*Sovranità dei chip? Il dilemma delle Big Tech e il miraggio del silicio sovrano*

Sovranità dei chip? Il dilemma delle Big Tech e il miraggio del silicio sovrano

La ricerca strategica dell’“autonomia hardware” è passata bruscamente da aspirazione aziendale di lungo termine a necessità operativa urgente per i principali laboratori di intelligenza artificiale e i fornitori di cloud iperscalabili. Da Microsoft e OpenAI ai pionieri cinesi come DeepSeek, i maggiori attori del settore tecnicico stanno correndo freneticamente per progettare il proprio silicio AI personalizzato. L’obiettivo è chiaro: liberarsi dalla forza gravitazionale dei prezzi di Nvidia, garantirsi una catena di approvvigionamento indipendente e ridurre drasticamente i costi operativi per servire l’IA a miliardi di utenti.

Ma la vera “sovranità dei chip” è un approccio realisticamente praticabile? La risposta breve è no. Sebbene progettare un’architettura di chip proprietaria sia sempre più fattibile, raggiungere una reale sovranità del silicio resta un’impossibilità strutturale.

Approfondiamo la realtà della corsa al silicio captive, l’indispensabilità innegabile dell’oligopolio dei semiconduttori e perché la ricerca dell’autonomia hardware sia fondamentalmente un miraggio.

Parte I: L’esplosione dei costi di inference e la corsa al silicio captive

Per capire il boom del silicio personalizzato, bisogna seguire i soldi. Agli albori dell’IA generativa, l’addestramento dei modelli di frontiera rappresentava il principale centro di costo, richiedendo enormi cluster di GPU. Oggi la dinamica si è invertita. La messa in produzione, detta inference, è cresciuta fino a rappresentare circa il 60-80% di tutte le spese hardware per l’IA in produzione.

Quando un prodotto raggiunge centinaia di milioni di utenti, l’inference diventa una bolletta quotidiana. Ogni conversazione con ChatGPT, ogni completamento di codice di Copilot e ogni flusso di lavoro agentico automatizzato spingono il consumo di calcolo in una domanda industriale continua. Per gli hyperscaler che gestiscono applicazioni interattive su larga scala, un semplice guadagno di efficienza del 30% sul silicio per inference si ripaga in pochi mesi.

Questa dura realtà economica ha innescato l’ascesa degli ASIC captive (Application-Specific Integrated Circuit, circuiti integrati specifici per applicazione). Si tratta di processori specializzati progettati per eseguire carichi di lavoro di machine learning specifici con estrema efficienza, eliminando la flessibilità generalista intrinseca delle GPU standard.

La recente presentazione da parte di OpenAI di Jalapeño, un chip per inference personalizzato co-progettato con Broadcom e prodotto sul nodo a 3 nm di TSMC, ne è l’esempio perfetto. Jalapeño non è un’alternativa generica a Nvidia; è un’architettura costruita da zero sulla conoscenza precisa di OpenAI del servizio di modelli linguistici di grandi dimensioni (LLM), dei kernel e del movimento della memoria. I primi test indicano che potrebbe dimezzare i costi di erogazione dell’inference, con un taglio di circa il 50%.

Gli hyperscaler di tutto il mondo stanno adottando il proprio silicio captive. Tuttavia, questi chip sono interamente “captive”, ossia vengono schierati all’interno dei propri data center proprietari per gestire servizi interni e solo raramente sono disponibili per il noleggio commerciale esterno.

Tabella 1: Il panorama degli acceleratori AI captive rispetto alle GPU commerciali

Parte II: Il catalizzatore geopolitico e il disperato tentativo di DeepSeek

Mentre i giganti tecnicici occidentali costruiscono chip personalizzati per proteggere i margini di profitto, i laboratori di IA cinesi lo fanno per pura sopravvivenza. Il 7 luglio 2026, il pioniere cinese dell’IA DeepSeek avrebbe avviato un programma interno di progettazione di semiconduttori mirato ad acceleratori per inference personalizzati.

A causa dei rigidi controlli alle esportazioni di Washington, le aziende cinesi di IA non possono acquistare silicio commerciale all’avanguardia come le piattaforme H100 e B200 di Nvidia, né accedere ai nodi di fabbricazione avanzati di TSMC. Questo ha costretto aziende come DeepSeek a una strategia di infrastruttura divisa: utilizzare scorte fortemente limitate di hardware Nvidia per l’addestramento dei modelli, cercando al contempo di indirizzare i carichi di lavoro di inference verso il silicio domestico cinese.

