Quanta Energia Serve per una Risposta di Qualità? Cervello e IA
Dalla validazione tecnica alla decisione umana
Introduzione
Il confronto energetico tra cervello umano e intelligenza artificiale viene spesso sintetizzato attraverso un dato suggestivo: il cervello umano opera con una potenza dell’ordine di 20 watt, mentre i sistemi di IA richiedono infrastrutture computazionali molto più energivore.
Il dato è reale, ma la conclusione che spesso ne viene tratta è metodologicamente troppo semplice.
Non è corretto chiedere:
«Se il cervello consuma 20 W, quanti watt deve consumare un’IA per essere altrettanto intelligente?»
La domanda più rigorosa è un’altra:
Quanta energia è necessaria per ottenere una determinata qualità cognitiva verificabile?
Questa formulazione permette di separare tre grandezze che vengono frequentemente confuse: energia, prestazione e qualità cognitiva.
L’obiettivo di questo saggio è proporre un quadro metodologico, coerente con il paradigma PENSAI, nel quale tali grandezze possano essere analizzate senza trasformare un’analogia biologica in una falsa equivalenza quantitativa.
1. I 20 watt del cervello
La letteratura scientifica considera il cervello umano un sistema computazionale biologico estremamente efficiente dal punto di vista energetico.
Una prospettiva pubblicata nel 2026 su Biological Cybernetics indica per il cervello umano un consumo dell’ordine di 20 W e utilizza questo valore come riferimento per discutere lo sviluppo di tecnologie di IA ispirate alla neurobiologia. Gli autori sottolineano proprio l’interesse del cervello come esempio naturale di computazione ad alta efficienza energetica.
Ma 20 W significa potenza, non energia per pensiero.
La relazione fisica fondamentale è:
[P=\frac{E}{t}]
dove:
- (P) = potenza;
- (E) = energia;
- (t) = tempo.
Quindi 20 W significano circa 20 joule al secondo.
In un minuto, a titolo puramente energetico:
[20\times60=1200J]
In un’ora:
[20Wh]
Questo non significa però che ogni joule sia attribuibile a una singola operazione cognitiva.
Il cervello mantiene contemporaneamente membrane, gradienti ionici, sinapsi, metabolismo cellulare, comunicazione neuronale e numerosi processi biologici.
2. Il costo energetico della computazione biologica
Uno dei lavori fondamentali sul problema è quello di David Attwell e Simon Laughlin, pubblicato nel 2001 sul Journal of Cerebral Blood Flow & Metabolism.
Gli autori costruiscono un bilancio energetico dei processi di segnalazione nella materia grigia e mostrano che una parte sostanziale del consumo è associata alla trasmissione dei segnali neuronali. Nel loro modello, potenziali d’azione ed effetti postsinaptici del glutammato rappresentano componenti energeticamente rilevanti.
Il lavoro è importante perché dimostra un punto metodologico fondamentale:
l’energia cerebrale non è una singola voce denominata “pensiero”.
È il risultato di numerosi processi fisici simultanei.
Di conseguenza, attribuire direttamente i 20 W a una determinata risposta cognitiva sarebbe scientificamente scorretto.
3. L’energia dell’IA deve essere misurata diversamente
Nel caso dell’IA il problema è più circoscritto.
Durante l’inferenza possiamo misurare o stimare l’energia necessaria per elaborare una richiesta.
Un lavoro pubblicato nel 2026 su Joule, di Felipe Oviedo e colleghi, stima per l’inferenza frontier-scale in condizioni produttive una mediana di circa:
[0,31Wh/query]
con un intervallo interquartile di 0,16–0,60 Wh.
Lo stesso studio evidenzia però una differenza fondamentale.
Le richieste caratterizzate da un forte test-time scaling, con circa 5.000 token di output, arrivano a una mediana stimata di:
[3,91Wh]
circa 13 volte il consumo delle query standard considerate nello studio.
Questo dimostra che non esiste un unico valore di “consumo energetico dell’IA”.
Il consumo dipende dal lavoro computazionale effettivamente svolto.
4. Più energia non significa automaticamente migliore risposta
Questo è il punto centrale.
Uno studio pubblicato il 17 aprile 2026 su Scientific Reports da Johannes Zschache e Tilman Hartwig ha analizzato contemporaneamente accuratezza ed energia durante l’inferenza di modelli per classificazione testuale.
Gli autori rilevano che efficienza energetica e accuratezza sono dimensioni distinte e non necessariamente allineate.
