Quick View - Informazioni utili per gli investitori dalla GTC 2025 di NVIDIA

I token sono il "nuovo petrolio"

I dati erano il "nuovo petrolio", ma in un mondo in cui l'AI generativa consente la creazione illimitata di dati sintetici, ora i token sono la nuova risorsa di potere. L'innovazione originale del modello transformer che ha rivoluzionato e inaugurato l'era dell'AI generativa si basa sulla tokenizzazione. I token sono unità di dati elaborate dai modelli AI nelle fasi di addestramento e inferenza, che consentono di fare previsioni, generare contenuti e ragionare. Quindi i token equivalgono all'intelligenza e, in ultima analisi, porteranno a un aumento dei ricavi e dei profitti.

Jensen Huang, CEO di NVIDIA, ha parlato a lungo di "fabbriche di AI", ossia data center AI che creano token, e quindi intelligenza, per ottimizzare la progettazione dei prodotti, gestire l'attività in modo più efficiente e migliorare la qualità del servizio ai clienti. Il CEO di NVIDIA immagina un futuro in cui ogni azienda avrà due tipi di fabbriche: una dedicata alla produzione e una matematica. NVIDIA, leader del settore dei chip AI avanzati, ha iniziato solo da poco a progettare i chip del futuro con strumenti software EDA (Electronic Design Automation) accelerati grazie all'AI – solo di recente il software è stato ottimizzato per funzionare con il linguaggio di programmazione CUDA di NVIDIA. La società ha inoltre annunciato una partnership onnicomprensiva con GM (General Motors) che riguarda l'uso dell'AI per aiutare GM a progettare automobili, migliorare l'efficienza, nonché consentire la guida autonoma.

AI agentica: la prossima ondata dell'AI

Siamo ancora agli inizi della curva dell'innovazione dell'AI generativa. La nuova legge di scalabilità evidenziata da Jensen Huang riguarda il test time scaling o i modelli di ragionamento a lungo termine, che adottano un approccio al processo di pensiero a più lungo termine per arrivare a una risposta più accurata, invece di dare la priorità alla rapidità. Questi modelli di ragionamento, introdotti di recente sul mercato, sono alla base dell'AI agentica. Si tratta di una forma di AI in grado di agire in modo autonomo, in quanto comprende il contesto del problema che le viene chiesto di risolvere. Il punto di svolta consiste nella capacità di ragionare e pianificare una linea d'azione per risolvere il problema in maniera multimodale. Ciò potrebbe comportare, ad esempio, la lettura di un articolo di un sito Web o la visione di un video, per poi seguire contemporaneamente diversi percorsi potenziali per la soluzione del problema e quindi verificare la coerenza delle risposte o ricollegarle alla domanda. In questo modo si superano le difficoltà incontrate da ChatGPT e altri modelli di inferenza "one-shot" anche nel rispondere a domande semplici, per non parlare di quelle più complesse. L'AI agentica è una forma di intelligenza più avanzata che rende possibile la prossima ondata tecnologica con il passaggio dai copiloti ad agenti AI in grado di eseguire task senza supervisione con un alto grado di precisione e coerenza. L'AI agentica espande in modo significativo il mercato di riferimento dell'AI e apre la strada a nuove applicazioni dell'AI fisica, come i robot umanoidi e la guida autonoma, dove entrano in gioco forze del mondo reale come la gravità, l'attrito e le relazioni di "causa ed effetto".

Chiarire l'equivoco su DeepSeek

Jensen si è sforzato di sottolineare che il mercato aveva completamente frainteso le implicazioni del lancio del modello R1 di DeepSeek all'inizio di quest'anno. Mettendo a confronto DeepSeek e un modello standard di Meta privo di capacità di ragionamento, si è constatato che la risposta di DeepSeek era più accurata, ma ha richiesto 20 volte più token e 150 volte più calcoli. Lungi dall'indicare una futura riduzione delle esigenze di calcolo, DeepSeek ha introdotto i modelli di ragionamento, aprendo la strada a un nuovo vettore di scaling per le esigenze di calcolo dell'AI.

NVIDIA ha presentato inoltre la sua tabella di marcia fino al 2027, che culminerà con il prossimo superchip AI, Rubin Ultra, dalle prestazioni 400 volte superiori a quelle di Hopper. Si tratta di un aspetto importante perché le attuali restrizioni statunitensi all'esportazione di semiconduttori (volte a limitare l'accesso della Cina ai semiconduttori avanzati e alle attrezzature necessarie per produrli) impongono una limitazione assoluta per il calcolo AI al livello meno avanzato di Hopper. Nei prossimi anni, i nuovi modelli di AI cinesi saranno vincolati da questa limitazione di calcolo, mentre a livello globale i modelli AI si addestreranno probabilmente su infrastrutture AI con prestazioni esponenzialmente più elevate. Ciò sembra suggerire che in questo momento le capacità in materia di AI della Cina rispetto al resto del mondo sono probabilmente a un livello relativamente alto.

Le soluzioni full stack risolveranno la sfida energetica posta dall'AI

NVIDIA non è mai stata semplicemente un'azienda di semiconduttori: una parte significativa dei miglioramenti delle prestazioni e dei risparmi energetici ottenuti è dovuta all'innovazione in materia di software e reti. Jensen ha sempre detto che l'AI generativa è un problema full stack che richiede una soluzione full stack. All'evento GTC, l'azienda ha presentato nuove innovazioni come l'ottica co-packaged e la virtualizzazione del software Dynamo. Le reti ottiche dei cluster di addestramento dell'AI comportano un notevole consumo di energia con 6 transceiver per GPU, che necessitano 30 watt di potenza ciascuno, quindi man mano che i cluster di addestramento si moltiplicano, cresce anche il consumo energetico per l'ottica. Integrando i componenti ottici negli switch stessi, NVIDIA afferma di poter offrire un'efficienza energetica 3,5 volte superiore utilizzando un numero di laser 4 volte inferiore. Dynamo è un livello software di virtualizzazione che ottimizza i carichi di lavoro dell'inferenza virtualizzando le GPU e suddividendo i carichi di lavoro tra di esse, ottenendo prestazioni di inferenza 30 volte superiori.

Continuiamo a credere che le sfide energetiche necessarie per far progredire e gestire l'AI saranno risolte dall'innovazione tecnologica. Pertanto, è possibile trovare opportunità di investimento più interessanti all'interno dello stack tecnologico piuttosto che nelle utility e nelle infrastrutture energetiche.