Il paragone sbagliato dei 20 watt

Ogni tanto ritorna una frase che sembra chiudere la discussione prima ancora di cominciarla: il cervello umano lavora con una ventina di watt, l’intelligenza artificiale moderna ha bisogno di data center. La frase funziona bene perché mette sullo stesso tavolo due immagini quasi comiche. Da una parte un organo molle, caldo, silenzioso; dall’altra il data center, con tutta la sua periferia elettrica e industriale. L’effetto retorico è immediato: l’intelligenza biologica appare frugale, quella artificiale industriale.

Il problema è che la frase è vera solo nel modo in cui può essere vera una misura presa da troppo vicino. Il cervello adulto consuma davvero poco, se lo trattiamo come macchina già accesa. Una ventina di watt è l’ordine di grandezza giusto per il metabolismo cerebrale umano: circa il 2% della massa corporea e circa un quinto del consumo a riposo. Ma quel numero non è la spesa energetica per arrivare a una mente umana. È la spesa di esercizio di un organismo che ha già ricevuto, senza fattura visibile, una lunga preparazione biologica e culturale: corpo, lingua, strumenti sociali e molte generazioni di errori.

La prima correzione è meno elegante di uno slogan: non esiste una singola efficienza energetica dell’intelligenza. Esistono contabilità diverse. Il meme mette in rapporto una voce locale, quasi marginale, con un apparato allargato: da una parte il cervello già in esercizio, dall’altra l’infrastruttura elettrica dell’AI. Non è la stessa domanda posta due volte. Se si confronta il cervello in modalità run con l’intera macchina industriale dell’AI, si ottiene una morale semplice ma sporca. Se si confronta l’AI come modello copiabile, interrogabile, generalista e parzialmente verificabile con un singolo essere umano specializzato, il bersaglio si è già spostato. Il bordo del conto va dichiarato prima di attribuire virtù termodinamiche a qualcuno.

Il bordo del conto

Conviene partire dalla fisica più banale. L’energia consumata da un processo è potenza media per durata dell’intervallo:

E = P\,\Delta t

dove $P$ è la potenza media e $\Delta t$ il tempo considerato. Questa relazione sembra troppo elementare per reggere un confronto tra cognizione biologica e artificiale, ma in realtà è già sufficiente a smontare metà della retorica. Un cervello che lavora per un anno a 20 W consuma circa 175 kWh. È un numero piccolo se lo confronto con un impianto industriale, grande se lo moltiplico per tutti gli anni-persona della storia umana. Con stime rozze, ma non assurde, si arriva rapidamente a centinaia di migliaia di TWh solo per il metabolismo dei cervelli accesi; se invece includo il corpo necessario a sostenerli, il conto sale di un altro fattore.

Per l’AI il bordo è più visibile perché passa dalla rete elettrica. L’IEA stima che i data center siano arrivati intorno a 485 TWh nel 2025, con scenari che possono avvicinarsi a 950 TWh nel 2030. Sono consumi enormi. Non vanno minimizzati, né travestiti da prezzo inevitabile del progresso. Però quei numeri non sono il consumo di “pensiero artificiale puro”: includono il cloud ordinario e la quota materiale dell’infrastruttura. Una parte non piccola dell’energia serve semplicemente a far sì che i bit restino bit abbastanza stabili da essere usati.

La simmetria con il cervello, se la si cerca davvero, diventa meno comoda. Anche i 20 W cerebrali non sono “ragionamento puro”. Tengono in piedi l’attività di un organo che percepisce, regola il corpo, ricorda, predice e resta acceso anche quando non sta facendo matematica. E il data center non è una mente gigante: è un apparato tecnico dentro cui una parte della computazione assume valore cognitivo perché è collegata a dati, obiettivi e criteri di valutazione.

