In breve
I ricercatori possono rendere l'IA più verde in due modi: sviluppando metodi che richiedono meno calcolo, e misurando e rendicontando l'energia consumata dal proprio lavoro. Pruning, quantizzazione, distillazione, metodi numerici migliori e modelli ibridi fisica-ML riducono il costo dell'IA, mentre strumenti come CodeCarbon e il calcolatore Green Algorithms rendono il costo visibile negli articoli.
Punti chiave
- Patterson e colleghi hanno rilevato che la scelta di modello, data centre e processore può ridurre l'impronta di carbonio dell'addestramento fino a circa 100-1.000 volte.
- Merita attenzione nella ricerca anche l'inferenza, non solo l'addestramento: viene eseguita ogni volta che si usa un modello.
- Indichi in ogni articolo energia, hardware, tempo di esecuzione e luogo, usando uno strumento gratuito come CodeCarbon o il calcolatore Green Algorithms.
- La matematica contribuisce oltre gli algoritmi: a metriche, incertezza, benchmark e modellazione di come si diffonde l'uso dell'IA.
- Fissi un budget di calcolo per il progetto, che includa le esecuzioni fallite e le ricerche di iperparametri, non solo il modello finale.
Perché l'IA verde conta per la ricerca?
Perché la ricerca definisce i metodi che tutti gli altri copiano, e perché la ricerca stessa usa molto calcolo. Una tecnica che dimezza il costo dell'inferenza, una volta adottata, fa risparmiare energia ogni volta che viene eseguito qualsiasi modello che la usa.
La questione è stata posta presto. L'articolo del 2019 di Strubell, Ganesh e McCallum ha quantificato il costo economico e ambientale dell'addestramento di diversi modelli linguistici e ha proposto modi per ridurlo. In seguito 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. Luccioni, Jernite e Strubell hanno mostrato che, per lo stesso compito, far funzionare modelli generativi multiuso può costare ordini di grandezza in più rispetto a modelli specifici.
Un sandpit (un laboratorio di ricerca intensivo e collaborativo) britannico sull'IA verde del 2026, che ha riunito matematici, informatici e imprese, ha articolato l'agenda di ricerca in tre fasi, ciascuna aperta a tecniche diverse: addestramento da zero, fine-tuning o adattamento, e messa in produzione, nel cloud o su un dispositivo a basso consumo. Ha anche osservato che molto del lavoro esistente si trova in deliverable di progetto e in repository di codice poco noti, quindi il primo passo di qualsiasi progetto è scoprire che cosa è già stato fatto.
Quali metodi rendono i modelli più efficienti?
Le famiglie principali sono: eliminare ciò che non serve al modello, usare meno bit, imparare da meno dati e incorporare nel modello una struttura nota. La maggior parte si può combinare.
Pruning e sparsità
Il pruning (potatura) rimuove i pesi che contribuiscono poco all'output. La sparsità indica che la maggior parte dei valori in una matrice o in un'attivazione è zero, così il calcolo può saltarli. Le grandi reti hanno spesso molti più parametri di quanti ne servano al compito finale, perché la sovraparametrizzazione aiuta l'ottimizzazione, quindi molto si può rimuovere dopo l'addestramento.
Tra le domande aperte: come fissare gli obiettivi di sparsità prima dell'addestramento invece che per tentativi, come mantenere efficiente la sparsità dinamica (in cui gli zeri dipendono dall'input) su hardware reale, e perché la sparsità sia ancora poco usata, dati i vincoli architetturali dei chip più diffusi. I guadagni teorici superano spesso le accelerazioni misurate, quindi contano i risultati empirici su hardware reale.
Quantizzazione e precisione mista
La quantizzazione memorizza e calcola con meno bit, per esempio interi a 8 bit invece di numeri in virgola mobile a 32 bit. La precisione mista usa una precisione più bassa dove è sicuro e una più alta dove serve. UNESCO e UCL riportano che tecniche di compressione come la quantizzazione possono far risparmiare fino al 44% di energia mantenendo l'accuratezza. Gli specialisti di analisi numerica sono nella posizione migliore per dire dove una precisione ridotta è sicura e come si propagano gli errori.
Distillazione e modelli più piccoli
La distillazione addestra un piccolo modello "studente" a imitare un grande modello "insegnante". Lo studente costa meno a ogni richiesta. Lavori collegati sul fine-tuning efficiente nei parametri, che adatta un piccolo numero di parametri aggiuntivi invece dell'intero modello, e sull'apprendimento continuo evitano di riaddestrare da zero.
