di Alice Salvatore

I tetti verdi non sono una trovata moderna, ma una soluzione antica che fonde bellezza e praticità. Gli iconici giardini pensili di Babilonia, attribuiti al re Nabucodonosor II intorno al 590 a.C., sono probabilmente l’esempio più affascinante di coperture vegetali dell’antichità.

Pur rimanendo avvolti nel mistero e nel dibattito storico, queste meraviglie sono celebrate nei testi di autori come Strabone e Quinto Curzio Rufo, che li descrivono come vere oasi sopraelevate, adornate da alberi e piante alimentati da un ingegnoso sistema di irrigazione. Non a caso, i giardini figuravano tra le sette meraviglie del mondo antico, incarnando il potere, l’estro e la genialità dell’ingegneria babilonese.

Il sistema idraulico che rendeva possibile tale prodigio potrebbe aver utilizzato le viti di Archimede o reti di canali multipli per sollevare l’acqua dal fiume Eufrate, garantendo terrazze lussureggianti anche nel clima torrido della Mesopotamia.

Un trionfo della tecnica, che non solo alimentava la vegetazione ma gettava le basi per una relazione visionaria tra natura e architettura. Nonostante la loro funzione principalmente celebrativa, i giardini pensili sono oggi considerati una sorta di precursore simbolico dei tetti verdi moderni.

I tetti erbosi: la risposta nordica ai rigori dell’inverno

Avanzando nei secoli, i tetti erbosi fecero la loro comparsa nelle fredde regioni del nord Europa, come Norvegia e Islanda, e in altre aree montane e rurali come le Alpi. Tra l’VIII e l’XI secolo, le popolazioni nordiche perfezionarono la tecnica di costruzione per affrontare i rigidi inverni: uno strato di corteccia di betulla sormontato da zolle di terra e vegetazione garantiva isolamento termico e acustico.

Durante l’inverno, il calore si disperdeva meno, mentre in estate gli interni rimanevano freschi grazie alla capacità della vegetazione di riflettere il calore e rinfrescare attraverso l’evapotraspirazione, ovvero il processo con cui piante e terreno rilasciano acqua nell’atmosfera sotto forma di vapore.

Non era solo una questione di comfort: la copertura erbosa proteggeva anche le strutture in legno dall’umidità, allungandone la vita. Le tipiche “turf houses” islandesi, ad esempio, combinavano fondamenta in pietra e strutture in legno ricoperte da blocchi di torba che creavano un manto erboso spesso e isolante. Oltre a resistere alle intemperie, queste case si armonizzavano con il paesaggio naturale, utilizzando materiali locali come pietre, legno e torba.

Anche nelle Alpi svizzere e austriache i tetti erbosi erano una scelta comune. Qui, oltre a garantire protezione termica, contribuivano alla stabilità del terreno in zone collinari, prevenendo frane e smottamenti. Un esempio straordinario di adattamento dell’architettura alle esigenze del territorio.

Isolamento naturale e sostenibilità: un’eredità riscoperta

La combinazione di terra, erba e neve era un isolamento naturale eccezionale, un’intuizione che anticipava di secoli le moderne tecnologie di risparmio energetico. La vegetazione non solo schermava dal calore estivo, ma, attraverso il processo di evapotraspirazione, contribuiva al raffreddamento naturale degli ambienti.

Questi tetti erano quindi una soluzione straordinaria, semplice e perfetta per rispondere alle sfide climatiche dell’epoca.

Con l’avvento del XIX secolo, i tetti erbosi lasciarono progressivamente il posto a materiali industriali, ma nel XX secolo sono stati riscoperti sia per il loro valore storico sia per il loro ruolo principe nella sostenibilità.

Non si tratta solo di un omaggio al passato, ma di una scelta consapevole per affrontare le esigenze climatiche ed energetiche del presente. Da simbolo di ingegno millenario a emblema di sostenibilità, i tetti verdi continuano a ispirare, dimostrando che la natura è un’alleata preziosa dell’architettura.

Dai tetti erbosi alla moderna efficienza energetica

Già nel XX secolo, il celeberrimo Le Corbusier nericonobbe il potenziale, inserendo tetti-giardino nelle sue visionarie “unità di abitazione”. Non si trattava di semplici dettagli estetici, ma di un passo deciso verso edifici più efficienti e vivibili. Per Le Corbusier, lo strato di terreno dei tetti verdi offriva isolamento termico e acustico, anticipando la moderna idea di resilienza e sostenibilità. Ma oggi sappiamo che i benefici vanno ben oltre il comfort abitativo, impattando positivamente sull’intero ambiente urbano.

Il cuore dei tetti verdi: tecnologia al servizio della natura

I tetti verdi contemporanei sono autentiche opere di ingegneria ambientale. La loro struttura stratificata integra diversi elementi per ottenere un mix di vantaggi termici, idrici e ambientali.

Lo strato superficiale, composto da piante selezionate in base al tipo di tetto, si sviluppa su un substrato di terreno progettato per sostenere la vegetazione e migliorare l’isolamento.

Al di sotto, un sistema drenante gestisce il deflusso delle acque piovane, mentre una membrana impermeabile protegge l’edificio da infiltrazioni. Il risultato? Un tetto che non solo isola, ma diventa una soluzione attiva per il risparmio energetico e la sostenibilità.

Durante l’inverno, la combinazione di terra e piante riduce la dispersione di calore, diminuendo i consumi per il riscaldamento.

Nei mesi estivi, il processo di evapotraspirazione — il rilascio di vapore acqueo da parte delle piante e del terreno — contribuisce a raffreddare l’aria circostante, rendendo gli interni più freschi. La vegetazione gioca un altro ruolo cruciale: migliora l’albedo, ovvero la capacità di una superficie di riflettere la luce e il calore.

Rispetto ai tetti tradizionali, spesso scuri e altamente assorbenti, i tetti verdi riflettono una parte significativa della radiazione solare, mantenendo temperature superficiali più basse. Secondo studi dell’ENEA (“l’Agenzia nazionale per le nuove tecnologie, l’energia e lo sviluppo economico sostenibile), un tetto verde può ridurre la trasmittanza termica — ovvero il passaggio di calore attraverso una superficie — di oltre il 47% rispetto a una copertura tradizionale.

Comfort urbano e risparmio energetico

Un tetto verde può risultare fino a 20-40°C più fresco rispetto a una copertura tradizionale, trasformandosi in un alleato prezioso per migliorare il comfort degli ambienti interni.

Tuttavia, i vantaggi non si fermano ai singoli edifici: la diffusione dei tetti verdi nelle aree urbane è in grado di abbassare la temperatura dell’aria circostante di 1-3°C, estendendo i benefici alle zone limitrofe per decine di metri.

Questo effetto è particolarmente significativo nei centri densamente popolati, dove il cosiddetto fenomeno dell’isola di calore amplifica il disagio estivo, rendendo il clima soffocante e poco sostenibile.

L’isola di calore urbano è generata dalle superfici scure e impermeabili – come cemento, asfalto e coperture tradizionali – che accumulano calore durante il giorno per rilasciarlo lentamente, soprattutto nelle ore notturne. La scarsa presenza di vegetazione e la riduzione delle superfici permeabili, tipiche degli ambienti cittadini, impediscono il naturale raffrescamento fornito dall’evapotraspirazione.

Il risultato è un circolo vizioso: città più calde, meno vivibili e caratterizzate da un elevato consumo di energia per il raffrescamento. I tetti verdi interrompono questa dinamica, offrendo una soluzione naturale ed efficace per riportare freschezza e vivibilità agli spazi urbani.

Tetti estensivi e tetti intensivi, le due principali categorie di tetti verdi

Le diverse tipologie di tetti verdi rispondono a esigenze specifiche, offrendo soluzioni versatili e innovative. I tetti estensivi, caratterizzati da substrati leggeri e piante robuste come il sedum, rappresentano un’opzione perfetta per edifici con limitazioni strutturali o budget contenuti, senza rinunciare ai benefici ambientali.

I tetti intensivi, invece, trasformano le coperture in veri e propri giardini pensili, arricchiti da arbusti e piccoli alberi. Questa vegetazione più rigogliosa non solo aggiunge valore estetico, ma garantisce anche una maggiore capacità di raffrescamento, grazie al volume vegetale più consistente che amplifica il potere di regolazione termica.

Gestione idrica: quando il tetto fa da serbatoio

Un altro punto di forza dei tetti verdi è la loro capacità di gestire le acque piovane. Trattenendo una parte significativa delle precipitazioni, riducono il deflusso di superficie, alleggerendo le infrastrutture fognarie e prevenendo allagamenti.

Questo aspetto è cruciale soprattutto in un’epoca in cui gli eventi meteorologici estremi, come le piogge torrenziali, sono sempre più frequenti. Le varianti più evolute, come i tetti blu-verdi, portano questa funzione a un livello superiore: integrano sistemi tecnologici per accumulare l’acqua piovana e riutilizzarla.

