Un paio di giorni fa, durante una conference call che verteva sugli utili di Tesla del terzo trimestre 2025, Elon Musk ha presentato un concetto che quelli bravi a scrivere articoli di giornale definirebbero audace.
L’idea è questa: utilizzare l’intera flotta dei veicoli Tesla come una gigantesca rete di calcolo per l’AI. Idea semplice e ambiziosa perché sfrutta la potenza computazionale inutilizzata delle auto quando sono parcheggiate a casa vostra, trasformando milioni di veicoli in nodi di un supercomputer globale.
Il concetto
Ogni veicolo Tesla è equipaggiato con potenti computer AI progettati per la guida autonoma, con l’attuale generazione HW4 che offre circa 300-500 TOPS (Trilioni di Operazioni al Secondo) di potenza di calcolo.
Il chip di nuova generazione AI5, attualmente in fase di sviluppo, promette prestazioni ancora più impressionanti. Secondo le stime questo chip raggiungerà 2.000-2.500 TOPS, con Musk che ci mette il carico affermando che sarà “40 volte migliore dell’AI4 in alcuni aspetti”.
Il sistema potrebbe raggiungere collettivamente 100 gigawatt di potenza di calcolo distribuita, vista la flotta potenziale di decine (o addirittura centinaia) di milioni di veicoli Tesla.
Questa cifra supererebbe di gran lunga la capacità dei più grandi datacenter attualmente esistenti.
Il vantaggio principale di questa idea è che l’impianto di alimentazione e raffreddamento sono già integrati nel veicolo. Ciò elimina due delle voci di costo più importanti nella gestione dei datacenter tradizionali.
Vantaggi teorici
Tesla potrebbe evitare gli enormi costi associati alla costruzione di datacenter centralizzati. Per un impianto di potenza paragonabile a quella dell’audace progetto di Musk si stimano centinaia di miliardi di dollari.
Queste spese di capitale iniziale non sarebbero più in capo a Tesla, ma sarebbero distribuite tra i milioni di proprietari di veicoli in tutto il mondo.
Inoltre, questa ideuzza potrebbe pure fruttare del reddito per i proprietari stessi delle auto, che si vedrebbero compensati per concedere l’uso dei computer dei loro veicoli durante i periodi di inattività.
Alcuni hanno paragonato questo modello a una versione automobilistica di Amazon Web Services (AWS), in cui ogni auto diventa un nodo di elaborazione ad alte prestazioni.
Le sfide pratiche
Come ogni buona e semplice idea, metterla in pratica potrebbe però essere molto complesso.
I problemi principali sono il consumo energetico, la connettività, la latenza, e infine la gestione di tutto questo baraccone che vuole mettere su Musk. Vediamoli uno alla volta.
Le auto ferme che diventano nodi di un supercomputer hanno bisogno di elettricità, per funzionare. E la bolletta chi la paga? I proprietari? L’esecuzione di carichi di lavoro di inferenza AI richiede energia, che dovrebbe provenire dalla batteria del veicolo o dalla rete elettrica se l’auto è collegata.
I test hanno dimostrato che i computer Tesla possono consumare fino a 233 Wh all’ora quando sono attivi in modalità Sentry Mode, e potenzialmente di più quando eseguono carichi di lavoro intensivi di inferenza. Questo consumo si tradurrebbe in costi diretti per i proprietari, a meno che Musk non voglia pagare di tasca sua con compensazioni adeguate.
La distribuzione della capacità di calcolo richiede connessioni internet veloci e stabili. Se le auto non comunicano bene, il supercomputer non funziona.
A differenza dei datacenter, che hanno connessioni in fibra ottica dedicate con latenze minime e larghezza di banda elevata, i veicoli dipendono da connessioni cellulari o Wi-Fi che possono essere irregolari.
Inoltre, la natura mobile dei veicoli introduce sfide uniche, visto che, muovendosi, l’auto si aggancia su celle sempre diverse, e la topologia della rete a cui è connessa cambia continuamente, complicando la sincronizzazione e la distribuzione dei carichi di lavoro. Una soluzione di questo problema potrebbe essere quello di usare le auto come nodi solo quando sono ferme, ma questo ridurrebbe di gran lunga la potenzialità enorme del progetto.
