Computer del futuro: PC, workstation, server e AI

Un progettista apre un modello tridimensionale complesso. Un tecnico deve analizzare migliaia di eventi registrati dalla rete. Un’azienda vuole interrogare contratti, procedure e documenti riservati senza inviarli a un servizio esterno. Il computer del futuro dovrà riuscire a gestire attività come queste distribuendo il lavoro tra PC, workstation, server locali e cloud.

Oggi queste attività possono essere distribuite tra il computer dell’utente, una workstation, un server aziendale e diversi servizi cloud. Nei prossimi anni la separazione tra questi sistemi potrebbe diventare molto meno evidente.

Il personal computer sta acquisendo processori dedicati all’intelligenza artificiale. Le workstation compatte possono già ospitare quantità di memoria che fino a poco tempo fa erano associate a macchine specialistiche. I sistemi da scrivania più potenti vengono presentati come piattaforme capaci di eseguire localmente modelli di grandi dimensioni. I server, nel frattempo, non stanno scomparendo: diventano il punto nel quale condividere modelli, dati e capacità di calcolo tra più utenti.

La domanda, quindi, non è soltanto se nel 2031 avremo ancora un PC.

La risposta più prudente è sì. Avremo ancora personal computer, workstation, server e cloud. Potrebbe però cambiare profondamente il ruolo assegnato a ciascuno di essi.

Il PC potrebbe diventare il primo livello di elaborazione dell’intelligenza artificiale. La workstation potrebbe trasformarsi in un nodo AI personale o dipartimentale. Il server locale potrebbe tornare a svolgere funzioni che negli ultimi anni erano state trasferite nel cloud. Il cloud, anziché scomparire, potrebbe essere utilizzato soprattutto quando servono maggiore scala, modelli particolarmente grandi o capacità disponibili su richiesta.

Il futuro più credibile non è quindi una vittoria del computer locale sul cloud, né il contrario. È una distribuzione più selettiva del calcolo.

Il PC sta già cambiando

Per molti anni l’architettura del personal computer è stata descritta attraverso CPU, memoria, storage e, nei sistemi più potenti, GPU.

Con l’arrivo degli AI PC si è aggiunta la NPU, Neural Processing Unit: un processore progettato per eseguire in modo efficiente alcune operazioni tipiche delle reti neurali.

Il termine AI PC non corrisponde a un unico standard tecnico universale. Intel, per esempio, descrive l’AI PC come un sistema nel quale CPU, GPU e NPU cooperano per gestire carichi differenti. La CPU rimane adatta alle attività generali e a quelle che richiedono una risposta rapida; la GPU offre elevato parallelismo; la NPU è destinata soprattutto a elaborazioni AI ripetute e continuative con un consumo energetico più contenuto. Microsoft ha invece definito requisiti specifici per la categoria commerciale Copilot+ PC, richiedendo una NPU capace di almeno 40 TOPS per molte delle funzioni AI integrate in Windows. TOPS indica, in questo contesto, migliaia di miliardi di operazioni al secondo, ma non costituisce da solo una misura completa delle prestazioni reali di un’applicazione.

Questa evoluzione non trasforma automaticamente ogni computer in una workstation per grandi modelli linguistici. Mostra però che l’elaborazione AI sta diventando una funzione ordinaria del sistema, anziché un’attività necessariamente demandata a un server remoto.

Microsoft distribuisce già strumenti destinati all’esecuzione locale. Foundry Local permette agli sviluppatori di integrare modelli ottimizzati che lavorano interamente sul dispositivo. Secondo la documentazione ufficiale, i dati possono rimanere sulla macchina, l’applicazione può funzionare senza collegamento alla rete e non vengono sostenuti costi per ogni token elaborato nel cloud. Anche Phi Silica è stato sviluppato come piccolo modello linguistico per attività locali quali generazione, sintesi e riscrittura del testo.

Questi esempi dimostrano che l’AI locale non è più soltanto un esperimento. Non dimostrano, invece, che ogni attività possa essere eseguita meglio sul PC.

