Un post pubblicato su Reddit da un utente che si firma Odd-World4925 ha rilanciato una domanda scomoda per l'ecosistema dell'AI locale: è possibile usare l'AI stessa per produrre un'implementazione open source di CUDA? L'autore, che si definisce un possessore di GPU AMD Radeon, racconta di aver seguito i modder che impiegano modelli generativi per decodificare giochi e software, e di essere rimasto colpito da una mod di GTA5 con Sonic. Da qui l'idea: perché non applicare lo stesso approccio al reverse engineering di CUDA, la piattaforma di calcolo parallelo proprietaria di NVIDIA, così da liberare le GPU AMD da un ecosistema che le tiene ai margini?

La posta in gioco non è solo tecnica. CUDA non è un semplice driver: è un'intera piattaforma che include compilatori, librerie, tool di profiling e un modello di programmazione ormai radicato nei framework per l'inference e il fine-tuning degli LLM. Chi usa hardware AMD per carichi self-hosted spesso incontra un doppio vincolo: da un lato la compatibilità software è più frammentata, dall'altro il costo di migrazione delle pipeline esistenti può annullare il vantaggio di prezzo delle schede. In questo senso la richiesta di un'implementazione open source non è un capriccio da smanettoni: esprime una tensione strutturale tra controllo dello stack e dipendenza da un singolo fornitore.

Va detto però che il reverse engineering di una piattaforma come CUDA non è una passeggiata. Non si tratta solo di tradurre istruzioni da un'architettura all'altra: bisogna replicare il comportamento di compilatori, ottimizzazioni per VRAM, scheduling dei kernel e semantica delle API. Un'eventuale implementazione generata con l'aiuto di modelli di linguaggio dovrebbe poi essere mantenuta, verificata e integrata in framework esistenti, con ricadute legali non banali. La stessa espressione "usare i core CUDA per farlo" suona ironica proprio perché indica la distanza tra la potenza dell'hardware e la chiusura dell'ecosistema che lo governa.

Per chi valuta deployment on-premise, il dibattito tocca un punto sensibile: la scelta dell'hardware non è mai neutra rispetto al software. Le GPU NVIDIA dominano perché il loro stack è percepito come più maturo per l'AI, ma questo vantaggio si paga in termini di lock-in e, spesso, di TCO per infrastrutture locali. La richiesta di una CUDA aperta, anche solo come esperimento, segnala un interesse crescente per alternative che non costringano a dipendere da un unico vendor. Non è un caso che il post arrivi da un utente con GPU AMD: chi sta fuori dall'ecosistema dominante sperimenta per primo l'attrito.

La sfida resta aperta. Non ci sono prove che un progetto del genere possa produrre qualcosa di utilizzabile in tempi brevi, e il post non fornisce dettagli su come affrontare i problemi di compatibilità e licenze. Ma pone una domanda che merita attenzione: se i modelli di linguaggio possono aiutare a decodificare software complessi, qual è il limite oltre il quale la proprietà di una piattaforma smette di essere un vantaggio competitivo e diventa un collo di bottiglia per l'intero settore?