La notizia arriva secca, quasi una voce di corridoio: il chip AI5 di Tesla avrebbe completato il tape-out presso la fonderia Samsung di Austin, Texas. Dietro la cronaca di un passaggio tecnico, si intravede però un puzzle più grande, fatto di ambizioni industriali, calcolo geopolitico e una domanda che tormenta ogni CTO alle prese con deployment in-house: fino a che punto conviene affidarsi a fornitori esterni quando l’AI diventa asset strategico?

Il tape-out è la fase in cui un progetto di silicio passa dalla simulazione alla produzione fisica dei primi prototipi. Per Tesla rappresenta l’ennesima dichiarazione di indipendenza. L’azienda di Elon Musk non si accontenta più di comprare GPU da NVIDIA o AMD per alimentare il supercomputer Dojo, dedicato all’addestramento dei modelli per la guida autonoma. Da anni sviluppa architetture interne — il chip D1 ne è stato il primo assaggio — e ora l’AI5 sembra pronto per la verifica sul campo. Non si tratta di un semplice acceleratore per inference a bordo veicolo: l’investimento in una fonderia esterna di questo calibro suggerisce volumi e ambizioni che guardano al training su larga scala.

Ma la vera notizia è il dove. Samsung ha uno stabilimento all’avanguardia a Taylor, Texas, non lontano da Austin. Scegliere il Texas invece di un partner asiatico non è un dettaglio logistico: è un messaggio al mercato e ai policymaker. La produzione resta in territorio statunitense, beneficiando indirettamente degli incentivi del CHIPS Act e riducendo l’esposizione a tensioni geopolitiche nello Stretto di Taiwan. Per un’azienda che considera i propri dati di addestramento e i modelli un vantaggio competitivo incedibile, la sovranità del silicio diventa importante quanto quella del software.

Chi segue il deployment on-premise di Large Language Model sa che la supply chain dei chip è un anello debole. Le GPU più potenti arrivano quasi esclusivamente da TSMC, e ogni scossa nella regione asiatica si trasmette immediatamente a prezzi e disponibilità. Tesla, internalizzando parte del design e giocando su più fonderie, costruisce una catena alternativa che potrebbe diventare riferimento per altre aziende con esigenze di calcolo massive e dati sensibili. Non è fantascienza immaginare che, se il progetto AI5 raggiungerà le performance sperate, Tesla possa un domani offrire la propria capacità di calcolo o addirittura licenziare l’architettura, seguendo la traiettoria già percorsa da Amazon con Trainium o Google con le TPU. In quello scenario, il Texas diventerebbe un hub per il silicio AI made in USA.

Restano le incognite tecniche. Senza numeri ufficiali su VRAM, bandwidth o supporto a floating point a 8 bit, è prematuro paragonare AI5 a una H100 o a un’MI300. Ma la direzione è chiara: il mercato si sta frammentando in silicio specializzato, e la mossa di Tesla rafforza la tesi secondo cui il futuro dell’AI è ibrido — cloud per l’elasticità, on-prem e bare metal per il controllo, con chip progettati su misura per i propri workload. Per i redattori di AI-RADAR, che ogni giorno analizzano trade-off tra TCO, latenza e residenza dei dati, storie come questa confermano che l’hardware proprietario non è più una nicchia, ma un pezzo centrale delle strategie di lungo periodo.