greenai.guide

Home › Glossario dell'IA verde

Glossario dell'IA verde

In breve

Questo glossario definisce, in linguaggio semplice e seguendo l'ordine alfabetico dei termini inglesi originali, le parole che si incontrano quando si comincia a leggere del costo ambientale dell'IA. Ogni termine ha un proprio link, così che le altre pagine del sito possano rimandarvi direttamente.

Punti chiave

  • L'addestramento costruisce un modello una volta; l'inferenza è ogni suo utilizzo successivo.
  • Efficienza significa fare lo stesso con meno; sufficienza significa chiedersi se il compito vada svolto con l'IA.
  • Il PUE confronta l'energia totale di un data center con quella usata dai suoi computer; 1,0 sarebbe perfetto.
  • L'effetto rimbalzo si verifica quando l'efficienza rende qualcosa più economico e quindi ne aumenta l'uso totale.

L'IA verde riunisce informatica, matematica, ingegneria, energia e politiche pubbliche, e ogni campo ha il proprio vocabolario. Parole come "modello", "efficienza" e perfino "IA" significano cose diverse per persone diverse. Un sandpit (laboratorio di ricerca collaborativo) britannico sull'IA verde del 2026, con matematici, informatici e industria, ha rilevato che i termini che le persone volevano soprattutto definire erano quelli di base: per questo il glossario parte da zero. I termini seguono l'ordine alfabetico dell'originale inglese, così che i link a ciascuna voce restino gli stessi in tutte le lingue. Se manca un termine che Le serve, ce lo segnali.

IA agentica

IA che svolge da sola un compito in più passaggi, come cercare, scrivere codice, eseguirlo e correggere gli errori, invece di dare un'unica risposta. Poiché ogni passaggio usa di nuovo il modello, l'IA agentica può consumare molti più token di una chat, e gli agenti che restano bloccati in un ciclo possono sprecarne moltissimi. Veda IA agentica e spreco di token.

IA

Abbreviazione di intelligenza artificiale: sistemi informatici che svolgono compiti che associamo all'intelligenza umana, come riconoscere immagini, comprendere il linguaggio o fare previsioni. Nel linguaggio comune del 2026, "IA" indica di solito i grandi modelli generativi come i chatbot, ma il termine comprende anche sistemi molto più piccoli, come i filtri antispam e i modelli meteorologici, quindi conviene precisare a che cosa ci si riferisce.

Alfabetizzazione all'IA

Le conoscenze e le competenze per comprendere, usare e valutare l'IA con giudizio: che cosa può e non può fare, come verificarne i risultati e quali sono i suoi costi, compresi quelli ambientali.

Differenziazione automatica

Una tecnica che permette a un computer di calcolare esattamente come cambia il risultato di un calcolo al variare di ciascun dato in ingresso. È il modo in cui le reti neurali imparano (dove si chiama retropropagazione, o backpropagation) ed è usata anche per ottimizzare le simulazioni scientifiche.

Benchmark

Un test standard usato per confrontare i sistemi in modo equo, per esempio quanto sono accurati i modelli sullo stesso insieme di domande o quanta energia usano per lo stesso compito. Un benchmark è utile solo quanto i compiti e le misurazioni che contiene.

Calcolo consapevole del carbonio

Eseguire i lavori di calcolo nei momenti o nei luoghi in cui l'elettricità è più pulita, per esempio rimandando un grande ciclo di addestramento finché soffia il vento. È adatto ai lavori che non richiedono una risposta immediata.

Intensità di carbonio

Quanta anidride carbonica (o gas serra equivalente) viene emessa per ogni unità di elettricità, di solito in grammi di CO₂e per kilowattora. Varia da paese a paese e di ora in ora, a seconda di quanta energia proviene da combustibili fossili o da fonti rinnovabili.