Per non cambiare unità di misura a metà frase, io scriverei il paragone con un pedice sul bordo contabile:

\begin{aligned} \eta_B &= \frac{C(T,\varepsilon,G,R,A,N)}{E_B},\\ E_B &= E_{\mathrm{dati}} + E_{\mathrm{training}} + E_{\mathrm{ricerca}} \\ &\quad + E_{\mathrm{inferenza}} + E_{\mathrm{substrato}} \\ &\quad + E_{\mathrm{verifica}} + E_{\mathrm{cultura}}. \end{aligned}

Qui $B$ è il bordo scelto, $E_B$ l’energia totale che quel bordo include e $C$ la prestazione valutata alle condizioni dichiarate: $T$ indica il compito, $\varepsilon$ l’errore tollerato, $G$ il grounding, $R$ l’affidabilità richiesta, $A$ l’ampiezza del dominio e $N$ il riuso. Un bordo stretto conta il compito; uno medio include la formazione; uno largo chiama in causa la storia che ha reso possibile l’agente. Scritta così, $\eta_B$ misura prestazione per unità di energia contabilizzata e serve soprattutto a impedire un abuso: prendere la spesa locale di un caso e confrontarla con la genealogia dell’altro.

Il punto dimensionale è semplice: se sto parlando di prestazione per joule, l’energia deve stare al denominatore. Se il rapporto viene rovesciato, non cambia solo l’aspetto della formula; cambia la grandezza misurata.

Qui però serve una cautela ulteriore. $E_B$ può indicare una spesa fisica avvenuta, una quota attribuita a un uso, oppure una componente condivisa tra molti effetti diversi. La cultura non è stata prodotta solo per rispondere a un prompt, e nemmeno l’evoluzione biologica aveva come scopo la soluzione di un esercizio. Allargare il bordo non autorizza a caricare tutta la storia su ogni atto cognitivo. Serve a dichiarare quale quota stiamo imputando, e perché.

Bordo del conto Prima decidi cosa stai contando

B0 Risposta solo l'atto locale
B1 Corpo metabolismo e servizio
B2 Formazione anni e training
B3 Storia cultura e dati

Letto così, il confronto si divide in tre domande diverse:

Livello	Domanda	Umano	AI
Locale	Quanto costa l’atto adesso?	cervello e corpo in esercizio	inferenza e servizio
Formativo	Che cosa è servito per ottenere l’agente?	crescita, scuola, pratica	training, valutazione, ricerca
Sistemico	Che cosa tiene in piedi l’ecosistema?	istituzioni, cultura, strumenti	data center, dataset, sicurezza, monitoraggio

La frase dei 20 W prende spesso il primo livello per l’umano e il terzo per l’AI. Una volta separati i livelli, il confronto diventa meno brillante ma più onesto.

Al livello locale, il cervello umano resta impressionante: una risposta, una scelta o un pezzo di ragionamento richiedono poca potenza, soprattutto nei domini in cui corpo e ambiente gli danno vincoli fortissimi.

L’energia di formazione è già un’altra cosa. Un adulto capace di risolvere un problema non è apparso davanti al problema. È stato formato per anni dentro un ambiente materiale e simbolico. Il cervello da 20 W, quando lavora a matematica o fisica, non lavora mai da solo: porta con sé un apparato didattico, notazionale e strumentale. Persino una formula scritta su un foglio non è solo memoria passiva; è una parte del ragionamento, una protesi che permette alla mente di rientrare sul proprio pensiero.

Per l’AI l’energia di formazione è più facile da vedere perché prende la forma di pipeline di training, valutazione e ingegneria. Il modello riuscito è il vincitore, non il torneo. Questo vale anche per gli umani, solo che siamo abituati a raccontare il genio individuale come se fosse una proprietà locale del cranio. Quando diciamo che l’uomo ha prodotto la relatività generale o matematica di frontiera, in realtà stiamo comprimendo una popolazione, una cultura selettiva e un lungo apparato educativo.

L’energia storica incorporata rende il confronto ancora più ambiguo. L’AI non legge la natura grezza. Legge una civiltà già metabolizzata. Un manuale di meccanica quantistica è il residuo compatto di esperimenti e fallimenti; un paper mostra il punto di arrivo più del pantano cognitivo; un repository conserva la soluzione, non tutte le versioni abortite. Il modello riceve quindi un curriculum privilegiato: legge oggetti culturali ad altissima densità di pattern.