La NPU è adatta soprattutto a modelli e funzioni ottimizzati per il dispositivo. Carichi più pesanti possono richiedere una GPU, molta memoria oppure un sistema esterno. Il futuro del PC sarà quindi probabilmente caratterizzato dalla capacità di scegliere quale unità di calcolo utilizzare, non dalla sostituzione completa di CPU e GPU con la NPU.

Non tutta l’intelligenza artificiale richiede la stessa macchina

Parlare genericamente di “eseguire l’AI” rischia di nascondere differenze fondamentali.

Utilizzare un piccolo modello per classificare un documento non equivale a generare immagini ad alta risoluzione. Trascrivere una riunione non equivale a interrogare un modello con decine di miliardi di parametri. Eseguire un modello già addestrato non equivale ad addestrarlo partendo da zero.

Occorre distinguere almeno tre attività.

L’inferenza è l’utilizzo di un modello già addestrato per produrre una risposta, una classificazione, un’immagine o una previsione.

Il fine-tuning è un adattamento ulteriore di un modello esistente attraverso dati selezionati e tecniche differenti per costo e complessità.

L’addestramento completo costruisce o aggiorna in modo esteso i parametri del modello e richiede normalmente quantità di calcolo, memoria, storage ed energia molto superiori.

Le workstation compatte possono diventare molto efficaci per l’inferenza e, in alcuni casi, per forme limitate di fine-tuning. Questo non significa che possano sostituire i cluster utilizzati per addestrare i grandi modelli di frontiera.

È una distinzione essenziale. Una macchina capace di caricare in memoria un modello non è necessariamente in grado di utilizzarlo con velocità adeguata, sostenere più utenti contemporaneamente o addestrarlo in modo economicamente sensato.

La memoria sta modificando il concetto di workstation

Per l’esecuzione locale dei modelli non conta soltanto la potenza di calcolo. La capacità e la larghezza di banda della memoria sono spesso altrettanto importanti.

I parametri del modello devono essere conservati in memoria insieme al contesto, alle strutture utilizzate dall’applicazione e ai dati temporanei prodotti durante l’elaborazione. Tecniche come la quantizzazione possono ridurre lo spazio necessario rappresentando i pesi con una precisione inferiore, ma possono modificare prestazioni, compatibilità e qualità del risultato.

Nel 2026 sono disponibili o annunciati sistemi compatti con quantità di memoria unificata molto superiori a quelle normalmente associate a un personal computer.

NVIDIA DGX Spark utilizza 128 GB di memoria unificata e dispone di rete 10 Gigabit Ethernet e di un’interfaccia ConnectX-7. NVIDIA dichiara il supporto a modelli fino a 200 miliardi di parametri su un singolo sistema e fino a 405 miliardi collegando due unità. Per il fine-tuning, la stessa azienda indica modelli fino a 70 miliardi di parametri.

AMD propone una piattaforma Ryzen AI Halo con 128 GB di memoria unificata, Ethernet a 10 Gbit/s e un profilo termico dichiarato di 120 watt. Anche AMD indica la possibilità di eseguire modelli fino a 200 miliardi di parametri, nelle configurazioni e con le ottimizzazioni previste dal produttore.

Queste cifre non devono essere interpretate come benchmark direttamente confrontabili. La dicitura “fino a 200 miliardi di parametri” indica soprattutto che una determinata rappresentazione del modello può essere ospitata ed eseguita dal sistema. Non specifica, da sola:

quanti token al secondo verranno generati;
quale precisione o quantizzazione sarà utilizzata;
quanto sarà ampio il contesto;
quanta memoria rimarrà disponibile per l’applicazione;
quanti utenti potranno lavorare contemporaneamente;
quale latenza sarà accettabile;
quale qualità produrrà il modello in uno specifico compito.

Il numero dei parametri è quindi una caratteristica, non una misura completa dell’utilità.

La trasformazione rilevante è un’altra: una macchina fisicamente collocabile su una scrivania può ormai disporre di memoria, accelerazione e connettività sufficienti per lavori che pochi anni fa sarebbero stati affidati a un server dedicato o a un servizio cloud.

Quando una workstation diventa un server?

