# Come scelgo hardware a basso consumo energetico per l'IA?

> Scelga l'hardware per l'IA in base all'energia misurata per compito con i Suoi batch reali, confronti runtime e acceleratori e valuti il carbonio incorporato.

Source: https://greenai.guide/it/come/come-scelgo-hardware-a-basso-consumo-energetico-per-l-ia/  
Updated: 2026-11-19

## In breve

Faccia un benchmark del Suo modello reale su due o tre opzioni di hardware e di runtime e confronti l'energia per richiesta o per ciclo di addestramento con dimensioni di batch realistiche, insieme a latenza e costi. Patterson e colleghi hanno rilevato che la scelta combinata di modello, data centre e processore può ridurre il carbonio dell'addestramento fino a circa 100-1.000 volte. Tenga l'hardware valido occupato e in servizio, perché produrre nuove apparecchiature ha una sua impronta.

## Steps

1. Faccia un benchmark del Suo modello su due o tre opzioni di acceleratori e tipi di istanza.
2. Misuri l'energia per richiesta o per esecuzione con le Sue dimensioni di batch reali, insieme alla latenza.
3. Provi più di un runtime di inferenza su ciascuna opzione.
4. Scelga l'opzione con il consumo energetico più basso che soddisfa le Sue esigenze di latenza e qualità.
5. Metta a confronto il carbonio incorporato del nuovo hardware con il risparmio previsto.
6. Ripeta le prove quando cambiano il modello o il traffico.

**Scelga l'hardware in base all'energia misurata per il Suo carico di lavoro, non alle specifiche di picco.** Lo
stesso modello può consumare quantità di energia molto diverse su acceleratori, tipi di istanza e runtime diversi, e
la scelta migliore dipende dalle Sue dimensioni di batch e dal Suo traffico.

## Come confronto le opzioni in modo equo? {#how-do-i-compare-options-fairly}

I pattern della Green Software Foundation raccomandano di scegliere acceleratori e tipi di istanza efficienti, e
framework e runtime di inferenza efficienti, sulla base di prove. In pratica:

- esegua lo stesso modello, con gli stessi input e le stesse impostazioni, su ciascun candidato;
- misuri l'energia per richiesta (o per esecuzione) con le dimensioni di batch che userà davvero, non solo nel caso
  migliore;
- registri latenza e qualità insieme all'energia;
- includa il runtime: un motore di serving diverso sullo stesso chip può cambiare il risultato.

Patterson e colleghi hanno rilevato che la scelta dell'architettura del modello, del data centre e del processore può
ridurre l'impronta di carbonio dell'addestramento fino a circa 100-1.000 volte, quindi la scelta dell'hardware va
fatta insieme a queste altre decisioni.

## Dovrei comprare nuovo hardware? {#should-i-buy-new-hardware}

Non automaticamente. Wu e colleghi di Meta hanno riferito che il carbonio incorporato, dovuto alla produzione
dell'hardware, rappresentava circa il 30% dell'impronta dell'apprendimento automatico su larga scala di Meta. Un nuovo
acceleratore deve far risparmiare abbastanza energia nel corso della sua vita da ripagare la propria produzione.
Veda [calcolare il carbonio incorporato](/it/come/come-calcolo-il-carbonio-incorporato-dell-hardware-per-l-ia/).

## Errori comuni {#common-mistakes}

- **Sottoutilizzare acceleratori grandi.** Una GPU grande poco utilizzata può consumare più energia per risposta di
  una più piccola tenuta occupata; veda [raggruppare le richieste all'IA in batch](/it/come/come-raggruppo-le-richieste-all-ia-in-batch-per-risparmiare-energia/).
- **Fare il benchmark una sola volta.** Ripeta le prove quando cambiano il modello, il runtime o il traffico.

Veda [addestramento e inferenza efficienti](/it/buone-pratiche/addestramento-e-inferenza-efficienti-per-l-ia/).

## Fonti

- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
- [Select efficient accelerators and instance types for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/efficient-hardware-ai-workloads.md), Green Software Foundation, Green Software Patterns (2025)
- [Select efficient ML frameworks and inference runtimes](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/select-efficient-ml-frameworks-inference-runtimes.md), Green Software Foundation, Green Software Patterns (2025)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
