La modifica descritta su Reddit parte da una Nvidia CMP170hx, scheda pensata per il mining con 8GB di memoria, e la trasforma, almeno sulla carta, in una GPU comparabile a una A100 da 80GB. Il trucco non è software: l'autore usa il voltage glitching per intervenire sui fusibili che Nvidia impiega per disattivare moduli VRAM e shader. La fonte indica il raggiungimento di 120 SM.

Questa storia è più di un esercizio di modding. I fusibili fisici non sono un dettaglio: sono lo strumento con cui i produttori segmentano lo stesso silicio in prodotti diversi. Una parte del die può essere spenta per creare una scheda da mining oppure per isolare difetti di fabbricazione. Quando un intervento esterno riesce a riattivare quei blocchi, il valore latente del silicio emerge in modo brutale. Il divario tra i 2.500 dollari della CMP170hx e i 20.000 dollari indicati per una A100 da 80GB non dipende solo dalla memoria o dai core: dipende anche dal posizionamento di mercato, dai collaudi, dalla garanzia e dal canale enterprise.

Per chi ha carichi di inference on-premise e guarda al costo per gigabyte di VRAM, un'operazione del genere può sembrare un'opportunità. Ma ci sono tre ordini di conseguenze. Primo, l'affidabilità: una GPU modificata fuori specifica non ha binning garantito, può degradare, perdere nodi di memoria o fallire in produzione. Secondo, la conformità e la sicurezza: in ambienti che devono rispettare requisiti di sovranità dei dati o audit, hardware non supportato introduce rischio di manutenzione e responsabilità. Terzo, il mercato: se queste procedure diventano ripetibili, il prezzo delle schede usate e la fiducia nel canale secondario cambiano, e i vendor potrebbero spostare la segmentazione verso controlli più profondi.

Non è un caso che la vicenda arrivi mentre cresce l'interesse per self-hosted e AI locale. Ma un conto è scegliere una configurazione documentata e supportata per l'inference; un altro è costruire una pipeline su un componente che può perdere le funzionalità sbloccate al primo aggiornamento firmware o per un guasto elettrico. Il voltage glitching, per sua natura, lavora al limite delle specifiche elettriche: non produce un prodotto nuovo, produce un prototipo.

Chi segue AI-RADAR e valuta deployment on-premise sa che esistono trade-off tra costo di acquisto, TCO e garanzia: i framework analitici su /llm-onpremise aiutano a mettere in fila questi vincoli senza scorciatoie. La fonte non riporta test di stabilità né benchmark su carichi di inference. Fino a quel momento, la distanza tra una scheda sbloccata e una A100 certificata resta ampia.