La scommessa da 2,5 miliardi di dollari di Nvidia su Thinking Machines alza la posta nella rivalità tra Hugging Face e OpenAI

Secondo quanto riportato, Nvidia sta negoziando un investimento di circa 2,5 miliardi di dollari in Thinking Machines Lab di Mira Murati, che potrebbe coprire all’incirca metà di un nuovo round di finanziamento. I colloqui inseriscono la rivalità tra Hugging Face e OpenAI in una competizione molto più ampia su chi finanzia, addestra, distribuisce e personalizza i modelli AI avanzati.

L’operazione riportata resta in fase di negoziazione. Thinking Machines e Nvidia non hanno confermato pubblicamente l’importo o i termini finali. Tuttavia, l’investimento proposto segue una partnership già esistente tra le società e l’accordo di Nvidia per acquisire Hugging Face.

Questa sequenza è la vera notizia. Nvidia non influenza più lo sviluppo dell’AI soltanto attraverso i chip acquistati dai laboratori. Sta collocando capitale, capacità di calcolo e infrastrutture di distribuzione attorno agli sviluppatori che decidono quali modelli verranno adottati su larga scala.

OpenAI subisce la pressione di questa strategia, pur restando uno dei maggiori clienti e partner infrastrutturali di Nvidia. Thinking Machines è guidata dall’ex direttrice tecnologica di OpenAI e impiega diversi ricercatori con esperienza nei principali laboratori di AI.

La competizione emergente non è quindi un semplice confronto tra Nvidia e OpenAI. È una lotta tra l’accesso centralizzato ai modelli e un mercato sempre più finanziato di alternative personalizzabili a pesi aperti.

L’accordo riportato va oltre un altro round di finanziamento AI

Il finanziamento proposto legherebbe Thinking Machines più strettamente alla società che fornisce la sua infrastruttura di calcolo.

Secondo l’iniziale rapporto sul finanziamento, Thinking Machines sta discutendo un round compreso tra 5 e 6 miliardi di dollari. La valutazione pre-money riportata è di almeno 40 miliardi di dollari.

Andreessen Horowitz, investitore già presente con un posto nel consiglio di amministrazione, avrebbe detto ai potenziali investitori che Nvidia avrebbe dovuto fornire circa metà del capitale. Ciò porterebbe il contributo di Nvidia vicino ai 2,5 miliardi di dollari se venisse completata la parte bassa del round.

Un’altra ricostruzione ha indicato Accel come potenziale lead investor e si è concentrata su almeno 1 miliardo di dollari di nuovo capitale. Queste cifre non sono necessariamente incompatibili, perché le discussioni sui finanziamenti spesso comportano impegni variabili, chiusure multiple e diverse definizioni del round obiettivo.

Stabiliscono però un importante divario di verifica. Nessun accordo annunciato garantisce attualmente che Thinking Machines raccoglierà 5 miliardi di dollari, che Nvidia investirà 2,5 miliardi di dollari o che gli investitori accetteranno la valutazione proposta.

La portata merita comunque attenzione. Thinking Machines aveva in precedenza completato un seed round da 2 miliardi di dollari guidato da Andreessen Horowitz. Nvidia aveva inoltre partecipato insieme a investitori tra cui Accel, AMD, Cisco, ServiceNow e Jane Street.

Secondo le notizie dell’epoca, quel precedente finanziamento aveva valutato la società 12 miliardi di dollari dopo l’investimento. Una valutazione di almeno 40 miliardi di dollari prima del nuovo capitale rappresenterebbe un rapido incremento in poco più di un anno.

Thinking Machines dispone ora di prodotti commerciali, ricerca pubblicata e un modello a pesi aperti. Questi sviluppi rendono la nuova proposta più concreta rispetto alla storia iniziale di raccolta fondi della società, che dipendeva in larga misura dal curriculum di Murati e del suo team.

