Table of Contents
Quale computer scegliere per l’AI? Dipende dal caso d’uso e dalle dimensioni dei modelli: per l’ufficio di solito è sufficiente un laptop o un AI PC con NPU; per eseguire localmente modelli più grandi serve una workstation o un supercomputer AI desktop, mentre per addestrare modelli da zero è necessario un server GPU o il cloud. Questa guida è rivolta ad aziende, team IT, PMI e istituzioni pubbliche che pianificano l’implementazione dell’AI.
Qui troverai quattro classi di computer per il lavoro con l’AI, i loro limiti effettivi, i parametri chiave quali memoria e larghezza di banda, nonché una tabella che mostra quali risorse sono necessarie per specifici scenari d’uso. È una decisione importante, perché un computer scelto bene consente di eseguire modelli linguistici con risorse locali, proteggere la privacy dei dati e sfruttare in modo flessibile e ottimale la potenza di calcolo disponibile.
Secondo il rapporto Eurostat, nel 2025 il 20% delle aziende dell’Unione europea utilizzava tecnologie di AI. Due anni prima la quota era dell’8%. Tra le grandi imprese raggiunge già il 55%, mentre tra le piccole è del 17%. L’adozione accelera, ma in modo disomogeneo, e sempre più team si trovano proprio ora a dover scegliere l’hardware.
A cosa deve servire questo computer?
Prima di valutare le specifiche, definisci lo scenario d’uso. È questo a determinare la scelta, non i soli dati tecnici. Il miglior computer AI è quello la cui configurazione e il cui budget sono adeguati agli specifici casi d’uso dell’intelligenza artificiale.
- Assistenza AI nel lavoro quotidiano. Trascrizione delle riunioni, generazione e revisione dei testi, assistente integrato nel sistema, filtri nelle videoconferenze. I modelli operano nel cloud o in locale, ma sono piccoli e non gravano in modo significativo sull’hardware.
- Esecuzione locale di modelli pronti all’uso. L’azienda scarica un modello open source e lo utilizza internamente: per analizzare documenti, gestire le richieste dei clienti o generare immagini. Questo gruppo include anche l’analisi dei dati e progetti di machine learning più semplici. I dati non lasciano l’organizzazione. È qui che iniziano i reali requisiti hardware.
- Fine-tuning dei modelli sui propri dati. Il fine-tuning e LoRA consentono al modello di apprendere la terminologia, le procedure e il contesto di una specifica azienda. Richiedono molta più memoria rispetto alla semplice esecuzione di un modello pronto all’uso.
- Addestramento di un modello da zero. Sviluppo di un modello proprietario da zero. È un compito per un’infrastruttura di data center, non per un computer da scrivania.
I primi due scenari possono essere gestiti da hardware che molte aziende possiedono già o possono acquistare senza grandi investimenti. Il terzo richiede una scelta consapevole della classe di dispositivo. Il quarto, nella pratica, significa cloud o sala server. Questa suddivisione facilita la scelta anche per gli sviluppatori AI e gli analisti di dati, che lavorano più spesso nei due scenari intermedi.
Tipi di computer per l’AI
AI PC con NPU
Computer o laptop con NPU dedicata, progettata per attività di intelligenza artificiale. Le elabora in modo efficiente dal punto di vista energetico, senza gravare su processore e scheda grafica e senza inviare dati al cloud. La soglia di ingresso è 40 TOPS (trilioni di operazioni al secondo). È il requisito della certificazione Copilot+, oggi presente nei laptop con processori Intel Core Ultra, AMD Ryzen AI e Snapdragon X.
Adatto per: assistenza nel lavoro d’ufficio, trascrizione, traduzioni, utilizzo dell’assistente di sistema, esecuzione locale di modelli di piccole dimensioni.
Il limite: con modelli di dimensioni superiori a qualche miliardo di parametri. Un AI PC non è un computer per il fine-tuning o l’addestramento dei modelli, e non è questo il suo ruolo.