Perché puntare sull’inference? L’addestramento richiede cluster multi-nodo massicci e ad alta larghezza di banda, dove il software e le interconnessioni di Nvidia sono praticamente insostituibili. L’inference, al contrario, è più tollerante verso nodi di processo meno avanzati ed è molto sensibile ai costi operativi per singola interrogazione.

Tuttavia, la ricerca della sovranità da parte di DeepSeek evidenzia i limiti fisici dell’autonomia hardware. Non potendo fabbricare presso TSMC, DeepSeek deve affidarsi al campione nazionale cinese SMIC. SMIC è completamente bloccata nell’acquisizione di macchine per litografia a ultravioletti estremi (EUV). Per realizzare chip a 7 nm, SMIC deve eseguire complessi escamotage di multi-patterning con apparecchiature DUV più datate, con conseguenti tassi di difettosità massicci e rese produttive che si aggirano attorno a uno sconfortante 20%. DeepSeek può possedere la brillantezza architetturale per progettare un chip AI, ma la vera autonomia è schiacciata dall’incapacità fisica di produrlo in modo efficiente.

Parte III: Gli architetti segreti – Broadcom e Marvell

Un equivoco comune è che colossi del software come Microsoft o OpenAI si siano improvvisamente trasformati in produttori di semiconduttori verticalmente integrati. Non è così. L’intera rivoluzione del silicio personalizzato è silenziosamente alimentata da un duopolio di progettazione altamente concentrato: Broadcom e Marvell. Insieme, queste due realtà rendono possibile oltre l’80% di tutto il silicio AI personalizzato degli hyperscaler.

Broadcom è il titano dominante di questo spazio, controllando circa il 70% del mercato dei servizi di progettazione di acceleratori AI personalizzati. Broadcom co-progetta le TPU di Google, gli acceleratori MTIA di Meta e il chip Jalapeño di OpenAI. Il modello di business è un capolavoro di efficienza del capitale: l’hyperscaler assorbe le brutali spese in conto capitale, i rischi di fabbricazione e i costi dei wafer, mentre Broadcom si limita a concedere in licenza proprietà intellettuale (IP) di alto valore, switch di rete e interconnessioni ultraveloci.

Ciò consente a Broadcom di mantenere margini lordi da capogiro del 78,6%, superiori persino al 73,5% di Nvidia. Forte di accordi di fornitura a lungo termine (come il contratto per le TPU di Google valido fino al 2031) e di un portafoglio ordini clienti di 73 miliardi di dollari, Broadcom prevede un fatturato sbalorditivo di 100 miliardi di dollari dai chip AI entro il 2027.

Marvell Technology agisce come sfidante strutturale, detenendo dal 20% al 25% del mercato. Marvell è il pilastro delle ambizioni di silicio personalizzato di AWS (Trainium) e Microsoft (Maia). Poiché gli hyperscaler richiedono opzioni di doppia fornitura per evitare la dipendenza da un unico fornitore, Marvell rimane un indispensabile contrappeso al dominio di Broadcom.

Tabella 2: Il duopolio della progettazione del silicio personalizzato

Parte IV: Il fossato di Nvidia e gli software agnostici

Se gli hyperscaler costruiscono i propri chip, il regno di Nvidia sta per finire? Non proprio. Nvidia ha vinto la guerra dell’IA non solo costruendo chip veloci, ma vendendo un’intera piattaforma di calcolo: CUDA.

Per quasi vent’anni, gli sviluppatori hanno costruito i propri flussi di lavoro interamente attorno alla piattaforma di programmazione proprietaria di Nvidia. Le librerie altamente ottimizzate di CUDA, le tecnicie di compilazione e le profonde integrazioni con i framework creano quello che gli analisti chiamano il “CUDA Gap”. Il CUDA Gap misura quanto le ottimizzazioni software di Nvidia estraggano throughput nel mondo reale al di là di quanto previsto dalle specifiche hardware grezze.

Ad esempio, la GPU MI300X di AMD vanta 1.307 TFLOPS di calcolo denso, un vantaggio teorico del 32% rispetto all’H100 di Nvidia (990 TFLOPS). Eppure, sotto carichi di lavoro reali estremi con 512 utenti concorrenti, l’orchestrazione software di Nvidia si dimostra talmente superiore che la più datata H100 offre in realtà il 67% di throughput in più rispetto al chip AMD. Passando all’hardware B200, Nvidia offre un vantaggio di throughput enorme del 105,3%. La maturità del software, non la potenza di calcolo grezza, detta le prestazioni nel mondo reale.

