Nel dibattito sulle architetture “post-silicio” l’attenzione si concentra quasi per intero sul quantum computing e sui chip neuromorfici. Ma un terzo filone di ricerca e sperimentazione sta uscendo dai laboratori e acquisisce credibilità: il calcolo termodinamico (thermodynamic computing). In parole semplici: invece di cercare di ridurre il “rumore” termico che agita i transistor a livello atomico, questa tecnologia lo usa come risorsa computazionale, trasformando la fisica del rumore da ostacolo in materia prima. I primi endorsement pubblici arrivano dalle due sponde dell’Atlantico e portano questa tecnologia fuori dal terreno esclusivamente accademico. Entriamo nei dettagli.
Un computer che campiona, invece di calcolare
Nel computing termodinamico, la differenza rispetto al funzionamento di un processore convenzionale è sostanziale. Una Cpu esegue calcoli deterministici: fissa un valore binario, lo elabora, restituisce un risultato preciso. Per garantirsi da errori, i transistor lavorano a energie molto superiori alle fluttuazioni ambientali, in modo che il rumore termico non sposti il bit da 1 a 0. Il calcolo termodinamico ribalta questa logica. Le sue unità di elaborazione, battezzate Thermodynamic Sampling Unit (Tsu) da una delle prime aziende che si è impegnata in questo ambito (Extropic) non producono un output deterministico ma campionano da distribuzioni di probabilità programmabili, sfruttando le stesse fluttuazioni termodinamiche che i chip tradizionali cercano di sopprimere.
L’input di una Tsu è la descrizione matematica di una distribuzione, in gergo tecnico i parametri di un energy-based model; l’output è una serie di campioni tratti da quella distribuzione. È per questo un modello più vicino al funzionamento dei sistemi biologici, dove i processi chimici avvengono in ambienti pervasi di rumore termico e conservano un’elevata efficienza, che a quello di un processore digitale.
L’agenda di ricerca in questa categoria è stata formalizzata nel 2019 dal report Thermodynamic Computing del Computing Community Consortium, sostenuto dalla National Science Foundation e coordinato da ricercatori di Georgia Tech, UC San Diego, Sandia National Laboratories e Hewlett Packard Labs, che individuava nell’esaurimento della legge di Moore la spinta verso un paradigma alternativo. Nel 2025 il gruppo di Melanson e colleghi ha pubblicato su Nature Communications l’esperimento di riferimento della letteratura più recente, che documenta campionamento gaussiano e la prima realizzazione fisica di algebra lineare termodinamica (l’inversione di matrice) su hardware dedicato.
I passi avanti
La svolta arriva proprio nel cuore di questa estate 2026, quando Extropic annuncia una lettera di intenti con il Dipartimento del Commercio Usa per un finanziamento fino a 75 milioni di dollari attraverso il Chips Research and Development Office. L’obiettivo è duplice: accelerare lo sviluppo delle Tsu come nuova categoria di semiconduttori dedicati ai workload di AI probabilistica e qualificare una filiera manifatturiera domestica. Nel comunicato, il governo federale motiva l’intervento con l’impatto energetico del computing per l’AI: la produzione elettrica e l’efficienza dei chip sono diventate, si legge, fattori limitanti per la scalabilità dell’infrastruttura di calcolo statunitense.
Già a fine 2024, però, in Europa, l’agenzia di ricerca britannica Aria, Advanced Research and Invention Agency, ispirata al modello Darpa, aveva selezionato Normal Computing per il programma Scaling Compute, con un finanziamento di 50 milioni di sterline, con l’obiettivo di ridurre di tre ordini di grandezza il costo dell’hardware AI. Nel marzo 2026 la stessa Aria ha dedicato al progetto un approfondimento pubblico, presentandolo come sviluppo del primo chip termodinamico al mondo. Le due economie stanno finanziando la stessa categoria attraverso i propri strumenti di ricerca strategica, in anticipo rispetto alla comparsa del paradigma sui radar dei principali analisti, nel 2026 ancora concentrati su quantum e computing neuromorfico.
Le aziende in campo
In campo, tra le altre, ci sono protagoniste due startup fondate nel 2022 da team provenienti da Google Brain, Alphabet X e Palantir.
Extropic, già citata, è guidata dal fondatore e Ceo, Guillaume Verdon, ex ricercatore Alphabet X e coautore del framework TensorFlow Quantum. Verdon ha presentato a fine ottobre 2025 il prototipo Xtr-0, descritto come primo calcolatore probabilistico scalabile, ed è in roadmap il modello di produzione Z1 per il 2026. Sui workload di AI generativa di tipo diffusion il progetto segnerebbe un consumo energetico inferiore di circa quattro ordini di grandezza rispetto alle Gpu, un dato comunque ancora riferito a classi specifiche di problemi, non a benchmark general purpose.
Normal Computing, con sede a New York e uffici tra San Francisco, Londra, Copenhagen e Pangyo, invece si smarca aaper il suo profilo più esplicitamente enterprise. Ad agosto 2025 ha completato il tape-out di CN101, prima realizzazione (ma in silicio) dichiarata di un’architettura termodinamica, con la generazione successiva CN301 attesa tra la fine del 2027 e l’inizio del 2028 per i modelli di diffusione video. Il chief scientist, Patrick Coles, già a capo del quantum computing al Los Alamos National Laboratory e co-autore dello studio su Nature Communications del 2025 (documenta la prima realizzazione fisica di algebra lineare termodinamica), ha impostato la ricerca sull’affidabilità degli output delle reti neurali, legandola al problema delle allucinazioni nei modelli generativi.
Le applicazioni per il mercato e… cosa manca
Per un Cio la promessa non è calcolare più velocemente ma disporre di un hardware che campioni nativamente da distribuzioni di probabilità, invece di simularle su Gpu. Le applicazioni più chiare sono quattro.
La prima è l’AI generativa di tipo “diffusion”, dove il processo di generazione è di per sé un campionamento e la mappatura sul substrato termodinamico appare naturale. La seconda è l’ottimizzazione combinatoria – logistica, di portafoglio, scheduling – dove il metodo Monte Carlo domina oggi il costo computazionale. La terza è la simulazione stocastica di sistemi complessi: mercati finanziari, dinamiche molecolari per il farmaceutico, propagazione di scenari nell’ambito assicurativo. La quarta è il decisioning in tempo reale sotto incertezza (Real-Time Decision Making under Uncertainty), un requisito ricorrente nella robotica e nei sistemi autonomi, che la stessa Extropic cita come caso d’uso rilevante anche nell’ambito della difesa.
L’orizzonte mainstream per il cliente enterprise non è però immediato. Il modello di programmazione su energy-based model è estraneo agli stack di deep learning attuali; la scalabilità hardware oltre i prototipi resta da dimostrare; la prospettiva commerciale quindi di questa tecnologia è vincolata all’arrivo sul mercato dei primi chip di produzione, Z1 di Extropic e CN301 di Normal Computing. L’inserimento del calcolo termodinamico nelle linee di finanziamento federale statunitense e britannica, accanto alle infrastrutture per il quantum e la produzione avanzata di semiconduttori, resta però una scommessa esplicita sulla diversificazione delle architetture post-Cmos. Per gli addetti ai lavori il dato più significativo è lo schema di sviluppo: la prima categoria post-Cmos a ottenere un endorsement federale esplicito arriva da due startup di quattro anni, non da un incumbent del silicio. I prossimi anni ci diranno se il paradigma reggerà l’attrito del mercato.
© RIPRODUZIONE RISERVATA