Data center

Un edificio pieno di computer, sistemi di archiviazione e apparecchiature di rete, con l'alimentazione e il raffreddamento necessari per farli funzionare. La maggior parte dei chatbot di IA funziona nei data center, non sul dispositivo dell'utente.

Modello di diffusione

Un tipo di IA generativa, molto usato per immagini e video, che impara a trasformare passo dopo passo un rumore casuale in un'immagine. I suoi numerosi passaggi aiutano a spiegare perché generare immagini consuma molta più energia di un breve testo.

Distillazione

Addestrare un piccolo modello "studente" a imitare un grande modello "insegnante", così che quello piccolo possa svolgere un compito quasi altrettanto bene con una frazione del costo di calcolo.

IA edge

IA che funziona sul dispositivo in cui si trovano i dati, o vicino a esso, come un telefono, una telecamera o un sensore di fabbrica, invece che in un data center lontano. Può risparmiare l'energia della rete e proteggere la privacy, ma anche i piccoli dispositivi, moltiplicati per milioni, si sommano. Veda edge o cloud.

Efficienza

Ottenere lo stesso risultato utile con meno risorse: meno energia, tempo, acqua o hardware per attività. L'efficienza è essenziale per l'IA verde ma da sola non basta, a causa dell'effetto rimbalzo.

Carbonio incorporato

Le emissioni dovute alla produzione, al trasporto e infine allo smaltimento delle apparecchiature, distinte da quelle del loro funzionamento. Per l'IA comprende la fabbricazione di chip, server ed edifici dei data center.

Etichetta energetica

Una semplice classificazione che mostra quanta energia consuma un prodotto, come le etichette dalla A alla G dei frigoriferi in Europa. Diversi gruppi stanno sviluppando equivalenti per i modelli di IA, come AI Energy Score di Hugging Face, e l'AI Act dell'UE impone ai fornitori di modelli di IA per finalità generali di documentarne il consumo energetico noto o stimato. Veda etichette energetiche per l'IA.

Fine-tuning

Il fine-tuning (messa a punto) consiste nel prendere un modello già addestrato e addestrarlo ancora un po' su dati specialistici, perché funzioni meglio in un compito particolare. Costa molto meno che addestrare da zero.

FLOP

Operazioni in virgola mobile: i passaggi aritmetici di base (addizioni e moltiplicazioni di numeri decimali) che un computer esegue. Contarle è un modo comune per stimare quanto calcolo richiede un modello. FLOPS con la S maiuscola indica di solito le operazioni al secondo.

FPGA

Un field-programmable gate array: un chip i cui circuiti possono essere riconfigurati dopo la fabbricazione. Gli FPGA possono essere molto efficienti per un compito specifico e possono essere riprogrammati quando i modelli cambiano, ma sono più difficili da programmare delle GPU.

IA generativa

IA che crea nuovi contenuti, come testi, immagini, audio, video o codice, in risposta a una richiesta. I chatbot e i generatori di immagini sono IA generativa.

GPU

Un'unità di elaborazione grafica: un chip progettato in origine per la grafica dei computer, in grado di eseguire molti calcoli contemporaneamente. Le GPU sono l'hardware principale per addestrare ed eseguire l'IA moderna.

IA verde

IA sviluppata e usata in modo da mantenere il più bassa possibile la sua impronta di energia, carbonio, acqua e materiali, e usata dove apporta un valore reale. Comprende sia rendere l'IA più efficiente sia usarla solo dove è lo strumento giusto. Veda che cos'è l'IA verde?.

Greenwashing

Fare dichiarazioni fuorvianti secondo cui un prodotto o un'organizzazione sarebbe più rispettoso dell'ambiente di quanto sia in realtà. Nell'UE, la direttiva (UE) 2024/825 vieta le dichiarazioni ambientali generiche rivolte ai consumatori che non possono essere dimostrate. Veda dichiarazioni ambientali oneste.

