Quando l’AI imita davvero il cervello: il computer neuromorfico

Se pensate che le reti neurali e i modelli linguistici siano modellati come il cervello umano, pensate meglio. Perché c’è un altro tipo di computer che, dopo decenni di sviluppo, sta arrivando a maturazione proprio adesso e promette di rivoluzionare ancora una volta il mondo dell’intelligenza artificiale. Si tratta del computer neuromorfico, cioè del computer che imita realmente la struttura e il funzionamento del cervello umano. È possibile? Almeno in alcuni ambiti applicativi, sì. Ecco di cosa stiamo parlando.

Il problema con von Neumann

L’architettura del calcolatore moderno, definita da John von Neumann nel 1945 con la memoria separata dall’unità di elaborazione, porta con sé un’inefficienza strutturale: ogni calcolo richiede un trasferimento dati tra memoria e processore, un collo di bottiglia che i progettisti hanno aggirato ma mai eliminato. Il neuromorphic computing propone una soluzione che non ottimizza il modello esistente ma lo sostituisce. Nel cervello umano, memoria ed elaborazione coesistono nello stesso posto grazie a neuroni e sinapsi. Il neurone comunica attraverso impulsi elettrochimici chiamati “spike” o “potenziali d’azione”: i neuroni attivi consumano energia, quelli inattivi no.

Il concetto fu formalizzato alla fine degli anni Ottanta dall’ingegnere Carver Mead al California Institute of Technology (il mitico Caltech), rimanendo a lungo una promessa accademica. Poi i costi energetici dell’intelligenza artificiale hanno cambiato le priorità: secondo stime di McKinsey, i data center dedicati all’AI potrebbero richiedere circa 156 gigawatt di capacità elettrica entro il 2030, una cifra pari a circa una volta e mezza l’intera capacità installata dell’Australia. Un’architettura che promette un’efficienza fino a 32 volte superiore nell’inferenza e fino a 60 volte nel training rispetto alle reti neurali tradizionali è diventata improvvisamente molto interessante.

Hardware pronto, software in ritardo

L’hardware ha raggiunto una maturità sufficiente per uscire dai laboratori. I chip neuromorfici oggi esistenti, come Loihi 2 di Intel, TrueNorth di IBM e Akida di BrainChip, sono dispositivi reali e programmabili; SpiNNaker 2 della startup SpiNNcloud Systems dispone di 153 core ed è già in grado di eseguire modelli linguistici di dimensioni significative. Ed è un settore dove, come europei, per una volta non siamo (troppo) indietro. L’Unione europea, infatti, ha finanziato per un decennio lo Human Brain Project, conclusosi nel 2023, che ha prodotto infrastrutture di competenze e brevetti oggi al servizio del settore emergente.

Il cuore del sistema sono le Spiking Neural Network (SNN), reti neurali in cui i neuroni comunicano con picchi di attività elettrica discreti e asincroni. Le connessioni tra neuroni hanno pesi modificabili nel tempo, plasticità sinaptica, che consente di adattarsi in tempo reale a nuovi stimoli senza ricominciare il training da capo. A livello hardware il componente chiave sono i memristori, dispositivi che combinano memoria e resistore imitando le sinapsi biologiche, anche se i ricercatori seguono anche altri approcci.

Cosa sono i computer neuromorfici

Le applicazioni dove questa architettura eccelle sono percezione, riconoscimento di pattern e decisioni rapide in ambienti complessi: veicoli autonomi, robotica adattiva, protesi intelligenti. Per l’edge AI e l’Internet of Things (IoT), con 29 miliardi di dispositivi connessi previsti entro il 2027, la necessità di elaborazione locale a bassissimo consumo è già un problema industriale concreto: un chip neuromorfico su un dispositivo indossabile o un sensore consente inferenza locale senza ricorrere al cloud con autonomia della batteria nettamente superiore.

Il nodo del software

Il software resta il problema principale: per le SNN mancano framework di alto livello equivalenti a TensorFlow o PyTorch, poi mancano benchmark standardizzati e standard architetturali condivisi. Cosa fare da grandi nell’era dell’AI è una domanda che vale anche per chi progetta hardware: chi costruirà per primo strumenti di programmazione accessibili per le SNN potrà sbloccare un mercato che le previsioni portano a oltre 1,3 miliardi di dollari entro il 2030. Apple ha dimostrato che arrivare al momento giusto con il prodotto giusto vale più di arrivare primi. Nel neuromorphic computing, il nome inglese del campo che sviluppa i chip neuromorfici, quel momento si avvicina.