Con una capacità di trattenere fino al 90% delle precipitazioni durante gli eventi moderati, i tetti blu-verdi permettono di rilasciare l’acqua in modo controllato e graduale, prevenendo sovraccarichi e allagamenti. Inoltre, l’acqua immagazzinata può essere destinata a diversi usi come l’irrigazione o sistemi di raffrescamento evaporativo, migliorando ulteriormente la sostenibilità dell’edificio e della città.

Un’alternativa possibile: i tetti freddi, o riflettenti

I tetti riflettenti, noti anche come cool roofs, sono soluzioni innovative che sfidano il sole: progettati per riflettere la maggior parte della radiazione solare e dissipare il calore, si rivelano anch’essi un’arma vincente contro il caldo.

In climi torridi, riducono il consumo energetico per il raffrescamento e contribuiscono a mitigare l’effetto “isola di calore” che soffoca le città. Inoltre, richiedono normalmente un budget inferiore per l’installazione e poca manutenzione. Ma non è tutto oro quel che luccica.

In climi più freschi o temperati, i tetti freddi possono giocare a sfavore: riflettendo il calore anche in inverno, aumentano i costi di riscaldamento e non offrono l’isolamento naturale che solo un tetto verde può garantire. I tetti verdi, infatti, grazie alla vegetazione, mantengono gli ambienti più freschi d’estate e più caldi d’inverno, creando un microclima ideale tutto l’anno. La scelta dipende dunque dal clima e dalle necessità dell’edificio.

Tetti verdi e fotovoltaico: una sinergia che sorprende

L’integrazione fra tetti verdi e pannelli fotovoltaici offre un’interessante sinergia capace di valorizzare entrambi i sistemi in modo inatteso. I tetti verdi, grazie alla loro capacità di ridurre le temperature superficiali creano un microclima più fresco che migliora il rendimento dei pannelli fotovoltaici.

Questi ultimi, pur essendo progettati per catturare la luce solare, vedono spesso ridursi la propria efficienza a causa del surriscaldamento: un effetto paradossale legato alla loro stessa funzione. La presenza del tetto verde, non solo incrementa la produzione energetica rendendo i pannelli efficienti in maniera costante, ma contribuisce anche a preservarne i materiali, riducendone il degrado termico e prolungandone la durata.

Parallelamente, i pannelli fotovoltaici forniscono ombreggiamento alla vegetazione sottostante, favorendone la crescita e aumentando la resilienza del tetto verde. 

Una soluzione versatile per le città del futuro

I tetti verdi offrono un’ampia gamma di servizi ecosistemici che arricchiscono la qualità della vita urbana, coniugando efficienza, sostenibilità e benessere.

Creano habitat sicuri per piante, insetti impollinatori come api e farfalle, e persino uccelli, favorendo il ripristino di ecosistemi frammentati e rafforzando la biodiversità in contesti urbani spesso privi di spazi verdi.

Allo stesso tempo, purificano l’aria, catturando anidride carbonica e polveri sottili, contribuendo così a un ambiente più sano e respirabile. La loro struttura, inoltre, funge da barriera naturale contro l’inquinamento acustico, riducendo significativamente il rumore nelle aree ad alta densità abitativa.

Con questa straordinaria capacità di integrare natura e tecnologia, i tetti verdi si affermano come strumenti fondamentali per trasformare le città in spazi più vivibili, dove la sostenibilità non è solo un obiettivo, ma una realtà tangibile.

Potenti alleati contro il caro bollette: i benefici economici

Immaginiamo un tetto che oltre a ripararci dalle intemperie, a raffrescare e purificare l’aria intorno a noi, ad essere un valore aggiunto di bellezza nella nostra città, ci aiuta anche a ridurre le bollette e a vivere meglio. I tetti verdi sono alleati perfetti contro il caro energia. Pensiamo a quanto sarebbe piacevole avere una casa fresca d’estate e accogliente d’inverno, senza che la bolletta ci faccia sobbalzare.

E i vantaggi economici non finiscono qui, perché i tetti verdi non solo riducono i costi, ma aggiungono valore immobiliare agli edifici, migliorandone l’efficienza energetica e, con un po’  di pazienza, restituiscono l’investimento iniziale profondendo ulteriori benefici economici negli anni a venire.

È un’unione perfetta tra comfort, sostenibilità e risparmio, capace di trasformare uno spazio abitativo in una risorsa strategica per affrontare le sfide quotidiane e costruire un futuro più solido. Ma vediamo i numeri.

In una tipica abitazione di 100 metri quadrati situata in un clima temperato, il risparmio energetico estivo può raggiungere il 30%, con una riduzione del carico termico fino al 26%, grazie alla combinazione di ombreggiamento naturale ed evapotraspirazione. Che si traduce in temperature estive interne più fresche di 2-3 gradi.

Anche in inverno i tetti verdi giocano un ruolo cruciale, poiché limitano la dispersione di calore, i costi di riscaldamento si riducono tra il 10% e il 25%, con risultati più marcati nei sistemi di tetti verdi intensivi, dotati di substrati spessi e vegetazione rigogliosa.

Una scelta versatile e sostenibile

I tetti verdi si adattano a un’ampia gamma di contesti e necessità. In edifici con isolamento termico carente, rappresentano una soluzione efficace per ridurre le dispersioni, mentre in costruzioni già efficienti offrono un valore aggiunto in termini di sostenibilità.

La loro versatilità li rende particolarmente utili sia in climi temperati che freddi, dove massimizzano il comfort interno. Oltre a vantaggi energetici, integrano eleganza architettonica e innovazione tecnologica, promuovendo un equilibrio armonioso tra efficienza e rispetto ambientale.

Risparmio e ritorno sull’investimento

In uno scenario ipotetico di un’abitazione che sorge in una fascia climatica temperata, come l’Italia, l’analisi comparativa tra un edificio con tetto verde e uno con copertura tradizionale evidenzia vantaggi significativi per il primo.

Con un tetto verde estensivo, il tetto verde “base” (con un substrato da 5-10 cm), il risparmio sul riscaldamento invernale può oscillare tra il 10% e il 25%, mentre il fabbisogno energetico estivo si riduce di circa 26%. Il ROI (Return on Investment) è altrettanto interessante: l’investimento iniziale può essere ammortizzato infatti in 10-15 anni, tenendo conto di variabili come il contesto climatico, la tipologia del tetto e gli incentivi fiscali.

Il tasto dolente sono i costi di installazione, che per un tetto verde si aggirano tra i 50 e 100 €/mq per i sistemi estensivi, e tra i 120 e 200 €/mq per i sistemi intensivi, con un investimento complessivo di 5.000-10.000 € o 12.000-20.000 € per una superficie di 100 mq.

Sebbene i tetti tradizionali abbiano costi iniziali decisamente inferiori (30-80 €/mq), la maggiore durata dei tetti verdi (40-50 anni, contro i 20-30 anni delle coperture tradizionali) e il risparmio energetico li rendono una scelta vantaggiosa nel lungo termine. Inoltre, i costi di manutenzione, pur variabili, rimangono contenuti per i sistemi estensivi, circa 1-5 €/mq/anno contro i 5-20 €/mq annui per i sistemi intensivi.

Valorizzazione economica degli immobili: un tetto verde che fa crescere il valore

I tetti verdi non si limitano a offrire risparmi energetici e benefici ambientali: sono anche un investimento strategico per aumentare il valore degli immobili.

Lo studio di Arluno parla chiaro: le coperture verdi possono far lievitare il valore di mercato degli edifici fino a 734 euro al metro quadrato, superando di gran lunga i costi di installazione, stimati nel caso di Arluno intorno a 157 euro/mq, e quelli di manutenzione, pari a circa 5 euro/mq all’anno.

Un così alto incremento di valore non è casuale. Gli edifici dotati di tetti verdi sono giustamente percepiti come moderni, sostenibili e innovativi: caratteristiche sempre più apprezzate sia dai singoli acquirenti che dagli investitori immobiliari.

L’edificio con tetto verde dimostra di essere più competitivo sul mercato rispetto a una struttura equivalente con una copertura tradizionale. Oltre a migliorare le prestazioni energetiche, il tetto verde ha portato a un aumento diretto del valore di mercato, rendendolo una scelta vincente anche dal punto di vista finanziario.

In un mercato immobiliare sempre più attento alla sostenibilità e all’efficienza, i tetti verdi offrono un vantaggio che va ben oltre il risparmio energetico: sono un vero e proprio asset che trasforma gli edifici in opportunità di valore, per oggi e per il futuro.

Esempi in contesti geografici e climatici diversi

I tetti verdi non conoscono confini geografici o climatici: che si tratti di un clima temperato, continentale o persino arido, questa tecnologia dimostra ovunque la sua efficacia economica e ambientale. Gli esempi internazionali lo confermano, mostrando come tali interventi possano adattarsi e portare benefici concreti anche nelle situazioni più diverse.

New York: efficienza urbana in una metropoli densamente popolata

Nel cuore di Manhattan, l’enorme edificio Morgan Processing and Distribution Center delle Poste ha trasformato un tetto di un ettaro in uno spazio verde, con risultati sorprendenti. L’intervento ha ridotto le infiltrazioni d’acqua del 75% in estate e del 40% in inverno, oltre a garantire un risparmio energetico annuale di 30.000 dollari, principalmente legato all’aria condizionata estiva.