Inferenza

L'uso di un modello addestrato per produrre un risultato, come rispondere a una domanda o generare un'immagine. Ogni prompt è un'inferenza, quindi per gli strumenti più diffusi l'energia dell'inferenza continua a sommarsi per tutto il tempo in cui il modello resta in uso.

Paradosso di Jevons

L'osservazione, fatta dall'economista William Stanley Jevons nel suo libro del 1865 The Coal Question, secondo cui macchine a vapore più efficienti portarono la Gran Bretagna a bruciare più carbone, non meno. È il caso estremo dell'effetto rimbalzo, in cui l'efficienza fa aumentare l'uso totale.

Cache KV

Abbreviazione di cache chiave–valore (key–value). Quando un modello linguistico scrive una risposta un token alla volta, memorizza i risultati intermedi (le "chiavi" e i "valori" del suo calcolo di attenzione) per non doverli ricalcolare a ogni passaggio. Fa risparmiare molto calcolo ma occupa memoria.

Modello linguistico di grandi dimensioni

Un modello di IA generativa addestrato su enormi quantità di testo per prevedere e produrre linguaggio, spesso abbreviato in LLM. La maggior parte dei chatbot si basa su uno di questi modelli.

Latenza

Il ritardo tra il momento in cui si chiede qualcosa e quello in cui si riceve la risposta. Alcune tecniche di IA verde scambiano un po' di latenza con un minore consumo di energia, per esempio raggruppando le richieste o aspettando un'energia più pulita.

Fallacia di McNamara

L'errore di considerare ciò che si misura facilmente come l'unica cosa che conta, ignorando ciò che non si può misurare. Nell'IA verde è un monito contro il giudicare i sistemi solo in base a numeri comodi, trascurando danni più difficili da contare, come il consumo d'acqua o gli effetti sociali.

Precisione mista

Eseguire alcuni calcoli con meno cifre di precisione di altri, dove ciò non compromette il risultato. Una precisione più bassa usa meno memoria ed energia.

Mixture of experts

Un'architettura di modello (letteralmente "miscela di esperti") composta da molte sottoreti specializzate ("esperti"), in cui un router invia ogni input solo ad alcune di esse. Usa solo una parte del modello per ogni risposta, il che fa risparmiare calcolo, anche se il modello intero serve in memoria e durante l'addestramento.

Modello

Nell'IA, un modello è il sistema addestrato che trasforma gli input in output: l'insieme appreso di numeri (parametri) e la struttura che li usa. Nella scienza e nell'ingegneria, "modello" può indicare anche una descrizione matematica di un sistema, come un modello climatico, quindi è utile precisare a che cosa ci si riferisce.

Fusione di modelli (souping)

Combinare due o più modelli, spesso facendo la media dei loro parametri, per ottenere un unico modello con i punti di forza di ciascuno senza addestrarne uno nuovo da zero. "Model soups" ("zuppe di modelli") è il nome usato da Wortsman e colleghi nel 2022.

Sistema multi-agente

Un insieme di agenti di IA che lavorano insieme o si passano i compiti. Possono essere potenti, ma se restano bloccati a dialogare tra loro possono consumare grandi quantità di token senza alcun risultato utile.

Modello a pesi aperti

Un modello i cui parametri addestrati (pesi) sono pubblicati, così che chiunque possa scaricarlo ed eseguirlo, anche se i dati e il codice di addestramento non lo sono. I modelli a pesi aperti possono essere eseguiti in locale e adattati, e il loro consumo energetico può essere misurato in modo indipendente.

Orchestrazione

Coordinare più modelli, strumenti o componenti già pronti per completare un compito, invece di far generare tutto a un unico grande modello. Veda orchestrare anziché generare.

Parametri

I numeri all'interno di un modello che vengono regolati durante l'addestramento e che insieme conservano ciò che ha imparato. I modelli linguistici di grandi dimensioni ne hanno miliardi; la famiglia Llama 3.1 di Meta, per esempio, è disponibile nelle dimensioni da 8, 70 e 405 miliardi di parametri. Più parametri significano di solito più calcolo per ogni risposta.