Nel loro esperimento, il consumo energetico variava enormemente tra i sistemi. Inoltre, per alcuni modelli LLM, un modello più piccolo poteva ottenere prestazioni vicine a quelle di un modello molto più grande con un consumo molto inferiore. In particolare, lo studio riporta che Qwen 2.5 7B consumava circa sette volte meno energia rispetto a Qwen 2.5 72B con una riduzione di accuratezza relativamente piccola nel compito esaminato.
Questo risultato non significa che il modello piccolo sia “più intelligente”.
Significa qualcosa di più preciso:
per quel compito, quel benchmark e quelle condizioni sperimentali, ha ottenuto una prestazione comparabile con un costo energetico inferiore.
È esattamente la distinzione necessaria per costruire una metrica seria.
5. Perché l’energia per token non è sufficiente
Una metrica immediata potrebbe essere:
[E_{token}=\frac{E}{N_{token}}]
dove (N_{token}) rappresenta il numero di token prodotti o elaborati.
È una misura utile per confrontare sistemi di inferenza, ma non misura la qualità cognitiva.
Una risposta di 5.000 token può essere:
- corretta;
- parzialmente corretta;
- ridondante;
- inutilmente lunga;
- oppure completamente errata.
Il numero di token è quindi una misura del lavoro linguistico, non della qualità cognitiva.
Il lavoro di Oviedo et al. conferma proprio che l’aumento della lunghezza del reasoning può aumentare considerevolmente il consumo energetico.
Ma maggiore reasoning non equivale automaticamente a maggiore valore cognitivo.
6. Dal consumo alla qualità
A questo punto emerge il problema centrale.
Se vogliamo confrontare sistemi diversi, dobbiamo introdurre una misura del risultato.
PENSAI può definire la Qualità Cognitiva Verificabile, indicata con (Q), come:
il grado con cui una risposta raggiunge l’obiettivo richiesto, è corretta, verificabile e conforme ai vincoli stabiliti.
La qualità non viene quindi identificata con:
- lunghezza;
- eloquenza;
- numero di parametri;
- numero di token;
- costo computazionale.
Viene invece collegata al risultato verificabile.
7. Una prima formalizzazione PENSAI
Una possibile decomposizione è:
[Q=C\times V\times O\times S]
dove:
C — Correttezza
Misura quanto la risposta sia corretta rispetto ai dati, al problema e alle conoscenze verificabili.
V — Verificabilità
Misura quanto le affermazioni possano essere controllate attraverso fonti, dati, calcoli o procedure.
O — Obiettivo raggiunto
Misura se la risposta abbia effettivamente risolto il problema posto.
S — Specifiche rispettate
Misura il rispetto dei vincoli espliciti della richiesta.
Ogni componente può essere normalizzata nell’intervallo:
[0\leq C,V,O,S\leq1]
e quindi:
[0\leq Q\leq1]
Questa formula è una proposta metodologica PENSAI, non una metrica già validata dalla letteratura scientifica.
La distinzione deve rimanere esplicita.
8. Efficienza cognitiva
Una volta definita (Q), possiamo introdurre l’energia consumata (E).
La metrica proposta è:
[\boxed{EC=\frac{Q}{E}}]
dove:
EC = Efficienza Cognitiva
e rappresenta la quantità di qualità cognitiva verificabile ottenuta per unità di energia.
La formula inversa è:
[\boxed{E_Q=\frac{E}{Q}}]
cioè:
energia necessaria per unità di qualità cognitiva verificabile.
Questa seconda forma risponde direttamente alla domanda iniziale.
9. Esempio numerico
Supponiamo che due sistemi risolvano lo stesso problema.
Sistema A:
[Q_A=0,80]
[E_A=0,30Wh]
Quindi:
[EC_A=\frac{0,80}{0,30}=2,67]
Sistema B:
[Q_B=0,90][E_B=1,20Wh]
Quindi:
[EC_B=\frac{0,90}{1,20}=0,75]
Il sistema B produce una qualità maggiore.
Ma il sistema A produce più qualità per unità di energia.
Ne deriva una distinzione fondamentale:
[\text{Prestazione}\neq\text{Efficienza}]
Un sistema può essere migliore in termini assoluti e contemporaneamente peggiore in termini energetici.
10. La vera unità di confronto: qualità equivalente
Il confronto uomo-IA diventa scientificamente più interessante se fissiamo prima un livello di qualità.
Supponiamo:
[Q^*=0,90]
La domanda diventa:
[E_{IA}(Q^*)=?]
e:
[E_{umano}(Q^*)=?]
