Liceo Scientifico Statale Galeazzo Alessi, Perugia
di Beatrice Trottolini 4L
Docente Referente: Chiara Fardella
La recente tecnologia dell’intelligenza artificiale è destinata ad essere usata su larga scala e
ad intervenire in vari modi sul nostro stile di vita. Se usate per promuovere la sostenibilità, le
sue potenzialità potrebbero rivelarsi un investimento per il futuro. La sua capacità di fare
previsioni accurate, insieme alla tecnologia di Internet of Things, può essere impiegata per
gestire meglio l’intermittenza delle fonti rinnovabili. Al tempo stesso, per funzionare l’AI
necessita di ingenti quantità di risorse e di energia, che ad oggi viene prodotta in gran parte da
fonti fossili. Si riuscirà a conciliare il consumo energetico dell’AI con la transizione
ecologica? Il suo impiego si dimostrerà conveniente se l’obiettivo è lo sviluppo sostenibile?
Il Digitalization and decarbonization report 2024 dell’Energy & Strategy Group presenta i
molteplici campi di applicazione dell’AI nell’intera filiera del settore energetico. In
particolare si concentra sulla Generation Forecast, la Grid Stability e la Demand Response,
strettamente connesse alla transizione energetica.
La Generation Forecast consiste nella previsione dell’andamento produttivo dell’energia da
fonte rinnovabile (con un miglioramento dell’accuratezza del 30% rispetto al passato). Infatti,
a causa della loro dipendenza dalle condizioni meteorologiche, fotovoltaico ed eolico hanno
un’intermittenza nella produzione che provoca squilibri rispetto al consumo. Questi
sbilanciamenti possono causare danni alle infrastrutture della rete, perdita di potenza e
riduzione della vita dei trasformatori a causa del sovraccarico, maggior dispersione di
energia; perciò diventa importante prevedere l’andamento della produzione anche per
regolare i consumi in funzione di essa. Nel caso degli impianti fotovoltaici, la previsione può
anche essere sfruttata per determinare il punto di massima potenza e regolare di conseguenza
l’angolo di inclinazione dei pannelli; o, ancora, per gestire i sistemi di accumulo dell’energia
elettrica, come le batterie elettrochimiche. Aziende come Spire utilizzano dati satellitari e dati
storici per la Generation Forecast, ottenendo stime della produzione di energia eolica e solare
ora per ora; ancora, Nostradamus® AI Energy Forecasting è un software che offre previsioni
personalizzate di produzione, consumi e prezzi di mercato.
Riguardo alla distribuzione di energia, la Grid Stability consiste nella rilevazione dei
parametri della rete elettrica, per garantire maggiore stabilità e migliore gestione delle
intermittenze. Può intervenire soprattutto per quattro tipi di problema. Uno è la transient
stability, cioè la capacità del sistema di mantenere la sincronizzazione tra generatori dopo una
perturbazione come, ad esempio, un cortocircuito; poi c’è la small-signal stability, che
riguarda il mantenimento della stabilità dopo variazioni di carico o di generazione più
piccole; un terzo aspetto è la frequency stability, ovvero la capacità di mantenere una certa
frequenza durante gli squilibri tra domanda e offerta; infine la voltage stability si realizza se
la rete mantiene livelli di tensione accettabili sotto carico.
Per finire, c’è la Demande response, cioè l’ottimizzazione dei consumi, attraverso uno
scheduling dei bisogni industriali e residenziali, e l’adattamento a prezzi o condizioni della
rete. Lo scopo è allineare il consumo con l’intermittenza della produzione. Ad esempio, gli
utenti possono ricevere incentivi economici per ridurre i consumi durante eventi di domanda
elevata (programma incentive-based) oppure possono essere incoraggiati a modificare i
consumi a seconda di prezzi variabili nel tempo (programma price-based).
Tuttavia c’è un dettaglio non irrilevante: l’AI per funzionare necessita di grandi quantità di
acqua e di energia. Nel 2024, i data center hanno coperto circa l’1,5% del consumo
energetico globale, e si stima che la loro richiesta di energia potrebbe raddoppiare entro il
- Attualmente questa energia proviene per la maggior parte da fonti non rinnovabili. Al
tempo stesso, però, il consumo dell’AI è dovuto soprattutto all’inferenza, cioè la capacità del
modello di applicare quanto appreso durante l’addestramento o la programmazione,
riconoscendo schemi e traendo conclusioni: quando interagiamo con modelli AI (come
ChatGPT, Gemini, strumenti di scrittura o generazione immagini, assistenti vocali),
contribuiamo all’inferenza. Mentre l’addestramento del modello, pur consumando energia,
avviene una sola volta, a causa dell’utilizzo ripetuto l’inferenza risulta responsabile dell’80-
90% del carico di lavoro per l’AI, e perciò dei costi energetici. Ora, le tecnologie necessarie
per Generation Forecast, Grid Stability e Demande Response, non sono quelle che usiamo
quotidianamente, ma si basano su algoritmi di ensemble, cioè tecniche di machine learning
che permettono di ricavare previsioni accurate combinando più modelli. Possiamo dedurne
che se l’AI fosse usata solo in ambiti professionali, come per questi algoritmi di ensemble,
sarebbe molto più sostenibile e vantaggiosa a livello globale. Sembra però inverosimile
pensare che, in futuro, non sarà destinata all’uso di massa, con conseguenze ambientali che
rischiano di essere disastrose. Per questo, è necessario investire nell’efficienza energetica
dell’AI e nella produzione di energia da fonti rinnovabili. Ma quindi, l’AI è un investimento
per il futuro o rischia solo di aumentare l’impatto ambientale (lo sfruttamento di risorse,
l’inquinamento ed i conflitti di interesse internazionali)? Come per molte altre tecnologie, la
risposta dipende dall’uso che se ne farà. Una cosa è certa: procedere con cautela e di pari
passo con la transizione energetica è la condizione necessaria perché l’intelligenza artificiale
possa garantire un vero progresso in senso sostenibile.
