Se oggi il costo di addestrare un modello si misura in gigawatt e non in righe di codice, è anche perché un'azienda ha passato quindici anni a costruire un mercato che non esisteva. NVIDIA non è arrivata sull'AI: l'AI è arrivata su NVIDIA, che era già lì.
Le origini
Fondata nel 1993 da Jensen Huang, Chris Malachowsky e Curtis Priem, NVIDIA nasce per accelerare la grafica 3D nei PC, in un mercato affollato da decine di concorrenti destinati a sparire. La prima svolta è la RIVA 128 del 1997; la seconda è la GeForce 256 del 1999, presentata come "la prima GPU del mondo" — un'operazione di marketing che però descriveva una cosa vera: un processore programmabile dedicato, non un semplice acceleratore fisso.
Il passaggio decisivo arriva però nel 2006 con CUDA: NVIDIA decide di esporre la potenza di calcolo parallelo delle sue GPU a chiunque scriva codice C, non solo a chi disegna triangoli. Per anni sembra un investimento senza ritorno, difeso da Huang contro l'evidenza dei conti. Poi nel 2012 AlexNet vince ImageNet addestrata su due GeForce da poche centinaia di dollari, e la comunità scientifica scopre che il deep learning è un problema di algebra lineare parallela. Cioè esattamente quello che CUDA sa fare.
Cosa fa davvero
NVIDIA non vende chip: vende sistemi. Il portafoglio si è allargato per strati concentrici.
- Acceleratori: dalla generazione Volta (2017, prime unità tensor) ad Ampere (A100), Hopper (H100), fino a Blackwell e ai rack GB200/GB300, dove l'unità di vendita non è più la scheda ma l'armadio.
- Rete: l'acquisizione di Mellanox nel 2019 le ha dato InfiniBand, gli switch Ethernet Spectrum e le SmartNIC. In un cluster di training, la rete è metà del problema.
- Interconnessione proprietaria: NVLink e NVSwitch tengono insieme decine di GPU come se fossero una sola, e non parlano con nessun altro.
- Software: CUDA, cuDNN, TensorRT, NCCL, i container NGC, i framework di inferenza. È qui che vive il fossato vero.
La svolta AI
Dal 2023 il data center è diventato la quasi totalità del fatturato, e NVIDIA è passata da azienda di componenti a fornitore d'infrastruttura: definisce i tempi di consegna dei cluster, la topologia dei rack, perfino i piani di potenza elettrica dei suoi clienti. La roadmap è passata a cadenza annuale — un ritmo pensato per non lasciare finestre agli inseguitori.
Il vantaggio, però, è meno "hardware" di quanto sembri. Un acceleratore concorrente può anche pareggiare i FLOPS: deve poi far girare senza attriti kernel scritti da dieci anni di ricercatori, con la stessa resa su cluster da decine di migliaia di nodi. È quella distanza, non il transistor, a rendere costoso il cambio.
Dove può rompersi
Tre crepe sono già visibili. La prima è che i suoi clienti più grandi — Google, Amazon, Microsoft, Meta, OpenAI — stanno tutti progettando silicio proprio: non per sostituirla, ma per avere un'alternativa credibile al tavolo delle trattative. La seconda è geopolitica: i controlli all'export hanno progressivamente chiuso il mercato cinese, che valeva una fetta consistente dei ricavi, e ogni ciclo di regole ne riscrive i confini. La terza è la concentrazione: pochi compratori, con budget annunciati in decine di miliardi, rendono il fatturato spettacolare finché salgono e fragile appena rallentano.
Il rischio più interessante, però, è un altro: se l'inferenza — non l'addestramento — diventerà la voce dominante della spesa, il terreno di gioco si sposta dove contano costo per token, latenza e banda di memoria. È esattamente il terreno su cui Broadcom, gli ASIC degli hyperscaler e le architetture alternative hanno una possibilità.