Esempio: Dell Pro 16 con chip AMD Ryzen AI
Workstation con scheda NVIDIA RTX
Workstation tradizionale con scheda grafica professionale NVIDIA. Per i computer AI si scelgono generalmente le schede NVIDIA RTX, poiché i loro core Tensor accelerano i calcoli dei modelli di intelligenza artificiale e machine learning. Altrettanto importante è l’ecosistema software CUDA, diventato lo standard per la maggior parte degli strumenti e delle librerie. In questo caso il lavoro viene svolto dalla GPU e il parametro chiave è la quantità di VRAM sulla scheda: da 16 GB nelle varianti base fino a 96 GB nelle schede RTX PRO Blackwell. Il vantaggio è l’elevatissima larghezza di banda della memoria, ovvero la velocità operativa effettiva.
Adatto per: generazione di immagini e video, lavoro con modelli linguistici fino a circa 32 miliardi di parametri, rendering e calcolo: ovunque conti il tempo di risposta. Per i modelli linguistici, il minimo pratico è 12–16 GB di VRAM.
Il limite: con modelli 70B e più grandi. Entrano solo nelle schede più costose con 96 GB di VRAM, mentre i modelli oltre 120B non vi entrano più. L’espansione richiede quindi una configurazione con più GPU, alimentazione, raffreddamento e budget adeguati.
Esempio: Lenovo ThinkStation P3 Tower Gen 2 – workstation con scheda professionale NVIDIA RTX e 16 GB di memoria VRAM.
Supercomputer AI desktop
La classe di dispositivi più recente, basata sul superchip NVIDIA GB10 Grace Blackwell, porta il lavoro con modelli di grandi dimensioni sulla scrivania. Combina processore e GPU con un pool condiviso di 128 GB di memoria unificata, interamente disponibile per il modello, senza una rigida separazione tra RAM e VRAM. Il dispositivo è grande quanto un libro, consuma quanto un laptop potente e funziona silenziosamente, supportando al contempo l’intero ecosistema NVIDIA: CUDA, container NGC, PyTorch, Ollama. Il maggiore vantaggio di questa classe è il pieno controllo sui dati durante l’esecuzione locale dei modelli AI.
Adatto per: esecuzione locale di modelli di grandi dimensioni (fino a circa 200 miliardi di parametri), prototipazione, fine-tuning dei modelli con LoRA e QLoRA, lavoro con dati che non possono lasciare l’azienda. È indicato anche per testare applicazioni AI proprietarie e per esperimenti con iterazioni brevi, dove conta la rapidità nel verificare le idee successive.
Il limite: nell’addestramento di modelli da zero e nella gestione in produzione di più utenti contemporaneamente. È hardware per team che lavorano sul modello, non un server applicativo per l’intera organizzazione.
Esempio: Asus Ascent GX10 – supercomputer AI desktop compatto basato sul superchip GB10, destinato a sviluppatori e ingegneri AI e dei dati.
Server GPU e cloud
Infrastruttura server con acceleratori di classe H100, H200 o Blackwell, di proprietà o noleggiata nel cloud. Offre potenza e larghezza di banda molto superiori, ma richiede un rack, alimentazione e raffreddamento calcolati in kilowatt.
Adatto per: addestrare modelli da zero, servire più utenti, implementazioni che richiedono l’esecuzione simultanea di molte operazioni e attività in tempo reale.
Dove sono i limiti: nei costi e nei dati. Il cloud implica che le informazioni escano dall’azienda, e questa resta una delle principali barriere all’adozione dell’AI.
Prima di passare a un data center, vale la pena valutare una soluzione intermedia. I supercomputer AI desktop possono essere collegati a coppie, ottenendo 256 GB di memoria condivisa: abbastanza per lavorare con modelli dell’ordine di 405 miliardi di parametri senza far uscire i dati dall’ufficio né investire in infrastrutture.
Esempio: HP ZGX Nano G1n – due unità di questo tipo collegate tramite interfaccia ConnectX-7 offrono 256 GB di memoria condivisa.
Requisiti hardware: quanta memoria serve e perché è il parametro più importante
La memoria determina se il modello può essere eseguito. In una workstation si tratta della VRAM della scheda grafica; nei supercomputer AI desktop, della memoria unificata condivisa da processore e GPU. Dal punto di vista dell’utente conta una sola cosa: quanta memoria è realmente disponibile per il modello. La RAM e la VRAM non sono intercambiabili, poiché svolgono ruoli diversi e vengono dimensionate separatamente.