Gli esperti di calcolo distribuito sottolineano che la latenza di rete è uno dei principali colli di bottiglia nelle architetture distribuite. Mentre i datacenter possono raggiungere latenze nell’ordine di pochi millisecondi grazie alla prossimità fisica agli utenti finali, i veicoli sparsi geograficamente potrebbero sperimentare latenze significativamente più elevate, limitando la loro utilità per applicazioni che richiedono risposte in tempo reale.
La rete ha anche un altro problema, non irrilevante. L’addestramento di modelli AI, in particolare per la guida autonoma, richiede il trasferimento di enormi quantità di dati video provenienti dalle telecamere del veicolo. Trasferire terabyte di dati tramite reti cellulari potrebbe facilmente superare i limiti dei piani dati, anche quelli “illimitati”.
Se la rete deve affrontare questi problemi, anche l’hardware non se la passa bene. I chip Tesla sono progettati specificamente per la guida autonoma. Sebbene siano eccellenti per l’inferenza di questi modelli specifici, potrebbero non essere ottimali per altri tipi di carichi di lavoro AI. Come osservato da alcuni analisti, l’hardware è progettato principalmente per l’inferenza, non per l’addestramento, e potrebbe avere prestazioni ridotte per attività diverse da quelle per cui è stato ottimizzato.
Inoltre, esistono preoccupazioni sostanziali sulla privacy. Inviare video di guida individuale a milioni di persone in tutto il mondo potrebbe amplificare i rischi di violazione della privacy che sono già stati segnalati in passato.
L’idea, tutto sommato, non è nuova
Il concetto di sfruttare risorse informatiche distribuite non è completamente nuovo. Progetti come SETI@home hanno dimostrato che è possibile utilizzare la potenza di calcolo inattiva di milioni di computer domestici per elaborare dati scientifici. Allo stesso modo, il mining di Bitcoin si basa su una rete distribuita di nodi che contribuiscono con potenza computazionale.
Tuttavia, questi esempi presentano differenze fondamentali rispetto alla proposta di Tesla. SETI@home e progetti simili di calcolo volontario gestivano compiti che non richiedevano bassa latenza o connettività costante. Il mining di Bitcoin, sebbene distribuito, richiede solo comunicazioni relativamente semplici e non è sensibile alla latenza nel modo in cui lo sarebbero molte applicazioni di inferenza AI.
Potrebbe funzionare
Nonostante le sfide, ci sarebbero scenari in cui l’idea di Musk potrebbe funzionare, anche se in forma limitata.
Come già accennato, i veicoli parcheggiati e collegati all’alimentazione delle abitazioni dei proprietari o presso stazioni di ricarica potrebbero potenzialmente contribuire a carichi di lavoro.
Tesla potrebbe anche utilizzare la flotta per l’elaborazione distribuita dei dati raccolti durante la guida, migliorando iterativamente i sistemi di guida autonoma. Ogni veicolo potrebbe rielaborare localmente i dati accumulati durante le sessioni di guida passate, contribuendo al miglioramento complessivo del sistema senza dover trasferire enormi quantità di dati grezzi ai datacenter centrali.
Un altro possibile utilizzo riguarda la creazione di un “World Simulator” sempre più realistico per addestrare il sistema, come menzionato da Musk durante la call sugli utili. I veicoli inattivi potrebbero contribuire alla generazione di scenari sintetici di guida, testando variazioni di situazioni del mondo reale.
Gli esperti del settore rimangono scettici, ma non completamente negativi. Sam Anthony, ex CTO di Perceptive Automata, ha osservato che sebbene l’idea sia tecnicamente possibile, potrebbe non essere pratica senza forti incentivi e cambiamenti infrastrutturali. Phil Koopman della Carnegie Mellon University ha concordato, sottolineando che implementare questo sistema su larga scala potrebbe essere più difficile che utilizzare datacenter tradizionali.
Se Tesla riuscisse a superare le sfide tecniche e pratiche, le implicazioni potrebbero essere significative non solo per l’azienda ma per l’intero settore dell’AI.
Rispondi