Quanto è vicino il momento in cui un singolo rack di server per intelligenza artificiale assorbirà oltre un megawatt di potenza? L’interrogativo, sollevato da un’analisi di DIGITIMES sull’evoluzione delle infrastrutture entro il 2030, non è più fantascienza ma il prossimo collo di bottiglia per chi progetta datacenter, sia nel cloud sia on-premise.

L’addestramento e l’inference di modelli sempre più grandi stanno trasformando la densità energetica in una variabile progettuale di primo piano. I rack che ospitano GPU di ultima generazione possono già toccare decine di kilowatt, ma i roadmap dei produttori di chip e le richieste di carichi di lavoro esponenziali indicano una traiettoria verso densità nell’ordine del megawatt per rack. In questo scenario, la gestione dell’alimentazione e del raffreddamento diventa critica quanto la scelta dell’acceleratore.

È qui che entrano in gioco i semiconduttori a banda larga (wide-bandgap), in particolare dispositivi in carburo di silicio (SiC) e nitruro di gallio (GaN). Rispetto ai tradizionali MOSFET al silicio, questi componenti operano a frequenze più elevate, con perdite di commutazione nettamente inferiori e una maggiore tolleranza termica. Tradotto in pratica: gli alimentatori e i convertitori DC-DC che li integrano possono raggiungere efficienze superiori, riducendo il calore dissipato e consentendo una distribuzione di potenza più compatta. Per un rack AI da megawatt, l’impatto di pochi punti percentuali di efficienza si misura in decine di kilowatt di calore in meno da smaltire – con conseguenze dirette sul dimensionamento dei sistemi di raffreddamento e sui costi operativi.

Per le organizzazioni che valutano deployment self-hosted di LLM, il tema va oltre l’aggiornamento tecnicico. Chi ospita i carichi di lavoro in sede ha il controllo completo sui dati e sulla latenza, ma si assume anche l’onere dell’infrastruttura elettrica. I gruppi di continuità, le linee di distribuzione, la capacità di raffreddamento vanno ripensati già in fase di progettazione. L’adozione di semiconduttori a banda larga nei sistemi di alimentazione può tradursi in un TCO più basso nel medio periodo, compensando il costo unitario maggiore dei componenti con la riduzione delle spese energetiche e dell’infrastruttura di raffreddamento.

Non è un caso che i grandi fornitori di alimentatori industriali stiano accelerando lo sviluppo di modelli con tecnicia GaN e SiC destinati proprio ai carichi di lavoro AI. Anche se i numeri di mercato non possono essere anticipati, la direzione è chiara: l’efficienza energetica non è più un requisito accessorio ma un fattore abilitante per la scalabilità dei cluster on-premise. In un framework di crescente attenzione alla sovranità dei dati, dove le regolamentazioni spingono verso architetture locali, la possibilità di contenere la bolletta energetica e la complessità termica diventa una leva competitiva.

Il vero punto di svolta sarà l’integrazione di questi semiconduttori direttamente nei circuiti di alimentazione delle schede GPU, riducendo ulteriormente le perdite di conversione a bordo scheda. Nel frattempo, per i responsabili dell’infrastruttura che guardano al prossimo aggiornamento del loro datacenter privato, la domanda da porsi non è solo quale GPU acquistare, ma anche come alimentarla senza che il contatore diventi il principale limite alla crescita.