A quel punto possiamo definire:
[\boxed{R_E=\frac{E_{IA}(Q^)}{E_{umano}(Q^)}}]
Questa sarebbe una vera comparazione energetica a qualità equivalente.
Se:
[R_E=1]
i due sistemi utilizzano la stessa quantità di energia per ottenere quel livello di qualità nel compito definito.
Se:
[R_E>1]
l’IA richiede più energia.
Se:
[R_E<1]
l’IA richiede meno energia.
Ma il risultato sarebbe valido soltanto per:
- quello specifico compito;
- quel livello di qualità;
- quel protocollo;
- quella tecnologia;
- quelle condizioni sperimentali.
Non potrebbe essere generalizzato come “l’IA è più efficiente del cervello”.
11. La curva Qualità-Energia
La relazione più realistica non è necessariamente lineare.
Possiamo rappresentarla come:
[Q=f(E)]
e studiare il rendimento marginale:
[RM=\frac{\Delta Q}{\Delta E}]
Questo misura quanta qualità aggiuntiva otteniamo aumentando l’energia.
È una variabile particolarmente interessante per i sistemi di reasoning.
Se un aumento significativo di energia produce un grande aumento di qualità:
[RM\gg0]
il calcolo aggiuntivo è produttivo.
Se invece un enorme aumento energetico produce un miglioramento minimo:
[RM\rightarrow0]
si manifesta un rendimento marginale decrescente.
La ricerca di Oviedo et al. è coerente con questa impostazione: l’aumento del test-time compute può aumentare fortemente l’energia per richiesta, mentre le strategie di efficienza a livello di modello, serving e hardware possono ridurre significativamente il consumo.
12. Il cervello come riferimento, non come metro diretto
A questo punto i 20 W assumono un significato diverso.
Non sono più il valore da mettere direttamente nella proporzione:
[20W:XW]
Sono un riferimento biologico di ordine di grandezza.
La prospettiva di Chiel et al. del 2026 è particolarmente interessante proprio perché propone di studiare i principi neurobiologici come fonte di ispirazione per sistemi artificiali più efficienti.
La domanda diventa quindi:
Quali principi permettono al cervello di produrre comportamento adattivo e cognitivo con un budget energetico così limitato?
La risposta potrebbe riguardare non soltanto l’hardware biologico, ma anche:
- codifica sparsa;
- località dell’elaborazione;
- comunicazione selettiva;
- memoria;
- adattamento;
- architetture distribuite;
- elaborazione event-driven.
Il lavoro classico di Attwell e Laughlin mostra infatti che il costo energetico della segnalazione impone vincoli alla struttura dei codici neurali e alla modalità con cui l’informazione viene rappresentata e trasmessa.
13. Un problema ancora più ampio: energia e infrastruttura
L’energia dell’IA non dipende soltanto dal modello.
Patterson et al. hanno mostrato che il consumo energetico e l’impronta carbonica del machine learning possono variare considerevolmente in funzione di architettura, localizzazione geografica, infrastruttura e processori. Lo studio evidenzia che alcune scelte architetturali, infrastrutturali e hardware possono produrre differenze estremamente grandi nell’impatto energetico e climatico.
Questo significa che una metrica energetica seria deve specificare almeno:
[E=f(modelo,hardware,serving,workload)]
e, quando l’obiettivo è valutare l’impatto ambientale:
[CO_2=f(E,mix\ energetico)]
Energia e carbon footprint non sono quindi la stessa grandezza.
14. La proposta PENSAI
Da queste considerazioni può essere formulato un principio metodologico:
Principio di Efficienza Cognitiva PENSAI
Un sistema cognitivo deve essere valutato non soltanto per la qualità del risultato prodotto, ma per la quantità di qualità verificabile ottenuta per unità di energia impiegata.
Formalmente:
[\boxed{EC=\frac{Q}{E}}]
e, per confrontare sistemi diversi a qualità equivalente:
[\boxed{R_E=\frac{E_1(Q^)}{E_2(Q^)}}]
Questo permette di distinguere quattro situazioni:
| Qualità | Energia | Interpretazione |
|---|---|---|
| alta | bassa | alta efficienza |
| alta | alta | alta prestazione, bassa efficienza |
| bassa | bassa | sistema economico ma insufficiente |
| bassa | alta | inefficienza |
Il vantaggio metodologico è evidente: non si premia automaticamente il sistema che utilizza più calcolo.
Si misura invece il rapporto tra risultato e risorsa.
15. Cosa possiamo affermare oggi
La letteratura consente già di sostenere alcune conclusioni.