Rete neurale informata dalla fisica

Una rete neurale addestrata a rispettare leggi fisiche note, come la conservazione dell'energia, oltre che ad adattarsi ai dati. Incorporare questa conoscenza può significare meno dati, meno parametri e meno addestramento.

Prompt

L'istruzione o la domanda che una persona rivolge a un modello di IA generativa. Prompt chiari e specifici di solito ottengono una buona risposta al primo tentativo, il che fa risparmiare tempo ed energia.

Pruning

Il pruning (potatura) consiste nel rimuovere parti di un modello addestrato, come singoli pesi o intere connessioni, che contribuiscono poco al risultato. Un modello potato è più piccolo e meno costoso da eseguire, spesso con una perdita minima di accuratezza.

PUE

Power usage effectiveness (efficacia nell'uso dell'energia): il consumo totale di energia di un data center diviso per l'energia usata dalle sue apparecchiature informatiche. Un PUE di 1,0 significherebbe che non si spende energia per il raffreddamento o in perdite di alimentazione; più è basso, meglio è. Veda hosting e data center per i valori tipici e le relative fonti.

Quantizzazione

Memorizzare i numeri di un modello con meno cifre, per esempio numeri a 8 o 4 bit invece che a 16 o 32 bit. Questo riduce le dimensioni del modello e l'energia necessaria per eseguirlo, di solito con una piccola perdita di qualità.

Effetto rimbalzo

Si verifica quando un guadagno di efficienza rende qualcosa più economico o più facile, così le persone ne usano di più e il risparmio va perso in parte o del tutto. Se l'uso cresce tanto da far aumentare il consumo totale, si tratta del paradosso di Jevons. Veda efficienza non è sufficienza.

Instradamento

Inviare ogni richiesta al modello più adatto, per esempio un modello piccolo ed economico per le domande facili e uno grande solo per quelle difficili. Scegliere bene la soglia è importante: un modello troppo piccolo può fallire e costringere a un secondo tentativo con un modello più grande.

Emissioni di scope 1, 2 e 3

Le tre categorie del Greenhouse Gas Protocol. Lo scope 1 comprende le emissioni dirette da fonti che un'organizzazione possiede o controlla; lo scope 2 le emissioni dovute all'elettricità, al calore o al raffreddamento che acquista; lo scope 3 tutte le altre emissioni indirette della sua catena del valore, come la fabbricazione dell'hardware che acquista.

Modello linguistico di piccole dimensioni

Un modello linguistico con relativamente pochi parametri, progettato per funzionare a basso costo, a volte su un portatile o un telefono. Per compiti circoscritti, un piccolo modello ben scelto può eguagliarne uno molto più grande. Veda scegliere il modello giusto.

Intensità di carbonio del software

Un metodo della Green Software Foundation, pubblicato anche come norma ISO, per calcolare il carbonio emesso per unità di lavoro svolto da un software, per esempio per utente o per richiesta.

IA sovrana

Capacità di IA, come modelli, dati e infrastrutture di calcolo, che un paese o una regione controlla direttamente invece di dipendere da fornitori stranieri. Solleva questioni di sostenibilità proprie; veda IA sovrana e sostenibilità.

Sparsità

Si ha quando molti dei numeri di un modello, o molte delle sue attivazioni per un dato input, sono zero. Il calcolo può saltare gli zeri, quindi un modello sparso può essere molto meno costoso da eseguire, se hardware e software lo supportano.

Rete neurale a impulsi

Una rete neurale che, come il cervello, trasmette le informazioni sotto forma di brevi impulsi (spike) e resta per lo più inattiva tra l'uno e l'altro. Su hardware adatto promette un consumo di energia molto basso, soprattutto nell'edge.