Ma non è tutto: il tetto verde ha anche contribuito a migliorare la qualità dell’aria e a ridurre le emissioni di CO₂, dimostrando che anche in una città caotica e affollata come New York, queste soluzioni possono fare la differenza, migliorando sia l’efficienza energetica sia la sostenibilità complessiva.

Atene: temperature sotto controllo e consumi dimezzati

Nella calda capitale greca, l’edificio del Ministero dell’Economia e delle Finanze è un altro esempio virtuoso. Dal 2008, una porzione di tetto di 650 mq è stata trasformata in giardino pensile, riducendo i consumi di energia elettrica per il raffrescamento estivo di 3.600 € all’anno e quelli di combustibile per il riscaldamento invernale di 2.030 €, per un risparmio complessivo di 5.630 € all’anno.

L’impatto termico è impressionante: la temperatura estiva sotto il tetto verde è di 37°C, ben 18°C in meno rispetto ai locali coperti da una struttura tradizionale. L’ultimo piano dell’edificio, più esposto al calore esterno, ha registrato un dimezzamento dei consumi energetici. Questo progetto è nato con un chiaro obiettivo: incoraggiare sia edifici pubblici sia privati ad adottare soluzioni simili.

Salt Lake City: una scelta vincente anche nei climi aridi

Negli Stati Uniti, il tetto verde dello Skaggs Pharmacy Building dell’Università dello Utah ha dimostrato che questa tecnologia funziona anche nei climi più secchi. Comparando tre tipi di coperture (verde, riflettente e tradizionale) su un ciclo di 40 anni, il tetto verde si è rivelato il più conveniente nel lungo periodo.

Nonostante un costo iniziale maggiore, ha garantito risparmi energetici significativi e una maggiore protezione della membrana impermeabilizzante, prolungandone la durata. Il ritorno sull’investimento (ROI) è stato raggiunto in 27 anni, un tempo certamente più lungo rispetto al contesto temperato italiano (stimato in un range tra i 10 e i 15 anni), ma comunque vantaggioso.

In un clima arido, l’ombreggiatura naturale e il raffreddamento evapotraspirativo offerti dal tetto verde si sono rivelati fondamentali per ridurre i costi di raffrescamento.

Basilea: un modello europeo all’avanguardia

In Europa, Basilea si distingue come capitale dei tetti verdi, con una superficie verde di 5,71 m² per abitante, la più alta al mondo. Grazie a regolamenti edilizi lungimiranti introdotti dagli anni ’90 e rafforzati nel 2010, con l’obbligo di installare tetti verdi su tutte le coperture piane, la città ha rivoluzionato la gestione urbana.

I vantaggi includono una riduzione dei costi energetici degli edifici e una migliore gestione delle acque piovane. Gli incentivi locali hanno ulteriormente favorito l’adozione di questa tecnologia, abbattendo i costi iniziali per i proprietari e accelerando la diffusione su larga scala.

Basilea è oggi un esempio di come la pianificazione strategica e il sostegno pubblico possano fare la differenza nel promuovere soluzioni sostenibili.

Questi esempi, da New York ad Atene, da Salt Lake City a Basilea, dimostrano che i tetti verdi sono una soluzione versatile e vincente nei contesti climatici e geografici più disparati. Che si tratti di migliorare l’efficienza energetica, abbattere i costi o rendere le città più sicure e sostenibili, gli interventi continuano a dimostrare il loro potenziale trasformativo. 

Incentivi e benefici complementari

Gli incentivi fiscali rendono i tetti verdi ancora più attraenti. L’Ecobonus consente una detrazione fino al 65% per interventi di efficientamento energetico, mentre il Bonus Verde offre un’ulteriore detrazione del 36% per la sistemazione a verde. A ciò si aggiungono benefici come l’isolamento acustico, la resistenza agli eventi atmosferici e la protezione della guaina impermeabilizzante, che può durare fino a tre volte di più rispetto a un tetto tradizionale.

Tuttavia, guardando agli esempi virtuosi di altre realtà internazionali, sarebbe auspicabile un ulteriore rafforzamento delle politiche di sostegno pubblico. Incrementare gli incentivi economici e promuovere normative più ambiziose, come l’obbligo di installare coperture verdi su edifici nuovi o ristrutturati, potrebbe ampliare significativamente l’adozione di questa tecnologia, con ricadute positive su sostenibilità ambientale, risparmio energetico e qualità della vita urbana.

Investire in politiche innovative e lungimiranti consentirebbe all’Italia di consolidare il proprio impegno verso un futuro più verde e resiliente.

Risparmi collettivi diretti

L’adozione dei tetti verdi offre una serie di benefici significativi anche per la collettività. Vediamo come queste strutture possano rappresentare un investimento vantaggioso per cittadini e amministrazioni.

Secondo uno studio condotto a Bologna, i tetti verdi estensivi possono trattenere in media fino al 54% delle precipitazioni durante i mesi invernali. Questo significa che oltre la metà dell’acqua piovana viene assorbita direttamente dalla struttura del tetto, riducendo significativamente il volume d’acqua che altrimenti sovraccaricherebbe la rete fognaria. In contesti urbani, la gestione delle acque meteoriche comporta costi stimati intorno ai 15 euro per metro quadrato.

Pertanto, l’adozione di tetti verdi estensivi può generare un risparmio medio di circa 8,10 euro per metro quadrato, diminuendo la quantità d’acqua che necessita di smaltimento attraverso le infrastrutture fognarie.

Anche se questi valori sono specifici per l’area geografica e il clima di Bologna, e per il tipo di tetto verde analizzato, forniscono un’indicazione generale dell’impatto economico positivo che i tetti verdi possono avere sulla gestione idrica urbana, suggerendo potenziali benefici anche in altre regioni con condizioni climatiche e infrastrutturali diverse.

Per non parlare del fatto che utilizzando tetti verdi di tecnologia più avanzata, come i tetti blu-verdi, il risultato sarebbe ancora più sorprendente.

Le amministrazioni pubbliche, risparmiando sui costi legati alla costruzione e alla manutenzione della rete fognaria, possono reindirizzare risorse verso altri servizi essenziali per la comunità. È un esempio concreto di come soluzioni naturali e sostenibili possano portare benefici tangibili e misurabili a tutta la società.

Oltre all’impatto economico diretto, va considerato naturalmente l’effetto sulla qualità della vita. Ridurre il carico della rete fognaria significa meno rischi di allagamenti urbani, una gestione più sicura delle emergenze meteorologiche e, in definitiva, una città più resiliente. Un tetto verde diventa così un simbolo di un futuro sostenibile, dove l’innovazione sposa l’efficienza economica per il bene comune.

Risparmio idrico e gestione delle acque piovane

Un aspetto economico cruciale dei tetti verdi è la loro capacità di trattenere l’acqua piovana, riducendo il deflusso superficiale fino all’80% (90% per i tetti blu-verdi). Questa funzione non solo riduce il rischio di allagamenti, ma permette anche di riutilizzare l’acqua accumulata per scopi come l’irrigazione o la pulizia degli spazi comuni.

Questo vantaggio diventa particolarmente rilevante in contesti urbani, dove le infrastrutture di drenaggio spesso non riescono a gestire precipitazioni intense. I tetti verdi alleviano il carico sui sistemi fognari, contribuendo a ridurre i costi associati alla gestione delle emergenze idriche.

Le città spugna, le città del futuro

Nel quartiere di Buiksloterham ad Amsterdam, il progetto RESILIO ha implementato tetti blu-verdi per affrontare le sempre più frequenti piogge torrenziali. Grazie a questi sistemi avanzati, i tetti sono stati in grado di trattenere fino al 90% delle precipitazioni, riducendo il rischio di allagamenti e alleggerendo il carico sulle fognature. L’acqua accumulata viene poi riutilizzata per scopi pratici, come l’irrigazione e la pulizia degli spazi urbani, dimostrando l’efficacia di questa tecnologia nella gestione sostenibile delle risorse idriche.

Secondo l’ENEA, i tetti verdi e le pareti verdi possono contribuire in modo significativo a ridurre l’effetto isola di calore urbano e migliorare l’efficienza energetica degli edifici. Questo approccio è particolarmente utile nelle aree densamente urbanizzate, dove le superfici vegetate scarseggiano e l’energia termica tende a intrappolarsi nell’ambiente costruito.

Contrastare il clima estremo: il caso del calore urbano

Un altro effetto straordinario dei tetti verdi è la loro capacità di abbassare le temperature urbane. Nelle città densamente popolate, il fenomeno dell’isola di calore urbano fa salire le temperature anche di 5-7°C rispetto alle zone rurali circostanti, amplificando gli effetti delle ondate di calore. Progetti sperimentali, come quelli condotti nel quartiere Battery Park City a New York, hanno dimostrato che i tetti verdi possono ridurre le temperature superficiali dei tetti di oltre 30°C, con un impatto positivo non solo sul comfort degli edifici, ma anche sul raffreddamento generale dell’aria circostante.

