Samsung Foundry ha annunciato che produrrà per Claros i chip dedicati alla gestione energetica dei data center orientati all’intelligenza artificiale. La notizia, apparentemente di nicchia, mette in luce un tassello sempre più strategico: senza alimentazione efficiente, la corsa agli LLM rischia di infrangersi contro muri fisici ed economici.

Perché i carichi AI divorano energia

Addestrare e servire modelli linguistici di grandi dimensioni (LLM) è un’attività energivora. L’inference su larga scala, con migliaia di richieste al secondo, trasforma i data center in forni digitali. Il calcolo si concentra su GPU, VPU e acceleratori custom, ma l’infrastruttura di alimentazione – conversione, regolazione, distribuzione – ha un impatto diretto sul Total Cost of Ownership (TCO). Se un chip di gestione energetica è poco efficiente, il calore disperso obbliga a raffreddamento aggiuntivo e aumenta il consumo complessivo, mangiando i margini e allontanando la sostenibilità.

Il ruolo di Samsung Foundry e Claros

Claros progetta soluzioni di power management che mirano a densità e precisione elevate, caratteristiche indispensabili quando ogni watt conta. Affidarsi alla fonderia Samsung significa poter contare su nodi produttivi maturi e capacità di volumi. Non è una partnership isolata: Samsung Foundry sta allargando il proprio portafoglio di clienti nell’hardware per AI, spingendo oltre la memoria (HBM) verso i chip analogici e di segnale misto che governano l’alimentazione. Per i progettisti di infrastruttura on-premise, la disponibilità di componenti ottimizzati da fornitori indipendenti aumenta le opzioni e può ridurre la dipendenza da soluzioni proprietarie dei vendor di server.

On-premise e TCO: perché la gestione energetica conta

Chi valuta deployment on-premise di LLM – per sovranità dei dati, controllo o prevedibilità dei costi – deve calcolare l’intero stack fisico. La bolletta elettrica e il sistema di raffreddamento incidono spesso più del prezzo d’acquisto dei nodi di calcolo. Chip di alimentazione evoluti promettono efficienze di conversione superiori al 90%, minore ripple e migliore risposta ai picchi di carico tipici dell’inference a burst. In pratica, un data center privato che addestra modelli in locale può ottenere un TCO più competitivo e una densità di rack più elevata senza investire in apparati di raffreddamento estremi. AI-RADAR ha analizzato più volte i trade-off tra cloud e on-premise (/llm-onpremise): l’energia è una delle voci che spesso sfugge ai modelli di costo fatti a tavolino.

Il framework più ampio: mattoni per un ecosistema AI aperto

La collaborazione Claros-Samsung rivela una tendenza: l’ecosistema hardware per l’AI non è più dominato solo dalle GPU. Si stratifica una catena di fornitura specializzata che copre interconnessioni, alimentazione, dissipazione. Per chi costruisce infrastruttura in proprio, poter scegliere componenti best-of-breed è vantaggioso. Certo, l’integrazione resta una sfida: progettare un nodo server bilanciato richiede competenze di sistema non banali. Ma la direzione è quella di un mercato meno monolitico, dove anche chip accessori diventano differenzianti.

La produzione su scala da parte di Samsung potrebbe accelerare l’adozione di queste tecnicie in volumi, abbassando i costi. E in un settore dove ogni punto percentuale di efficienza energetica si traduce in decine di migliaia di euro risparmiati all’anno per un cluster di medie dimensioni, la notizia è meno minore di quanto appaia.