La notizia arriva come un lampo in un settore dove ogni nanometro conta: Tesla ha portato al tape-out il suo chip AI5 presso la fonderia Samsung, su un nodo di classe 2 nanometri, e la produzione è ormai alle porte. L’evento segue di qualche mese un analogo traguardo raggiunto con TSMC, confermando la volontà dell’azienda di diversificare le fonti per il cuore computazionale della propria flotta.

Non è solo una questione di supply chain. L’AI5 è il prossimo processore destinato ai veicoli Tesla per la guida autonoma, un carico di lavoro che fonde inference di reti neurali complesse, elaborazione di flussi video multipli e decisioni in tempo reale con requisiti di latenza vicini allo zero. Tutto questo deve avvenire a bordo, in uno spazio termico e di potenza angusto, senza affidarsi a data center remoti. In altre parole, è il banco di prova definitivo per il deployment on-premise spinto all’estremo: ogni auto è un nodo di calcolo isolato, dove i dati dei sensori restano e vengono processati localmente, con implicazioni forti sulla sovranità dell’informazione e sulla resilienza operativa.

Perché Samsung ora conta quanto TSMC

La scelta di affiancare Samsung a TSMC per un nodo avanzato come il 2 nm non è scontata. Per anni la fonderia coreana ha rincorso il rivale taiwanese nella resa e nella maturità dei processi produttivi. Ottenere un tape-out su un processo «2nm-class» — verosimilmente con transistor GAA (Gate-All-Around) che Samsung ha introdotto prima di altri — suggerisce che i nodi più densi non sono più appannaggio esclusivo di un solo attore. Questo ha un effetto strutturale: riduce il rischio di strozzature per chi, come Tesla, progetta ASIC custom per carichi AI specifici e non può permettersi dipendenze da un unico fornitore.

Per la comunità che segue i deployment locali di LLM e inference, il passaggio è istruttivo. La densità e l’efficienza energetica di un nodo a 2 nm permettono di eseguire modelli più grandi (con parametri nell’ordine delle decine di miliardi) senza sforare i budget termici di una piattaforma embedded. Se un’auto elettrica può permettersi di far girare un transformer in tempo reale, lo stesso principio si applica a server on-prem, edge gateway industriali e scenari air-gapped dove il costo dell’energia e lo spazio fisico sono vincoli stringenti. Non serve essere Tesla per beneficiare della maturazione dei nodi avanzati; semplicemente, Tesla mostra cosa significa spingersi al limite.

Meno latenza, più sovranità

L’interesse di AI-RADAR per storie come questa risiede nel sottotesto: quando il processore viaggia su processo a 2 nm e viene progettato per l’inference direttamente sul punto di raccolta dati, saltano i compromessi classici tra potenza di calcolo e privacy. Non si tratta più di scegliere se mandare i flussi video al cloud o accontentarsi di modelli ridotti: il silicio regge carichi che fino a ieri erano impensabili fuori da un rack. Per le aziende che valutano deployment on-premise di modelli di linguaggio o visione, questo è un segnale da non ignorare: l’hardware abilitante sta arrivando anche al di là della cerchia dei soliti noti fornitori di GPU.

La doppia strategia TSMC–Samsung, inoltre, impatta il calcolo del TCO. Mettere in competizione due fonderie su un progetto di questa portata può moderare i costi di produzione dei chip, e con essi il costo unitario del sistema finale. Sebbene Tesla non venda i propri processori a terzi, l’effetto alone sulla filiera si farà sentire, spingendo altri progettisti di chip AI a considerare opzioni multi-foundry per i nodi di punta.

Sul fronte delle specifiche non abbiamo dettagli numerici — l’azienda di Austin è notoriamente parca di cifre — ma il fatto stesso che un tape-out a 2 nm sia definito «imminente per la produzione» lascia intendere che la fase di risk production sia stata superata. Le tempistiche, se confermate, collocano le prime unità di AI5 in strada entro la finestra dei prossimi 12-18 mesi. Quanto basta per ridisegnare i contorni di ciò che intendiamo per edge computing.