Questa riduzione delle temperature urbane può contribuire a mitigare l’intensità dei fenomeni atmosferici violenti, che spesso si alimentano dell’energia termica accumulata. Stoccolma, ad esempio, ha introdotto tetti verdi sugli edifici pubblici e privati per contrastare le ondate di calore e migliorare la resilienza della città alle variazioni climatiche estreme. I benefici di questa strategia sono visibili anche nella riduzione dei danni provocati dai temporali, sempre più frequenti e intensi.

Un antidoto al cambiamento climatico e un rifugio per la natura

Oltre a gestire l’acqua e ridurre le temperature, i tetti verdi offrono una soluzione straordinaria per mitigare gli impatti a lungo termine del cambiamento climatico. La città di Toronto, ad esempio, ha introdotto l’obbligo di installare tetti verdi su tutti gli edifici pubblici di nuova costruzione, con risultati tangibili in termini di riduzione del consumo energetico e miglioramento della qualità della vita urbana.

Durante una delle estati più calde mai registrate, molti edifici dotati di tetti verdi hanno ridotto sensibilmente il ricorso ai sistemi di condizionamento, contribuendo così al risparmio energetico.

Anche secondo studi riportati da esperti in sostenibilità, i tetti verdi offrono numerosi vantaggi ambientali. Oltre a migliorare l’estetica urbana, aiutano a purificare l’aria e favoriscono la biodiversità, creando microhabitat per insetti impollinatori come api e farfalle.

È il caso di Basilea, dove i tetti verdi sono stati progettati con specie vegetali mirate a sostenere la fauna urbana e a contrastare la perdita di biodiversità, una priorità crescente nelle città moderne.

I tetti verdi e blu-verdi rappresentano una pietra angolare nella transizione verso città più resilienti e sostenibili. La loro integrazione nell’urbanistica moderna non solo contribuisce a mitigare gli effetti del cambiamento climatico ma arricchisce la qualità della vita, trasformando gli spazi urbani in luoghi più verdi, accoglienti e umani, garantendo al contempo cospicui risparmi e un investimento più duraturo.

In un’epoca in cui gli eventi climatici estremi sono destinati a diventare sempre più frequenti, soluzioni come i tetti verdi si impongono come strumenti strategici per progettare quartieri capaci di resistere alle sfide ambientali e prosperare in armonia con la natura.

Con un sapiente mix di politiche lungimiranti, innovazione tecnologica e sensibilizzazione collettiva, possiamo immaginare un futuro dove le tempeste perdono la loro forza distruttiva, l’aria diventa più pura e le città si trasformano in rifugi freschi e accoglienti.

È tempo di reinventare il paesaggio urbano, spezzando il dominio dell’asfalto e del cemento per fare spazio a veri ecosistemi pulsanti, in cui natura e progresso trovano un nuovo e armonioso equilibrio.

Fonti:

1. Adilkhanova, I., & Santamouris, M. (2024). Resilient cities: The role of green infrastructure. Nature Cities, 1(4), 278–292. Disponibile all’indirizzo: https://www.nature.com/articles/s44284-024-00035-7.
2. Adilkhanova, I., Santamouris, M., & Yun, G. Y. (2024). Global assessment of the cooling potential of green roofs. Nature Cities, 1(3), 238–249. Disponibile all’indirizzo: https://www.nature.com/articles/s42949-024-00159-8.
3. Brenneisen, S., & Baumann, N. (2017). Green roofs in Basel, Switzerland: Combining mitigation and adaptation measures. Climate-ADAPT. European Environment Agency. Disponibile all’indirizzo: https://climate-adapt.eea.europa.eu/en/metadata/case-studies/green-roofs-in-basel-switzerland-combining-mitigation-and-adaptation-measures-1.
4. Campiotti, C. A., Azzolini, G., Consorti, L., Giagnacovo, G., & Scoccianti, M. (2021). Tetti verdi negli edifici: una soluzione sostenibile. ENEA. Disponibile all’indirizzo: https://www.ingenio-web.it/pdfs/tetti-verdi-negli-edifici-enea.pdf.
5. Dunnett, N. (2013). Green roofs: Their design and benefits. Italus Hortus, 20(3), 45–52. Disponibile all’indirizzo: http://www.italushortus.it/phocadownload/review/review_13/06.dunnet.pdf.
6. Fantozzi, F., Bibbiani, C., & Gargari, C. (2014). Analisi del comportamento energetico di un fabbricato-tipo in assenza/presenza di tetto/parete verde per ottimizzare l’efficienza energetica degli edifici in area urbana. Report RdS/PAR2013/136. ENEA. Disponibile all’indirizzo: https://www2.enea.it/it/Ricerca_sviluppo/documenti/ricerca-di-sistema-elettrico/edifici-pa/2013/rds-par2013-136.pdf.
7. Jamei, E., Chau, H.W., Seyedmahmoudian, M., Saad Mekhilef, S., & Alzahraa Sami, F. (2023). Green roof and energy – role of climate and design elements in hot and temperate climates. Heliyon, 9(5), e15917. Disponibile all’indirizzo: https://pmc.ncbi.nlm.nih.gov/articles/PMC10195912/.
8. Musacchio, A., & Zinzi, M. (2015). Tetti verdi in città: Vantaggi e soluzioni. Legnoarchitettura, 4, 54–55. Disponibile all’indirizzo: https://www.researchgate.net/publication/277140584_Tetti_verdi_in_citta_Vantaggi_e_soluzioni.
9. Nurmi, V., Votsis, A., Perrels, A., & Lehvävirta, S. (2013). Cost-benefit analysis of green roofs in urban areas: case study in Helsinki. Finnish Meteorological Institute Reports, 2013(2). Disponibile all’indirizzo: https://helda.helsinki.fi/bitstream/handle/10138/40150/2013nro2.pdf.
10. Pignatta, C. A., & Santamouris, M. (2018). Monitoraggio e simulazione dinamica di un edificio pilota dotato di tetto verde. AiCARR Journal, 58(6), 34–45. Disponibile all’indirizzo: http://www.aicarrjournal.org/cont/journals-articles/805/volume-novemberdecember-monitoraggio-simulazione-dinamica-edificio-3459allasp1.pdf.
11. Pumo, D., Francipane, A., Alongi, F., & Noto, L. (2020). Tetti verdi multistrato per lo sviluppo sostenibile di città resilienti: quattro casi studio italiani. IRIS – Università degli Studi di Palermo. Disponibile all’indirizzo: https://iris.unipa.it/handle/10447/520735.
12. Rowe, P., & Miller, J. (2011). Evaluating the benefits of green roofs for urban sustainability. WIT Press Journal, 6(2), 46–51. Disponibile all’indirizzo: https://www.witpress.com/Secure/ejournals/papers/D&NE060204f.pdf.
13. Salvo, F., Piro, P., Nigro, G., & De Ruggiero, M. (2017). Modello economico di stima dei tetti verdi negli edifici residenziali. Valori e Valutazioni, 18, 81–92. Disponibile all’indirizzo: https://siev.org/wp-content/uploads/2020/02/10_Salvo-et-al.pdf.
14. Santamouris, M. (2017). Isolamento termico dei tetti verdi. Disponibile all’indirizzo: https://s3.eu-central-1.amazonaws.com/eu-st01.ext.exlibrisgroup.com/39UBZ_INST/storage/alma/6C/9C/D7/60/DB/55/37/E8/13/E4/10/BC/61/52/01/F2/Isoledicaloreetettiverdi_2021-11-11.pdf.
15. Simon, M. (2024, 22 aprile). Blue-green roofs: Amsterdam’s sponge city project. WIRED. Disponibile all’indirizzo: https://www.wired.com/story/blue-green-roofs-amsterdam-resilio-climate-adaptation-sponge-cities/.
16. Simonato, A. (2015). Green roofs: Thermal and hydrological analysis. Tesi di Laurea Magistrale, Università degli Studi di Padova. Disponibile all’indirizzo: https://thesis.unipd.it/bitstream/20.500.12608/19498/1/Simonato%2C_Alessandro.pdf.
17. Stefanizzi, P. (2015). Tetto verde e tetto freddo per il risparmio energetico ed il comfort. “I Quaderni dell’Ambiente e dell’Energia”, 4, 15–20. Disponibile all’indirizzo: https://www.researchgate.net/publication/304737451_Tetto_verde_e_tetto_freddo_per_il_risparmio_energetico_ed_il_comfort.
18. Wu, T., & Smith, R. E. (2011). Green roofs: Sustainability and efficiency. International Journal of Design & Nature and Ecodynamics, 6(2), 122–138. Disponibile all’indirizzo: https://d1wqtxts1xzle7.cloudfront.net/30449103/ATI1201110V2_STAMPATO_IN_ATTI-libre.pdf.

Questo articolo è finanziato con capitali privati del Gruppo Trizio. Nessun conflitto di interessi da segnalare.

di: Alessandro Trizio

L’Intelligenza Artificiale esiste da molti decenni. Per moltissimi però sembra una novità assoluta. Questo è dovuto al lancio mediatico di Chat Gpt sviluppato da Open AI.