La società ha lanciato Tinker nell’ottobre 2025. Tinker è un’interfaccia di programmazione applicativa gestita per il fine-tuning dei modelli, il che consente ai clienti di adattare modelli esistenti senza gestire il sistema di addestramento distribuito sottostante.

Successivamente, Thinking Machines ha rilasciato Inkling, il suo primo modello a pesi aperti. I pesi aperti danno agli sviluppatori accesso ai parametri appresi di un modello, sebbene tale accesso non includa necessariamente l’intero set di dati di addestramento o il codice sorgente.

Questi prodotti rendono il presunto investimento AI di Nvidia più di una scommessa su una fondatrice famosa. Collocano Nvidia accanto a una società che sviluppa un percorso pratico per consentire a imprese e ricercatori di personalizzare alternative ai servizi di modelli chiusi.

Quel percorso richiede inoltre una capacità di calcolo considerevole. Tinker gestisce pianificazione, allocazione delle risorse e ripristino nell’infrastruttura condivisa. I clienti vedono un’interfaccia software, mentre Thinking Machines gestisce il costoso livello hardware sottostante.

Nvidia può trarre vantaggio a entrambi i livelli. Può ottenere esposizione azionaria se Thinking Machines cresce, sostenendo al contempo un cliente i cui servizi generano una domanda continua di sistemi Nvidia.

Questa relazione trasforma un annuncio di finanziamento in un evento strutturale per il settore. L’investitore è anche il fornitore critico, un partner infrastrutturale e il potenziale proprietario di una importante piattaforma di distribuzione dei modelli.

Nvidia sta costruendo un volano di capitale e calcolo

Gli investimenti di Nvidia aiutano i laboratori AI ad acquistare una quantità maggiore dell’infrastruttura che Nvidia vende.

Questa dinamica viene talvolta descritta come finanziamento circolare. L’espressione si riferisce a accordi in cui un fornitore finanzia clienti che poi spendono importi sostanziali presso lo stesso fornitore.

La circolarità non rende automaticamente un’operazione insostenibile. Una startup può ricevere capitale reale, ottenere infrastrutture produttive e generare una domanda indipendente da parte dei clienti. Nvidia può inoltre ottenere un rendimento legittimo sia dal proprio hardware sia dalle partecipazioni azionarie.

Tuttavia, la struttura complica i segnali convenzionali. I ricavi generati tramite un cliente sostenuto da un fornitore potrebbero non trasmettere le stesse informazioni di una domanda finanziata interamente da capitale non collegato.

Nvidia ha affrontato direttamente questa critica durante la conference call sui risultati dell’agosto 2026. La società ha dichiarato di aver investito quasi 50 miliardi di dollari nei laboratori AI di frontiera e di aspettarsi che tali rapporti generassero business sulla sua piattaforma.

La sua trascrizione dei risultati ha descritto la capacità di calcolo come il vincolo per le aziende AI in rapida crescita. Nvidia ha sostenuto che il suo bilancio potesse aiutare questi clienti a ottenere infrastrutture prima che i loro profili creditizi maturassero.

La società ha inoltre riconosciuto che gli osservatori avrebbero definito parti di questa strategia come finanziamento circolare. La sua risposta è stata che i sistemi di calcolo Nvidia restano utili e possono essere riassegnati se un cliente non riesce a utilizzare la capacità.

Questa difesa ha fondamento. Gli acceleratori per uso generale possono servire modelli e clienti diversi, soprattutto quando gli operatori infrastrutturali progettano cluster per la riassegnazione. Tuttavia, spostare capacità non elimina i rischi di costruzione, finanziamento, energia o tempistiche.

Thinking Machines ha già un profondo impegno infrastrutturale. Nel marzo 2026, le società hanno annunciato un accordo pluriennale per distribuire almeno un gigawatt di sistemi Vera Rubin di prossima generazione.

L’avvio della distribuzione è previsto all’inizio del 2027. L’accordo copre l’addestramento di modelli di frontiera e servizi progettati per consentire ai clienti di personalizzare sistemi AI.

