Per anni abbiamo pensato al computer personale come a una macchina che lavora soltanto quando la utilizziamo. Accendiamo un videogioco, elaboriamo un video, eseguiamo un programma complesso; poi lo lasciamo acceso, spesso per ore, mentre una parte consistente della sua capacità rimane inutilizzata. Nell’economia dell’intelligenza artificiale quella potenza inattiva comincia però ad acquistare un valore.
Stanno emergendo piattaforme che consentono ai proprietari di computer dotati di GPU sufficientemente potenti di mettere a disposizione la capacità di calcolo non utilizzata e ricevere in cambio una remunerazione. FAR AI, sviluppata da FAR Labs, collega GPU consumer in una rete distribuita sulla quale vengono instradate richieste di inferenza: chi possiede l’hardware esegue una parte delle elaborazioni e viene remunerato per il lavoro effettivamente svolto.
Non è un caso isolato. SaladCloud dichiara una rete che comprende oltre 16.000 GPU attive quotidianamente e più di 450.000 schede che hanno contribuito alla piattaforma dal 2018. Sono dati forniti dall’azienda e quindi da interpretare come tali, ma indicano la dimensione che il fenomeno sta assumendo. La stessa piattaforma propone questa infrastruttura per inferenza, rendering, simulazioni, elaborazioni batch e altri carichi di lavoro capaci di funzionare su hardware distribuito e intermittente.
È necessario, tuttavia, evitare una suggestione facile. Non significa che il computer da gaming di casa possa sostituire i grandi data center sui quali vengono addestrati i modelli più avanzati. Il training di frontiera richiede migliaia di acceleratori strettamente interconnessi, reti ad altissima velocità, memorie specializzate e infrastrutture energetiche e di raffreddamento che un insieme eterogeneo di PC domestici non può replicare. Il terreno sul quale la decentralizzazione appare oggi più promettente è soprattutto quello dell’inferenza: la fase nella quale un modello già addestrato viene utilizzato per generare una risposta, analizzare un’immagine, elaborare un documento o svolgere un compito. È precisamente questo lo spazio nel quale FAR AI dichiara di voler utilizzare GPU consumer già esistenti, anziché costruire nuovi data center prima che la capacità sia necessaria. È qui che una curiosità tecnologica comincia a diventare una questione economica. Abbiamo già assistito alla trasformazione di risorse inutilizzate in mercati. Airbnb ha reso negoziabile una stanza vuota; le piattaforme di mobilità hanno trasformato automobili e tempo disponibile in servizi; le comunità energetiche stanno modificando il ruolo del consumatore, che può diventare anche produttore. Con l’intelligenza artificiale potrebbe accadere qualcosa di analogo alla capacità computazionale. Potremmo chiamarlo compute prosumer: un soggetto che utilizza potenza di calcolo ma, quando non ne ha bisogno, può anche offrirla a una rete.
Naturalmente non significa che ogni PC diventerà una fonte di reddito. Il risultato economico dipenderà dal costo dell’elettricità, dal valore e dall’efficienza della GPU, dal tempo effettivo di utilizzo, dalla remunerazione riconosciuta dalla piattaforma, dall’usura dell’hardware e dalla continuità della domanda. Ancora più rilevanti sono le questioni di sicurezza: isolare il workload dai dati personali presenti sulla macchina, proteggere i dati dell’impresa che acquista capacità, verificare che l’elaborazione sia stata realmente eseguita e garantire affidabilità su una rete composta da nodi che possono collegarsi e scollegarsi in qualsiasi momento. La questione assume una dimensione ancora maggiore osservando ciò che sta accadendo in Europa. L’Unione sta investendo nella direzione apparentemente opposta: grandi infrastrutture centralizzate. La Commissione europea ha previsto la mobilitazione di 20 miliardi di euro per le AI Gigafactories, strutture destinate a fornire capacità computazionale su scala molto elevata e a rafforzare l’autonomia tecnologica europea.
L’Italia è direttamente coinvolta attraverso IT4LIA AI Factory, coordinata da CINECA e costruita attorno all’ecosistema del Tecnopolo di Bologna e del supercomputer Leonardo. EuroHPC prevede per IT4LIA infrastrutture destinate tanto al training quanto all’inferenza e ha indicato un investimento complessivo di 290 milioni di euro per il nuovo supercomputer AI-optimized. Centralizzazione e distribuzione, però, non sono necessariamente alternative. Potrebbero diventare livelli differenti della stessa architettura: le Gigafactories per il training dei modelli più complessi e le applicazioni mission-critical; le AI Factory nazionali per ricerca, imprese e pubbliche amministrazioni; cloud commerciali e reti distribuite per l’inferenza; dispositivi personali ed edge computing per elaborazioni sempre più vicine al luogo nel quale il dato viene prodotto. Il punto, allora, non è stabilire se il futuro dell’intelligenza artificiale appartenga ai grandi data center oppure ai computer di casa. È comprendere che la capacità di calcolo sta diventando una risorsa economica autonoma, acquistabile, vendibile e allocabile quasi come l’energia.
Dopo aver trasformato i dati nel nuovo petrolio dell’economia digitale, l’intelligenza artificiale potrebbe trasformare il compute nella sua nuova elettricità. E a quel punto la domanda non sarà più soltanto quanto sarà potente il nostro computer. Sarà: che cosa farà quando noi non lo stiamo usando?