L’utilizzo in massa di LLM ovvero Large Language Model, in italiano: modello linguistico di grandi dimensioni, un tipo di intelligenza artificiale progettata per elaborare e generare testo umano in modo naturale, basandosi su reti neurali di grandi dimensioni e addestrata su quantità enormi di dati testuali, ha portato alla luce un elemento di cui prima non si teneva molto conto, dato che l’utilizzo era limitato alle grandi Università di Ricerca e sistemi militari, ovvero il costo energetico dell’utilizzo di massa dell’Intelligenza Artificiale.

Analizziamo la situazione energetica e tecnica attuale e come potrebbe svilupparsi in futuro un mondo dove l’Intelligenza Artificiale sarà presente in ogni ambito della vita di tutti noi.

Le aziende informatiche di tutto il mondo stanno spendendo decine di miliardi di dollari ogni trimestre in acceleratori AI, il che ha portato a un aumento esponenziale del consumo di energia. Negli ultimi mesi, molteplici previsioni e diverse analisi dati attestano una domanda di elettricità in forte crescita nei data center.

L’ascesa dell’AI generativa e le crescenti vendite di GPU stanno portando un aumento nei data center da decine di migliaia a oltre 100.000 acceleratori, aprendo un fronte problematico sull’energia da risolvere.

Un acceleratore di intelligenza artificiale (AI) è un componente hardware specializzato progettato per aumentare l’efficienza e la velocità nel training e nella inference di modelli di AI, in particolare delle reti neurali profonde. Questi acceleratori sono ottimizzati per eseguire in parallelo operazioni matematiche a elevata intensità computazionale (es. moltiplicazioni di matrici), offrendo prestazioni superiori alle CPU e, talvolta, alle GPU general-purpose grazie a un’architettura dedicata e a una maggiore banda di memoria.

Ogni nuova generazione di hardware aumenta le prestazioni di elaborazione, ma altrettanto consuma anche più energia rispetto alla precedente, il che significa che con la crescita dei volumi di utilizzo aumenta anche la domanda di energia totale.

L’espansione del 75% nel consumo energetico delle GPU è avvenuto rapidamente, nel giro di due soli anni, in una generazione di sviluppo di nuovi modelli GPU.

Una GPU (Graphics Processing Unit) per l’intelligenza artificiale è un processore specializzato che accelera i calcoli necessari per addestrare e utilizzare modelli di machine learning e deep learning. Grazie alla sua capacità di elaborare migliaia di operazioni in parallelo, la GPU è ideale per gestire:

• Moltiplicazioni di matrici, fondamentali per le reti neurali.
• Elaborazione di grandi quantità di dati in tempi ridotti.
• Ottimizzazione del training di modelli complessi, come quelli usati nell’intelligenza artificiale.

Rispetto alle CPU, le GPU offrono maggiore velocità ed efficienza per compiti altamente paralleli, rendendole essenziali per il progresso dell’intelligenza artificiale moderna.

Ad esempio, l’acceleratore Gaudi 2 di Intel consuma 600 W e il suo successore, il Gaudi 3, consuma 900 W, ancora un altro aumento del 50% rispetto alla generazione precedente. Il prossimo processore AI ibrido di Intel, Falcon Shores, dovrebbe consumare ben 1.500 W di potenza per chip, il più alto sul mercato.

La prossima generazione Blackwell di Nvidia aumenterà ulteriormente il consumo energetico, con il B200 che consuma fino a 1.200 W e il GB200 (che combina due GPU B200 e una CPU Grace) che dovrebbe consumare 2.700 W.

Ciò rappresenta un aumento fino al 300% del consumo energetico in una generazione di GPU con sistemi AI che incrementano il consumo energetico a una velocità esponenziale. Le GPU stanno diventando più potenti per supportare modelli linguistici di grandi dimensioni. Il risultato è che l’IA richiede un maggiore consumo energetico con ogni futura generazione di accelerazione.

Gli esperti hanno elaborato alcune stime sul consumo energetico dell’intelligenza artificiale, ma queste cifre sono solo una parte del quadro e offrono una visione parziale.

Questo accade perché i modelli di apprendimento automatico (machine learning) sono estremamente variabili: possono essere configurati in modi diversi, cosa che influenza notevolmente il loro consumo di energia. Inoltre, le aziende che potrebbero fornire dati precisi, come Meta, Microsoft e OpenAI, non rendono pubbliche queste informazioni.

Per esempio, la Microsoft ha dichiarato che l’azienda sta “investendo nello sviluppo di metodi per misurare il consumo energetico e l’impatto ambientale dell’IA, cercando al contempo di rendere i sistemi più efficienti, sia nella fase di addestramento che in quella di utilizzo“. Tuttavia, né OpenAI né Meta hanno pubblicato documenti sull’argomento.

Cos’è l’addestramento di un modello e perché è così energivoro?

Un punto cruciale da comprendere è la differenza tra l’addestramento di un modello e la sua distribuzione d’uso agli utenti. L’addestramento è la fase in cui un modello di IA “impara” dai dati, ed è un processo che richiede una quantità enorme di calcoli complessi. Di conseguenza, consuma molta più energia rispetto alle attività quotidiane di un data center, come conservare file o gestire e-mail. Almeno in teoria, vedremo poi come non sempre sia così.

Stime indipendenti indicano che addestrare GPT-3 ha richiesto ~1 300 MWh di elettricità l’equivalente del consumo annuo di circa 120 famiglie statunitensi o 350-360 famiglie europee. Per GPT-4 le stime non ufficiali variano da 1 700 a oltre 7 000 MWh, e alcune proiezioni parlano di valori ancora superiori; i numeri esatti restano riservati.

Per mettere questo dato in prospettiva, pensiamo allo streaming di un’ora di Netflix, che richiede circa 0,8 kilowattora (kWh) di energia. Per eguagliare l’energia consumata nell’addestramento di GPT-4, una persona dovrebbe guardare Netflix ininterrottamente per quasi 2.000.000 di ore!

La difficoltà di ottenere stime aggiornate sul consumo energetico dell’intelligenza artificiale è legata al fatto che le aziende sono diventate sempre più riservate man mano che questa tecnologia è diventata una fonte di guadagno.

Qualche anno fa, alcune società pubblicavano dettagli sui processi di addestramento dei loro modelli, come il tipo di hardware utilizzato e la durata dell’addestramento. Ora però, queste informazioni non sono più disponibili per i modelli più recenti, come GPT-4.

Nel caso di ChatGPT, ad esempio, non sono note informazioni cruciali come la dimensione del modello, il numero di parametri utilizzati o l’infrastruttura su cui è ospitato. In pratica, ciò che avviene “dentro i server” di queste tecnologie rimane ampiamente sconosciuto.

Un recente rapporto dell’Agenzia Internazionale per l’Energia ha evidenziato come il consumo di elettricità dei data center sia ovviamente destinato a crescere significativamente nei prossimi anni, principalmente a causa dell’aumento della domanda legata all’intelligenza artificiale e alle criptovalute. Nel 2022, il consumo di energia dei data center è stato stimato intorno ai 460 terawattora (TWh).

L’agenzia prevede che, entro il 2026, questa cifra potrebbe salire tra 620 e 1.050 TWh. Per comprendere l’entità di questo aumento, basti pensare che il consumo energetico previsto sarà paragonabile a quello attuale di interi Paesi come la Svezia o la Germania o un quarto degli Stati Uniti. Questa tendenza mette in evidenza l’importanza di affrontare l’efficienza energetica nei data center, considerando l’impatto che potrebbero avere sull’approvvigionamento e sull’ambiente.

Negli ultimi mesi, diversi ricercatori hanno evidenziato con preoccupazione l’enorme quantità di energia richiesta dall’intelligenza artificiale. Un’analisi pubblicata rappresenta uno dei primi tentativi di quantificare questa crescente domanda energetica.

Secondo lo studio guidato da Alex de Vries della Amsterdam School of Business and Economics, se le attuali tendenze nella capacità computazionale e nell’adozione dell’IA continueranno, si prevede che entro il 2027 solo NVIDIA distribuirà circa 1,5 milioni di unità server AI all’anno.

Questi server, operando a pieno regime, consumerebbero almeno 85,4 terawattora (TWh) di elettricità all’anno.

Questo consumo supera quello annuale di molti Paesi di piccole dimensioni, come tutto il Portogallo o la Grecia, dimostrando il potenziale impatto energetico dell’espansione dell’IA su scala globale.

L’analisi è stata condotta da ricercatori che studiano i costi energetici delle tecnologie emergenti, con particolare attenzione alle implicazioni ambientali. Lo studio sottolinea come l’IA, in quanto tecnologia emergente, stia rapidamente diventando una delle principali fonti di consumo energetico, sollevando interrogativi sulla sua sostenibilità a lungo termine.

La fase di formazione dei modelli di AI, spesso considerata la più dispendiosa in termini di energia, è stata al centro della ricerca sulla sostenibilità.