La partnership di calcolo ufficiale ha inoltre rivelato che Nvidia aveva effettuato un investimento significativo in Thinking Machines. Nessuna delle due società ha pubblicato l’importo.

Un nuovo impegno da 2,5 miliardi di dollari estenderebbe quindi una relazione consolidata. Non rappresenterebbe il primo contatto di Nvidia con la società di Murati né il suo primo tentativo di assicurarsi il laboratorio come cliente infrastrutturale di lungo periodo.

La logica di Nvidia è diretta. I laboratori di frontiera richiedono enormi budget di calcolo prima che i loro prodotti generino flussi di cassa comparabili. Il finanziamento azionario aiuta a colmare questo divario e incoraggia implementazioni ambiziose.

Il laboratorio ottiene accesso a capitale e sistemi scarsi. Nvidia ottiene domanda di hardware, adozione software, influenza strategica e un potenziale apprezzamento della propria partecipazione.

Lo stesso modello può rafforzare CUDA, l’ambiente software di Nvidia per programmare i suoi processori grafici. I ricercatori costruiscono flussi di lavoro attorno ai sistemi disponibili, mentre gli sviluppatori ereditano tali scelte tramite API e strumenti per i modelli.

Una volta che i sistemi di addestramento, fine-tuning e inferenza di un laboratorio puntano alle architetture Nvidia, cambiare diventa una decisione ingegneristica rilevante. Gli acceleratori concorrenti devono offrire più di costi inferiori, perché la migrazione può influire su codice, prestazioni, supporto e calendari di implementazione.

Thinking Machines afferma che Tinker protegge i clienti da gran parte di questa complessità. La sua piattaforma di fine-tuning gestisce l’addestramento distribuito, dando al contempo agli utenti controllo sui propri algoritmi e dati.

Questa comodità rafforza Nvidia indirettamente. Gli sviluppatori possono utilizzare modelli a pesi aperti senza gestire cluster, ma il livello gestito può comunque indirizzare i loro carichi di lavoro verso l’infrastruttura Nvidia.

Il volano di finanziamento è quindi più ampio delle vendite di chip. Nvidia fornisce capitale ai laboratori, i laboratori costruiscono servizi su sistemi Nvidia e gli sviluppatori adottano tali servizi senza compiere una scelta hardware esplicita.

La concorrenza tra Hugging Face e OpenAI ora ha un proprietario infrastrutturale

L’acquisizione di Hugging Face da parte di Nvidia le conferisce influenza sul luogo in cui gran parte della comunità dei modelli aperti pubblica e scopre il proprio lavoro.

Il 3 settembre Nvidia ha accettato di acquisire Hugging Face per 12.930.300.000 dollari. L’operazione colloca un repository critico di modelli accanto all’hardware, al software, alle partnership cloud e agli investimenti di Nvidia nei laboratori AI.

Hugging Face afferma che la sua piattaforma serve oltre 18 milioni di sviluppatori, ricercatori e creatori. Gli utenti vi hanno condiviso più di 3 milioni di modelli, 500.000 dataset e 1 milione di applicazioni.

Secondo Nvidia, oltre 200.000 aziende utilizzano il servizio per scoprire, valutare, personalizzare o distribuire AI. Queste cifre provengono dalle società coinvolte e non sono state sottoposte a verifica indipendente nell’annuncio dell’acquisizione.

Nvidia ha promesso che Hugging Face resterà aperta a modelli, framework, cloud, provider di inferenza e piattaforme di calcolo differenti. La sua dichiarazione sull’acquisizione ha specificato che l’hardware Nvidia non sarebbe stato obbligatorio.

Questo impegno è importante perché Hugging Face funge da infrastruttura neutrale per molte comunità concorrenti. Il suo valore dipende in parte dalla fiducia degli sviluppatori nel fatto che continuerà a supportare modelli realizzati per Nvidia, AMD, Google e altri sistemi.