La differenza tra workstation e server non dipende soltanto dal contenitore o dalla potenza del processore.

Una workstation è normalmente progettata attorno al lavoro di un utente o di un gruppo ristretto. Un server eroga servizi ad altri sistemi e deve essere amministrato considerando disponibilità, sicurezza, continuità operativa e accessi concorrenti.

La stessa macchina può quindi comportarsi come workstation durante lo sviluppo e come server quando pubblica un modello attraverso la rete.

Il passaggio avviene quando il sistema:

rimane attivo indipendentemente dalla presenza dell’utente;
accetta richieste provenienti da altri dispositivi;
ospita dati o modelli condivisi;
deve garantire autenticazione e separazione degli accessi;
richiede backup, monitoraggio e aggiornamenti controllati;
diventa necessario per un processo aziendale.

A quel punto non è più sufficiente domandarsi se la GPU sia abbastanza veloce. Occorre valutare se l’hardware sia adatto al funzionamento continuativo, come vengono gestiti i guasti, dove sono conservati i dati, chi può accedere al modello e cosa accade quando la macchina è spenta o indisponibile.

Una workstation potente può quindi diventare un piccolo server AI. Non diventa però automaticamente un’infrastruttura aziendale affidabile.

Il possibile ritorno del server locale

Negli ultimi anni molte applicazioni sono state trasferite nel cloud perché questo modello offre risorse scalabili, manutenzione centralizzata e accesso da luoghi differenti.

L’intelligenza artificiale potrebbe riportare localmente una parte dell’elaborazione, ma non per annullare il percorso compiuto.

Le ragioni sono concrete.

Alcune informazioni non dovrebbero lasciare l’organizzazione senza un’analisi precisa delle condizioni contrattuali e tecniche. Alcune applicazioni devono continuare a funzionare anche in assenza di collegamento. Alcuni carichi ripetitivi possono diventare costosi se ogni richiesta viene fatturata a consumo. Alcune risposte devono essere prodotte con una latenza molto ridotta.

Microsoft indica proprio protezione dei dati locali, funzionamento offline, assenza dei costi per token e riduzione della latenza tra le motivazioni per l’utilizzo di Foundry Local. AWS descrive invece architetture a più livelli nelle quali l’elaborazione viene distribuita tra dispositivo, edge e cloud in funzione di dimensione del modello, connettività, latenza e requisiti normativi.

Questo non significa che l’esecuzione locale sia sempre più economica.

Una macchina locale deve essere acquistata, alimentata, raffreddata, configurata, protetta e sostituita. Può rimanere sottoutilizzata oppure diventare insufficiente. Il cloud permette invece di pagare risorse disponibili su richiesta, ma introduce costi ricorrenti, dipendenza dalla connettività e trasferimento dei dati verso infrastrutture esterne.

La scelta corretta dipende dal carico reale, non da una preferenza ideologica per il cloud o per l’on-premise.

Il futuro più probabile è un’architettura a più livelli

Entro il 2031 è ragionevole ipotizzare che molte applicazioni AI distribuiscano il lavoro tra più sistemi.

Il PC dell’utente potrebbe svolgere operazioni frequenti, leggere e sensibili alla latenza: trascrizione, riconoscimento, sintesi, ricerca locale e assistenza contestuale.

Una workstation potrebbe eseguire modelli più grandi, generazione grafica, analisi tecniche o attività professionali che richiedono molta memoria.

Un server locale potrebbe ospitare modelli e basi documentali comuni, fornendo un servizio controllato a un reparto o all’intera organizzazione.

Il cloud potrebbe intervenire per i modelli più grandi, per i picchi di domanda, per l’addestramento e per i servizi che non è conveniente mantenere internamente.

Il software potrebbe decidere automaticamente dove inviare ogni attività in base a costo, riservatezza, prestazioni, disponibilità della rete e capacità del dispositivo.

Questa è una previsione, non una configurazione già uniforme sul mercato. Esistono però architetture attuali che ne mostrano i principi. Apple, per esempio, distribuisce le funzioni di Apple Intelligence tra modelli eseguiti sul dispositivo e Private Cloud Compute per le richieste più impegnative. AWS propone strategie di inferenza suddivise tra device edge, infrastrutture periferiche e cloud.