Un modello di AI, come quello di ChatGPT, viene alimentato da grandi set di dati. Per i modelli linguistici di grandi dimensioni (LLM) come GPT-4, il processo si traduce nell’apprendimento della previsione di parole o frasi specifiche in base al contesto dato. Una volta distribuiti, questi parametri guidano il comportamento del modello.

Hugging Face, una comunità di sviluppatori dell’intelligenza artificiale, ha segnalato che il suo modello BLOOM ha consumato 433 MWh di elettricità durante l’addestramento. Altri LLM, tra cui GPT-4, si stima abbiano utilizzato rispettivamente 1.287 MWh e 1.066 MWh.

Rispondere alle domande. Un altro consumo dell’AI

Ognuno di questi LLM è stato addestrato su terabyte di dati e ha 175 miliardi o più parametri. Dopo l’addestramento, i modelli vengono distribuiti in un ambiente di produzione e iniziano la fase di inferenza, in cui generano output basati su nuovi dati.

L’inferenza nell’intelligenza artificiale è il processo mediante il quale un modello AI utilizza i dati e le conoscenze apprese durante la fase di addestramento per fare previsioni, prendere decisioni o risolvere problemi.

Ad esempio, un modello di machine learning, una volta addestrato su un set di dati, esegue l’inferenza per classificare nuove immagini, tradurre un testo o prevedere il valore futuro di un parametro. In sintesi, l’inferenza è l’applicazione pratica delle capacità del modello per elaborare informazioni nuove e produrre risultati utili.

Per strumenti come ChatGPT, la fase di inferenza è il momento in cui il modello genera risposte in tempo reale alle domande degli utenti. Sebbene la sostenibilità ambientale dell’intelligenza artificiale sia un tema molto discusso, la fase di inferenza ha ricevuto meno attenzione rispetto all’addestramento.

Tuttavia, ci sono segnali che questa fase possa rappresentare una parte significativa dei costi complessivi di un modello di IA. In altre parole, l’inferenza è il processo con cui un modello applica le conoscenze acquisite per affrontare compiti reali, ed è anche quello che alla fine richiede più energia.

SemiAnalysis, società di ricerca e analisi indipendente, ha indicato che OpenAI richiedeva 3.617 server HGX A100 di NVIDIA, con un totale di 28.936 GPU, per supportare ChatGPT, implicando una richiesta di energia di 564 MWh al giorno.

Rispetto ai 1.287 MWh stimati utilizzati nella fase di formazione di GPT-4, la domanda energetica dell’inferenza sembra notevolmente più alta. Inoltre, Google ha segnalato che il 60% del consumo energetico correlato all’IA dal 2019 al 2021 derivava dall’inferenza.

Anche Alphabet, la società madre di Google, si è detta preoccupata per i costi legati all’inferenza rispetto a quelli dell’addestramento. Tuttavia, dati di Hugging Face mostrano che il modello BLOOM ha consumato molta meno energia durante l’inferenza rispetto alla fase di formazione.

Questi rapporti contrastanti dipendono da fattori come la frequenza con cui i modelli di IA vengono aggiornati e il bilanciamento tra le loro prestazioni e il consumo energetico.

Studi futuri dovrebbero esaminare attentamente tutte le fasi del ciclo di vita di un modello di IA.

New Street Research, società indipendente, ha indicato che Google avrebbe bisogno di circa 400.000 server, con un consumo giornaliero di 62,4 GWh e un consumo annuale di 22,8 TWh. Con Google che attualmente elabora fino a 9 miliardi di ricerche al giorno, queste stime portano a un consumo medio di 6,9-8,9 Wh per richiesta.

Questa stima è in linea con il modello BLOOM di Hugging Face, che ha consumato 914 kWh per 230.768 richieste, con una media di 3,96 Wh per richiesta. Il presidente di Alphabet ha indicato a febbraio 2023 che interagire con un LLM potrebbe “probabilmente costare 10 volte di più di una ricerca per parole chiave standard”.

Poiché una ricerca Google standard utilizza presumibilmente 0,3 W di elettricità, ciò suggerisce un consumo di circa 3 Wh per interazione LLM. Questa cifra è in linea con la valutazione di SemiAnalysis dei costi operativi di ChatGPT all’inizio del 2023, che stimava un consumo medio di 564 MWh al giorno, pari a circa 2,9 Wh per richiesta.

Questi scenari evidenziano il potenziale impatto sul consumo totale di elettricità di Google se ogni ricerca diventasse un’interazione LLM. Nel 2021, il consumo totale di elettricità di Google era di 18,3 TWh, con l’IA che rappresentava il 10%-15% di questo totale.

Lo scenario più impegnativo suggerisce che la sola IA di Google potrebbe consumare tanta elettricità quanto un paese come l’Irlanda (29,3 TWh all’anno). Tuttavia, l’adozione completa dell’IA con l’hardware attuale è poco realistica, sia per i costi sia per i limiti di produzione.

In 3 anni, i costi di ammortamento annuali per un investimento di 100 miliardi di dollari in server AI ammonterebbero a 33,33 miliardi di dollari, un impatto significativo sul margine operativo di Google. Nel 2022, Google Search ha generato ricavi per 162,5 miliardi di dollari, con un margine operativo di 26% (circa 42,25 miliardi). I costi aggiuntivi legati all’IA potrebbero azzerare questo margine.

Una stima più pragmatica deriva dalle vendite di NVIDIA, leader con una quota di mercato del 95% nel 2023. La società prevede di consegnare 100.000 server AI nel 2024, con una domanda energetica combinata di 650-1.020 MW e un consumo annuo stimato di 5,7-8,9 TWh.

Rispetto ai 205 TWh consumati storicamente dai data center, questa cifra è relativamente bassa. Tuttavia, la catena di fornitura rimane un collo di bottiglia. TSMC, fornitore di chip di NVIDIA, sta investendo in un nuovo stabilimento per la tecnologia CoWoS, essenziale per i chip AI, ma la produzione non inizierà prima del 2027.

Entro il 2025, NVIDIA potrebbe fornire 1,5 milioni di server AI, con una domanda energetica combinata di 9,75-15,3 GW e un consumo annuo di 85,4-134,0 TWh. Ciò rappresenterebbe una quota significativa del consumo globale di elettricità dei data center. Tuttavia la stima presuppone carico al 100 % e non include l’energia per il raffreddamento: i valori effettivi potrebbero risultare inferiori o superiori, se i server fossero più potenti del previsto.

Il modello GLaM di Google (1,2 T di parametri, architettura Mixture-of-Experts) è circa sette volte più grande di GPT-3 ma ha richiesto circa un terzo dell’energia impiegata per addestrare GPT-3 (456 MWh vs 1 287 MWh). Non esistono dati ufficiali su parametri e consumo energetico di GPT-4 – le stime lo collocano comunque oltre GLaM. Il paradosso di Jevons ricorda che l’aumento di efficienza potrebbe, in ogni caso, far crescere la domanda complessiva di calcolo e quindi l’uso totale di energia

Questo effetto è stato a lungo osservato nella storia del cambiamento tecnologico e dell’automazione, con esempi recenti nelle applicazioni di AI. L’improvviso aumento di interesse per l’AI generativa nel 2022 e 2023, durante il quale la domanda ha superato l’offerta, potrebbe essere parte di questo effetto di rimbalzo.

I miglioramenti nell’efficienza del modello ora consentono a GPU di livello consumer di addestrare modelli AI. Ciò implica che la crescita del consumo energetico correlato all’AI avrà origine non solo da nuove GPU ad alte prestazioni, come le A100 e H100 di NVIDIA, ma anche da GPU più generiche.

Dopo il Merge di settembre 2022, che ha eliminato fino a 9,21 GW di potenza mineraria (≈ 80,7 TWh annui) dalla rete Ethereum, alcuni analisti ipotizzano che fino al 20 % delle GPU dismesse possa essere riutilizzato per carichi di intelligenza artificiale — un fenomeno soprannominato “mining 2.0”. Se ciò avvenisse integralmente, l’AI assorbirebbe fino a 16,1 TWh di elettricità aggiuntivi ogni anno..

Le prestazioni dei modelli AI tendono a raggiungere un punto di svolta, in cui miglioramenti apparentemente piccoli richiedono un enorme dispendio di energia e risorse computazionali. Superata una certa soglia, ogni progresso diventa sempre più costoso, sia economicamente che in termini di impatto sull’ambiente.

Tuttavia, è possibile migliorare l’efficienza dei modelli ottimizzando il loro funzionamento o migliorando l’hardware. Ciò potrebbe ridurre i costi per perfezionare ulteriormente i modelli, rendendo questi miglioramenti più sostenibili.

C’è però un effetto collaterale da considerare: migliorare l’efficienza potrebbe incentivare ulteriori sforzi per aumentare la precisione, annullando parte dei vantaggi ottenuti in termini di risparmio energetico. Questo fenomeno, noto come “paradosso di Jevons“, suggerisce che l’efficienza di una risorsa può portare a un aumento complessivo del suo utilizzo.