Ma incorporata non significa addebitabile per intero. L’energia spesa da una società per costruire scuole, libri, strumenti, archivi e istituzioni ha prodotto anche sopravvivenza, potere, arte, conflitti, economie e relazioni. Se la attribuisco tutta al singolo atto mentale, ricado in un errore opposto ma simmetrico a quello che volevo criticare. Il punto non è sommare tutto; è non fingere che la storia sparisca quando conviene.

Ma questa ricchezza è mutilata. Un bambino non impara bicchiere da una distribuzione di frasi sui bicchieri. Lo maneggia e ne subisce gli effetti: stabilità, rottura, reazione dell’adulto. In quel piccolo episodio ci sono fisica, gesto e valore sociale. Il testo è molto astratto per bit, ma spesso è povero di intervento per bit. Il mondo, per l’agente biologico, è un simulatore fisico continuo che non deve essere renderizzato da nessuna GPU.

Questo non vuol dire che l’ambiente sia gratis in senso termodinamico. È gratis solo rispetto al bilancio locale del bambino. La gravità non consuma dal suo conto corrente metabolico quando una palla cade; il mondo si evolve secondo la propria fisica. Se invece voglio dare a un sistema artificiale la stessa quantità di causalità attraverso simulazioni, robotica o ambienti interattivi, quel costo torna esplicito: bisogna costruire e mantenere un canale fisico di intervento. L’AI testuale paga in inferenza statistica una parte di ciò che l’umano riceve come corpo e mondo.

Il corpo, infatti, non è un accessorio del cervello. È un prior fisico. La morfologia percettivo-motoria riduce lo spazio delle ipotesi prima che il problema diventi cosciente. Molti compiti che sembrerebbero enormi se formulati come ottimizzazione astratta arrivano al cervello già filtrati. Il sistema non deve inferire da zero che un bordo taglia o che un oggetto scivoloso richiede attenzione; lo impara dentro una geometria di conseguenze.

Il tema del substrato entra qui. Il cervello non simula neuroni: è tessuto neurale, chimica locale, ritmi e plasticità. Algoritmo e supporto non sono separati in modo pulito. Nelle GPU e nelle TPU moderne, invece, una geometria rappresentazionale viene realizzata attraverso algebra lineare digitale e movimento di dati. Sono macchine magnifiche, ma lo sono per throughput numerico e scalabilità, non perché la loro fisica sia già la fisica della cognizione.

Questo dettaglio cambia il significato della “spontaneità” mentale. In uno spazio latente può esserci una relazione quasi ovvia: un concetto vicino a un altro, una trasformazione naturale, una traiettoria che sembra dover andare in quella direzione. Ma l’ovvietà semantica non garantisce economicità fisica. Per far emergere quella relazione nel silicio bisogna comunque leggere memoria, muovere dati, dissipare energia. Nel cervello alcune intuizioni somigliano di più al rilassamento di un sistema fisico già addestrato verso un attrattore. Nell’AI attuale, molto spesso, quella discesa viene approssimata da passi digitali espliciti. Non lo dico come condanna morale dell’AI. È il segno di una fase storica in cui il modello cognitivo e il supporto materiale non coincidono ancora bene.

La prestazione che pretendiamo

Il confronto dei 20 W ha già perso molta della sua forza. Resta però un’asimmetria forse ancora più ingiusta: l’umano viene spesso confrontato come individuo specializzato, mentre il modello viene giudicato come se dovesse contenere una popolazione.

Un essere umano diventa qualcuno. Ha una lingua madre, una storia, pochi domini profondi, molte ignoranze perfettamente legittime. La specializzazione riduce lo spazio delle ipotesi da tenere vive. È una forma di compressione energetica e identitaria.