Il cambio di proprietà modifica il calcolo della fiducia anche se le politiche di prodotto restano invariate. Gli sviluppatori devono considerare se ricerca, valutazione, inferenza ospitata e integrazioni continueranno a trattare con pari equità hardware e modelli concorrenti.

Thinking Machines si trova direttamente dentro questa tensione. Il suo modello Inkling a pesi aperti viene distribuito tramite Hugging Face, mentre il suo servizio Tinker offre personalizzazione gestita.

Nvidia potrebbe quindi partecipare a diverse fasi dello stesso flusso di lavoro. Uno sviluppatore potrebbe scoprire un modello aperto su Hugging Face, personalizzarlo tramite Tinker ed eseguire il carico di lavoro associato su sistemi Nvidia.

OpenAI segue un diverso modello primario. I suoi clienti accedono generalmente a modelli proprietari tramite ChatGPT, un’API o integrazioni aziendali. Gli utenti possono personalizzarne il comportamento, ma non ricevono i pesi dei principali modelli di frontiera.

Questo rende il confronto tra hugging-face e OpenAI un conflitto tra strutture di distribuzione, non semplicemente tra punteggi nei benchmark. Un percorso offre modelli gestiti centralmente attraverso servizi controllati. L’altro mette a disposizione degli sviluppatori un ampio catalogo di pesi e strumenti da modificare.

Thinking Machines scommette sul fatto che le imprese vogliano un maggiore controllo sui modelli adattati ai propri dati e compiti. Tinker soddisfa questa domanda senza richiedere a ogni organizzazione di costruire il proprio cluster di addestramento.

I primi esempi dell’azienda includono il ragionamento matematico, la chimica, la ricerca sul controllo dell’AI e l’addestramento multi-agente. Si tratta di ambiti più ristretti rispetto alle implementazioni di chatbot per uso generale, ma mostrano dove la personalizzazione può fare la differenza.

Un gruppo di ricerca farmaceutica potrebbe aver bisogno di un modello adattato a compiti chimici specializzati. Un’azienda software potrebbe volere un modello addestrato in base ai propri criteri di valutazione interni. Un laboratorio di ricerca potrebbe aver bisogno di controllare i metodi di reinforcement learning.

I servizi chiusi possono supportare alcuni di questi casi d’uso tramite API e funzionalità di fine-tuning. I sistemi a pesi aperti offrono opzioni diverse in termini di controllo, portabilità e ispezionabilità, sebbene trasferiscano anche maggiori responsabilità operative e di sicurezza agli utenti.

Nvidia non ha bisogno che un percorso elimini l’altro. Vende infrastruttura a laboratori chiusi come OpenAI, mentre costruisce posizioni più solide nel mercato dei pesi aperti.

Questa neutralità tra modelli di business è commercialmente attraente. La questione più difficile è se Nvidia riuscirà a preservare una credibile neutralità tecnica dopo l’acquisizione di Hugging Face.

Thinking Machines esercita pressione su OpenAI senza diventarne un sostituto diretto

L’azienda di Murati sfida OpenAI offrendo un’altra destinazione a talenti, capitali e clienti in cerca di modelli adattabili.

Thinking Machines non eguaglia attualmente la portata dei prodotti, la base di ricavi o la distribuzione consumer di OpenAI. Trattarla come un sostituto diretto significherebbe sopravvalutare ciò che le prove disponibili mostrano.

La sua sfida è più circoscritta e strategicamente importante. L’azienda recluta ricercatori che conoscono i sistemi di frontiera, attrae round di finanziamento insolitamente ingenti e vende una piattaforma di personalizzazione dei modelli a utenti tecnici.

Murati conferisce ulteriore credibilità all’azienda. È stata chief technology officer di OpenAI ed è diventata brevemente amministratrice delegata ad interim durante la crisi di leadership dell’azienda nel 2023.