L’impegno per raffreddare i data center

Il raffreddamento efficiente dei server è cruciale per garantire prestazioni ottimali e prolungare la vita utile dell’hardware nei data center, non ultimo ovviamente limitare il carico di consumo energetico per il raffreddamento. Negli ultimi anni, sono emerse diverse tecnologie innovative per migliorare l’efficienza del raffreddamento.

Raffreddamento a liquido

Il raffreddamento a liquido è una soluzione avanzata che utilizza fluidi per dissipare il calore generato dai componenti elettronici. Questo metodo è particolarmente efficace per gestire le crescenti densità di potenza nei data center. Esistono due principali categorie di raffreddamento a liquido per i server:

– Raffreddamento diretto su chip (Direct-to-Chip Cooling): Questo approccio prevede l’uso di piastre fredde che assorbono il calore direttamente dai componenti più caldi, come CPU e GPU, attraverso un liquido refrigerante. Sebbene la maggior parte del calore venga rimossa in questo modo, è spesso necessario un raffreddamento ad aria supplementare per altri componenti.

– Raffreddamento a immersione (Immersion Cooling): In questo metodo, l’hardware IT viene immerso completamente in un fluido dielettrico, come olio minerale o refrigerante sintetico, all’interno di un serbatoio sigillato. Il liquido assorbe il calore generato dai componenti, migliorando l’efficienza del raffreddamento e riducendo la necessità di sistemi di raffreddamento ad aria.

Raffreddamento a immersione in due fasi

Questo metodo utilizza fluidi dielettrici che bollono a basse temperature. Il calore generato dai componenti provoca l’ebollizione del liquido, e il vapore risultante viene condensato e riportato nel serbatoio. Questo ciclo consente un’efficiente rimozione del calore senza la necessità di pompe meccaniche. Questo metodo riduce quantitativamente il costo energetico.

Sensori e controllo intelligente

L’integrazione di sensori avanzati consente il monitoraggio in tempo reale delle temperature all’interno dei server. Questi dati possono essere utilizzati da sistemi di controllo intelligente per regolare dinamicamente le velocità delle ventole e i flussi di refrigerante, ottimizzando l’efficienza energetica e prevenendo surriscaldamenti.

Raffreddamento degli armadi server

L’implementazione di sistemi di raffreddamento specifici per gli armadi server, come scambiatori di calore posteriori o unità di raffreddamento integrate, consente una gestione termica più efficiente a livello di rack, riducendo la dipendenza dai sistemi di raffreddamento dell’intera sala.

L’adozione di queste tecnologie innovative può migliorare significativamente l’efficienza energetica e le prestazioni dei data center, rispondendo alle crescenti esigenze di potenza di calcolo e sostenibilità ambientale.

Come si può rendere più “verde” l’Intelligenza Artificiale

Il settore dei data center è oggi responsabile di circa l’1 % delle emissioni globali legate all’energia. Sebbene il volume di dati continui a crescere rapidamente IDC prevede un raddoppio in tre-quattro anni, non più in due, queste infrastrutture richiedono ancora ingenti quantità di elettricità e acqua sia per alimentare i server sia per il raffreddamento. Nel 2022 i data center assorbivano 4,5 % dell’elettricità danese; negli Stati Uniti la loro quota è salita al 4,4 % nel 2023 e potrebbe raggiungere il 7-12 % entro la fine del decennio.

Quasi tutti i modelli di IA generativa più noti sono generati da provider cloud “hyperscale” un’architettura informatica capace di scalare in modo efficiente e rapido per gestire carichi di lavoro e volumi di dati in costante crescita.

Migliaia di server producono importanti emissioni di carbonio, in particolare, questi modelli vengono eseguiti su chip di unità di elaborazione grafica (GPU). Questi richiedono 10-15 volte l’energia di cui ha bisogno una CPU tradizionale perché una GPU utilizza più transistor nelle unità logiche aritmetiche. Attualmente, i tre principali provider cloud hyperscale sono Amazon AWS, Google Cloud e Microsoft Azure.

Se cerchiamo di comprendere l’impatto ambientale di ChatGPT (ma vale anche per altre AI) attraverso la lente dell’impronta di carbonio, dovremmo prima comprendere il ciclo di vita dell’impronta di carbonio dei modelli di apprendimento automatico (ML). Questa è la chiave per iniziare a rendere l’IA generativa più ecologica attraverso un consumo energetico inferiore.

Cosa determina l’impronta di carbonio dei modelli di intelligenza artificiale generativa?

Non tutti i grandi modelli generativi sono uguali in termini di consumo energetico ed emissioni di carbonio. Quando si determina l’impronta di carbonio di un modello ML, ci sono tre valori distinti da considerare:

• l’impronta di carbonio derivante dall’addestramento del modello
• l’impronta di carbonio derivante dall’esecuzione dell’inferenza, ovvero deduzione o previsione dei risultati utilizzando nuovi dati di input, come una richiesta o istruzione data dall’utente al modello ML una volta che è stato distribuito
• l’impronta di carbonio necessaria per produrre tutto l’hardware informatico necessario e le funzionalità del data center cloud.

I modelli con più parametri (sono valori numerici interni ai modelli che vengono appresi durante la fase di addestramento. Questi valori determinano come il modello elabora gli input per generare gli output desiderati) e dati di training generalmente consumano più energia e generano più carbonio. GPT-4, il modello “genitore” di ChatGPT, è al vertice o quasi dei modelli generativi in ​​termini di dimensioni.

Ha 175 miliardi di parametri del modello ed è stato addestrato su oltre 500 miliardi di parole di testo. Secondo un articolo di ricerca, la recente classe di modelli di intelligenza artificiale generativa richiede un aumento da dieci a cento volte della potenza di calcolo per addestrare i modelli rispetto alla generazione precedente, a seconda del modello coinvolto. Pertanto, la domanda complessiva raddoppia circa ogni sei mesi.

I modelli di addestramento sono i componenti più energivori dell’IA generativa. I ricercatori hanno analizzato che addestrare un “singolo grande modello di apprendimento profondo del linguaggio” come GPT-4 di OpenAI o PaLM di Google si stima utilizzi circa 300 tonnellate di CO2. Per fare un confronto, una persona media è responsabile della creazione di circa 5 tonnellate di CO2 all’anno, sebbene il cittadino medio ne generi, a volte, molto di più.

Altri ricercatori hanno calcolato che addestrare un modello di IA generativa di medie dimensioni utilizzando una tecnica chiamata “ricerca di architettura neurale” ha utilizzato elettricità e consumi energetici equivalenti a 626.000 tonnellate di emissioni di CO2, ovvero le stesse emissioni di CO2 prodotte dalla guida di cinque auto medie nel corso della loro vita. Addestrare un singolo modello BERT (un grande modello linguistico sviluppato da Google) da zero richiederebbe la stessa energia e impronta di carbonio di un volo commerciale transatlantico.

L’inferenza, o l’utilizzo dei modelli per ottenere risposte alle richieste degli utenti, consuma meno energia ogni sessione, ma alla fine comporta molte più sessioni. A volte questi modelli vengono addestrati solo una volta, quindi distribuiti sul cloud e utilizzati da milioni di utenti per l’inferenza.

In tal caso, anche l’implementazione di grandi modelli di deep learning sul cloud per scopi di inferenza consuma molta energia. Gli analisti segnalano che NVIDIA stima che l’80-90% del costo energetico delle reti neurali risieda nell’elaborazione in corso dell’inferenza dopo che un modello è stato addestrato.

Oltre alla formazione iniziale e all’utilizzo inferenziale dell’energia da parte di grandi modelli generativi, gli utenti e i rivenditori di questi modelli stanno sempre più impiegando la messa a punto fine o la formazione basata su prompt. Quando combinata con il modello generativo originale addestrato su grandi volumi di dati, la messa a punto fine consente prompt e risposte che sono adattati al contenuto specifico di un’organizzazione.

Alcune ricerche suggeriscono che la formazione di messa a punto consuma notevolmente meno energia e potenza di calcolo rispetto alla formazione iniziale. Tuttavia, se molte organizzazioni adottano approcci di messa a punto e lo fanno spesso, il consumo energetico complessivo potrebbe essere piuttosto elevato.

Sebbene sia difficile calcolare il costo di produzione dei computer necessari per eseguire tutto questo software di intelligenza artificiale, è palese che sia molto alto e in continua crescita. Il consumo dei chip GPU e i server complessi e potenti utilizzati per eseguire i modelli di intelligenza artificiale hanno consumi molto più elevati di quelli finora utilizzati.

Il futuro sostenibile dell’AI

Considerato tutto ciò, c’è una strategia per rendere la modellazione, l’implementazione e l’utilizzo dell’IA più sostenibili dal punto di vista ambientale. Il suo obiettivo è sostituire gli approcci che consumano molta energia con sostituti più adatti e rispettosi dell’ambiente.

È necessario un cambiamento sia da parte dei fornitori che degli utenti per rendere gli algoritmi di IA ecologici in modo che la loro utilità possa essere ampiamente implementata senza danneggiare il nostro ambiente. I modelli generativi in ​​particolare, dato il loro elevato consumo di energia, devono diventare più ecologici prima di diventare presenti in ogni applicazione od oggetto che usiamo. Esistono diversi modi in cui l’IA e l’IA generativa possono muoversi in questa direzione, li descriviamo di seguito.

