Per decenni, valutare un PC significava guardare la frequenza della CPU e il numero di core. Oggi, l’avvento dell’intelligenza artificiale generativa ha spostato l’ago della bilancia verso nuove unità di misura: i TOPS (Trillions of Operations Per Second) e la larghezza di banda della memoria. I TOPS indicano la capacità teorica di un processore (solitamente la NPU o la GPU) di eseguire calcoli matematici semplici, fondamentali per i processi di inferenza. Tuttavia, affidarsi esclusivamente ai TOPS dichiarati dai produttori può essere fuorviante. Esiste infatti una distinzione netta tra la potenza necessaria per compiti leggeri (come la sfocatura dello sfondo in una chiamata Zoom, gestita dalle NPU dei laptop moderni con circa 40-50 TOPS) e la potenza bruta richiesta per far girare modelli linguistici complessi. Per questi ultimi, la GPU rimane il componente sovrano: una scheda video di fascia alta può superare i 600 TOPS, offrendo una velocità di risposta (token al secondo) che una piccola NPU integrata non può ancora eguagliare. Un PC pronto per l’AI deve quindi essere valutato non solo per la sua capacità di calcolo di picco, ma per la sua architettura complessiva, cercando un equilibrio che permetta ai modelli di rispondere in tempo reale senza saturare le risorse del sistema.
Se i TOPS rappresentano il motore di un’auto, la memoria (RAM o VRAM) rappresenta la dimensione del serbatoio e la velocità della pompa del carburante. Per far girare un LLM in locale, il modello deve essere caricato interamente nella memoria ad accesso rapido. Se la memoria è insufficiente, il PC ricorrerà al disco fisso (SSD), rendendo l’esperienza inutilizzabile. La valutazione di un PC per LLM locali deve quindi partire dalla quantità di memoria: i modelli moderni, sebbene ottimizzati tramite “quantizzazione” (una tecnica che riduce il peso dei file senza perdere troppa precisione), richiedono solitamente tra gli 8GB e i 16GB di spazio libero solo per esistere. Ma la quantità è solo metà della storia; l’altra metà è la larghezza di banda (Memory Bandwidth). Un modello che deve “leggere” miliardi di parametri a ogni parola generata ha bisogno di un’autostrada di dati molto larga. Nelle workstation tradizionali, questo significa cercare schede video con memoria GDDR6X veloce. Nei sistemi più moderni, si punta sulla memoria unificata, dove il ritardo di comunicazione tra i vari chip è ridotto al minimo. In sintesi, un PC con molti TOPS ma poca memoria lenta è come un atleta velocissimo intrappolato in un corridoio stretto: non potrà mai esprimere il suo potenziale nel coding o nella generazione di testi complessi.
In questo scenario di giganti affamati di energia, il MacBook Air M5 con 24GB di RAM rappresenta un caso studio a parte. Pur essendo una macchina priva di ventole, la sua architettura a memoria unificata gli permette di gestire task che su Windows richiederebbero spesso una GPU dedicata energivora. Con 24GB di memoria, l’M5 si colloca in quello che gli esperti chiamano “sweet spot”: è sufficiente per caricare modelli come Llama 3 (8B) o Qwen 2.5 Coder alla massima precisione, o versioni più pesanti (fino a 30 miliardi di parametri) con una leggera compressione. Per uno sviluppatore che usa strumenti come Ollama o LM Studio, questo significa avere un assistente al coding sempre attivo, privato e fulmineo, che non dipende dalla latenza dei server di Claude o Gemini. Sebbene non possa competere con la potenza di calcolo grezza di una workstation desktop per l’addestramento pesante, l’M5 con 24GB trasforma il MacBook Air da semplice strumento di scrittura a vera e propria “AI Edge Station”. Il limite del design senza ventole potrebbe farsi sentire in lunghe sessioni di generazione di immagini, ma nel coding — dove il carico è intermittente e la rapidità della memoria è sovrana — questa configurazione offre un equilibrio tra portabilità e intelligenza locale che fino a pochi anni fa era tecnicamente impossibile su un laptop senza ventole.