Riutilizzare i modelli
Invece di addestrare nuovi modelli, si possono combinare quelli esistenti. Wortsman e colleghi hanno mostrato che fare la media dei pesi di diversi modelli messi a punto ("model soups") può migliorare l'accuratezza senza alcun costo aggiuntivo di inferenza. Fondere e riutilizzare modelli è un'area promettente per la ricerca sull'efficienza.
Efficienza nei dati
Addestrare su meno dati, ma migliori, riduce direttamente l'energia di addestramento. Le tecniche includono l'eliminazione di esempi duplicati e di scarso valore, l'apprendimento attivo (scegliere da etichettare gli esempi più informativi) e architetture che generalizzano a partire da pochi esempi.
Metodi numerici e spostamento dei dati
Gran parte dell'IA è algebra lineare, e vi si applicano decenni di analisi numerica. L'algebra lineare numerica randomizzata e lo sketching (comprimere una matrice preservandone le proprietà importanti) possono ridurre sia l'aritmetica sia lo spostamento dei dati, che su molti dispositivi costa più energia dell'aritmetica stessa. L'attenzione approssimata, che calcola solo le parti della matrice di attenzione che contano, è un esempio attivo nei grandi modelli linguistici. La differenziazione automatica, la tecnica generale alla base della backpropagation, collega l'IA ai codici scientifici esistenti.
Ibridi fisica-ML
Invece di sostituire un'intera simulazione con una rete neurale, si sostituisce solo la parte adatta. Uno schema comune è un surrogato appreso per il componente a più alto consumo energetico di un modello climatico o ingegneristico, mantenendo il resto della fisica. I modelli physics-informed (informati dalla fisica) incorporano leggi note nella funzione di perdita o nell'architettura, e possono richiedere molti meno parametri e dati. Altri strumenti strutturali includono la convessità, gli algoritmi "srotolati" (che trasformano i passi di un risolutore classico in strati di rete) e la simmetria, come nel geometric deep learning.
Il sandpit ha sollevato anche idee meno esplorate:
- aggiungere un termine di energia o di "carbonio" all'obiettivo di addestramento, per esempio penalizzando i neuroni attivi o gli esperti costosi in un modello mixture-of-experts;
- la correzione degli errori durante calcoli lunghi, con verifiche a intervalli per non dover ripetere un'esecuzione; e
- individuare quando i sistemi di IA multi-agente sono bloccati in cicli e sprecano token.
Veda addestramento e inferenza efficienti e la matematica per un'IA efficiente.
Come dovrei misurare e rendicontare l'energia negli articoli?
Misuri mentre lavora, indichi un insieme standard di dati e includa le esecuzioni che non sono finite nell'articolo. Senza questo, le affermazioni sull'efficienza non si possono verificare né confrontare.
Strumenti gratuiti:
- CodeCarbon, un pacchetto Python open source, stima le emissioni a partire dalla potenza assorbita da CPU, GPU e memoria e dall'intensità di carbonio della rete locale. Lo aggiunga agli script di addestramento e valutazione.
- Il calcolatore Green Algorithms, di Lannelongue, Grealey e Inouye, stima l'impronta di un calcolo a partire da hardware, tempo di esecuzione, memoria e luogo. È adatto ai job HPC e al lavoro svolto prima che iniziasse a registrare.
- I contatori hardware, come RAPL su molte CPU e le interfacce di potenza dei produttori di GPU, forniscono letture dirette su cui si basano questi strumenti.
Che cosa indicare:
| Voce | Esempio |
|---|---|
| Hardware | Modello e numero di GPU, CPU, memoria |
| Tempo di esecuzione | Ore-GPU per le esecuzioni finali e per tutte quelle di messa a punto e fallite |
| Energia | kWh, misurati o stimati, con strumento e versione |
| Luogo | Paese o regione della rete, e intensità di carbonio usata |
| Emissioni | kg CO₂e |
| Inferenza | Energia per 1.000 richieste con dimensione del batch e lunghezza della sequenza dichiarate |
| Perimetro | Se sono inclusi il raffreddamento e i costi aggiuntivi del data centre (PUE) |
Sia chiaro sull'incertezza. Le stime ottenute da modelli di potenza possono differire dai valori misurati, e i dati dei fornitori, come gli 0,24 Wh riportati da Google per un prompt testuale mediano a Gemini, usano metodi e perimetri propri. La nostra guida a misurare l'energia dell'IA e l'articolo la misurazione è il collo di bottiglia approfondiscono il tema.
