Il cervello umano funziona con circa 20 watt. Il supercomputer più veloce al mondo, LineShine a Shenzhen, assorbe 42,2 milioni di watt. Questo divario è diventato l’argomento preferito su internet riguardo all’uso energetico dell’AI, ma gran parte di quanto si dice è sbagliato.
Il confronto in sé regge. Tuttavia, i numeri che circolano sui social media derivano da un unico articolo scientifico. Il dato più eclatante è stato attribuito erroneamente per tre anni.
China just topped the global supercomputer ranking for the first time since 2017.
— IT Guy (@T3chFalcon) June 24, 2026
LineShine. Shenzhen. 2.198 exaflops. 2 quintillion calculations per second. 20% faster than the US's El Capitan.
built entirely on domestic Chinese CPUs. no Nvidia. no US chips. no export controls… https://t.co/Tuuk6svl6l pic.twitter.com/fwFKWN0Mr4
Uso energetico dell’AI: cosa “acquistano” davvero 20 watt
Il valore di 20 watt si basa su decenni di misurazioni metaboliche. Il cervello rappresenta circa il 2% del peso corporeo e consuma circa il 20% dell’ossigeno a riposo.
Il numero di neuroni è meno certo di quanto sembri. La cifra, spesso citata, di 86 miliardi si basa su quattro cervelli maschili e attualmente è oggetto di discussione sulla rivista Brain.
Nei post virali si trova spesso il dato di 12 watt invece di 20. Questa cifra appare in un articolo del 2023 pubblicato su Frontiers in Artificial Intelligence, citata però senza alcuna fonte.
Lo stesso articolo ha prodotto il dato diffuso da tutti. Gli autori hanno stimato che ricreare digitalmente un cervello umano richiederebbe 2,7 miliardi di watt.
Questa stima deriva dall’estrapolazione di una simulazione da 10 milioni di neuroni a livello di topo, moltiplicata poi per mille.
L’articolo sottolinea anche che la simulazione era circa 30.000 volte più lenta rispetto alla biologia. I post sui social omettono questo dettaglio. Le fonti secondarie poi attribuiscono la cifra al Blue Brain Project, che però non l’ha mai pubblicata.
Un post virale su LinkedIn sostiene che il cervello umano abbia bisogno solo di 12 watt per pensare. Fonte: Evolving AI Esistono comunque riferimenti affidabili. Epoch AI ha stimato che una tipica query su ChatGPT richieda 0,3 wattora a inizio 2025. Uno studio peer-reviewed su Joule è poi giunto a 0,31.
Due metodi indipendenti che concordano così tanto sono un caso raro. Tuttavia, il dato cambia notevolmente in funzione del carico di lavoro, e i modelli di ragionamento che generano risposte più lunghe possono costare anche parecchie volte di più.
Cosa fa diversamente la biologia, e cosa ha copiato il silicio
L’attività corticale è distribuita in modo sparso. La frequenza media degli impulsi è inferiore a 1 Hz, e il consumo energetico segue il cambiamento e non i cicli di clock.
L’AI moderna è arrivata indipendentemente alla stessa conclusione. Kimi K2 attiva 32,6 miliardi dei suoi 1,04 trilioni di parametri per token, pari a circa il 3,1%.
Questa percentuale sta calando rapidamente. Mixtral utilizzava circa il 28% dei suoi parametri nel 2023, mentre DeepSeek-V3 ora usa il 5,5%.
Anche la biologia esegue i calcoli a bassa precisione. Nulla all’interno di un neurone arriva a risoluzioni a 32 bit.
I produttori di chip hanno seguito la stessa direzione. DeepSeek ha addestrato un modello da 671 miliardi di parametri in otto bit di precisione. NVIDIA ha successivamente pre-addestrato un modello da 12 miliardi di parametri a quattro bit.
Assorbimento energetico su scala logaritmica, dal cervello umano a un data center / Fonte: BeInCrypto La terza differenza è la più grande e la meno imitata. I cervelli hanno memoria e capacità di calcolo nello stesso luogo fisico.
Le macchine digitali li separano. Mark Horowitz di Stanford ha spiegato in dettaglio quanto costi questa separazione. Recuperare un operando dalla memoria può richiedere anche centinaia di volte più energia dell’operazione aritmetica stessa.
I chip ispirati al cervello che non sono mai arrivati
L’hardware costruito appositamente per imitare i neuroni ha avuto molte difficoltà. Nessun sistema neuromorfico o analogico ha mai addestrato o eseguito un modello di frontiera in produzione.
Hala Point di Intel integra 1,15 miliardi di neuroni artificiali suddivisi su 1.152 chip. Rimane però un prototipo di ricerca installato nei Sandia National Laboratories. Mike Davies, direttore dell’Intel’s Neuromorphic Computing Lab, intervistato da The Register nel 2024, ha dichiarato:
"Al momento non stiamo mappando nessun LLM su Hala Point. Non sappiamo come farlo."
Il quadro commerciale è ancora più magro. BrainChip è l’azienda quotata di punta del settore. Ha riportato 700.000 dollari di entrate da clienti a fronte di 5,3 milioni di dollari di uscite operative nell’ultimo trimestre di marzo.
