inoltre comunicato che Google investirà altri 40 miliardi di dollari per aiutare il laboratorio a coprire il proprio fabbisogno computazionale.
Anche gli hyperscaler, i cinque giganti che dominano il cloud e l’infrastruttura digitale globale — Alphabet, Amazon, Meta, Microsoft e Oracle — stanno investendo somme enormi nei data center.
Alphabet, Amazon e Oracle hanno raccolto insieme oltre 100 miliardi di dollari di debito dall’inizio dell’anno. Meta, per liberare risorse, ha annunciato il taglio del 10% della forza lavoro. Microsoft ha parlato di uscite volontarie per circa il 7% dei dipendenti.
Il messaggio è netto: la capacità di calcolo è ormai un asset industriale critico. Le aziende che vogliono restare nella corsa all’AI stanno sacrificando margini, personale e flessibilità finanziaria per assicurarsela.
Costruire nuovi data center è sempre più difficile
Il problema è che aumentare la capacità non dipende solo dai bilanci. Dipende anche dai tempi, dalle autorizzazioni e dalla disponibilità di energia. Negli Stati Uniti, come in altri Paesi, l’opposizione politica e territoriale alla costruzione di nuovi data center sta crescendo.
In aprile i legislatori del Maine hanno approvato una proposta di legge per vietare fino a novembre 2027 la costruzione di data center superiori a 20 megawatt. Il provvedimento è stato poi bocciato dal governatore, ma il segnale politico resta. In più di dieci altri Stati americani sono in discussione misure simili.
Secondo una stima citata nel testo originale, lo scorso anno negli Stati Uniti progetti di data center per 156 miliardi di dollari sono stati bloccati o rinviati a causa di opposizioni locali e contenziosi.
Le resistenze non riguardano solo gli Stati Uniti. Dall’Irlanda al Brasile cresce la contestazione contro impianti percepiti come energivori e invasivi. Al centro delle critiche c’è soprattutto l’impatto sul costo dell’elettricità. I data center richiedono grandi quantità di energia in modo continuo, e il timore diffuso è che finiscano per spingere in alto le bollette di famiglie e imprese. Se i prezzi energetici dovessero salire ancora, l’ostilità politica potrebbe accentuarsi.
In questo passaggio si vede un altro elemento decisivo: la corsa all’AI non si gioca soltanto nei laboratori californiani, ma anche nelle assemblee legislative, nelle autorità locali e nelle reti elettriche.
I chip non bastano più
Anche quando i data center ottengono i permessi e trovano un allaccio alla rete, oppure si dotano di sistemi propri di generazione, resta il problema dell’hardware da installare.
Ivan Chiam di SemiAnalysis, società di ricerca specializzata nel settore, osserva che non ci sono abbastanza chip per riempire i data center oggi in costruzione.
Il caso più evidente è quello delle gpu progettate da Nvidia, che da sole forniscono oltre due terzi della potenza di calcolo mondiale destinata all’AI. Il prezzo di noleggio di una gpu H100, lanciata nel 2022, è aumentato di circa il 30% da novembre, perché i clienti che non riescono a procurarsi i modelli più recenti ripiegano sulle generazioni precedenti. In altre parole, la scarsità si sta propagando all’indietro lungo tutta la gamma dei prodotti disponibili.
Le difficoltà non riguardano solo Nvidia. Anche i processori alternativi per AI stanno diventando più difficili da ottenere. Ad aprile Andy Jassy, amministratore delegato di Amazon, ha dichiarato che l’accesso ai chip Trainium2 sviluppati dall’azienda era quasi esaurito. Una quota importante della capacità di Trainium4, attesa per il prossimo anno, risulta già prenotata.
Questo squilibrio tra offerta e domanda ha una conseguenza economica diretta: il valore dell’hardware aumenta, i tempi di consegna si allungano e la capacità computazionale finisce concentrata nelle mani di pochi attori con accesso prioritario alla produzione.
Il nodo della memoria ad alta banda
Il collo di bottiglia non riguarda solo i processori. Si estende alle memorie, in particolare alle hbm, high-bandwidth memory, essenziali per l’addestramento e l’esecuzione dei modelli di AI.
I tre grandi produttori globali — SK Hynix, Samsung e Micron — affermano…
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Giovanni Clericò
Source link