Sufficienza

Usare di una risorsa solo quanto un bisogno richiede davvero, chiedendosi anche se l'IA serva. È il complemento dell'efficienza: l'efficienza chiede "come possiamo farlo con meno?", la sufficienza chiede "dobbiamo farlo?".

Modello surrogato

Un modello rapido e approssimato addestrato a sostituire un calcolo lento e costoso, come una parte di una simulazione climatica o ingegneristica. Un buon surrogato può far risparmiare molta energia, purché se ne verifichi l'accuratezza.

IA sostenibile

Un termine ampio per un'IA che può essere sviluppata e usata senza esaurire le risorse da cui dipende, spesso includendo gli effetti sociali ed economici oltre a quelli ambientali. Si sovrappone all'IA verde e i due termini sono spesso usati come sinonimi.

Token

Il frammento di testo che un modello linguistico legge e scrive, spesso una parte di parola. La regola pratica di OpenAI per l'inglese è che un token corrisponde a circa quattro caratteri, o circa tre quarti di parola; altre lingue richiedono spesso più token per lo stesso significato. Più token significano più calcolo.

TPU

Un'unità di elaborazione tensoriale (tensor processing unit): un chip progettato da Google appositamente per i calcoli usati nell'apprendimento automatico.

Addestramento

Costruire un modello mostrandogli grandi quantità di dati e regolando ripetutamente i suoi parametri per ridurne gli errori. Addestrare un grande modello può richiedere mesi su migliaia di chip; Meta dichiara 39,3 milioni di ore GPU per addestrare la famiglia Llama 3.1.

Quantificazione dell'incertezza

Stabilire quanta fiducia si può riporre nel risultato di un modello, per esempio fornendo un intervallo invece di un singolo numero. Aiuta a decidere quando un modello più economico è sufficiente e quando un risultato va verificato.

WUE

Water usage effectiveness (efficacia nell'uso dell'acqua): l'acqua usata in loco da un data center, in litri, divisa per l'energia usata dalle sue apparecchiature informatiche, in kilowattora. Più è basso, meglio è, anche se un sistema di raffreddamento che risparmia acqua può consumare più elettricità, e viceversa.

Domande frequenti

Che differenza c'è tra IA verde e IA sostenibile?

I due termini si usano in modi che si sovrappongono. L'IA verde di solito si concentra sulla riduzione di energia, carbonio, acqua e materiali usati dall'IA; l'IA sostenibile ha spesso un significato più ampio, che comprende anche gli effetti sociali ed economici e la capacità delle risorse di rinnovarsi alla stessa velocità con cui vengono consumate.

Che cos'è un token nell'IA?

Un token è il frammento di testo che un modello linguistico legge o scrive, spesso una parte di parola. La regola pratica di OpenAI per l'inglese è di circa quattro caratteri, o tre quarti di parola, per token.

Che differenza c'è tra addestramento e inferenza?

L'addestramento consiste nel costruire un modello facendolo imparare dai dati, di solito una sola volta e a costo elevato. L'inferenza è l'uso del modello finito per rispondere a una domanda o creare un'immagine, e avviene ogni volta che qualcuno lo usa.

Fonti

  1. What are tokens and how to count them?, OpenAI Help Center (2025)
  2. Uptime Institute global data center survey 2025, Uptime Institute (2025)
  3. Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
  4. GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
  5. W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
  6. Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
  7. Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
  8. Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
  9. Software Carbon Intensity specification, Green Software Foundation (2024)
  10. ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
  11. Llama 3.1 8B model card, Meta (Hugging Face) (2024)

Si unisca a noi

Aiuti a ridurre l'impatto dell'IA sul pianeta

Riceva per email nuove guide, bandi di finanziamento e schede delle directory, circa una volta al mese. Oppure aggiunga il suo prodotto, corso, dottorato o ricerca alle directory.

Nessun tracciamento. Disiscrizione con un clic. Altri modi per partecipare · Privacy