Non capita tutti i giorni di veder spuntare un driver per il kernel Linux dedicato a un processore grafico che non esiste – perlomeno, non come chip su una scheda. Eppure è quello che è successo con GlandaGPU: un core grafico 3D interamente open-source, descritto in VHDL e pensato per girare su hardware FPGA. La proposta di un Direct Rendering Manager (DRM) per Linux è il primo passo concreto verso l'integrazione di questa GPU “morbida” nell'ecosistema del software libero.

La notizia, presa così, potrebbe sembrare confinata al mondo dei driver e degli appassionati di FPGA. Ma per chi ha la responsabilità di decidere dove far girare carichi di lavoro di AI – e di decidere su quale hardware – GlandaGPU è un segnale. Un segnale che l'hardware aperto, verificabile e adattabile sta smettendo di essere un'utopia accademica per diventare un'opzione strategica.

Il lato nascosto dell'inference on-premise

Quando un'azienda sceglie di tenere i modelli LLM in casa, spesso mette in conto server, GPU, rete e licenze. Quasi mai il silicio. Eppure ogni GPU – anche la più blasonata – è una scatola parzialmente chiusa: firmware proprietario, microarchitettura segreta, funzionalità che il vendor può attivare o disattivare a distanza. In una logica di sovranità dei dati, fidarsi ciecamente di un acceleratore di cui non si può audire il comportamento è una crepa nel muro.

GlandaGPU, con il suo design aperto, rompe questo schema. Non è ancora un acceleratore AI, e non lo sarà probabilmente a breve. Ma il metodo è quello giusto: un core completamente descritto in un linguaggio hardware, compilabile e caricabile su un FPGA che l'organizzazione controlla fisicamente. Chiunque può ispezionare il codice VHDL, verificare l'assenza di backdoor o funzioni indesiderate, e persino modificare la pipeline per adattarla ai propri carichi di lavoro.

FPGA e la flessibilità che serve all'edge

Un altro aspetto che GlandaGPU mette in luce è la crescente rilevanza degli FPGA per l'inference distribuita. Dimenticate l'epoca in cui il silicio programmabile serviva solo per prototipi: oggi gli FPGA sono competitivi in efficienza energetica e possono essere riconfigurati per ottimizzare layer specifici di una rete neurale. Avere un core grafico open-source su FPGA, anche se pensato per il rendering, significa avere un mattone in più per costruire pipeline di calcolo eterogenee, dove la stessa logica programmabile può alternare compiti di visualizzazione e di inference senza dover cedere il controllo a IP di terze parti.

Chi vince e chi perde

In uno scenario dove l'hardware aperto prende piede, a guadagnarci sono gli integratori di sistema e le realtà che operano in ambiti regolati – difesa, sanità, infrastrutture critiche – dove la certificabilità del silicio è un requisito, non un vezzo. Perdono terreno, invece, i vendor tradizionali che hanno fatto del lock-in proprietario il proprio fossato competitivo.

Certo, la strada è ancora lunga. GlandaGPU oggi è un driver e un core VHDL: non esiste una scheda su scaffale, né un ecosistema di librerie per il calcolo eterogeneo. Ma la direzione è tracciata, e per chi valuta deployment on-premise per AI, la domanda non è più se l'hardware aperto arriverà, ma quanto si vuole essere pronti quando lo farà.