Sigle come 7B o 70B indicano il numero di parametri del modello, rispettivamente 7 e 70 miliardi. I parametri sono valori che il modello ha appreso durante l’addestramento e che deve caricare in memoria per funzionare. Più sono numerosi, migliore è la qualità delle risposte, ma maggiori sono anche i requisiti hardware.
Il fabbisogno dipende dal numero di parametri del modello e dalla quantizzazione, ovvero dalla precisione di rappresentazione. La regola è semplice: con quantizzazione a 4 bit (Q4), il modello richiede circa 0,5–0,6 GB per ogni miliardo di parametri; con 8 bit (Q8), circa 1 GB; a precisione piena FP16, circa 2 GB. A questi valori va aggiunto un margine del 10–20%.
| Modello | Q4 (4 bit) | Q8 (8 bit) | FP16 |
| 7B / 8B | 5–8 GB | 8–10 GB | 14–16 GB |
| 13B | 8–10 GB | 14 GB | 26 GB |
| 30–34B | circa 20 GB | circa 34 GB | circa 64 GB |
| 70B | 40–48 GB | circa 70 GB | circa 140 GB |
| 120B (MoE) | 65–75 GB | — | — |
| 200B (FP4) | entra in 128 GB | — | — |
| 405B | 256 GB (due unità) | — | circa 810 GB |
I valori nella colonna Q4 includono già il margine per la KV-cache e l’overhead. Le colonne Q8 e FP16 riportano la dimensione dei soli pesi del modello, a cui occorre aggiungere un ulteriore 10–20%. Il modello 405B entra in due unità collegate solo con rappresentazione a 4 bit (Q4).
Per la generazione di immagini, i requisiti sono inferiori: Stable Diffusion 1.5 funziona a partire da 4–6 GB, SDXL è confortevole con 12–16 GB, mentre i modelli più recenti della classe FLUX richiedono 24–48 GB. L’addestramento di un LoRA personalizzato per SDXL rientra in 16–24 GB.
Negli ambienti di data science, lo standard resta 32 GB di RAM, sebbene il lavoro con grandi modelli locali possa richiedere di più. Il fine-tuning con LoRA o QLoRA è fattibile anche per il modello 70B su una singola unità con 128 GB di memoria unificata. L’addestramento completo di modelli di grandi dimensioni resta prerogativa dell’hardware per data center.
La memoria indica cosa può entrare. La larghezza di banda indica quanto rapidamente risponde il modello
Il secondo parametro, di cui si parla raramente ma che determina il comfort operativo quotidiano, è la larghezza di banda della memoria. La quantità di memoria stabilisce se il modello può essere caricato; la larghezza di banda determina invece la velocità con cui genererà le parole successive della risposta.
| Dispositivo | Larghezza di banda della memoria |
| Supercomputer AI desktop (GB10) | 273 GB/s |
| Apple Mac Studio M3 Ultra | 819 GB/s |
| NVIDIA RTX 4090 | circa 1008 GB/s |
| NVIDIA RTX 5090 | circa 1792 GB/s |
| NVIDIA H100 (HBM3) | circa 3350 GB/s |
A prima vista la conclusione sembra ovvia: se H100 offre una larghezza di banda dodici volte superiore, perché scegliere un dispositivo da 273 GB/s? Il confronto è però fuorviante, perché questi sistemi non sono in concorrenza tra loro.
H100 è un acceleratore per server in un rack, che costa diverse decine di migliaia di dollari per il solo chip e richiede un’infrastruttura da data center. Un supercomputer AI desktop sta sulla scrivania e consuma quanto un laptop potente. La popolarità di questa categoria non deriva dalla velocità, ma dal fatto che 128 GB di memoria in un computer così compatto erano in precedenza irraggiungibili a questo prezzo. In passato un’azienda aveva tre opzioni: una scheda RTX con 24–32 GB, troppo poco per i modelli di grandi dimensioni; un server con H100, troppo costoso e con la necessità di un data center; oppure il cloud, con i dati che escono all’esterno. Questa nuova categoria di dispositivi colma il divario nel mezzo.