Primo: il cervello umano opera con un consumo energetico dell’ordine di 20 W, valore utilizzato anche nella recente letteratura NeuroAI.
Secondo: il consumo energetico cerebrale deriva da molteplici processi biologici e non può essere interpretato come energia di una singola operazione cognitiva.
Terzo: l’inferenza IA ha un consumo energetico misurabile o stimabile per query, ma questo valore varia considerevolmente con modello, hardware, serving e lunghezza del reasoning.
Quarto: energia e accuratezza non sono necessariamente correlate in modo diretto.
Quinto: è quindi metodologicamente più corretto confrontare sistemi a qualità equivalente, piuttosto che confrontare semplicemente i loro watt.
Conclusione
La domanda iniziale:
«Quanta energia è necessaria per ottenere una determinata qualità cognitiva verificabile?»
non produce oggi un singolo numero universale.
Produce invece un problema scientifico misurabile.
La grandezza fondamentale diventa:
[\boxed{E_Q=\frac{E}{Q}}]
oppure, nella forma complementare:
[\boxed{EC=\frac{Q}{E}}]
Il valore dei circa 20 W del cervello non deve quindi essere usato come termine diretto di una proporzione con l’IA.
Deve essere utilizzato come riferimento biologico all’interno di un esperimento nel quale uomo e macchina affrontino lo stesso compito, raggiungano un livello di qualità definito e verificabile e siano misurati secondo un protocollo energetico comparabile.
Il passaggio concettuale è dunque:
da “quanti watt consuma l’intelligenza?”
a:
“quanta qualità cognitiva verificabile otteniamo per ogni joule consumato?”
Questa formulazione trasforma un confronto intuitivo in una possibile metrica sperimentale.
E soprattutto introduce una distinzione che può diventare centrale nell’era dell’IA:
[\boxed{\text{intelligenza apparente}\neq\text{qualità verificabile}\neq\text{efficienza energetica}}]
Bibliografia
- Attwell, D., & Laughlin, S. B. (2001). An Energy Budget for Signaling in the Grey Matter of the Brain. Journal of Cerebral Blood Flow & Metabolism, 21(10), 1133–1145. DOI: 10.1097/00004647-200110000-00001.
- Chiel, H. J., Coggan, J. S., Datta, G., Fellous, J.-M., Nourse, W. R. P., Quinn, R. D., & Thomas, P. J. (2026). Brain-inspired energy efficient technologies for next-generation artificial intelligence. Biological Cybernetics, 120, Article 5. DOI: 10.1007/s00422-026-01038-4.
- Zschache, J., & Hartwig, T. (2026). Comparing energy consumption and accuracy in text classification inference. Scientific Reports, 16, 12717. DOI: 10.1038/s41598-026-45023-0.
- Oviedo, F., Kazhamiaka, F., Choukse, E., Kim, A., Luers, A., Nakagawa, M., Bianchini, R., & Lavista Ferres, J. M. (2026). Energy use of AI inference, efficiency pathways, and test-time scaling. Joule, Article 102430. DOI: 10.1016/j.joule.2026.102430.
- Patterson, D., Gonzalez, J., Le, Q., Liang, C., Munguia, L.-M., Rothchild, D., So, D., Texier, M., & Dean, J. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350.
Nota metodologica
La formula EC = Q/E e la definizione di (Q) mediante correttezza, verificabilità, raggiungimento dell’obiettivo e rispetto delle specifiche sono proposte metodologiche PENSAI sviluppate in questo saggio. Non vengono presentate come standard scientifici già riconosciuti né come risultati sperimentali già validati.
Disclaimer AI
Questo contenuto è stato elaborato con l’assistenza dell’intelligenza artificiale. Le fonti bibliografiche citate sono state ricercate e verificate rispetto ai dati bibliografici disponibili online; il testo, le sintesi e soprattutto la proposta metodologica PENSAI devono comunque essere sottoposti a verifica umana prima della pubblicazione o dell’utilizzo in ambito scientifico, accademico o professionale. L’uso dell’IA non sostituisce la revisione critica delle fonti originali e la valutazione di esperti qualificati.
Disclaimer matematico
Disclaimer: Le formule, i calcoli e gli esempi numerici riportati nell’articolo hanno finalità esclusivamente illustrative e metodologiche. Sebbene siano stati verificati, potrebbero essere presenti piccoli errori di calcolo, approssimazioni o semplificazioni. I risultati non devono pertanto essere considerati misure scientifiche definitive senza una verifica matematica indipendente.
