AI e Clima — Il Paradosso Energetico dell'Intelligenza Artificiale

Cos'è: L'IEA (International Energy Agency) è l'agenzia internazionale che monitora i consumi energetici globali per i paesi OCSE. Il suo report "Electricity 2024" include per la prima volta un'analisi dedicata all'impatto dei data center e dell'AI sul consumo elettrico globale. Le ricerche di Google DeepMind, Microsoft Research e università come MIT e Stanford completano il quadro sul lato delle applicazioni AI al problema climatico.

Il paradosso in numeri: consuma e salva allo stesso tempo

L'intelligenza artificiale è allo stesso tempo uno dei problemi energetici emergenti più seri del decennio e uno degli strumenti più promettenti per affrontare la crisi climatica. Questa contraddizione non è retorica: è reale, misurabile, e richiede una risposta più sofisticata della semplice condanna o del semplice entusiasmo.

Sul lato dei consumi, i numeri sono inequivocabili. L'addestramento di GPT-4 viene stimato in oltre 50 GWh di energia elettrica — equivalente al consumo annuale di circa 5.000 famiglie americane per un solo ciclo di training. E questo è solo il training: l'inferenza, cioè le risposte che il modello genera miliardi di volte al giorno, ha un consumo aggregato che supera quello del training.

Un'analisi pubblicata su Nature nel 2023 (Patterson et al.) ha stimato che una singola query a un LLM grande consuma circa 10 volte l'energia di una ricerca Google. Con miliardi di query al giorno su ChatGPT, Claude, Gemini e modelli equivalenti, il consumo aggregato è nell'ordine di centinaia di GWh al mese solo per le query conversazionali — senza contare i modelli enterprise, il coding AI, le immagini e i video generativi.

IEA 2024: i data center potrebbero raddoppiare il consumo elettrico globale

Il report IEA "Electricity 2024" ha incluso per la prima volta una proiezione dedicata ai data center. La stima centrale: i data center potrebbero raddoppiare il loro consumo elettrico globale tra il 2022 e il 2026, passando da circa 200 TWh a circa 400 TWh annui. Questa non è una stima conservativa; è uno scenario mediano.

Per contestualizzare: 400 TWh è approssimativamente il consumo elettrico annuale della Francia. In quattro anni, l'espansione dei data center (trainata in larga parte dall'AI) aggiungerebbe all'infrastruttura energetica globale un carico pari a quello di un paese di 68 milioni di persone.

La concentrazione geografica del fenomeno è acuta. Il 70% dei data center più grandi del mondo è concentrato in cinque paesi: USA, Germania, UK, Cina, Giappone. Nelle aree con alta densità di data center — Northern Virginia (noto come "Data Center Alley"), Singapore, Amsterdam — i gestori della rete elettrica locale stanno già segnalando difficoltà a soddisfare la domanda in crescita.

Il paradosso net-zero: emissioni crescenti nonostante gli impegni

Microsoft, Google, Amazon e Meta hanno tutti firmato impegni pubblici di raggiungere il net-zero entro il 2030 o il 2040. Tutti e quattro hanno visto le loro emissioni di carbonio aumentare del 20-40% negli ultimi tre anni, nonostante gli investimenti in energie rinnovabili e crediti di carbonio.

Microsoft è il caso più emblematico per la sua trasparenza. Nella sua sustainability report 2023, l'azienda ha ammesso esplicitamente che le emissioni associate ai suoi data center sono aumentate significativamente a causa della crescita dell'AI — contraddicendo i target di riduzione che aveva annunciato. Brad Smith, presidente di Microsoft, ha dichiarato pubblicamente che la costruzione di capacità AI è in tensione diretta con gli obiettivi climatici dell'azienda.

La risposta di Microsoft (e degli altri hyperscaler) ha assunto una forma inattesa: la corsa al nucleare. Microsoft ha firmato un accordo con Constellation Energy per riattivare la centrale nucleare di Three Mile Island in Pennsylvania (sì, quella dell'incidente del 1979) entro il 2028 per alimentare i suoi data center con energia carbon-free. Google e Amazon stanno esplorando contratti per Small Modular Reactors (SMR), reattori nucleari di quarta generazione più piccoli e sicuri che potrebbero essere costruiti adiacenti ai data center.

DeepMind: ottimizzare i data center con AI

Un'ironia produttiva: Google usa l'AI per ridurre il consumo energetico dei propri data center. Nel 2016, DeepMind ha pubblicato i risultati di un progetto di ottimizzazione del cooling nei data center Google usando reinforcement learning. Il risultato: una riduzione del 40% dell'energia usata per il raffreddamento, che rappresenta circa il 30-40% del consumo totale di un data center. In termini assoluti, Google stima che questo sistema abbia risparmiato decine di TWh nel corso degli anni.

Questo caso è importante per due ragioni. Prima: dimostra che l'AI può ridurre la propria impronta energetica, non solo aumentarla. Seconda: mostra il modello generale in cui l'AI eccelle nel settore energetico — non sostituire le decisioni umane in toto, ma ottimizzare sistemi complessi con molte variabili dove i metodi convenzionali sono subottimali.