È un po’ come confrontare un furgone con un’auto sportiva. L’auto sportiva è più veloce, ma non è questo il punto. Contano la capacità di carico e il costo.
In pratica funziona così: il modello 70B genera una risposta lentamente in un singolo flusso, sensibilmente più lentamente rispetto a un server. Tuttavia, la genera localmente, senza inviare dati al cloud e senza investire in un’infrastruttura server. Con molte richieste parallele, ad esempio nelle pipeline o negli agenti, le prestazioni complessive aumentano. Per la prototipazione, il fine-tuning e il lavoro di squadra sul modello, è più che sufficiente.
Gli altri componenti hanno un’importanza secondaria, ma non trascurabile. Un’unità NVMe veloce riduce i tempi di caricamento dei modelli e influisce sulle prestazioni complessive, pertanto la configurazione di un computer per l’AI dovrebbe includere GPU, processore, RAM e SSD NVMe. Nei dispositivi preconfigurati, gli altri componenti sono selezionati per la specifica piattaforma, quindi non è necessario valutarli separatamente. L’unica scelta effettiva riguarda la capacità dell’unità, da adeguare alle dimensioni dei modelli e dei set di dati utilizzati.
Panoramica di marchi e serie
Tutti i supercomputer AI desktop oggi disponibili si basano sullo stesso superchip NVIDIA GB10 e dispongono della medesima quantità di memoria unificata: 128 GB. I produttori non li differenziano in base alle prestazioni. Le singole configurazioni differiscono per capacità dell’unità, chassis e raffreddamento, sistema operativo, nonché copertura di garanzia e supporto. È un’informazione importante in fase di acquisto: non ha senso confrontare questi dispositivi in base alla potenza di calcolo; conta invece l’adeguatezza alle procedure e ai requisiti della singola azienda.
- NVIDIA DGX Spark – versione di riferimento e benchmark per l’intera categoria di dispositivi. NVIDIA basa su di essa la documentazione e i materiali tecnici, quindi le descrizioni delle prestazioni e i test pubblicati online riguardano nella maggior parte dei casi proprio questa variante. Viene fornita con un’unità capiente e veloce e un chassis distintivo che la differenzia dalle soluzioni dei partner.
- Lenovo ThinkStation PGX – serie ThinkStation con un’estesa infrastruttura di assistenza e supporto tecnico. È il marchio più ampiamente rappresentato in questa categoria: sono disponibili numerose varianti che differiscono per capacità dell’unità, sistema operativo e pacchetto di garanzia. Una scelta naturale per le organizzazioni che dispongono già di procedure consolidate di acquisto e assistenza con Lenovo.
- HP ZGX Nano G1n – disponibile anche in una variante senza modulo radio, destinata ad ambienti con requisiti di sicurezza più rigorosi. È un’opzione rara in questa categoria e un vantaggio concreto ovunque le policy di sicurezza escludano la connettività wireless, ad esempio nella pubblica amministrazione, nel settore finanziario o nelle reti isolate. Il dispositivo viene fornito con un sistema basato su Linux, pronto per l’uso con i modelli.
- Dell Pro Max – una scelta naturale per le organizzazioni che acquistano hardware nell’ambito di contratti aziendali con Dell, semplificando le procedure amministrative per implementazioni più estese. Nella configurazione standard è disponibile con un’unità capiente, senza necessità di acquistare ulteriore storage.
- ASUS Ascent GX10 – design compatto. Le varianti disponibili con diverse capacità dell’unità consentono di iniziare con una configurazione più contenuta e ridurre la soglia di ingresso, se l’azienda sta ancora testando l’uso di modelli locali. Il design consente di impilare le unità, semplificando l’espansione successiva.
- Gigabyte AI TOP ATOM e MSI EdgeXpert – varianti incentrate su storage capiente e veloce. È importante quando si lavora con set di dati di grandi dimensioni e più modelli contemporaneamente, poiché i soli file dei modelli occupano centinaia di gigabyte. Sono adatte anche quando il dispositivo deve operare fuori dal data center, vicino al luogo in cui vengono generati i dati.
- Acer Veriton GN100 – design in grado di dissipare efficacemente il calore. Nei confronti con altri dispositivi di questa categoria, si scalda meno, traducendosi in un funzionamento stabile durante attività prolungate, come il fine-tuning dei modelli, quando l’hardware resta sotto carico per molte ore senza interruzioni.