Come fisso un budget di calcolo?
Decida in anticipo quanto calcolo può usare un progetto, e lo segua come si segue il denaro. Un budget rende visibili i compromessi e ferma la messa a punto senza fine.
- Stimi le ore-GPU per gli esperimenti principali, poi aggiunga un margine per l'esplorazione.
- Usi prove pilota su piccola scala per scartare idee prima di passare alla grande scala.
- Preferisca ricerche efficienti degli iperparametri, come l'arresto anticipato delle esecuzioni scadenti, alle grandi ricerche a griglia.
- Riutilizzi checkpoint e modelli preaddestrati quando sono adatti.
- Programmi i job flessibili in orari o regioni in cui la rete è più pulita.
- Riporti i risultati in rapporto al calcolo, per esempio l'accuratezza per kWh, non solo l'accuratezza migliore.
I principi GREENER di Lannelongue e colleghi (Governance, Responsibility, Estimation, Energy and embodied impacts, New collaborations, Education and Research) offrono un quadro di riferimento per gruppi e istituzioni.
In che modo l'efficienza incide sulla riproducibilità?
Rendicontare energia e calcolo rende il lavoro più facile da riprodurre, e i metodi efficienti lo rendono più economico da riprodurre. Un risultato che richiede migliaia di ore-GPU può essere verificato da pochi gruppi.
- Pubblichi codice, configurazioni e seed, e indichi su quante esecuzioni si basa un risultato.
- Riporti la varianza tra le esecuzioni. Un singolo dato di accuratezza da una sola esecuzione di un processo non deterministico può trarre in inganno.
- Rilasci, dove possibile, versioni più piccole o distillate dei modelli, così che altri possano costruirci sopra.
- Condivida i risultati negativi sui metodi di efficienza, che evitano ad altri di ripeterli.
Dove può contribuire la matematica?
La matematica aiuta oltre gli algoritmi più veloci: nel decidere che cosa misurare, quanto fidarsi di un modello e come si diffonde l'uso dell'IA nella società. Il sandpit ha sottolineato che i matematici devono mostrare, con strumenti ed evidenze, che cosa possono migliorare.
- Teoria dell'efficienza: teoria delle matrici aleatorie per pruning e sparsità, teoria dell'approssimazione per i modelli piccoli, teoria dell'ottimizzazione per un addestramento più rapido.
- Analisi numerica: precisione, stabilità, limiti d'errore e risolutori all'interno delle pipeline di IA.
- Quantificazione dell'incertezza: fino a che punto ci si può fidare di un surrogato, soprattutto al di fuori dei suoi dati di addestramento, il che decide se può sostituire un costoso modello fisico.
- Metriche e benchmark: misure di energia e qualità condivise e confrontabili, e metriche di qualità che incorporano l'efficienza.
- Modellazione di scenari e sistemi: come i guadagni di efficienza cambiano l'uso totale (l'effetto rimbalzo), teoria dei giochi sul perché le organizzazioni si sentono spinte a usare l'IA, ed equilibrio tra calcolo periferico e centralizzato.
- Scegliere il metodo: quadri per stabilire quando un problema richiede davvero l'IA e quando un algoritmo classico lo risolve già bene.
Come trovo finanziamenti e collaboratori?
Unisca una domanda di ricerca sull'efficienza a un partner applicativo reale a cui interessano costi o velocità. I finanziatori e le imprese rispondono meglio ai risparmi di energia che portano anche risultati più rapidi, più economici o più affidabili.
- I consigli nazionali della ricerca, come l'EPSRC nel Regno Unito, la NSF negli Stati Uniti e i loro equivalenti, finanziano la ricerca sui metodi; verifichi i bandi su IA, infrastrutture digitali per la ricerca e zero emissioni nette.
- I programmi europei, come Horizon Europe, e i cluster Eureka come ITEA finanziano progetti collaborativi con le imprese. GreenCode, un progetto ITEA, è un esempio nel campo dell'IA verde e dell'energia del software.
- Brevi progetti con le imprese, tirocini e borse di dottorato cofinanziate sono modi poco costosi per avviare una collaborazione.
- I research software engineer e i centri HPC hanno spesso competenze e formazione sul calcolo verde.