Anche diversi dipendenti di Thinking Machines provenivano da OpenAI o da altri grandi laboratori. Questa concentrazione di esperienza ha aiutato la startup a raccogliere il suo primo round prima di aver rilasciato un prodotto.

Il vantaggio nei talenti non è permanente. Thinking Machines ha registrato partenze di alto profilo, inclusi ricercatori tornati a OpenAI. Questi spostamenti mostrano quanto facilmente le competenze possano circolare tra laboratori che perseguono obiettivi sovrapposti.

OpenAI rimane inoltre strettamente legata a Nvidia. La discussione sugli utili di Nvidia di agosto ha fatto riferimento a impegni OpenAI esistenti e pianificati che rappresentano circa 12 gigawatt di capacità di calcolo Nvidia.

Questo rende OpenAI sia un cliente essenziale sia una controparte strategica. Nvidia ha poche ragioni per indebolire un acquirente che opera su quella scala.

Nvidia trae invece vantaggio dal sostenere diversi laboratori credibili. La concorrenza incoraggia ciascuno di essi ad addestrare sistemi più grandi, espandere la capacità di inferenza e assicurarsi infrastrutture prima dei rivali.

Thinking Machines aggiunge un altro partecipante a questa corsa alla spesa. Il suo promesso deployment su scala gigawatt segnala un’ambizione ben oltre quella di una startup software convenzionale.

La strategia di prodotto dell’azienda evita comunque uno scontro diretto sui benchmark. Inkling e Tinker pongono l’accento sulla personalizzazione, anziché rivendicare una superiorità universale su OpenAI, Anthropic o Google.

Questa distinzione conta per gli acquirenti aziendali. Il modello generale con il punteggio più alto non è automaticamente la scelta migliore per un flusso di lavoro specializzato che coinvolge dati privati, giudizi specifici di dominio o rigidi controlli operativi.

Un modello personalizzato può superare un modello generale più grande in un compito definito in modo ristretto quando i dati di addestramento e le valutazioni riflettono il lavoro effettivo. Tuttavia, questo risultato richiede misurazioni accurate, piuttosto che un’affermazione generica sull’intelligenza del modello.

Thinking Machines deve dimostrare che un numero sufficiente di clienti attribuisce valore a questo controllo per sostenere i suoi impegni infrastrutturali e la valutazione riportata. L’adozione del prodotto, non la reputazione della fondatrice, porta ora questo peso.

Secondo una persona citata in una copertura separata, l’azienda genera un livello di ricavi annualizzati superiore a 100 milioni di dollari. Questa cifra non è stata divulgata in bilanci finanziari sottoposti a revisione.

Anche se fosse accurata, collocherebbe una valutazione di 40 miliardi di dollari a centinaia di volte gli attuali ricavi annualizzati. Gli investitori pagherebbero per l’espansione attesa, piuttosto che per una performance finanziaria consolidata.

Questa aspettativa esercita pressione su OpenAI in due punti. Aumenta la concorrenza per i ricercatori e offre ai clienti aziendali un altro percorso ben finanziato verso modelli adattabili.

Esercita inoltre pressione sugli sviluppatori di modelli aperti. Una Thinking Machines fortemente finanziata può offrire infrastrutture gestite che i fornitori più piccoli faticano a eguagliare, concentrando potenzialmente un mercato apparentemente aperto attorno a poche piattaforme ricche di capitale.

La promessa dei modelli aperti comporta un rischio di concentrazione

I pesi aperti possono ampliare il controllo degli sviluppatori mentre l’infrastruttura circostante diventa più concentrata.

Questo è il compromesso centrale dell’operazione riportata. I pesi dei modelli possono essere scaricabili, adattabili e ridistribuibili, ma addestrarli e servirli richiede comunque chip, energia, software, repository e capitale.

Nvidia occupa ora una posizione centrale lungo tutti questi livelli. Domina il mercato degli acceleratori, mantiene la piattaforma software CUDA, investe nei laboratori di modelli e pianifica di possedere Hugging Face.

