Il software può ridurre l’energia necessaria per una singola attività oppure spostare i carichi flessibili a un momento o in un luogo più favorevole. Sono due interventi diversi: il primo migliora l’efficienza del calcolo, il secondo ne cambia tempi o localizzazione. Nessuno dei due, da solo, garantisce una diminuzione dei consumi complessivi di un data center.
Che cosa può cambiare il software
Un’attività di calcolo può richiedere meno energia se il software ne ottimizza l’esecuzione. Tra le tecniche ci sono l’uso di istanze cloud dimensionate sulle necessità, la memorizzazione di richieste ripetute, l’invio delle richieste semplici a modelli più piccoli e l’ottimizzazione di batching e compilatori. Anche contenere la lunghezza di prompt e risposte può ridurre il lavoro richiesto.
Un’altra leva è la pianificazione. Alcuni carichi batch, cioè elaborazioni che non devono concludersi subito, possono essere rimandati o assegnati a un data center in una regione con capacità disponibile e, quando possibile, elettricità a minore intensità di carbonio. L’effetto è spostare la domanda nel tempo o nello spazio, non necessariamente consumare meno energia per la stessa attività.
Esempi per l’addestramento e i profili GPU
Lo studio su Perseus pubblicato da ACM SIGOPS riporta fino al 30% di energia in meno per l’addestramento di grandi modelli, senza perdita di throughput — la quantità di lavoro completata in un dato intervallo — né modifiche all’hardware nella valutazione descritta. È un risultato circoscritto a quel sistema e a quelle prove, non una percentuale valida per ogni modello o data center.
NVIDIA, invece, dichiara che i profili di potenza di fase uno per Blackwell possono ridurre il consumo energetico fino al 15%, mantenendo livelli di prestazione superiori al 97% per le applicazioni critiche. I profili riguardano carichi di addestramento IA, inferenza IA e calcolo ad alte prestazioni; i risultati variano in base al carico e al profilo.
L’azienda indica anche un effetto distinto: in una struttura con potenza disponibile limitata, l’energia risparmiata può consentire di installare più GPU e ottenere fino al 13% di throughput complessivo in più. Questo dato riguarda la capacità di elaborazione dell’intero data center, non la prestazione della singola applicazione.
Pianificare i carichi in base alla rete
La pianificazione anticipata e quella in tempo reale possono tenere conto dei segnali della rete elettrica, rinviando le elaborazioni flessibili o spostandole verso aree con capacità disponibile. Il vantaggio potenziale dipende però dal lavoro da trasferire: requisiti di sovranità dei dati possono limitare la scelta della regione, mentre trasferire grandi dataset richiede di spostare materialmente quei dati.
Questi vincoli rendono lo spostamento più adatto alle attività flessibili che non dipendono da una risposta immediata. Non significa che un carico possa essere trasferito liberamente o senza conseguenze operative.
Efficienza, infrastrutture ed effetto rimbalzo
Ottimizzare il software affianca, ma non sostituisce, hardware più efficiente e nuove infrastrutture elettriche. Inoltre, consumare meno energia per singolo calcolo non assicura un calo del totale: se l’efficienza rende conveniente eseguire più elaborazioni, la domanda complessiva può comunque crescere. È il rischio associato al paradosso di Jevons.
Che cosa prevede l’AIE per il 2030
L’Agenzia internazionale dell’energia (AIE) stima che nel 2024 i data center abbiano consumato circa 415 TWh, pari a circa l’1,5% dell’elettricità mondiale. Nel suo scenario di base, l’AIE prevede per il 2030 circa 945 TWh di consumo elettrico globale dei data center nel loro insieme. La crescita dei server accelerati, legata soprattutto all’adozione dell’IA, è trattata separatamente da quella previsione complessiva.