I gruppi interdisciplinari funzionano meglio: metta nella stessa stanza esperti di hardware, software, metodi numerici e del dominio applicativo. La directory della ricerca elenca gruppi e progetti sull'IA verde.
Quali percorsi di dottorato esistono?
Esistono progetti di dottorato in apprendimento automatico efficiente, analisi numerica, calcolo sostenibile e a basse emissioni, HPC e co-progettazione hardware-software. Molti non sono etichettati come "IA verde", quindi cerchi anche questi argomenti.
I percorsi includono:
- centri e programmi di formazione dottorale, come i Centres for Doctoral Training di UKRI nel Regno Unito;
- le reti dottorali delle azioni Marie Skłodowska-Curie dell'UE;
- borse di dottorato cofinanziate o sponsorizzate dalle imprese; e
- progetti collegati a grandi finanziamenti di ricerca.
Consulti la directory dei dottorati per le opportunità attuali e la directory dei corsi per corsi brevi su IA efficiente, software verde e calcolo per la ricerca.
Che cosa fare adesso
- Aggiunga CodeCarbon o una registrazione simile al Suo prossimo esperimento, oppure stimi il Suo ultimo progetto con il calcolatore Green Algorithms.
- Aggiunga una tabella su energia e calcolo al Suo prossimo articolo, comprese le esecuzioni di messa a punto e quelle fallite.
- Fissi un budget di calcolo per il Suo progetto attuale e lo riesamini ogni mese.
- Provi un metodo di efficienza, come la quantizzazione o la distillazione, su un modello che già usa, e rendiconti il compromesso.
- Verifichi che cosa esiste già prima di costruire: consulti la directory della ricerca e i deliverable recenti.
- Trovi un partner con un carico di lavoro di IA o di simulazione costoso e proponga un progetto comune.
- Cerchi formazione nella directory dei corsi, e condivida la directory dei dottorati con gli studenti.
Domande frequenti
Come rendiconto il consumo di energia dei miei esperimenti?
Registri l'energia con uno strumento come CodeCarbon mentre gli esperimenti sono in corso, oppure la stimi in seguito con il calcolatore Green Algorithms a partire da hardware, tempo di esecuzione e luogo. Indichi kWh, CO₂e, hardware, ore e regione della rete elettrica, e includa le esecuzioni fallite e di messa a punto.
La quantizzazione peggiora l'accuratezza?
Spesso solo di poco, ma dipende dal modello e dal compito. UNESCO e UCL riportano risparmi di energia fino al 44% grazie a tecniche di compressione come la quantizzazione, mantenendo l'accuratezza; lo verifichi sui Suoi benchmark.
L'IA verde è un vero campo di ricerca o una questione secondaria?
È un campo in crescita che abbraccia apprendimento automatico, analisi numerica, hardware e sistemi di calcolo. Gli studi sull'energia di addestramento e inferenza risalgono almeno al 2019, e l'AI Act dell'UE chiede ora ai fornitori di modelli per finalità generali di documentare il consumo di energia.
Posso fare un dottorato sull'IA verde?
Sì. Cerchi progetti in apprendimento automatico efficiente, metodi numerici, calcolo sostenibile o HPC. La nostra directory dei dottorati elenca le opportunità attuali.
Fonti
- Carbon emissions and large neural network training, Patterson et al. (2021)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- CodeCarbon, CodeCarbon (2026)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al., ICML (2022)
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- AI Act, Annex XI: technical documentation for providers of general-purpose AI models, European Commission AI Act Service Desk (2024)
- Green AI and energy-aware computing, GreenCode (ITEA) (2026)
Correlati
Addestramento e inferenza efficienti per l'IA
Tecniche per sviluppatori e ricercatori per ridurre l'energia dell'IA: pruning, sparsità, quantizzazione, distillazione, KV cache, batching, precisione mista e pianificazione.
Come misurare l'energia e il carbonio dell'IA
Guida pratica per misurare o stimare energia e carbonio del lavoro di IA: strumenti, confini del sistema, metriche per attività e incertezza dichiarata.
La matematica che rende l'IA più efficiente
Pruning, sparsità, sketching, teoria delle matrici aleatorie e modelli informati dalla fisica: come la matematica riduce calcolo, memoria ed energia dell'IA.
La misurazione è il collo di bottiglia dell'IA verde
Perché i dati sull'energia dell'IA sono difficili da verificare e confrontare: dichiarazioni proprie, stime invece di misure, confini diversi.