Quando non sono in marcia, le auto elettriche restano ferme per la gran parte della giornata. Secondo il presidente di CATL, Robin Zeng, quelle ore di inattività potrebbero diventare la nuova frontiera del calcolo distribuito. In un'intervista riportata da Bloomberg, il manager ha dichiarato che i veicoli elettrici in sosta possono funzionare come «fabbriche di token per l'AI», sfruttando la potenza dei loro computer di bordo per eseguire inference su large language model.

Il calcolo nascosto nei parcheggi

L'idea parte da un dato di fatto: le moderne auto elettriche integrano processori sempre più potenti, necessari per funzioni come la guida assistita e l'infotainment. Mentre l'auto è parcheggiata o in ricarica, questi chip restano inutilizzati. Collegandoli a una rete di calcolo orchestrata, si potrebbe creare un'enorme risorsa distribuita capace di generare token — l'unità di base dell'elaborazione nei modelli linguistici — per conto di server centrali.

Non si tratta di fantascienza. Già oggi piattaforme come BOINC o Folding@Home dimostrano che la computazione distribuita su dispositivi consumer funziona su scala globale. Applicare lo stesso principio ai veicoli elettrici richiederebbe un livello di orchestratore in grado di smistare batch di richieste di inference verso i nodi disponibili, contemperando latenza, consumo energetico e connettività intermittente.

Dalle batterie ai byte: la sfida tecnica

Trasformare un'auto in una fabbrica di token solleva interrogativi tecnici. I sistemi embedded dei veicoli non sono progettati per eseguire inference LLM ininterrotta: dissipazione termica, usura dei componenti e degrado della batteria vanno gestiti con attenzione. Inoltre, la larghezza di banda di rete — tipicamente cellulare o Wi-Fi — potrebbe rappresentare un collo di bottiglia per modelli di grandi dimensioni, a meno di non ricorrere a quantization aggressive o a inference locale con modelli on-device ottimizzati.

La proposta di CATL, tuttavia, fa leva su un punto critico: il costo marginale di quell'elaborazione è prossimo allo zero, perché l'hardware è già pagato e l'energia proviene dalla rete di ricarica. Per un fleet operator, il ritorno sull'investimento potrebbe essere immediato, trasformando un costo fermo in una risorsa produttiva.

Sovranità dei dati su quattro ruote

Per chi valuta deployment on-premise, il concetto di veicoli-calcolo aggiunge una dimensione inedita. Un'azienda con una flotta di auto elettriche potrebbe in teoria processare dati sensibili direttamente sui propri mezzi, senza inviarli a cloud pubblico. Questo approccio edge-to-fleet garantirebbe un controllo completo sulle location di elaborazione, riducendo i rischi di compliance e rispondendo a requisiti come il GDPR. Se abbinato a modelli quantizzati e ottimizzati per l'esecuzione su hardware mobile, si potrebbe costruire un'infrastruttura di inference locale, geodistribuita e a basso costo operativo.

Naturalmente, la sicurezza diventa un fattore chiave: ogni veicolo è un endpoint esposto, e l'integrità dei dati e del modello deve essere garantita con crittografia end-to-end e attestazione hardware. Ma i vantaggi in termini di sovranità e TCO sono notevoli, soprattutto per scenari di manutenzione predittiva, logistica intelligente e assistenza in mobilità.

Oltre il cloud: la visione distribuita

La dichiarazione di Zeng segnala un cambiamento di paradigma più ampio. Non solo server farm centralizzate o dispositivi edge statici, ma intere flotte mobili che partecipano alla potenza di calcolo complessiva di un'organizzazione. Per chi segue AI-RADAR, è un'evoluzione naturale del discorso sull'on-premise: l'infrastruttura non è più soltanto il rack in sala macchine, ma tutto ciò che ha un processore, una connessione e un contratto di fornitura energetica. Il confine tra data center e parco auto si assottiglia, e la sovranità del dato si sposta letteralmente su ruote.