La notizia è di quelle che, a prima vista, sembrano contraddittorie: gli Stati Uniti ampliano le licenze per esportare in Cina le potentissime GPU Nvidia H200, ma le unità effettivamente consegnate restano inferiori alle dita di una mano. Un doppio segnale che racconta più di quanto dica: da un lato Washington allenta cautamente la morsa dei controlli all’export sui semiconduttori per l’intelligenza artificiale; dall’altro, i volumi ridicoli confermano che la valvola resta quasi chiusa.

L’H200, erede diretta dell’H100, è il punto di riferimento per il training e l’inference dei modelli più esigenti. Grazie alla memoria HBM3e da 141 GB e a una banda passante vertiginosa, questa GPU è la scelta obbligata per cluster che gestiscono LLM con finestre di contesto estese e carichi di lavoro massivi. Per il governo cinese e i suoi campioni tecnicici, mettere le mani su questi acceleratori è questione di sopravvivenza competitiva: senza di essi, il divario con i laboratori occidentali rischia di diventare incolmabile.

Eppure, dietro l’apertura delle licenze si nasconde una logica politica complessa. Non si tratta di una liberalizzazione, ma di un meccanismo selettivo che concede deroghe caso per caso, probabilmente a soggetti accademici o a settori lontani dall’uso militare. Anche quei pochi chip che superano la dogana, però, finiscono in un ecosistema la cui fame di calcolo supera l’offerta di ordini di grandezza. La Cina ha bisogno di decine di migliaia di GPU per addestrare modelli di frontiera; riceverne qualche decina è come tentare di spegnere un incendio con un bicchiere d’acqua.

Per chi progetta infrastrutture AI on-premise in Cina, questa strozzatura provoca effetti di secondo e terzo ordine. Innanzitutto accelera la migrazione forzata verso alternative domestiche, come le GPU Ascend di Huawei. Tuttavia, queste soffrono di un ecosistema software meno rodato: framework, pipeline di addestramento e ottimizzazioni devono essere adattati, spesso con un costo ingegneristico elevato. In parallelo, la scarsità di hardware potente spinge verso un pragmatismo tecnico spinto: quantization aggressiva, fine-tuning su modelli compatti, architetture distribuite che spremono ogni teraflop. Fare di più con meno cessa di essere uno slogan e diventa un vincolo di progetto.

La vicenda getta luce su quanto l’intera filiera dell’AI sia appesa a un collo di bottiglia fisico controllato da pochi attori globali. Chiunque valuti deployment on-premise in contesti regolamentati – banche, sanità, pubblica amministrazione – può leggerci un avvertimento: la disponibilità di GPU è soggetta a scossoni geopolitici che stravolgono i calcoli di TCO e di pianificazione a lungo termine. La sovranità dei dati, da sola, non basta se l’hardware sottostante dipende da un unico fornitore soggetto a restrizioni.

Sul fronte delle conseguenze di terzo ordine, si intravede già il rischio di una frattura tra due ecosistemi paralleli. Da una parte, l’Occidente consolida il proprio stack basato su CUDA e l’hardware Nvidia/AMD; dall’altra, la Cina è costretta a forgiare un proprio percorso su soluzioni proprietarie, spesso meno performanti ma immuni da embarghi. Un tale sdoppiamento potrebbe rallentare l’innovazione globale, ma per chi opera on-premise offre una lezione netta: diversificare le fonti hardware e adottare framework portabili, astratti dall’acceleratore, diventa l’unica strategia razionale per non rimanere intrappolati in un campo minato geopolitico.

In definitiva, licenze allargate e consegne minime sono due facce della stessa medaglia: un compromesso fragile che accende un faro sulla vulnerabilità di chi dipende da un solo fornitore di hardware per AI. Per i professionisti che valutano ogni giorno come portare LLM nei propri data center, il caso cinese è un promemoria che la sovranità tecnicica comincia dal silicio.