L’annuncio è di quelli che passano in sordina ma pesano sul medio periodo: NVIDIA ha completato l'upstreaming del supporto iniziale per il core Arm "Rigel" all'interno del compilatore LLVM Clang, pochi giorni dopo aver fatto lo stesso con GCC. Il core è destinato alla CPU Rosa, erede di Vera, e segna un ulteriore passo nella progressione dei progetti system-on-chip per data center basati su architettura Arm personalizzata.

Rigel è un core Armv9.2-A che evolve il design Olympus, e la rapidità con cui NVIDIA ha aperto il supporto lato compilatore dice molto sulla maturità del progetto. Non è una semplice esercitazione di contribuzione open-source: per chi costruisce piattaforme AI, il controllo del compilatore è un tassello irrinunciabile per spremere ogni goccia di prestazioni da hardware progettato in simbiosi con i propri GPU.

Ma perché un core CPU per server dovrebbe interessare chi valuta stack on-premise per LLM? La risposta va cercata nella direzione che NVIDIA ha imboccato da qualche anno: passare da fornitore di acceleratori GPU a fornitore di piattaforma completa, con CPU, GPU e interconnessioni proprietarie che riducono i colli di bottiglia e semplificano l'ottimizzazione end-to-end. Il progetto Grace ha già mostrato come un processore Arm custom possa accelerare carichi AI affiancato a GPU Hopper; con Rosa e il core Rigel, NVIDIA alza l'asticella, puntando a un nodo computazionale ancora più integrato.

Per i deployment AI on-premise, la posta in gioco è rilevante. Oggi molte infrastrutture sono ibride: CPU x86 di Intel o AMD affiancate a GPU NVIDIA, con overhead di comunicazione e complessità di tuning. Se NVIDIA riesce a offrire un pacchetto CPU-GPU co-ingegnerizzato, con driver e compilatore ottimizzati in tandem, il TCO (TCO) di un cluster on-premise potrebbe scendere sensibilmente, a parità di carico di lavoro. Questo non è solo un discorso di performance per watt: è la possibilità di gestire pipeline di fine-tuning e inference senza doversi preoccupare di colli di bottiglia tra silicio eterogeneo, riducendo i rischi di vendor lock-in incrociati.

Certo, l'altra faccia della medaglia è la dipendenza da un solo fornitore per l'intero stack hardware. Una scelta che, se da un lato semplifica, dall'altro impone di valutare con attenzione la strategia di approvvigionamento e di architettura futura. Non è un caso che NVIDIA abbia spinto su compilatori aperti e contribuisca attivamente a LLVM: è un modo per rassicurare il mercato che l'ottimizzazione è trasparente e non vincolata a toolchain proprietarie, abbassando le barriere per l’adozione.

La mossa ha anche un sapore competitivo preciso: mentre AMD e Intel rafforzano le loro soluzioni ibride CPU-GPU con architetture x86, NVIDIA si sta costruendo una corsia alternativa completamente Arm, che potrebbe rivelarsi più agile per carichi AI specifici e più appetibile per ambienti regolamentati, dove la sovranità dei dati spinge verso hardware controllato end-to-end. L’apertura del codice nel compilatore è un segnale di fiducia verso chi costruisce infrastrutture sensibili: l'ispettabilità del software a basso livello è un valore concreto quando si parla di compliance.

In definitiva, l'arrivo di Rigel in LLVM Clang è un piccolo mattone che contribuisce a ridisegnare gli equilibri del data center, spostando il baricentro dalla CPU generica a sistemi co-progettati per l'AI. Per chi sta pianificando il prossimo refresh della propria capacità di calcolo on-premise, è un promemoria: la corsa non è solo tra modelli e GPU, ma si gioca sempre più sul controllo dell'intero stack, dai compilatori fino all'integrazione a livello di silicio.