Lo sviluppatore che su Reddit si firma arduinoRPi4 è al quarto tentativo da novembre, e questa volta il risultato è un'app Mac (e iOS) che trasforma un'immagine in un modello 3D completo di texture in meno di mezzo minuto, senza invocare il cloud. La chiave è il framework MLX di Apple, adattato per eseguire Hunyuan3D-Shape e Hunyuan3D-Paint direttamente su silicio Apple, aggirando l'ingombro di PyTorch e sfruttando la memoria unificata.

I benchmark in virgola mobile a 16 bit su un MacBook Pro con M4 Max raccontano la storia: il modello shape "small" completa la geometria in 20,9 secondi con un picco di memoria di circa 5,6 GB; la variante "large" impiega 22,3 secondi e tocca 7,3 GB. La fase di painting (texturizzazione RGB) sale a 231 secondi e 38 GB, mentre la versione PBR con materiali fisici richiede 344 secondi e 39 GB. Sono numeri da workstation, ma il vero colpo di scena è la promessa del titolo: con quantization a 4 o 8 bit, la pipeline Shape gira persino su iPhone, scendendo sotto i 2 GB di RAM.

Dal punto di vista architetturale, MLX fa la differenza. A differenza dei comuni runtime deep learning, il framework sfrutta nativamente l'architettura unificata dei chip Apple, dove CPU e GPU condividono lo stesso spazio di memoria fisica. Tradotto: non serve "VRAM" separata, e i trasferimenti tra processore e acceleratore grafico sono quasi azzerati. Questo abbassa drasticamente il consumo di memoria di picco e rende possibile un'inference che su architetture discrete richiederebbe GPU con decine di gigabyte dedicati. Il progetto integra anche SwiftVision per la rimozione automatica dello sfondo, creando un flusso utente fluido: scatto, rimozione sfondo, generazione 3D in tempo reale e visualizzazione del texturing live.

C'è un che di artigianale, confessato dallo stesso autore: "Onestamente non so bene cosa farci", scrive, ipotizzando asset 3D semplici per app che ruotano attorno a un oggetto. Ma la portata strutturale è più ampia. In un settore ossessionato dal costo del noleggio di GPU cloud, vedere un modello di generazione 3D funzionare su un telefono in locale scardina diversi assunti. Innanzitutto sposta il baricentro della discussione sulla possibilità di computing locale anche per task finora considerati irraggiungibili fuori dai datacenter. Il controllo dei dati resta sull'hardware dell'utente, un fattore dirompente per scenari enterprise dove privacy e conformità GDPR contano più del costo per inference. In secondo luogo, evidenzia la maturazione di un ecosistema – MLX, Core ML, Swift – che riduce il divario con l'universo PyTorch/CUDA, tradizionalmente chiuso nel mondo NVIDIA.

Chi perde terreno? I fornitori di API cloud per la generazione 3D potrebbero vedere compressi i margini man mano che modelli efficienti e framework locali abbassano la soglia hardware. Chi ci guadagna? Sviluppatori iOS e macOS, studi di design che gestiscono prototipi sensibili, aziende con vincoli di sovranità digitale.

Il codice sorgente e i pesi sono su GitHub, insieme all'app Modelr, open source e già disponibile, seppur con funzionalità limitate su iOS. Il percorso è appena iniziato, ma il segnale per chi valuta deployment on-premise o edge è chiaro: la generazione 3D sta diventando un carico di lavoro locale, e il silicio Apple è oggi un banco di prova concreto per misurarne il TCO e l'autonomia reale.