L’efficienza del cervello umano è evidente nella sua capacità di elaborare informazioni, apprendere e adattarsi. La sua complessità è dovuta dalla presenza di miliardi di neuroni – in media 86 miliardi – interconnessi tra loro a formare le cosiddette reti neurali che trasmettono segnali elettrici e chimici.
Oggi la scienza si sta impegnando a costruire macchine simili al cervello cercando di scoprire come esso possa operare in maniera tanto efficiente ed economica e, soprattutto, impiegare i suoi stessi principi.
Si stima che il costo energetico del cervello sia intorno ai 20 W. Se si volesse costruire con un hardware convenzionale un sistema che simula il suo funzionamento avremmo bisogno di 10 Megawatt, grossomodo la potenza necessaria per alimentare una cittadina di circa 3.300 abitazioni calcolando una potenza massima installata di 3 kW per abitazione. Si capisce come, oltre alle difficoltà insiste nel replicare i meccanismi di funzionamento del nostro cervello, si sommi un costo energetico non sostenibile.
La fase che richiede la maggior quantità di energia da parte degli algoritmi di calcolo alla base di una rete neurale artificiale è quella di “addestramento”. Secondo l’Università del Massachusetts ad Amherst l’addestramento di un singolo modello di IA arriva a emettere una quantità di CO2 comparabile a quella di 5 automobili nel corso della loro vita.
La sostenibilità ambientale è diventata, pertanto, un tema cruciale nell'evoluzione dell'Intelligenza Artificiale e delle tecnologie connesse. L'iniziativa Green AI, per esempio, pone l'accento non solo sulle prestazioni ottimali dei sistemi di IA, ma anche sulla minimizzazione dell'impatto ambientale.
Un altro esempio virtuoso è il Reservoir Computing sviluppato all’Università di Pisa che fondamentalmente si ispira al modo in cui funziona la corteccia cerebrale umana, per cui, la maggior parte delle connessioni tra neuroni può essere fissata a priori senza necessità di essere addestrata. Un’altra frontiera che potrebbe aprire le porte a sistemi di IA con risparmio computazionale significativo è quella del calcolo neuromorfico, il cui obiettivo è quello di unire memoria e calcolo in modo più simile a quanto avviene nei sistemi biologici rispetto alle architetture tradizionali dei PC.