Una partecipazione significativa in Thinking Machines aggiungerebbe un ulteriore livello. Nvidia sosterrebbe un’azienda che trasforma la personalizzazione a pesi aperti in un servizio commerciale gestito.

Nessuna di queste relazioni dimostra che Nvidia limiterà i concorrenti. Il suo impegno pubblico relativo a Hugging Face supporta esplicitamente più acceleratori e cloud.

Tuttavia, gli incentivi meritano attenzione. Nvidia ha un interesse economico nel rendere i modelli aperti più facili da implementare quando tali implementazioni aumentano la domanda di calcolo Nvidia.

Ha inoltre interesse a capire dove si stanno spostando gli sviluppatori. Una piattaforma di distribuzione può rivelare quali architetture, famiglie di modelli, dataset e applicazioni attirano attenzione.

Le protezioni di governance possono limitare il modo in cui tali informazioni vengono utilizzate. Una chiara separazione dei prodotti, politiche di ranking trasparenti, strumenti di esportazione e supporto agli acceleratori concorrenti contribuirebbero a preservare la fiducia.

Gli sviluppatori dovrebbero valutare queste pratiche attraverso comportamenti osservabili. Le promesse fatte quando viene annunciata un’acquisizione sono utili, ma è l’implementazione a determinare se una piattaforma rimane neutrale.

Thinking Machines introduce le proprie incertezze. I termini di finanziamento riportati non sono stati confermati e il divario tra la valutazione riportata e la performance aziendale divulgata appare considerevole.

L’azienda dipende inoltre da una costosa espansione infrastrutturale. Un deployment su scala gigawatt richiede sistemi, strutture, energia, rete e una domanda continua da parte di clienti paganti.

Il successo tecnico non garantisce un utilizzo efficiente. I cluster di addestramento possono rimanere al di sotto della capacità quando i progetti slittano, i clienti ritardano il lavoro o il software non riesce a pianificare efficacemente i job.

Il design di calcolo condiviso di Tinker affronta una parte di questo problema. Il servizio utilizza l’adattamento a basso rango, un metodo che regola un insieme più piccolo di parametri del modello anziché riaddestrare ogni peso.

Questo approccio può ridurre il calcolo necessario per la personalizzazione. Può inoltre consentire a più job di addestramento di condividere l’infrastruttura in modo più efficiente.

Tuttavia, l’efficienza crea un’altra tensione per Nvidia. Se il fine-tuning diventa più economico, ogni singolo compito richiede meno hardware. Nvidia deve contare sul fatto che barriere più basse producano un utilizzo totale molto maggiore.

La strategia ricorda altri mercati del computing in cui una maggiore efficienza espande la domanda rendendo economiche nuove applicazioni. Questo esito è plausibile, ma resta una previsione anziché un risultato verificato.

La sicurezza aggiunge un’ulteriore complicazione. I rilasci a pesi aperti consentono ai ricercatori indipendenti di esaminare e migliorare i modelli, ma possono anche ridurre la capacità di uno sviluppatore di ritirare un sistema pericoloso.

Thinking Machines ha sostenuto valutazioni graduali e salvaguardie attorno ai rilasci aperti. L’approccio dell’azienda merita una valutazione rispetto alle reali capacità dei modelli, alla documentazione e alla gestione degli incidenti.

Per gli utenti aziendali, la domanda pratica non è se i modelli aperti o chiusi siano universalmente migliori. È quale percorso fornisce il controllo, l’affidabilità, la responsabilità e le opzioni di cambio necessari per uno specifico carico di lavoro.

I team che confrontano queste scelte devono inoltre preservare il proprio contesto al di fuori di qualsiasi singolo fornitore di modelli. Una base di conoscenza AI ben mantenuta può rendere più coerente il test dei modelli, perché il materiale di origine rimane sotto il controllo del team.

Questa indipendenza operativa sarà più importante se l’accesso ai modelli si consoliderà attorno a poche aziende integrate verticalmente.

