Data centre per l'IA e acqua: cosa dicono davvero gli ultimi studi e le ultime comunicazioni

Il pezzo più recente di questo gruppo non è uno studio sull'acqua. È una serie di preprint arXiv inviati il 30 ottobre. Mostrano quanto in fretta la ricerca sull'IA stia scalando carichi di lavoro ad alto consumo di calcolo, che poi richiedono raffreddamento. Un articolo, RTL-Interact, addestra un modello da 32.000.000.000 di parametri a generare e rivedere progetti di chip usando il riscontro degli strumenti EDA. Gli autori riportano un Pass@1 ponderato del 48,7% sul benchmark CVDP. Dicono che la loro Pattern-Aware Policy Optimization ha ridotto le chiamate medie agli strumenti del 63,8%. Meno chiamate, modelli più capaci: la direzione è chiara.

La cosa conta per l'acqua perché il raffreddamento dei data centre è lo strato fisico sotto tutto questo. Nessuna delle 11 fonti contiene un dato diretto sul consumo d'acqua per un modello di IA con un nome. La misura più vicina arriva dal blog di NVIDIA. Il 22 ottobre descriveva istituzioni finanziarie europee che eseguono modelli open-weight sulla propria infrastruttura. Il post dice che Revolut sta portando il suo modello di base PRAGMA a 80.000.000 di clienti iniziali ed è progettato per scalare di 3 volte. Dice che l'assistente Finn di bunq è alla pari con i migliori modelli chiusi al 60% del costo per risposta. Nessuno dei due è un dato sull'acqua, e NVIDIA non ne fornisce uno.

Cosa dicono i fornitori, e cosa omettono

Lo stesso post di NVIDIA elenca Starling Bank, Lloyds, NatWest, Santander, LSEG e HSBC tra gli utenti di modelli aperti e di calcolo accelerato. È un discorso commerciale su scala produttiva, non una dichiarazione ambientale.

Un secondo post di NVIDIA del 22 ottobre riguarda la piattaforma Cosmos per i modelli del mondo e i dati sintetici. Dice che Porsche si aspetta che Cosmos Data Factory riduca fino al 90% le prove fisiche ripetute su strada. Dice anche che la piattaforma può accorciare i cicli di sviluppo fino all'85%, e che ANYbotics ha generato oltre 1.500 clip video sintetiche. I dati sintetici possono ridurre i test fisici, ma girano comunque su GPU in sale raffreddate.

Un terzo post di NVIDIA, anch'esso datato 22 ottobre, descrive installazioni nel settore pubblico. Il Centro eHealth della Polonia sta costruendo una piattaforma di imaging medico su DGX BasePOD e MONAI. Un sistema agentico del Ministero della Famiglia, del Lavoro e delle Politiche Sociali è pensato per più di 400 uffici del lavoro. Ognuno di questi è un nuovo impatto sul calcolo. Il blog dice che i modelli aperti permettono ai governi di tenere i dati sensibili in ambienti controllati. Non dice nulla sull'acqua che quegli ambienti consumano.

Non esiste alcun dataset primario sui consumi d'acqua per un modello di IA o un data centre. Ogni cifra sull'acqua nella copertura circostante viene da titoli che non possiamo citare come fatti.

È questo vuoto il punto. La ricerca pubblica numeri dettagliati sull'efficienza. I fornitori pubblicano conteggi di clienti e risparmi sui costi. Il lato ambientale manca quasi del tutto dal materiale primario. Un lettore che cerchi di capire quanta acqua consuma un modello come RTL-Interact-32B per ogni addestramento non lo troverà. Non è nell'articolo, nei post di NVIDIA, né nelle due analisi di sicurezza di questo gruppo.

Le dichiarazioni di efficienza non sono dichiarazioni sull'acqua

Altri due preprint del 30 ottobre rendono il punto più netto. BULLPEN, un framework di profilazione dei modelli, dice che i suoi encoder del testo di risposta mantengono almeno il 91% dell'abilità del pool completo con sole 400 domande. È l'1,3% del calcolo di inferenza del pool completo di domande. Un articolo sul pruning dei modelli mixture-of-experts riporta che PEEP e DCEP superano le baseline allo stato dell'arte. Ci riescono con una conservazione degli esperti del 75% e del 50% su DeepSeek-V2-Lite e Qwen3-30B-A3B, che hanno rispettivamente 30.000.000.000 e 3.000.000.000 di parametri. Meno calcolo per attività dovrebbe significare meno raffreddamento per attività, ma nessuno degli autori lo converte in litri.

C'è anche un lato sicurezza. Il blog di Bruce Schneier del 27 ottobre riportava una ricerca secondo cui i modelli di IA possono nascondere in modo dimostrabile capacità arbitrarie. Gli autori hanno rilasciato i loro modelli "per sostenere il miglioramento delle difese".

Il 26 ottobre, un altro post di Schneier descriveva una scoperta su un bias di Qwen3-Coder. Le applicazioni per un appaltatore della difesa statunitense erano il 19% più esposte a violazioni, e una versione occidentalizzata colmava il divario. Entrambi riguardano la fiducia nei pesi dei modelli, non l'acqua. Stanno qui solo come contesto di quanto poco auditing indipendente il settore supporti oggi.

L'unica fonte non sull'IA con un numero preciso è un resoconto di CnEVPost del 27 ottobre. Dice che Volkswagen sta valutando di usare un'architettura co-sviluppata con Xpeng su circa il 75% dei modelli di prossima generazione di Volkswagen, Skoda e Cupra. Il risparmio stimato va da 4.000.000.000 a 5.000.000.000 di euro, secondo Manager Magazin. È una storia di consolidamento software, ma indica la stessa pressione: i costi di calcolo e di ingegneria vengono compressi ovunque. La contabilità dell'acqua non ha ancora recuperato il ritardo.