Un modello generalista, invece, resta condizionale. Deve attraversare domini e registri che normalmente distribuiamo tra persone diverse. Gli chiediamo di essere assistente tecnico, tutor, lettore critico e talvolta interprete di desideri formulati male. Nessun umano singolo viene valutato così. Quando si dice che “gli esseri umani” sanno fare matematica avanzata, si sta usando una quantificazione esistenziale mascherata da proprietà di specie: alcuni esseri umani, dopo anni di finetuning culturale, riescono a farlo. Spesso pochissimi.

Questa larghezza non è gratuita. Se vogliamo misurare l’efficienza su uno spazio di domini, la grandezza non dovrebbe essere prestazione su un compito, ma prestazione integrata su una distribuzione di compiti, con pesi dichiarati:

C = \int_{\mathcal{D}} p(\tau)\,w(\tau)\,\mathrm{d}\tau

Qui $\mathcal{D}$ è lo spazio dei compiti, $\tau$ un suo punto, $p(\tau)$ la prestazione su quel compito e $w(\tau)$ il peso assegnato a quella regione del dominio. La scrittura è schematica, ma obbliga a dire una cosa semplice: un sistema strettissimo e profondissimo non è paragonabile a un sistema largo e irregolare senza decidere come pesare profondità e ampiezza. Il cervello umano occupa un punto della frontiera: bassissima potenza, forte grounding e robustezza quotidiana, pagati però con bassa copiabilità, lentezza e memoria fragile. L’AI attuale occupa un altro punto: enorme banda simbolica e riuso industriale, pagati con grounding incompleto, costo infrastrutturale e overhead di sicurezza.

Il costo dell’affidabilità merita un discorso separato, perché spesso viene scambiato per spesa dell’intelligenza. Una risposta intelligente non basta quasi mai. Vogliamo che sia verificabile e calibrata, ma anche compatibile con vincoli sociali. Vogliamo che sappia rifiutare certe richieste senza diventare muta. Questo è un altro strato di energia e lavoro.

Gli esseri umani non portano tutta questa affidabilità nel cranio. Un medico è reso affidabile anche da ospedali, licenze e responsabilità legali; un teorema diventa affidabile attraverso seminari, referee e letture ostili. Con l’AI tendiamo invece a voler mettere nel sistema stesso una parte del revisore, del supervisore e del collega scettico. Generare una risposta è una cosa; sapere quando può essere usata è un’altra. A volte la seconda voce domina la prima.

Anche la memoria modifica il bilancio. L’umano è economico anche perché dimentica. Non conserva il dataset della vita; comprime e ricostruisce. Questa imperfezione produce errori, certo, ma è anche una tecnologia energetica. All’AI chiediamo spesso il contrario: contesti lunghi, precisione documentale e memoria esterna interrogabile. Una memoria fedele non costa solo storage; costa recupero e verifica. Il cervello viene perdonato perché è un organismo; al modello lo concediamo molto meno.

Poi c’è la copiabilità, che taglia nella direzione opposta. Un essere umano addestrato non si duplica. Puoi insegnare Newton, ma non copiare Newton. Ogni nuovo esperto richiede anni e una traiettoria biografica irripetibile. Un modello, una volta addestrato, può invece essere replicato. Questo non cancella la spesa del training, ma la cambia di natura:

\begin{aligned} E_{\mathrm{uso}} &= \frac{E_{\mathrm{training}}}{N_{\mathrm{copie}}\,N_{\mathrm{usi}}} + E_{\mathrm{inferenza}} + E_{\mathrm{servizio}}. \end{aligned}

Se $N_{\mathrm{copie}}$ è il numero di repliche e $N_{\mathrm{usi}}$ il numero di interazioni, la parte incorporata del training per singolo uso può diventare piccola. Non sempre succede: contesti lunghi, retrieval, agenti multi-step e verifica possono rendere costosa anche l’inferenza. Però il vantaggio strutturale resta. Una competenza artificiale può essere distribuita senza rifare ogni volta l’intera biografia che l’ha prodotta.

Riuso Il training pesa sempre meno

Se lo stesso modello viene usato molte volte, il training pesa poco per risposta. Inferenza e servizio restano.