Tre segnali metteranno alla prova la strategia di Nvidia su Thinking Machines

Le prossime prove devono arrivare da termini firmati, adozione misurabile e una credibile neutralità della piattaforma.

Il primo segnale è un annuncio di finanziamento completato. I lettori dovrebbero osservare l’importo finale, il contributo di Nvidia, la base della valutazione, i diritti nel consiglio di amministrazione e qualsiasi impegno commerciale collegato all’investimento.

Un round vicino all’intervallo riportato tra 5 e 6 miliardi di dollari rafforzerebbe l’argomento secondo cui Nvidia sta costruendo un’ampia rete di capitale e calcolo. Una chiusura molto più piccola indebolirebbe tale interpretazione.

I termini contano quanto le dimensioni. Un normale investimento di minoranza comporta implicazioni diverse da accesso preferenziale, obblighi di acquisto, disposizioni di infrastruttura esclusiva o influenza sulle decisioni strategiche.

Il secondo segnale è l’utilizzo di Tinker e Inkling. Thinking Machines deve dimostrare che sviluppatori e imprese pagano ripetutamente per personalizzare e gestire modelli, non che stanno semplicemente testando infrastrutture sovvenzionate.

Indicatori utili includerebbero la fidelizzazione dei clienti, il consumo ricorrente di calcolo, le implementazioni in produzione e valutazioni indipendenti su compiti specializzati. Le dichiarazioni sui ricavi dovrebbero infine essere supportate da comunicazioni coerenti.

Un’adozione di successo convaliderebbe l’attenzione del laboratorio sulla personalizzazione. Una fidelizzazione debole suggerirebbe che le imprese preferiscono API chiuse, modelli aperti autogestiti o piattaforme gestite concorrenti.

Il terzo segnale è la neutralità di Hugging Face dopo l’acquisizione. Gli sviluppatori dovrebbero osservare se la scoperta dei modelli, le integrazioni, la documentazione e i servizi ospitati continuano a supportare sistemi non Nvidia a condizioni comparabili.

La portabilità dei repository fornirà un altro test. Gli utenti dovrebbero poter esportare modelli e dataset senza incontrare barriere tecniche o contrattuali progettate per mantenere i carichi di lavoro nell’ambiente Nvidia.

Un supporto visibile a più acceleratori rafforzerebbe l’affermazione di Nvidia di stare espandendo l’ecosistema aperto. Un trattamento preferenziale che indirizzi gli utenti verso il proprio hardware comprometterebbe tale affermazione.

Questi segnali chiariranno anche la rivalità tra hugging-face e OpenAI. OpenAI non ha bisogno di rilasciare i pesi del proprio modello di punta affinché la sua strategia abbia successo, ma deve mantenere i clienti che attribuiscono sempre più valore alla portabilità e alla personalizzazione.

Thinking Machines affronta la sfida opposta. Deve trasformare il controllo degli sviluppatori in un’attività capace di sostenere enormi costi infrastrutturali.

Nvidia è nella posizione di trarre vantaggio da qualunque modello di accesso prevalga. Fornisce OpenAI su una scala straordinaria, finanziando al contempo alternative open-weight e acquisendo il loro più importante hub di distribuzione.

È per questo che il riportato investimento da 2,5 miliardi di dollari non è una normale notizia di venture capital. Rappresenta un ulteriore passo nell’impegno di Nvidia a finanziare la domanda, l’infrastruttura e i canali per sviluppatori che ruotano attorno all’AI moderna.

La domanda decisiva è se questa rete ampli una scelta significativa o si limiti a spostare il controllo. Occorre seguire i termini di finanziamento firmati, l’effettivo utilizzo da parte dei clienti e il trattamento che Hugging Face riserva ai sistemi concorrenti. Questi tre criteri riveleranno se Nvidia sta sostenendo un mercato aperto o se sta silenziosamente diventandone il guardiano.