Alibaba ha lanciato Qwen3.8-Max, un modello da 2.4 trilioni di parametri con architettura MoE, mentre DeepSeek propone V4-Flash a $0,14 per milione di token in input. Entrambi distribuiscono i pesi in modalità open-weight, abilitando deployment on-premise. Il costo reale di un task dipende da token generati e interazioni, non solo dal prezzo per token. Per chi valuta infrastrutture self-hosted, l'accesso ai modelli aperti riduce la dipendenza da API cloud.
Il Regno Unito raccoglie €18,7 miliardi nel primo semestre 2026, ma due terzi finiscono in sole dieci aziende. Cloud e AI dominano, con Nscale e Pure Data Centres a raccogliere oltre €6 miliardi per data center e GPU cloud. Una concentrazione che ridisegna gli equilibri tra cloud e on-premise, e sposta la sovranità dei dati al centro delle decisioni di deployment.
La startup newyorkese porta a 40 postazioni l’hub londinese e punta sulle aziende europee. Con l’AI inference al centro, l’espansione segnala la crescente domanda di infrastruttura locale per modelli in produzione, tra vincoli di latenza e sovranità dei dati.
L’aumento dei costi dei wafer TSMC e delle memorie HBM si ripercuote sul listino delle nuove GPU consumer Nvidia. Uno scenario che non riguarda solo il gaming: chi fa inference on-premise deve ripensare i conti del TCO e spingere su quantization e ottimizzazione delle risorse.
Il vantaggio competitivo di Nvidia non è l’hardware ma il software CUDA, che da vent’anni trasforma le GPU in piattaforma per sviluppatori. L’evoluzione dell’AI, con framework portabili e nuovi back-end, sta ridisegnando quei confini e minacciando il lock-in storico.
Una puntata di Uncanny Valley rivela le alleanze strategiche nel mondo AI: Nvidia punta sull’ecosistema aperto, escludendo i modelli chiusi di OpenAI e Anthropic. Tra policy di Washington e log dei chatbot nei motori di ricerca, emergono dinamiche che toccano hardware, sovranità e controllo dei dati.
Nvidia si prepara ad aumentare i prezzi delle sue GPU GeForce RTX fino al 30%. Questa mossa ha implicazioni significative per le strategie di deployment AI on-premise, aumentando il Total Cost of Ownership e spingendo le aziende a riconsiderare l'hardware locale. Si intensifica la pressione su chi cerca sovranità dei dati e controllo, rendendo cruciale l'ottimizzazione e la valutazione di alternative per i carichi di lavoro LLM.
Fish Audio, startup di modelli vocali AI, ha raccolto 52 milioni di dollari in seed. Con oltre 8 milioni di utenti e 21 milioni di ARR in un anno, l'azienda punta su un'offerta open source che consente deployment on-premise, attraendo imprese attente alla sovranità dei dati e sviluppatori che cercano flessibilità.
Una petizione firmata da Microsoft, Meta, Nvidia e Y Combinator segnala lo strapotere del fronte aperto, mentre la comunità LLM spinge in massa per pesi accessibili. I sostenitori del closed-source faticano a frenare un fenomeno ormai strutturale.
Dopo aver abbandonato lo sviluppo di modelli AI, 01.ai di Kai-Fu Lee vende infrastruttura dati alle aziende e si prepara alla quotazione a Hong Kong nel 2027. Lo smantellamento della struttura offshore, già visto con Moonshot, segnala un percorso di maturazione regolatoria e una scommessa decisa sul controllo dei dati.
Il dibattito su un eventuale bando dei LLM open-weight cinesi svela la tensione tra business dell’AI e commoditizzazione. Una partita che per chi punta su deployment on-premise e sovranità dei dati vale molto più di un titolo di giornale.
Il 73% dei direttori finanziari delle grandi aziende UK ora crede che l’AI migliorerà le performance, contro il 59% di fine 2025. Un’ondata di ottimismo che, filtrata dalla storica prudenza della categoria, disegna scenari concreti per il deployment on-premise: tra conformità normativa, controllo dei costi e sovranità dei dati.
Elon Musk ha bollato come «fake news» la notizia di un maxi-ordine da 52 miliardi di dollari tra SpaceX, Foxconn e Nvidia. La smentita infiamma il dibattito sull'opacità della corsa all'hardware AI e sulle reali dimensioni della domanda.
La capitalizzazione record di ASML non è solo un traguardo finanziario: è il riflesso di un collo di bottiglia hardware che condiziona ogni strategia di deployment locale degli LLM. Mentre l’intelligenza artificiale spinge la domanda di chip all’estremo, la dipendenza da pochi macchinari litografici solleva interrogativi strutturali per chi punta sulla sovranità dei dati.
L'IPO di CXMT segna un passaggio storico per l'indipendenza cinese nei semiconduttori. Ma il divario tecnicico, i controlli all'esportazione USA e i rischi brevettuali formano un trittico di ostacoli che impedisce ancora un impatto reale sulle memorie per carichi AI avanzati. Per chi valuta deployment on-premise di LLM, la diversificazione della supply chain resta più una scommessa geopolitica che una risorsa tecnica immediata.
Il gruppo guidato da Cheng-chiang Sun punta a rafforzare il proprio ruolo nell’intersezione tra intelligenza artificiale e fornitura di energia. Un’operazione che segnala come la domanda di potenza stabile per i carichi di lavoro di inference e training stia ridefinendo gli equilibri del settore.
In un'intervista recente, Compute Labs ha dichiarato l'intenzione di diventare un finanziatore infrastrutturale per l'intelligenza artificiale, puntando a mettere a disposizione GPU su scala. Dietro questa mossa c'è un cambiamento strutturale: la competizione tecnicica lascia spazio a una competizione sull'accesso al capitale. Per chi valuta deployment on-premise, modelli di finanziamento dedicati potrebbero abbassare le barriere, ma sollevano interrogativi su sovranità e indipendenza.
La cronica carenza di GPU ora morde anche chi le produce. Nvidia affronta un paradosso: la domanda interna per ricerca e servizi cloud si scontra con la priorità di rifornire i clienti. Un segnale che ridisegna gli equilibri di potere nella supply chain dell’AI e complica i piani di chi vuole server sotto il proprio controllo.
Il CEO di Nvidia ha trascorso una settimana in Giappone. Più di una visita di cortesia: la permanenza segnala un rafforzamento dei legami con attori strategici in un paese che accelera sulla sovranità digitale e sull’infrastruttura AI on-premise.
Un'email interna pubblicata su Reddit descrive Sam Altman come un CEO dalla 'mente distorta', riaccendendo le preoccupazioni sulla governance di OpenAI. Il leak, privo di dettagli tecnici, sottolinea la fragilità della fiducia nei vendor centralizzati e rafforza le ragioni per deployment self-hosted di LLM, dove il controllo rimane interno.