Per anni, la discussione europea sull’AI ha privilegiato modelli, applicazioni e talenti. Oggi la sfida si gioca anche sul piano materiale: energia elettrica, raffreddamento, reti, memoria e acceleratori. L’Agenzia internazionale dell’energia prevede che entro il 2030 il consumo globale di elettricità dei data center più che raddoppierà. L’AI sta trasformando questi impianti da strutture IT tradizionali a infrastrutture strategiche su scala di gigawatt.

I data center dedicati all’AI si distinguono nettamente dalle strutture tradizionali di supercalcolo: hanno dimensioni molto maggiori e richiedono tempistiche più serrate. Nel continente, la capacità della rete elettrica, i tempi per ottenere le autorizzazioni e i costi dell’energia possono frenare lo sviluppo di infrastrutture AI di questa portata. Per gestire in modo sostenibile e sicuro operazioni di AI su larga scala serve un’architettura equilibrata, in cui CPU, acceleratori, reti, memoria e software aperto lavorino in modo integrato. Ridurre l’infrastruttura AI alle sole GPU significa ignorare la complessità architetturale necessaria al funzionamento efficace di questi sistemi.

In questo scenario, l’Italia può fare leva su una base di calcolo ad alte prestazioni già affermata a livello mondiale, grazie a CINECA e al supercomputer Leonardo. IT4LIA consolida il ruolo del Paese nella rete europea delle AI Factory e offre un quadro di riferimento per mettere in relazione risorse computazionali avanzate, ricerca e adozione industriale. Eppure, il successo di un’AI Factory o di una futura AI Gigafactory non si valuta soltanto contando gli acceleratori installati o considerando le prestazioni teoriche di picco. La domanda cruciale è se l’iniziativa possa tradursi in una capacità sovrana e duratura.

Spesso si fa coincidere la sovranità digitale con la collocazione geografica dei dati. Eppure, anche un data center sul territorio italiano può lasciare gli utenti vincolati a uno stack software chiuso o a un unico fornitore di infrastrutture. Se migrare un carico di lavoro richiede di riscrivere da capo il software, oppure se un’istituzione pubblica non può cambiare fornitore senza compromettere anni di investimenti nel software, la sola localizzazione fisica non garantisce la sovranità. La sovranità digitale si traduce in controllo e libertà di scelta: decidere dove elaborare i carichi di lavoro, gestire i rischi della filiera, mantenere portabile il software e far evolvere l’infrastruttura nel tempo.

Questo non significa che l’Europa debba sviluppare autonomamente ogni componente né escludere i partner tecnologici globali. La priorità strategica è mantenere architetture abbastanza aperte e interoperabili da impedire che un singolo fornitore, europeo o estero, diventi un passaggio obbligato. Le iniziative europee in ambito infrastrutturale dovrebbero coinvolgere un ecosistema ampio, anziché tradursi in progetti isolati. Uno stack capace di far dialogare CPU x86, acceleratori, reti e framework software aperti riduce il rischio di vendor lock-in e offre a imprese, start-up e istituti di ricerca una base comune su cui costruire.

Essere pronti per l’AI richiede uno stack infrastrutturale completo: CPU ad alte prestazioni, acceleratori avanzati, reti ad alta velocità e un ambiente software aperto. In questo ambito, AMD svolge un ruolo di abilitatore infrastrutturale. La combinazione di elevate capacità di calcolo e di una piattaforma software aperta offre la libertà di scelta architetturale su cui si fonda l’AI sovrana: elaborazione su scala estrema, un’architettura di sistema equilibrata e minore dipendenza da un unico ecosistema proprietario. La possibilità di distribuire i carichi di lavoro tra ambienti cloud e on-premise riduce la dipendenza strutturale da un unico fornitore e costituisce un requisito essenziale di sovranità per le infrastrutture pubbliche.

La domanda di AI e l’opportunità per l’industria italiana

In Europa, la crescita dell’AI farà leva sui punti di forza industriali del continente, soprattutto attraverso la cosiddetta “physical AI”: sistemi intelligenti integrati nei processi industriali, nella robotica, nelle fabbriche e nelle reti energetiche. Questa prospettiva si sposa con l’economia italiana, dove l’adozione dell’AI metterà in relazione il calcolo avanzato con il comparto manifatturiero, i macchinari, l’automotive, l’energia e le applicazioni del settore pubblico. In questi ambiti, l’AI sarà meno legata ai singoli grandi modelli linguistici e più all’intelligenza in tempo reale, alla simulazione, ai gemelli digitali e all’automazione.

I dati Eurostat evidenziano il margine di crescita: nel 2024, l’8,2% delle imprese italiane con almeno dieci dipendenti utilizzava tecnologie di AI, contro una media UE del 13,5%. Per colmare la distanza, in linea con la Strategia italiana per l’intelligenza artificiale 2024–2026, le infrastrutture pubbliche per l’AI devono essere accessibili non solo ai grandi operatori tecnologici, ma anche a PMI, università, start-up ed enti di ricerca.

L’efficienza energetica è un altro fattore decisivo. Il raffreddamento a liquido avanzato può rendere raggiungibili valori di PUE intorno a 1,2; tuttavia, la crescente densità di calcolo continua ad aumentare il fabbisogno energetico assoluto di ciascun sito. Il principale margine di ottimizzazione risiede nell’efficienza architetturale: prestazioni per watt, prestazioni per byte trasferito e larghezza di banda della memoria. Il trasferimento dei dati tra nodi può richiedere molta più energia del calcolo stesso. Per questo, le infrastrutture AI evolvono verso sistemi che integrano strettamente calcolo, memoria e interconnessione.

AMD dichiara che, rispetto ai sistemi del 2020, l’efficienza energetica a livello di nodo per l’addestramento AI e l’HPC è migliorata di 38 volte; entro il 2030 punta, inoltre, a moltiplicarla per 20 su scala rack. In Italia, questi requisiti tecnici vanno integrati fin dall’inizio nella pianificazione della rete elettrica nazionale. Come indicano i piani di sviluppo di Terna, la capacità di trasmissione, l’integrazione delle fonti rinnovabili e la resilienza del sistema devono essere valutate insieme alla disponibilità dei terreni e alla possibilità di realizzare le strutture.

Infine, le AI Gigafactory richiedono partenariati pubblico-privati fondati su solide architetture di fiducia. Una rigorosa segmentazione dei dati, modelli di allocazione dei carichi di lavoro e perimetri di conformità normativa ben definiti sono essenziali per tutelare i dati industriali sensibili e, al tempo stesso, favorire la ricerca aperta.

A cura di Luca Catalano, AI Business Development Manager, AMD