Google, Amazon e Microsoft stanno investendo sempre di più nello sviluppo di semiconduttori proprietari per sostenere la crescita dell’intelligenza artificiale nei data center. Una strategia che, secondo l’analisi pubblicata dal Center for European Policy Analysis e firmata da Christopher Cytera, riflette soprattutto la volontà dei grandi provider cloud di ridurre i costi e rafforzare il proprio potere negoziale nei confronti di NVIDIA, oggi leader incontrastata del mercato delle Gpu per l’AI.
Il punto centrale dell’analisi è che le nuove architetture sviluppate internamente dai big tech non sono destinate a sostituire NVIDIA, ma a integrarsi con le sue soluzioni. Come scrive Cytera, “le aziende del cloud controlleranno congiuntamente parti del livello dell’intelligenza artificiale, mentre NVIDIA continuerà a costruire i motori centrali, almeno nel prossimo futuro”.
Indice degli argomenti
Il dominio di NVIDIA resta saldo
Il mercato delle Gpu dedicate all’intelligenza artificiale continua a crescere a ritmi impressionanti. Secondo le stime riportate nell’analisi, il settore passerà da circa 36 miliardi di dollari nel 2025 a oltre 811 miliardi nel 2035. NVIDIA detiene oggi più dell’80% del mercato globale delle Gpu e i ricavi del segmento data center potrebbero crescere dai circa 115 miliardi di dollari del 2025 fino a 483 miliardi nel 2030.
A rafforzare il vantaggio competitivo della società americana è soprattutto CUDA, l’ecosistema software proprietario che ruota attorno ai suoi processori grafici e che, secondo il CePA, continua a rappresentare un elemento difficilmente aggirabile per gli operatori cloud. L’unico concorrente realmente significativo sul fronte delle Gpu resta AMD, anch’essa statunitense.
Google punta sui Tensor per contenere i costi
Nel caso di Google, il focus è sui chip TPU 8t e 8i, progettati per eseguire i modelli proprietari e alcuni carichi di lavoro selezionati all’interno di Google Cloud. Questi processori consentono a Mountain View di ottimizzare l’efficienza e di abbassare i prezzi soprattutto nelle attività di inferenza AI.
L’obiettivo, però, è costruire una leva industriale e commerciale più che un’alternativa completa all’universo NVIDIA. “Con TPU 8t/8i, Google ottiene un potente strumento per il controllo dei costi e per rafforzare il proprio potere negoziale, riducendo marginalmente la dipendenza da NVIDIA”, sottolinea Cytera.
Amazon costruisce un ecosistema completo
Amazon Web Services sta sviluppando quello che l’analisi definisce “forse il portafoglio di chip proprietari più completo”. La strategia del gruppo si basa su una gamma articolata di semiconduttori: i processori Graviton basati su Arm per il calcolo generale, Trainium per l’addestramento dei modelli AI e Inferentia per le attività di inferenza.
I chip vengono progettati internamente da AWS e prodotti da TSMC, ma anche in questo caso l’approccio resta complementare rispetto alle Gpu NVIDIA. “AWS presenta esplicitamente il silicio proprietario come un modo per “rafforzare il vantaggio competitivo dei propri chip”, continuando al tempo stesso le partnership con NVIDIA, AMD e Intel”, evidenzia il documento.
Microsoft accelera sull’efficienza dei workload AI
Anche Microsoft segue la stessa traiettoria. I chip Maia AI Accelerator e Azure Cobalt CPU sono stati progettati per ottimizzare i carichi di lavoro AI interni e dei clienti Azure attraverso un approccio integrato che coinvolge hardware, software e servizi cloud.
Il gruppo di Redmond riconosce apertamente che Maia ha un perimetro d’uso specifico: “Maia non è abbastanza potente da sostituire le Gpu NVIDIA nello sviluppo dei grandi modelli linguistici”, evidenzia l’analisi. I chip Microsoft sono quindi orientati soprattutto verso attività di inferenza e workload ad alto volume, migliorando l’efficienza operativa e riducendo solo in parte il ricorso agli acceleratori NVIDIA e AMD.
Verso data center AI sempre più ibridi
Secondo l’analisi del CePA, il futuro dell’intelligenza artificiale sarà caratterizzato da architetture ibride in cui Gpu, Cpu e acceleratori specializzati lavoreranno insieme. Le Gpu continueranno a rappresentare il cuore delle elaborazioni parallele su larga scala, mentre Cpu e chip dedicati coordineranno flussi di lavoro e pianificazione operativa.
Oggi nei data center AI si utilizza mediamente una Cpu ogni quattro Gpu, ma il rapporto potrebbe progressivamente avvicinarsi alla parità nei prossimi anni. Questo scenario porterà a un aumento della domanda complessiva di semiconduttori AI, senza ridurre il numero assoluto di Gpu installate.
La conclusione di Cytera è che il mercato dei chip AI sta diventando stratificato e collaborativo. “Chip AI di forme e caratteristiche diverse dovranno essere combinati tra loro – conclude l’analisi – per ottenere risultati ottimali”.
