// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
I supercomputer per l'AI consumano mezzo megawatt per rack. E4 Computer Engineering spiega cos'è cambiato nell'HPC
In una nuova intervista pubblicata sul canale B2B Labs di Tom's Hardware, Andrea Quaroni, responsabile commerciale di E4 Computer Engineering, racconta come l'arrivo dell'AI abbia trasformato il mercato degli High Performance Computing. E4, vent'anni di esperienza nella progettazione e realizzazione di supercalcolatori, è cresciuta di tre volte in quattro anni: un segnale che il settore non solo regge, ma accelera.
La domanda che apre la conversazione è quella giusta: i data center per l'AI sono davvero diversi da quelli tradizionali? Quaroni risponde senza giri di parole. La densità computazionale richiesta da un sistema AI moderno non ha precedenti: un singolo rack di ultima generazione arriverà a quasi mezzo megawatt di consumo. Prima, per ottenere la stessa potenza, servivano venti o trenta armadi. Il calore prodotto, i sistemi di raffreddamento a liquido necessari, la banda interna tra le componenti: tutto è cambiato. È un salto architetturale, non un aggiornamento incrementale.
C'è un equivoco ricorrente nel dibattito sull'AI applicata alla ricerca: che i modelli generativi abbiano reso obsoleto il calcolo deterministico. Quaroni lo smonta con precisione. La meteorologia, la fluidodinamica, la ricerca farmacologica su molecole, la simulazione fisica: tutto ciò che si basa su algoritmi scientifici consolidati continua a girare su HPC tradizionale, e continua a farlo bene. Il centro meteo europeo di Bologna gestisce previsioni di scala mondiale su sistemi deterministici, non su reti neurali.
Quello che sta cambiando è l'integrazione. I laboratori di ricerca stanno affiancando ai propri modelli fisici strumenti di machine learning per accelerare i calcoli. Non per sostituire il determinismo con il probabilismo, ma per ridurre i tempi, e in settori come la ricerca sui farmaci, anche qualche settimana in meno può avere valore enorme. Il parametro chiave è l'affidabilità del modello AI nel contesto specifico: un campo dove Peppino-il-meccanico-su-YouTube non è mai arrivato.
Questo spiega anche la cautela diffusa nel mondo enterprise. Il modello generalista funziona per chi fa domande generali. Quando lo porti in un processo aziendale specifico: un flusso logistico, un sistema di controllo qualità, un CRM verticale — il modello di base non è efficiente. Serve addestramento sui dati interni, serve retrieval augmented generation calibrato sul processo, serve inferenza ottimizzata. E tutto questo richiede potenza di calcolo controllata, non cloud generico di terzi.
La domanda sul ritorno dell'investimento è quella che blocca più aziende. Quaroni è diretto: nell'HPC tradizionale il ROI è misurabile ex ante, perché l'algoritmo deterministico dà risultati prevedibili. Nell'AI generativa applicata ai processi, la situazione è ancora fluida. Si intravedono settori dove il rientro è evidente (le software factory, per esempio, o alcune applicazioni verticali ben identificate), ma per molte imprese la domanda "dov'è il mio ROI?" resta aperta.
La buona notizia concreta è che non serve per forza comprarsi un supercomputer. Il modello condiviso — quello in cui università e centri di ricerca assegnano slot di tempo a team diversi — funzionava negli anni Novanta e funziona ancora oggi. Ed è esattamente il principio su cui si costruiscono le iniziative europee.
Il progetto più rilevante in questo momento si chiama IT4LIA: la AI Factory italiana che sarà installata al Tecnopolo di Bologna, gestita da Cineca, lo stesso ente che opera il supercalcolatore Leonardo e ospita il centro meteo europeo. L'investimento complessivo supera i 420 milioni di euro, con il sistema hardware da soli 290 milioni co-finanziato al 50% da EuroHPC JU e dal Ministero dell'Università e della Ricerca. L'integrazione è affidata a E4 Computer Engineering insieme a Dell Technologies, su architettura NVIDIA GB200 NVL4 con raffreddamento a liquido. La capacità di picco: oltre 160 exaflops per l'inferenza AI. Non è un primato astratto — è l'ordine di grandezza che disti