Nel panorama in rapida evoluzione dell’intelligenza artificiale, Microsoft sta tracciando nuove strade, esplorando attivamente tecnologie che potrebbero ridurre, se non eliminare, la tradizionale dipendenza dalle unità di elaborazione grafica (GPU) per l’esecuzione di modelli di AI.

Sebbene le GPU abbiano rappresentato per anni la spina dorsale computazionale per l’addestramento e l’inferenza di modelli di machine learning e deep learning, grazie alla loro capacità di parallelizzare enormi quantità di calcoli, Microsoft sta investendo in approcci innovativi per diversificare e ottimizzare le proprie infrastrutture AI.

Una delle aree di ricerca più promettenti è lo sviluppo di processori specializzati, come le Neural Processing Units (NPU), progettate specificamente per i carichi di lavoro dell’intelligenza artificiale. Queste unità possono offrire un’efficienza energetica superiore e prestazioni ottimizzate per compiti specifici di AI rispetto alle GPU generiche. Microsoft sta integrando sempre più spesso le NPU nei propri dispositivi, come evidenziato dalle recenti iniziative legate agli “AI PC”.

Parallelamente, l’azienda sta esplorando architetture software e tecniche di ottimizzazione degli algoritmi che consentano di eseguire modelli di AI in modo più efficiente anche su hardware meno specializzato, come le tradizionali CPU (Central Processing Unit). Questo include lo sviluppo di modelli più compatti e tecniche di “pruning” e “quantizzazione” che riducono i requisiti computazionali.

È importante sottolineare che questa non è una negazione del ruolo cruciale che le GPU continuano a svolgere nell’AI, specialmente per l’addestramento di modelli di grandi dimensioni. Microsoft, infatti, continua a collaborare strettamente con aziende leader del settore come NVIDIA, come dimostrano i recenti annunci di nuove macchine virtuali basate sulle potenti GPU Blackwell Ultra di NVIDIA sulla piattaforma Azure.

Tuttavia, la strategia di Microsoft sembra orientata a offrire una maggiore flessibilità e diversificazione nelle opzioni hardware per l’AI. Questo potrebbe portare a vantaggi significativi in termini di costi, accessibilità e sostenibilità, consentendo di implementare soluzioni di AI su una gamma più ampia di dispositivi e infrastrutture, riducendo la dipendenza da hardware specializzato e potenzialmente costoso.