Altri si sono completamente fermati. Rain AI, che puntava a raccogliere 150 milioni di dollari ma non ci è riuscita, ha esplorato una vendita nel 2025.
I ricercatori del settore descrivono un problema circolare. Catherine Schuman, professoressa associata di ingegneria elettrica e informatica presso l’Università del Tennessee a Knoxville, ha spiegato in dettaglio:
"Le aziende di hardware stanno aspettando che nasca un'app killer, ma è davvero difficile capire come costruire queste applicazioni senza avere un hardware su cui fare prototipi."
Oltre 20 ricercatori hanno firmato un documento di consenso nel 2025 su Nature. Sosteneva che al settore manca ancora l’ecosistema necessario.
Hanno vinto i principi della biologia. L’hardware costruito per incarnarli non lo ha fatto.
Tutti stanno competendo per gli stessi elettroni
L’efficienza ora conta davvero perché l’elettricità è diventata il vincolo principale. L’Agenzia Internazionale dell’Energia ha stimato il consumo globale dei data center a 485 terawattora nel 2025.
Le strutture dedicate all’AI sono cresciute del 50% solo in quell’anno. L’agenzia prevede che triplicheranno entro il 2030.
L’accesso alla rete elettrica, più che la disponibilità di chip, ora limita le nuove costruzioni. Il tempo mediano tra la richiesta di interconnessione e l’avvio operativo commerciale supera i cinque anni, secondo il Lawrence Berkeley National Laboratory.
Satya Nadella, CEO di Microsoft, ha dichiarato a novembre che la sua azienda possiede processori che non può connettere. La vera scarsità riguarda gli edifici già alimentati, non il silicio. Gli investitori istituzionali hanno sollevato questioni simili sulla prontezza delle reti elettriche.
I miner di Bitcoin hanno passato dieci anni a risolvere proprio questo problema. Possiedono siti già alimentati, contratti energetici firmati e diritti di interconnessione che i nuovi operatori attendono per anni.
Il risultato ha trasformato il mining in un business energetico e infrastrutturale. La riconversione di un impianto operativo costa all’incirca tra 3 e 4 milioni di dollari per megawatt. Una costruzione da zero arriva a costare tra 10 e 12 milioni di dollari, secondo le stime di VanEck.
I valori degli accordi annunciati sono enormi. I miner quotati in borsa hanno firmato contratti per l’AI con un valore aggregato superiore a 70 miliardi di dollari.
La capacità effettivamente consegnata racconta una storia molto più silenziosa. I documenti del secondo trimestre 2026 mostrano circa 750 megawatt effettivamente energizzati nel settore.
Core Scientific rappresenta circa 437 di quei megawatt. Il campus Helios di Galaxy ne ha consegnati 133; TeraWulf 102; IREN 50; e Riot 25. Hut 8 ha contrattualizzato 949 megawatt ma non ne ha energizzati neanche uno.
Capacità contrattualizzata rispetto a quella effettivamente attivata / Fonte: BeInCrypto La riconversione è stata costosa. Le perdite trimestrali aggregate dei miner MARA e CleanSpark hanno raggiunto 851 milioni di dollari ad agosto.
La maggior parte della capacità di mining non verrà mai convertita. I dati preliminari di un sondaggio Cambridge presentati a luglio mostravano che circa il 10% dei miner aveva destinato energia all’AI.
Gli ostacoli sono di natura fisica. Il mining può tollerare interruzioni, mentre per i clienti AI servono approvvigionamenti fissi di energia, raffreddamento intenso e fibra ottica che i siti remoti spesso non hanno.
Tuttavia, la direzione verso cui si va è chiara. Core Scientific ora genera l’83% delle sue entrate dalla colocation e solo il 13% dal mining vero e proprio.
Gli investitori hanno già scontato questo cambiamento. I miner con contratti di locazione firmati vengono valutati a multipli ben più elevati rispetto alla loro potenza effettiva installata. Nel frattempo, la prossima scommessa sull’AI appare sempre più come una questione di elettricità e non di chip.
Perché l’efficienza non risolverà il consumo energetico dell’AI
In passato, l’aumento dell’efficienza ha assorbito la crescita della domanda. La potenza di calcolo dei data center globali è aumentata del 550% tra il 2010 e il 2018, mentre il consumo energetico è cresciuto di circa il 6%.
Poi lo schema si è interrotto. Il consumo di energia dei data center degli Stati Uniti è salito da 58 terawattora nel 2014 a 176 nel 2023.
L’evoluzione si è ottimizzata sotto un limite invalicabile. Un cranio che consumasse 200 watt avrebbe ucciso il suo proprietario, quindi l’efficienza è diventata l’unica risposta possibile.
L’AI non ha mai affrontato questo limite. Ha invece incontrato un limite di capitale, che tuttavia può essere ampliato molto più facilmente rispetto all’elettricità.
Ora però qualcosa sta cambiando. La questione aperta non è più se la biologia sia più efficiente, ma cosa diventerà l’AI quando sarà l’energia, invece del denaro, a decidere cosa può essere realizzato.
Leggi la storia originale Il tuo cervello funziona con 20 watt, l’intelligenza artificiale vuole una centrale elettrica di Jakub Dziadkowiec su it.beincrypto.com