Utilizzare modelli generativi di grandi dimensioni esistenti. Esistono già molti fornitori di modelli di linguaggio e immagini di grandi dimensioni e ce ne saranno altri. Crearli e addestrarli richiede enormi quantità di energia.

Non c’è bisogno che aziende diverse dai grandi fornitori o provider cloud generino i propri modelli di grandi dimensioni da zero. Hanno già accesso ai dati di addestramento necessari e a enormi volumi di capacità di elaborazione nel cloud, quindi non hanno bisogno di acquisirli.

Ottimizzare i modelli di formazione esistenti. Se un’azienda desidera un modello generativo addestrato sui propri contenuti, non dovrebbe partire da zero per addestrare un modello, ma piuttosto perfezionare un modello esistente. L’ottimizzazione e la formazione rapida su specifici domini di contenuti consumano molta meno energia rispetto all’addestramento di nuovi grandi modelli da zero

. Possono anche fornire più valore a molte aziende rispetto ai modelli addestrati in modo generico. Questo dovrebbe essere l’obiettivo principale per le aziende che desiderano adottare modelli generativi per i propri contenuti.

Utilizzare metodi computazionali a risparmio energetico. Un altro approccio per ridurre il consumo energetico dell’IA generativa è quello di utilizzare approcci meno costosi dal punto di vista computazionale come TinyML per elaborare i dati.

Il framework TinyML consente agli utenti di eseguire modelli ML su dispositivi edge piccoli e a bassa potenza come i microcontrollori con bassi requisiti di larghezza.

Mentre le CPU generali consumano in media 70 watt di potenza e le GPU consumano 400 watt di potenza, un minuscolo microcontrollore consuma solo poche centinaia di microwatt, mille volte meno energia, per elaborare i dati localmente senza inviarli ai server di dati.

Utilizzare un modello di grandi dimensioni solo quando offre un valore significativo. È importante che gli analisti di dati e gli sviluppatori sappiano dove il modello fornisce valore. Se l’utilizzo di un sistema 3 volte più affamato di energia aumenta l’accuratezza di un modello solo dell’1-3%, allora non vale il consumo di energia extra. Più in generale, l’apprendimento automatico e l’intelligenza artificiale non sono sempre necessari per risolvere un problema.

Gli sviluppatori devono prima fare ricerche e analisi di più soluzioni alternative e selezionare un approccio in base ai risultati. Il Montreal AI Ethics Institute, ad esempio, sta lavorando attivamente su questo problema.

Sii esigente quando utilizzi l’IA generativa. Gli strumenti di apprendimento automatico e NLP, Natural Language Processing è un sistema computazionale progettato per elaborare, analizzare e comprendere il linguaggio naturale, cioè il modo in cui le persone parlano e scrivono, sono rivoluzionari per i problemi di salute e le previsioni mediche. Sono ottimi per prevedere pericoli naturali come tsunami, terremoti, ecc.

Queste sono applicazioni utili, ma gli strumenti solo per generare post di blog o creare storie divertenti potrebbero non essere l’uso migliore per questi strumenti ad alta elaborazione. Potrebbero impoverire la salute della Terra più di quanto non aiutino le sue persone. Se un’azienda utilizza l’IA generativa per la creazione di contenuti, dovrebbe cercare di garantire che i modelli vengano utilizzati solo quando necessario o per ridurre altri costi di elaborazione, il che dovrebbe anche ridurre i budget di elaborazione complessivi.

Valuta le fonti energetiche del tuo provider cloud o data center. L’intensità di carbonio dell’IA, e del software in generale, può essere ridotta al minimo distribuendo modelli in regioni in grado di utilizzare risorse energetiche ecocompatibili e rispettose dell’ambiente. Questa pratica ha mostrato una riduzione del 75% delle emissioni operative. Ad esempio, un modello addestrato e operativo negli Stati Uniti può utilizzare energia da combustibili fossili, ma lo stesso modello può essere eseguito in Québec, dove la fonte energetica primaria è l’idroelettrico. Google ha recentemente iniziato a costruire un data center di energia pulita da 735 milioni di dollari in Québec e prevede di passare all’energia carbon-free 24/7 entro il 2030.

Offre anche una “Carbon Sense Suite” per aiutare le aziende a ridurre il consumo di energia nei loro carichi di lavoro cloud. Gli utenti dei provider cloud possono monitorare gli annunci delle aziende su quando e come hanno distribuito fonti energetiche carbon-neutral o zero-carbon.

Riutilizza modelli e risorse. Proprio come altri materiali, la tecnologia può essere riutilizzata. I modelli open source possono essere utilizzati anziché addestrarne di nuovi. Il riciclaggio può ridurre l’impatto delle pratiche di intelligenza artificiale che producono carbonio. Le materie prime possono essere estratte per realizzare nuove generazioni di laptop, processori, dischi rigidi e molto altro ancora.

Includi l’attività di IA nel tuo monitoraggio del carbonio. Le pratiche di monitoraggio del carbonio devono essere adottate da tutti i laboratori di ricerca, i fornitori di IA e le aziende che utilizzano l’IA per sapere qual è la loro impronta di carbonio. Devono anche pubblicizzare i numeri della loro impronta affinché i loro clienti possano prendere decisioni intelligenti sulle attività commerciali correlate all’IA.

Il calcolo delle emissioni di gas serra dipende dai set di dati dei fornitori di dati e delle aziende di elaborazione come i laboratori di ricerca e i fornitori di servizi basati sull’IA come OpenAI. Dall’inizio delle idee all’infrastruttura che verrà utilizzata per ottenere risultati di ricerca, tutti devono seguire approcci di IA verdi.

Sono disponibili diversi pacchetti e strumenti online come Code Carbon, Green algorithms e ML CO2 Impact, che possono essere inclusi nel tuo codice in fase di esecuzione per stimare le tue emissioni e dovremmo incoraggiare la comunità degli sviluppatori a considerare queste metriche delle prestazioni per stabilire parametri di riferimento e valutare i modelli ML.

Naturalmente, ci sono molte considerazioni coinvolte nell’uso di modelli di IA generativa da parte di organizzazioni e individui: etiche, legali e persino filosofiche e psicologiche. Le preoccupazioni ecologiche, tuttavia, meritano di essere aggiunte al mix. Possiamo discutere le implicazioni future a lungo termine di queste tecnologie per l’umanità, ma tali considerazioni saranno irrilevanti se non abbiamo un pianeta abitabile su cui discuterne.

Non abbassare l’attenzione

Sebbene il futuro del consumo di elettricità correlato all’intelligenza artificiale rimanga difficile da prevedere, gli scenari discussi in questo dossier sottolineano l’importanza di moderare sia le aspettative eccessivamente ottimistiche che quelle eccessivamente pessimistiche. L’integrazione dell’intelligenza artificiale in applicazioni come Google Search può aumentare significativamente il consumo di elettricità di queste applicazioni.

Tuttavia, è probabile che vari fattori di risorse frenino la crescita del consumo di elettricità globale correlato all’intelligenza artificiale nel breve termine. Allo stesso tempo, è troppo ottimistico aspettarsi che i miglioramenti nell’efficienza di hardware e software compensino completamente eventuali cambiamenti a lungo termine nel consumo di elettricità correlato all’intelligenza artificiale.

Questi progressi possono innescare un effetto di rimbalzo per cui l’aumento dell’efficienza porta a una maggiore domanda di intelligenza artificiale, aumentando anziché ridurre l’uso totale delle risorse. L’entusiasmo per l’IA del 2022 e 2023 potrebbe essere parte di tale effetto di rimbalzo, mettendo la supply chain dei server AI sulla buona strada per fornire un contributo più significativo al consumo di elettricità dei data center nei prossimi anni.

Inoltre, il miglioramento dell’efficienza potrebbe sbloccare un inventario significativo di GPU più vecchie e inutilizzate, come quelle precedentemente impiegate nel mining della criptovaluta Ethereum, da riutilizzare per l’IA.

Pertanto, sarebbe consigliabile che gli sviluppatori non solo si concentrassero sull’ottimizzazione dell’IA, ma anche considerassero criticamente la reale necessità di utilizzare l’IA in primo luogo, poiché è improbabile che tutte le applicazioni traggano vantaggio dall’IA o che i vantaggi superino sempre i costi.

Le informazioni sull’uso delle risorse per i casi in cui l’IA viene applicata sono limitate; quindi, gli enti regolatori potrebbero considerare l’introduzione di specifici requisiti di informativa ambientale per migliorare la trasparenza lungo la supply chain dell’IA, favorendo una migliore comprensione dei costi ambientali di questa tendenza tecnologica emergente.

Bibliografia

1. “Fixing AI’s energy crisis” – Nature
2. “The Hidden Cost of AI Energy Consumption” – Knowledge at Wharton
3. “The future of AI and energy efficiency” – IBM
4. “AI and the Future of Energy” – McKinsey & Company
5. “AI’s Energy Consumption: Challenges and Solutions” – International Energy Agency (IEA)