Il computer personale non scomparirebbe: diventerebbe il punto più vicino all’utente di una catena di calcolo distribuita.

Il computer potrebbe diventare un’infrastruttura cognitiva privata

La trasformazione più interessante potrebbe non riguardare la forma della macchina, ma ciò che essa conosce e può fare.

Un sistema AI locale potrebbe essere collegato a documenti, procedure, manuali, disegni, ticket, contratti e archivi aziendali. Attraverso tecniche di retrieval-augmented generation, o RAG, il modello potrebbe cercare informazioni in fonti autorizzate prima di formulare la risposta.

Una piccola impresa potrebbe disporre di un assistente che conosce i propri documenti senza inviarli necessariamente a un servizio pubblico. Uno studio tecnico potrebbe interrogare capitolati e relazioni. Un reparto IT potrebbe analizzare configurazioni, log e documentazione. Una workstation grafica potrebbe generare bozze, rendering o varianti senza trasferire ogni progetto fuori dalla rete aziendale.

In questo senso, il server personale o aziendale potrebbe diventare una sorta di infrastruttura cognitiva privata.

L’espressione è suggestiva, ma deve essere utilizzata con cautela. Il sistema non “conosce” l’azienda come una persona. Elabora contenuti, recupera informazioni e genera risposte statisticamente plausibili. Può sbagliare, utilizzare una fonte superata o interpretare male una richiesta.

La presenza locale del modello non elimina la necessità di verificare il risultato.

La rete non è sempre il collo di bottiglia, ma può diventarlo

Quando un modello viene eseguito interamente sul PC e utilizza dati conservati sullo stesso dispositivo, la rete può avere un ruolo secondario.

La situazione cambia quando:

il modello risiede su un’altra macchina;
i documenti vengono prelevati da un NAS o da uno storage condiviso;
più utenti interrogano lo stesso server;
più nodi cooperano all’esecuzione;
grandi dataset vengono spostati tra storage e sistemi di calcolo;
i risultati devono essere distribuiti in tempo reale.

In questi casi la capacità della rete, la latenza, la qualità dello switching e la progettazione dei collegamenti possono influire sull’esperienza e sull’efficienza complessiva.

La presenza di Ethernet a 10 Gbit/s e di ConnectX-7 in sistemi compatti come DGX Spark è un segnale significativo: la macchina non viene concepita esclusivamente come computer isolato, ma anche come nodo collegabile ad altri sistemi. NVIDIA documenta inoltre una configurazione con due unità per l’esecuzione di modelli più grandi.

Questo non significa che ogni workstation AI richieda immediatamente reti da 100 o 400 Gbit/s.

Una singola postazione può funzionare correttamente con collegamenti molto più comuni. Le velocità superiori diventano rilevanti quando aumentano concorrenza, dimensione dei dati, frequenza dei trasferimenti o numero dei nodi.

Il dimensionamento deve partire dal flusso reale dei dati, non dalla sola potenza della GPU.

Anche lo storage diventa parte del sistema AI

I modelli occupano spazio, ma non sono l’unico elemento da conservare.

Un’applicazione AI aziendale può utilizzare:

pesi del modello e relative versioni;
documenti originali;
indici e rappresentazioni vettoriali;
cache;
dati temporanei;
log delle richieste;
risultati generati;
checkpoint e adattamenti del modello;
copie di sicurezza.

La prestazione percepita può dipendere dalla velocità con cui questi dati vengono letti e preparati prima che inizi l’elaborazione sulla GPU o sulla NPU.

Uno storage lento può lasciare inattivo un acceleratore molto potente. Uno storage veloce ma privo di una corretta strategia di backup può invece trasformare un guasto in una perdita significativa.

La progettazione deve quindi considerare capacità, prestazioni, protezione, conservazione e classificazione dei dati. Non basta installare un SSD capiente nella workstation.