Domande frequenti
Qual è la differenza tra un normale computer e un AI PC?
Un AI PC dispone di un’unità NPU dedicata, che elabora i carichi di lavoro di intelligenza artificiale localmente e con efficienza energetica. Anche un computer tradizionale può gestire l’AI, ma lo farà tramite processore o scheda grafica, più lentamente e con un maggiore consumo energetico.
Quanta RAM serve per lavorare con l’AI?
Per l’uso in ufficio con supporto AI sono sufficienti 16 GB, mentre 32 GB garantiscono un utilizzo più confortevole. Negli ambienti di data science, 32 GB di RAM sono lo standard e il lavoro con modelli locali richiede spesso di più. Non conta solo la memoria di sistema, ma anche la memoria disponibile per il chip grafico: VRAM o memoria unificata.
Quanta VRAM è necessaria per eseguire il modello 7B, 13B o 70B?
Con quantizzazione a 4 bit: circa 5–8 GB per il modello 7B, 8–10 GB per 13B e 40–48 GB per 70B. In pratica, per i modelli linguistici il minimo parte da 12–16 GB di VRAM, a seconda della quantizzazione.
Per l’AI è più importante il processore o la scheda grafica?
La scheda grafica o un acceleratore dedicato. Il processore gestisce la preparazione dei dati, ma è la GPU a eseguire i calcoli veri e propri. I chip con core Tensor accelerano i carichi di lavoro di machine learning in modo più efficace rispetto al solo processore.
Che cos’è la memoria unificata e in cosa differisce dalla VRAM?
La VRAM è memoria assegnata in modo permanente alla scheda grafica. La memoria unificata è un pool condiviso tra processore e chip grafico. Di conseguenza, un dispositivo con 128 GB di memoria unificata può eseguire un modello che non entrerebbe in una singola scheda grafica. In compenso, offre una larghezza di banda inferiore, quindi le risposte vengono generate più lentamente.
Che cos’è una NPU e quanti TOPS servono?
Una NPU è un chip specializzato nei calcoli di intelligenza artificiale. I TOPS ne indicano le prestazioni. Per l’uso in ufficio con supporto AI sono sufficienti 40 TOPS, ovvero la soglia per la certificazione Copilot+. Per modelli più grandi, i TOPS non sono più un indicatore affidabile: diventano invece determinanti la memoria e la larghezza di banda.
L’AI funziona su Windows o è necessario Linux?
L’AI funziona su Windows. Tuttavia, gli strumenti professionali per lavorare con modelli di grandi dimensioni vengono sviluppati principalmente per Linux, perciò i supercomputer AI desktop sono generalmente forniti con un sistema basato su Ubuntu.
Per modelli di quali dimensioni è sufficiente una memoria unificata di 128 GB?
Per modelli di circa 200 miliardi di parametri con quantizzazione a 4 bit. I modelli dell’ordine di 405 miliardi richiedono il collegamento di due unità.
È possibile collegare due unità in un cluster?
Sì. I dispositivi basati su GB10 integrano un’interfaccia di rete NVIDIA ConnectX-7 con porte da 200 GbE, che consente di collegare due unità e ottenere 256 GB di memoria condivisa.
Quando scegliere un AI PC, una workstation o un server?
AI PC: quando l’AI deve supportare il lavoro d’ufficio quotidiano. Workstation con RTX: quando lavori con immagini, video o modelli fino a 32 miliardi di parametri e la velocità è una priorità. Supercomputer AI desktop: quando hai bisogno di modelli di grandi dimensioni in locale e di fine-tuning. Server o cloud: quando addestri modelli.
Con un modello locale, i dati escono dall’azienda?
No. Un modello eseguito sul proprio hardware elabora i dati esclusivamente in locale. Questo è il motivo principale per cui le aziende che lavorano con dati sensibili scelgono soluzioni on-premise anziché il cloud.
Dati sull’utilizzo dell’AI nelle imprese: Eurostat, “Use of artificial intelligence in enterprises”, dati relativi all’anno 2025. Specifiche e parametri aggiornati ad agosto 2026.