Drenare il fossato: OpenAI Triton e l’ascesa di AMD

Tuttavia, il fossato proprietario di Nvidia sta venendo attivamente prosciugato da una nuova ondata di software agnostici rispetto all’hardware. In prima linea c’è Triton di OpenAI, un linguaggio open source che consente agli sviluppatori di scrivere kernel GPU ad alte prestazioni che si compilano nativamente su Nvidia, AMD o ASIC personalizzati senza dover riscrivere una sola riga di codice.

Costruendo a livello di compilatore anziché puntare direttamente alle API proprietarie, l’infrastruttura IA sta finalmente diventando interscambiabile. AMD è la principale beneficiaria di questa ribellione software. Sostenuta dal software ROCm 7 (che migliora drasticamente le prestazioni di inference) e da un’elevata compatibilità del codice sorgente tramite HIP, AMD si sta assicurando massicci accordi di approvvigionamento non Nvidia. In particolare, OpenAI ha attivamente stretto una partnership con AMD per 6 GW di capacità di calcolo, sfruttando Triton per migrare senza soluzione di continuità i carichi di lavoro lontano da Nvidia.

Parte V: Il manuale di Apple e la disruption chiavi in mano di Arm

Quando si parla di autonomia hardware, l’analogia con Apple è inevitabile. Apple ha raggiunto l’integrazione verticale progettando i propri silicio delle serie M e A, controllando strettamente dispositivo, sistema operativo e hardware. Per farlo, Apple ha concesso in licenza l’architettura del set di istruzioni (ISA) di Arm.

Per decenni, Arm Holdings è stata rigorosamente un fornitore neutrale di licenze IP. Ma in una svolta storica nel marzo 2026, Arm ha radicalmente modificato il panorama dei semiconduttori lanciando il proprio silicio finito e pronto per la produzione: la CPU Arm AGI.

Prodotta sul processo a 3 nm di TSMC, la CPU AGI dispone fino a 136 core Neoverse V3 ed è specificamente progettata per gestire l’orchestrazione, il ragionamento e il movimento dei dati degli agenti IA nei data center iperscalabili. Co-sviluppando questo processore direttamente con Meta, Arm offre ora una soluzione “chiavi in mano”. Invece di spendere anni e centinaia di milioni di dollari per progettare una CPU generalista personalizzata, i fornitori di cloud possono acquistare il silicio finito di Arm a catalogo e concentrare interamente i propri budget di R&S sugli acceleratori AI specializzati.

Parte VI: La verifica definitiva della realtà – TSMC e i colli di bottiglia fisici

Abbiamo parlato di architettura, compilatori e servizi di progettazione. Ma la ricerca della vera sovranità dei chip si infrange nel momento in cui si scontra con la realtà fisica. Ogni singolo attore dell’ecosistema IA – Nvidia, AMD, Broadcom, Marvell, Apple e Arm – dipende interamente da un’unica azienda: Taiwan Semiconductor Manufacturing Company (TSMC).

Fabbricare un chip all’avanguardia a 3 nm è un esercizio di leva finanziaria estrema. Un singolo wafer a 3 nm costa circa 19.500 dollari (6,5 volte più costoso dei nodi maturi a 28 nm). Progettare un chip a 3 nm richiede dai 500 milioni a 1 miliardo di dollari in R&S, e la sola produzione del set iniziale di maschere costa oltre 100 milioni di dollari.

Eppure, il silicio grezzo non è nemmeno il collo di bottiglia. La vera morsa di TSMC risiede nella fase finale di assemblaggio: il packaging avanzato.

I moderni chip AI richiedono un’enorme larghezza di banda di memoria, utilizzando memoria ad alta larghezza di banda (HBM) impilata verticalmente. Questi moduli di memoria devono essere collegati al die logico tramite una tecnicia ultra precisa chiamata CoWoS (Chip-on-Wafer-on-Substrate). Senza questo “ponte” di silicio, un chip AI a 3 nm perfettamente fabbricato è del tutto inutile.

Le strutture di packaging CoWoS avanzato di TSMC sono completamente esaurite fino al 2027, con tempi di consegna sbalorditivi da 52 a 78 settimane. La sola Nvidia ha prenotato circa il 60% della capacità totale CoWoS di TSMC per il 2026 (circa 800.000-850.000 wafer), lasciando Broadcom, Marvell, AMD e gli hyperscaler a contendersi il restante 40%.

Il packaging avanzato e la memoria costosa hanno fondamentalmente spostato l’origine del costo di un chip AI. La logica in silicio è ora la parte economica.

Tabella 3: L’esplosione dei costi di 1.000 volte (distinta base di produzione stimata)