La compressione temporale è l’ultimo pezzo che il confronto locale tende a nascondere. Vogliamo che l’AI assimili in mesi una quantità di cultura che nessun essere umano leggerebbe in una vita, e che poi risponda quasi subito. A parità di architettura, comprimere $\Delta t$ significa aumentare $P$ . Non è solo un problema economico; è una conseguenza fisica del voler accelerare la formazione di una competenza. L’umano è parsimonioso in potenza locale, ma lento e difficilmente parallelizzabile. L’AI è dispendiosa in potenza, ma veloce, copiabile e distribuibile.

Forse la metrica che vorremmo davvero non è il watt per pensiero, perché “pensiero” non è una buona unità fisica. Nemmeno il joule per token basta: un token può essere riempitivo, errore, stile, oppure il passaggio decisivo di una soluzione. La grandezza interessante assomiglia di più alla quantità di informazione causale utile incorporata per unità di energia:

\rho_B = \frac{I_{\mathrm{utile}}\!\left(S;M\mid T,\varepsilon,R,G,A\right)}{E_B}

$S$ indica l’agente e $M$ il mondo rispetto a cui lo valutiamo; le condizioni dopo la barra sono le stesse del conto precedente. $I_{\mathrm{utile}}$ non è informazione grezza. Un terabyte di rumore non vale una pagina di fisica buona. Qui conta la struttura che permette di prevedere, spiegare, controllare, trasferire e correggere regolarità del mondo. Appena si cambia $B$ , cambia la risposta.

Conto

Allarga il bordo, cambia il totale

formazione

B0 conta la risposta. B3 aggiunge corpo, training, dati e storia.

Bordo

B

: formazione

Riuso

N_{copie} N_{usi}

: 100.000x

Totale umano: 0
Totale AI: 0
Voce maggiore: -

Questa non è una soluzione operativa pronta per un foglio Excel. È piuttosto un modo per non farsi ingannare. Un sistema può avere molta semantica e poco grounding, oppure molta esperienza incarnata e poca ampiezza simbolica. Può essere competente ma poco copiabile, generale ma fragile, economico nell’atto locale e carissimo nella storia che lo ha prodotto. La parola efficienza non regge da sola. Serve una frontiera di Pareto tra energia, generalità, affidabilità, grounding e riuso. Non si massimizza tutto insieme senza pagare da qualche parte.

Compromesso Nessuno vince su tutto

Più generalità e controllo chiedono energia, tempo o compromessi.

Per questo la domanda “dovrebbe costare 20 W?” ha una risposta abbastanza netta per l’AI attuale: no, non in questo regime. Le chiediamo di ricostruire mondo, cultura, sicurezza e generalità da tracce parziali, su hardware digitale non perfettamente adatto, in pochi anni. Sarebbe strano il contrario.

Questo non significa che l’AI debba restare energeticamente grossolana. Probabilmente oggi lo è. Architetture più sparse, hardware più vicino alla dinamica che deve eseguire, curriculum migliori e verificatori separati potrebbero spostare molto la frontiera. Il cervello umano non è il limite ultimo della cognizione; è un compromesso biologico potentissimo, vincolato da parto, metabolismo, storia evolutiva e funzioni obiettivo che non avevano la matematica astratta come scopo.

La formulazione più onesta, almeno per ora, mi sembra questa: l’umano paga poco nel momento locale del pensare perché usa strutture già distribuite tra biologia, corpo e cultura; l’AI paga molto in calcolo esplicito perché deve recuperare, in forma digitale, parti di quella struttura. Ma paga non significa che tutta la storia biologica e culturale diventi la bolletta di ogni pensiero. Significa che non possiamo spostare il confine quando passiamo da un agente all’altro. Il cervello da 20 W e il data center non sono due risposte alternative alla stessa domanda. Un conto serio non produce un vincitore unico: produce misure diverse, ciascuna fissata da bordo, compito, errore tollerato, grounding, verifica e riuso.