Potenza di calcolo significa energia e calore

L’etichetta “desktop” non deve far pensare che tutti i sistemi AI abbiano esigenze paragonabili a quelle di un normale PC da ufficio.

Esiste già un intervallo molto ampio.

La piattaforma AMD Ryzen AI Halo dichiara un TDP di 120 watt. NVIDIA DGX Spark utilizza un alimentatore da 240 watt e attribuisce 140 watt al sistema GB10, riservando la capacità restante agli altri componenti. NVIDIA ha inoltre annunciato DGX Station per Windows, un sistema da scrivania molto più potente, con assorbimento complessivo dichiarato fino a 1.600 watt e disponibilità prevista nel quarto trimestre del 2026.

L’espressione “sistema da scrivania” comprende quindi macchine profondamente diverse.

Una piattaforma compatta da 120 o 240 watt può essere collocata più facilmente in un normale ufficio, pur richiedendo ventilazione adeguata. Un sistema che può assorbire oltre un kilowatt deve essere valutato anche dal punto di vista della linea elettrica, del calore prodotto, della rumorosità e della continuità di alimentazione.

Se più macchine vengono installate nello stesso locale, i singoli assorbimenti si sommano. Una stanza nata come ufficio può trovarsi a ospitare un carico termico e una richiesta elettrica più vicini a quelli di una piccola sala tecnica.

L’evoluzione verso workstation AI non riduce quindi l’importanza degli impianti. La sposta più vicino agli utenti.

L’AI locale non è automaticamente privata o sicura

Eseguire un modello localmente può evitare che prompt, documenti e risposte vengano inviati a un servizio cloud. È un vantaggio possibile, non una garanzia assoluta.

I dati possono comunque essere esposti attraverso:

account compromessi;
condivisioni configurate male;
malware;
accessi remoti non protetti;
copie di sicurezza non cifrate;
log contenenti informazioni riservate;
plugin o strumenti esterni;
modelli e componenti software di provenienza incerta.

Un sistema locale può inoltre avere accesso a file, posta elettronica, applicazioni e risorse di rete. Se viene trasformato in agente capace di compiere azioni, un errore di configurazione o un’istruzione malevola può produrre conseguenze più gravi di una semplice risposta sbagliata.

La sicurezza deve riguardare l’intera catena:

provenienza del modello;
aggiornamenti;
gestione delle identità;
autorizzazioni;
isolamento dei processi;
cifratura;
segmentazione della rete;
registrazione delle attività;
conservazione dei prompt e dei risultati;
possibilità di revocare rapidamente gli accessi.

Portare l’AI all’interno dell’azienda aumenta il controllo potenziale, ma trasferisce all’azienda anche una parte maggiore della responsabilità tecnica.

Il cloud non sta per scomparire

Ogni previsione secondo cui l’AI locale renderà inutile il cloud trascura alcuni limiti evidenti.

I modelli più grandi richiedono risorse che una normale workstation non può fornire. La domanda può cambiare rapidamente. Un progetto può aver bisogno di molte GPU per pochi giorni e di nessuna per il resto del mese. I servizi cloud offrono inoltre modelli gestiti, strumenti di sviluppo, aggiornamenti e distribuzione geografica.

Il cloud rimarrà adatto quando servono:

elevata scalabilità;
capacità temporanea;
modelli troppo grandi per l’hardware locale;
collaborazione tra sedi;
servizi gestiti;
addestramento distribuito;
disponibilità geografica.

Il calcolo locale rimarrà invece interessante quando contano continuità offline, riservatezza, prevedibilità dei costi, bassa latenza o controllo diretto dell’ambiente.

Molte organizzazioni utilizzeranno entrambi.

La questione non sarà “cloud oppure server”, ma quale parte del processo debba essere eseguita su ciascun livello.

Non tutti avranno bisogno di una workstation AI

L’entusiasmo verso l’intelligenza artificiale può spingere ad acquistare hardware prima di aver definito il problema.

Un normale AI PC può essere sufficiente per videoconferenze, trascrizioni, ricerca locale, piccoli modelli e funzioni integrate nel sistema operativo.

