L’intelligenza artificiale sembra operare ovunque, dai nostri smartphone agli assistenti domestici, dai motori di ricerca ai sistemi di raccomandazione che selezionano cosa vediamo sui social. La sensazione è quella di una tecnologia distribuita e pervasiva. La realtà dell’infrastruttura che la sostiene è però l’opposto: altamente centralizzata, concentrata in strutture fisiche di grandi dimensioni controllate da pochi operatori globali.
La maggior parte dell’elaborazione che usiamo quotidianamente avviene in data center remoti. Quando parliamo con un assistente vocale, quando un algoritmo interpreta un’immagine o genera un testo, il calcolo si svolge su server situati a migliaia di chilometri, gestiti da Google, Amazon, Microsoft, Alibaba e pochi altri. Il dispositivo locale funge da terminale che raccoglie l’input, lo trasmette, riceve il risultato.
Questo non è sempre stato il modello dominante. I computer domestici degli anni ’80, dal Commodore 64 all’Amiga 500 fino ai primi PC IBM, erano macchine autonome. Tutta l’elaborazione avveniva localmente. Il processore MOS 6502 del Commodore, il Motorola 68000 dell’Amiga, i microprocessori Intel nei PC: erano unità autosufficienti. La potenza di calcolo disponibile era limitata, ma apparteneva interamente all’utente. Trascrizione vocale, grafica, musica, programmazione: tutto avveniva sulla macchina senza dipendenza da connessioni esterne o abbonamenti a servizi remoti.
Con la diffusione di internet prima e del cloud poi, questa autonomia si è progressivamente ridotta. I vantaggi della centralizzazione sono la riduzione dei costi di gestione per l’utente, aggiornamenti continui, accesso a capacità computazionali che nessun hardware domestico potrebbe replicare. I costi sono altrettanto reali. I dati che produciamo transitano su infrastrutture che non controlliamo. L’accesso alle tecnologie più avanzate dipende da decisioni commerciali di un numero ristretto di operatori. La sovranità sull’elaborazione è passata dall’utente al fornitore.
Una risposta tecnica a questa concentrazione è che le reti distribuite peer-to-peer, in cui ogni nodo partecipa sia come client che come server, permettono di ridistribuire potenza di calcolo e archiviazione senza ricorrere a un’infrastruttura centralizzata. Tecnologie come la blockchain o il fog computing operano su questo principio. Il fog computing in particolare, estensione dell’edge computing, porta l’elaborazione il più vicino possibile alla fonte del dato, riducendo latenza e dipendenza dalla connettività verso data center remoti. Queste soluzioni esistono, sono mature in alcuni settori e stanno trovando applicazione nell’industria, nella smart city e nell’IoT industriale.
Il modello centralizzato attuale ha però una logica economica molto forte. Costruire e gestire data center alla scala richiesta dai modelli di intelligenza artificiale più avanzati costa miliardi. Chi ha quella capacità di investimento definisce anche le regole di accesso. Questo, oltre a un problema tecnico, è un problema di struttura del mercato e, in prospettiva, di sovranità digitale.
Il percorso più credibile verso una maggiore distribuzione del potere computazionale passa da tre direzioni convergenti. La prima è la miniaturizzazione e il miglioramento dei chip per l’inferenza locale, che rendono possibile eseguire modelli di IA direttamente sui dispositivi edge senza ricorrere al cloud. La seconda è lo sviluppo di architetture di rete più decentrate, in cui la potenza di calcolo è aggregata da nodi distribuiti. La terza è la regolazione, che può imporre requisiti di interoperabilità, portabilità dei dati e accesso non discriminatorio alle infrastrutture critiche.
La centralizzazione attuale è il risultato di scelte tecnologiche, economiche e regolative che si sono stratificate nel tempo. Può essere ridisegnata, ma richiede consapevolezza del problema e pressione nella direzione giusta. L.L.