Grid optimization: il potenziale più grande e meno discusso

L'applicazione AI con il maggiore potenziale di impatto climatico non è la più visibile. È l'ottimizzazione delle reti elettriche per integrare le energie rinnovabili.

Il problema fondamentale delle rinnovabili è l'intermittenza: il sole non splende sempre, il vento non soffia sempre. Una rete elettrica che vuole avere il 70-80% della sua energia da rinnovabili ha bisogno di gestire questo disequilibrio con una precisione molto maggiore di una rete basata su centrali a gas o carbone che si accendono e spengono su domanda. L'AI può prevedere la produzione eolica e solare con ore di anticipo, ottimizzare quando caricare i sistemi di accumulo, decidere quando acquistare energia dal mercato, gestire la domanda distribuita in tempo reale.

DeepMind ha collaborato con National Grid nel UK su sistemi di previsione del vento. Google ha usato AI per ottimizzare le sue contrattazioni di energia rinnovabile riducendo la volatilità dei costi. Startup come Autogrid, AutoGrid Systems, e Leap Energy usano ML per aggregare e ottimizzare la domanda energetica distribuita — termostati intelligenti, veicoli elettrici, sistemi di accumulo domestici — creando "virtual power plants" che rispondono in tempo reale ai segnali di prezzo.

ClimaX e foundation models per il clima

Microsoft Research ha sviluppato ClimaX, un foundation model pre-addestrato su dati climatici storici di diverse sorgenti (ERA5, CMIP6, satelliti) per compiti di weather and climate modeling. L'idea è analoga a quella di GPT applicata al linguaggio: un modello che ha imparato rappresentazioni generali dal clima storico può essere fine-tuned per compiti specifici (previsione delle precipitazioni, modellazione degli uragani, downscaling climatico) con meno dati e meno calcolo di quanto richiederebbero i modelli tradizionali.

Graphcast di DeepMind, presentato a fine 2023, ha dimostrato di poter produrre previsioni meteorologiche a 10 giorni più accurate di quante non faccia ECMWF, il sistema di previsione meteorologica europeo considerato il gold standard mondiale, con una frazione del calcolo. Non sostituisce ECMWF — utilizza output di ECMWF come input — ma il salto di efficienza è significativo.

Migliori previsioni climatiche hanno conseguenze concrete: migliore gestione dei disastri naturali, ottimizzazione dell'agricoltura, pianificazione della transizione energetica. Se un paese sa con precisione quante ore di sole e di vento avrà nella settimana successiva, può pianificare meglio l'uso di centrali di backup, riducendo le emissioni dei "peaker plant" a gas.

AlphaFold come modello per il climate tech

AlphaFold di DeepMind — il sistema che ha risolto il problema del protein folding dopo cinquant'anni di tentativi falliti — è un esempio di come l'AI possa accelerare drammaticamente la scoperta scientifica in ambiti con implicazioni climatiche. Non per AlphaFold in sé (che è ottimizzato per biologia), ma come caso di studio metodologico.

Il problema del protein folding era il caso test di riferimento per l'AI scientifica perché era misurabile, difficile, e con implicazioni enormi (farmacologia, materiali biomedici). AlphaFold2 lo ha risolto in modo così definitivo da rendere il campo quasi irriconoscibile nel giro di due anni. Lo stesso approccio — modelli fondativi addestrati su enormi dataset, ottimizzati per previsione di struttura — viene ora applicato a problemi di materials science rilevanti per il clima: trovare nuovi materiali per batterie ad alta densità energetica, catalizzatori per l'idrogeno verde, assorbitori di CO₂ più efficienti.

La promessa: ridurre da decenni a anni il ciclo di scoperta di nuovi materiali per la transizione energetica. La realtà attuale: siamo ancora nelle prime fasi, con risultati promettenti su simulazione ma con il gap tra scoperta computazionale e produzione industriale ancora molto ampio.

Il dibattito aperto: le emissioni dell'AI valgono la pena?

La domanda che sintetizza il paradosso è questa: se l'AI accelera la transizione energetica di dieci anni, le sue emissioni di oggi valgono la pena?

Non c'è una risposta definitiva, e chiunque la dia con sicurezza sta semplificando. Il calcolo richiede confrontare certezze (il consumo energetico attuale dei data center è misurabile) con incertezze (quanto accelererà davvero la transizione? Quali benefici climatici verranno dall'AI che ancora non conosciamo?). Richiede anche ipotesi su controfattuali impossibili da verificare (cosa succederebbe alla transizione energetica senza AI?).

Quello che si può dire con ragionevole certezza: il consumo energetico dell'AI nella sua forma attuale è reale e crescente; le applicazioni dell'AI alla transizione energetica sono promettenti ma non ancora dimostrate a scala sufficiente; il settore tech ha interesse a presentare le applicazioni climatiche dell'AI come giustificazione per i propri consumi, il che richiede cautela analitica; i due lati del paradosso — AI come problema e AI come soluzione — coesisteranno per anni prima che uno prevalga sull'altro.

La posizione più onesta è quella di chi chiede accountability e trasparenza: pubblicare dati energetici disaggregati per modello e per task, investire in efficienza dell'inferenza con la stessa priorità con cui si investe in performance, non usare le applicazioni climatiche come alibi per non ridurre i consumi dove è possibile.

---