L'indicazione arriva da chi osserva i semiconduttori dalla prospettiva delle apparecchiature di test. Chunghwa Precision Test si aspetta che il fatturato legato agli ASIC superi quello delle GPU entro il 2027. Non è una previsione da leggere come un semplice dato di bilancio: è il segnale che l'ecosistema dell'hardware per AI sta cominciando a riposizionarsi attorno a chip progettati per carichi specifici.

Le GPU restano il riferimento per training e sviluppo, grazie alla loro flessibilità. Ma per l'inference su larga scala, dove contano costo per token, consumo energetico e prevedibilità, gli ASIC offrono margini di efficienza difficili da ignorare. Un'azienda che progetta acceleratori su misura può ottimizzare il silicio per una famiglia di modelli o per un pattern di deployment, riducendo il TCO. Il rovescio è altrettanto chiaro: un ASIC nasce specializzato e può diventare un vincolo se cambiano i modelli o le modalità di utilizzo.

Il sorpasso previsto da Chunghwa Precision Test parla in realtà di un bivio per il settore. Da un lato, chi gestisce infrastrutture cloud iperscalabili può permettersi di sviluppare e far produrre ASIC interni, integrandoli nelle proprie pipeline. Dall'altro, chi valuta deployment on-premise o self-hosted deve soppesare due strade: una basata su GPU commerciali, immediatamente disponibili e riutilizzabili, e una basata su acceleratori specializzati, potenzialmente più efficienti ma meno versatili. Il secondo ordine di conseguenze riguarda la supply chain: se i volumi ASIC crescono, i fornitori di test, packaging e integrazione devono adattare capacità e strumentazione, favorendo chi ha visibilità sui roadmap delle grandi commesse.

C'è poi un terzo livello, meno visibile. La spinta verso la sovranità dei dati e l'elaborazione locale premia architetture prevedibili e a basso consumo, ma rischia di frammentare l'offerta in silos verticali. In questo scenario, il vero vantaggio non sarà solo nella velocità di inference, ma nella capacità di mantenere portabilità tra hardware diversi. Per chi valuta deployment on-premise, esistono trade-off analitici che AI-RADAR approfondisce su /llm-onpremise.

Il 2027 non è una data casuale: rispecchia i cicli di progettazione delle soluzioni custom già avviate. Più che il sorpasso contabile, conta il segnale strutturale: la domanda di calcolo AI si sta polarizzando tra addestramento flessibile e inference specializzata. La partita non si gioca solo sul silicio, ma su chi riuscirà a governare la transizione senza rimanere intrappolato in un'architettura troppo rigida.