Il vantaggio competitivo di NVIDIA nell’intelligenza artificiale si sta spostando oltre le sole GPU. Con il lancio dell’architettura Vera Rubin, il gruppo punta a controllare una parte più ampia dell’infrastruttura necessaria per far funzionare i grandi data center AI: processori, acceleratori per l’inferenza, storage e networking. Una strategia che risponde alla crescente complessità dei sistemi di calcolo, ormai diretti verso installazioni su scala gigawatt.
Per i primi anni del boom dell’AI, NVIDIA è stata l’unico fornitore di GPU allo stato dell’arte, trasformando quella posizione in una formidabile crescita economica. Tra l’inizio del 2023 e la metà del 2025 la sua capitalizzazione è aumentata di dieci volte. Nell’ultimo anno, però, il titolo ha seguito una traiettoria più moderata, mentre hyperscaler come Amazon e Google hanno iniziato a sviluppare chip proprietari e gli investitori si sono interrogati sulla durata del vantaggio del gruppo.
I risultati finanziari diffusi mercoledì hanno rafforzato una lettura differente: la posizione di NVIDIA dipende sempre meno da un singolo componente e sempre più dalla capacità di coordinare l’intero sistema. Quando la potenza di calcolo raggiunge la scala gigawatt, mantenere un data center di dimensioni enormi vicino alla massima efficienza diventa un problema di orchestrazione. L’aumento della velocità e delle dimensioni delle installazioni rende questa attività ancora più complessa.
Vera Rubin mostra concretamente questa evoluzione. L’architettura abbina la Rubin GPU a diverse unità specializzate, tra cui la CPU Vera, l’acceleratore per l’inferenza Groq 3 LPX e rack dedicati a storage e networking. Questi sistemi non elaborano direttamente i token come una GPU: gestiscono ciò che avviene intorno al processore, cercando di eliminare inefficienze e colli di bottiglia. Se la GPU rappresenta il motore, il resto dell’architettura costituisce l’automobile che permette di sfruttarlo.
Un ruolo centrale spetta alla Vera CPU, progettata per orchestrare i dati. Jason Hardy, vicepresidente di NVIDIA per le tecnologie di storage, ha spiegato che in un singolo server o in qualsiasi piattaforma di calcolo può essere installata soltanto una quantità limitata di memoria. La capacità disponibile nei data center è cresciuta insieme alla potenza computazionale, favorendo aziende come Micron, ma consegnare i dati alla GPU nel momento corretto resta un’operazione tutt’altro che automatica.
La gestione dei flussi incide anche sull’obiettivo di ridurre i token prodotti per watt consumato. Secondo Hardy, nelle operazioni considerate la Vera CPU ha consentito miglioramenti fino a tre volte, permettendo di sfruttare pienamente lo storage flash senza creare strozzature. L’efficienza dell’infrastruttura, in questa prospettiva, non deriva soltanto da un numero superiore di cicli del processore, ma dalla capacità di spostare memoria e dati con tempi e percorsi più intelligenti.
Una logica analoga emerge nel progetto Jalapeño di OpenAI, sviluppato però con un’impostazione differente. Il chip cerca di ridurre alla fonte gli spostamenti dei dati e i ritardi nelle comunicazioni, mantenendo l’intero carico di lavoro all’interno di un unico sistema connesso. Invece di ottimizzare il traffico tra componenti separati, OpenAI punta quindi a evitare quanto più possibile quel traffico, così da conservare velocità ed efficienza dall’inizio alla fine della richiesta.
La nuova competizione si giocherà così su uno strato infrastrutturale più ampio. NVIDIA dovrà confrontarsi con produttori di chip rivali e hyperscaler anche nell’orchestrazione dei dati, senza poter considerare automaticamente acquisita la leadership. Costruire una GPU alternativa, tuttavia, diventa soltanto una parte della sfida: occorre far lavorare con efficienza l’intero sistema. Nelle prime fasi di questa transizione, NVIDIA appare già in una posizione di netto vantaggio.