Nvidia sotto assedio: il suo vantaggio competitivo reggerà?

Punti chiave

• Cerebras sfida Nvidia sul fronte dell'elaborazione dei modelli di IA, mentre Google accelera lo sviluppo di chip personalizzati in collaborazione con Marvell.

• Gli hyperscaler puntano sempre più su soluzioni specializzate, progettate per specifici carichi di lavoro anziché su un unico processore generalista.

• Nvidia mantiene un vantaggio significativo nel software e nelle infrastrutture di rete, ma il mercato dei chip per l'IA sta evolvendo verso una maggiore specializzazione.

Nvidia ha cavalcato il boom dell'intelligenza artificiale fornendo il processore universale di riferimento per l'intero settore. Ora, però, alcuni dei suoi principali clienti cercano soluzioni progettate su misura per le proprie esigenze, mentre concorrenti più piccoli stanno ripensando radicalmente l'architettura dei chip.

Due sviluppi di questa settimana evidenziano chiaramente questa evoluzione. Il 18 agosto Cerebras ha presentato una nuova generazione di hardware progettata per accelerare in modo significativo l'esecuzione dei modelli di intelligenza artificiale. Il giorno successivo, Google ha ampliato la collaborazione con Marvell Technology sui chip personalizzati, una partnership che potrebbe generare fino a 120 miliardi di USD di ricavi per Marvell entro l'esercizio 2033, qualora vengano raggiunti gli obiettivi di performance previsti.

Gli investitori non sono rimasti indifferenti. Il 19 agosto Marvell ha chiuso a 237,27 USD, in rialzo di quasi il 10%. Ma l'aspetto più rilevante non è il movimento di prezzo di una singola seduta. È il fatto che Nvidia si trovi sempre più a difendere la propria leadership su due fronti contemporaneamente.

Le GPU non sono più l'unica strada per l'IA

Le unità di elaborazione grafica (GPU) di Nvidia sono diventate lo standard di riferimento per l'intelligenza artificiale grazie alla loro potenza e versatilità su una vasta gamma di carichi di lavoro. Questa flessibilità è particolarmente preziosa nella fase di addestramento dei modelli più avanzati, dove requisiti e architetture evolvono rapidamente.

La fase di esecuzione dei modelli, però, presenta esigenze diverse. Una volta addestrato, un modello deve elaborare continuamente le richieste degli utenti, un'attività per la quale i chip specializzati possono offrire maggiore efficienza. Google dispone delle proprie Tensor Processing Unit (TPU), Amazon sviluppa Trainium, mentre Meta sta lavorando al Meta Training and Inference Accelerator (MTIA). Queste soluzioni rinunciano a parte della flessibilità tipica delle GPU per ottenere migliori prestazioni, maggiore efficienza energetica o costi inferiori in applicazioni specifiche.

Il mercato sta quindi iniziando a differenziarsi. Nvidia continua a puntare su GPU altamente programmabili, gli hyperscaler come Google e Amazon progettano processori su misura per le proprie esigenze, mentre realtà specializzate come Cerebras stanno ripensando completamente le architetture tradizionali. Aziende come Marvell e Broadcom svolgono un ruolo centrale in questo ecosistema, mettendo a disposizione competenze nei semiconduttori, nel networking e nelle infrastrutture di connettività. In un settore sempre più specializzato, carichi di lavoro diversi richiedono soluzioni diverse.

Cerebras mette in discussione l'architettura tradizionale

Cerebras porta il concetto di specializzazione a un livello ancora superiore.

Invece di collegare numerosi chip convenzionali, l'azienda realizza processori grandi quasi quanto un intero wafer. Il nuovo sistema CS-4 ne utilizza tre, mantenendo elaborazione e memoria più vicine tra loro e riducendo la necessità di trasferire continuamente i dati, uno dei principali fattori di inefficienza nei sistemi di IA.