Una workstation diventa giustificabile quando il carico richiede più memoria, una GPU potente, elaborazioni continuative o software professionale.

Un server locale può essere appropriato quando la risorsa deve essere condivisa, amministrata centralmente o resa disponibile in modo continuativo.

Il cloud può risultare più conveniente quando l’utilizzo è saltuario, variabile o richiede una scala molto elevata.

Prima di scegliere la macchina occorre quindi conoscere:

il modello effettivamente necessario;
la quantità e la natura dei dati;
il numero degli utenti;
la frequenza delle richieste;
il tempo di risposta accettabile;
il livello di disponibilità richiesto;
i vincoli di riservatezza;
il costo complessivo per l’intero ciclo di vita.

Senza queste informazioni, confrontare TOPS, FLOPS, parametri e gigabyte di memoria produce soprattutto numeri difficili da trasformare in una decisione.

Cosa potrebbe accadere entro il 2031

Nessuno può descrivere con certezza l’informatica aziendale del 2031. Alcune direzioni sono però più plausibili di altre.

È probabile che NPU e altri acceleratori AI diventino componenti ordinari di molti computer. Non necessariamente perché ogni utente eseguirà un grande modello, ma perché numerose funzioni del sistema operativo e delle applicazioni utilizzeranno inferenza locale.

È plausibile che le workstation professionali dispongano di quantità sempre maggiori di memoria condivisa tra CPU e acceleratori, rendendo più semplice l’utilizzo locale di modelli oggi riservati a sistemi specialistici.

È ragionevole aspettarsi piccoli server AI dipartimentali, utilizzati per condividere modelli, documenti e servizi tra gruppi di lavoro.

È probabile che i carichi vengano distribuiti automaticamente tra dispositivo, edge, server e cloud.

È invece meno prudente prevedere che il cloud scompaia, che ogni azienda addestrerà autonomamente un modello di frontiera o che il numero dei parametri continui a essere il principale indicatore di qualità.

Potrebbero diventare più importanti efficienza, specializzazione, qualità dei dati, affidabilità delle risposte e integrazione con i processi reali.

La vera convergenza è tra calcolo e infrastruttura

Il computer del futuro potrebbe continuare ad avere una tastiera, un monitor e un contenitore riconoscibile. A cambiare sarà il rapporto tra la macchina e l’infrastruttura circostante.

Una workstation AI può richiedere storage condiviso, backup, controllo degli accessi e rete ad alta velocità.

Un server locale può dover cooperare con il cloud.

Un PC può eseguire alcune operazioni in autonomia e inviarne altre a una macchina più potente.

Un’applicazione può scegliere dinamicamente dove elaborare ogni richiesta.

Computer, workstation, server, storage, rete e cloud non saranno quindi elementi indipendenti. Formeranno livelli differenti dello stesso sistema.

Per progettisti e IT manager, la conseguenza è rilevante: non sarà sufficiente scegliere il processore più potente. Bisognerà progettare il percorso seguito dal dato, dall’origine fino al modello e dal modello fino all’utente.

Conclusione

Tra cinque anni avremo quasi certamente ancora un PC.

Potrebbe però essere molto diverso il significato della parola “personale”.

Il computer non sarà soltanto la macchina sulla quale aprire programmi. Potrà diventare il primo punto di elaborazione di un sistema AI distribuito. La workstation potrà svolgere funzioni da server. Il server locale potrà ospitare modelli e conoscenza aziendale. Il cloud continuerà a fornire la scala che non è possibile o conveniente mantenere internamente.

La trasformazione non consisterà nella scomparsa di una categoria a favore di un’altra. Consisterà nella progressiva sovrapposizione dei loro ruoli.

Il rischio sarà concentrare l’attenzione sul componente più visibile — GPU, NPU o modello — dimenticando tutto ciò che permette di utilizzarlo realmente: memoria, storage, rete, alimentazione, raffreddamento, sicurezza, software e gestione.

Il computer del futuro potrebbe assomigliare ancora a quello che conosciamo. Ma sarà sempre meno un oggetto isolato e sempre più un nodo intelligente all’interno di un’infrastruttura distribuita.