Secondo Cerebras, il sistema impiega il 50% di componenti in meno rispetto alla generazione precedente ed è stato progettato specificamente per la fase di esecuzione dei modelli, dove tempi di risposta più rapidi possono migliorare sia l'esperienza degli utenti sia l'efficienza economica dei data center. Questo non significa che Cerebras sia destinata a sostituire Nvidia. Nvidia continua a beneficiare di vantaggi importanti in termini di scala, software, affidabilità e ampiezza dell'ecosistema.

Tuttavia, l'approccio di Cerebras pone una domanda sempre più rilevante: ogni carico di lavoro legato all'intelligenza artificiale ha davvero bisogno di una GPU?

Google punta su chip progettati su misura

Dove la sfida potrebbe rallentare

I chip specializzati hanno senso dal punto di vista economico solo quando vengono sviluppati e distribuiti su larga scala. La loro progettazione richiede investimenti significativi, la produzione può rivelarsi complessa e il software deve garantire elevati livelli di affidabilità. Prestazioni superiori nei benchmark contano poco se i clienti incontrano difficoltà nell'implementazione concreta delle soluzioni.

Nvidia può inoltre difendere la propria posizione continuando a migliorare le prestazioni dei carichi di lavoro legati all'esecuzione dei modelli e mantenendo i clienti all'interno del proprio ecosistema software, di networking e di strumenti di sviluppo. Per gli investitori, quindi, il vero segnale da monitorare non è l'ennesimo annuncio di un chip più potente, ma l'effettivo spostamento dei carichi di lavoro verso soluzioni alternative.

Va considerato anche lo scenario opposto. La domanda di potenza di calcolo per l'intelligenza artificiale potrebbe crescere a un ritmo tale da consentire a Nvidia, ai progettisti di chip personalizzati e agli operatori specializzati di espandersi contemporaneamente. In un mercato in rapida crescita, infatti, una riduzione della quota di mercato non implica necessariamente un calo dei ricavi, soprattutto se il settore continua ad aumentare di dimensioni a un ritmo ancora più sostenuto.

La bussola per gli investitori

• Osservare le implementazioni, non le dimostrazioni. I chip personalizzati diventano realmente rilevanti quando gli hyperscaler li adottano in produzione per carichi di lavoro ampi e ricorrenti.

• Distinguere tra addestramento ed esecuzione dei modelli. Nvidia potrebbe mantenere una posizione di forza in una fase dell'IA anche se le alternative guadagnano terreno in altre aree.

• Monitorare l'infrastruttura circostante. Networking, memoria e connettività potrebbero assumere un'importanza crescente man mano che i data center integrano processori di diversa natura.

• Valutare con attenzione i fornitori di chip personalizzati. Importanti commesse possono creare opportunità significative, ma la dipendenza da pochi grandi clienti comporta anche rischi di concentrazione.

Un vantaggio competitivo può ridursi senza scomparire

La domanda non è più se sia possibile costruire un chip per l'intelligenza artificiale più veloce di quelli di Nvidia. In molti casi la risposta è sì, soprattutto per specifici carichi di lavoro e in determinate condizioni. La vera sfida è capire se queste alternative possano replicare, su larga scala, la combinazione di prestazioni, software, networking, capacità produttiva e facilità di implementazione che ha reso Nvidia il punto di riferimento del settore.

È per questo che sia Cerebras sia l'accordo tra Google e Marvell meritano attenzione. Da un lato, Cerebras mette in discussione le architetture tradizionali. Dall'altro, Google sfida l'idea che gli hyperscaler debbano necessariamente affidarsi a processori standardizzati. Nessuno di questi sviluppi implica che il vantaggio competitivo di Nvidia sia destinato a scomparire. Tuttavia, il mercato dell'intelligenza artificiale sta diventando sempre più specializzato e questo rende la leadership di Nvidia più complessa da difendere. L'azienda continua a occupare una posizione dominante, ma il numero di alternative disponibili sta aumentando. Il suo vantaggio competitivo resta significativo, semplicemente oggi deve confrontarsi con un numero crescente di percorsi che possono aggirarlo.