Nvidia al Ces di Las Vegas: Huang rilancia l’AI aperta e la svolta industriale, dai data center ai robot umanoidi

Al Ces di Las Vegas  Jensen Huang , ceo di Nvidia, rilancia l’ambizione del gigante tech come architrave dell’economia dell’intelligenza artificiale globale. In un momento in cui il settore è attraversato da una competizione sempre più accesa su modelli, chip ed ecosistemi, il top manager rivendica una strategia fondata sull’apertura, sull’integrazione verticale della tecnologia e su una visione di lungo periodo che va oltre il solo boom dei data center.

In un dialogo con Cnbc, Huang spiega perché Nvidia punta a restare neutrale rispetto ai modelli, come la maturazione della tecnologia stia rendendo concreto il sogno della robotica umanoide e perché la piattaforma Vera Rubin rappresenti un salto industriale più che un semplice avanzamento prestazionale.

Domanda. Iniziamo affrontando il tema dei modelli open: sono una parte della strategia di Nvidia...

Risposta. Siamo l’unica azienda di intelligenza artificiale al mondo che lavora con tutte le aziende di AI del mondo. Eseguiamo ogni modello: da OpenAI, fino ad Anthropic, che abbiamo annunciato quest’anno. Ne sono molto entusiasta. Naturalmente abbiamo il vantaggio di lavorare con Elon Musk e xAI. Abbiamo sempre lavorato con Google e Gemini. Nvidia è l’unica azienda al mondo che opera in ogni ambito della scienza, con ogni azienda di AI e con ogni modello di AI. E l’unico modo per farlo è operare in modo aperto. Se fossimo proprietari o chiusi in qualche modo, avremmo il vantaggio di monetizzare l’intero livello e lo stack Ntr, ma questo limiterebbe la nostra capacità di essere aperti. Amo il fatto che la nostra azienda possa lavorare con tutti.

D. Parliamo di robotica. Da tempo una sorta di sogno al Ces, ma anche qualcosa di difficile da realizzare. Abbiamo visto iRobot non andare nella direzione giusta. È vero che ora abbiamo veicoli autonomi, che in fondo sono robot. Stiamo parlando di AI fisica. Cosa rende questo momento diverso, in particolare per la robotica? E magari per gli umanoidi: ci entusiasmiamo troppo?

R. È tutta una questione di tempismo. Pensiamo a questo settore da molto tempo, aspettando il momento giusto. Come in molte delle cose che facciamo - dalla biologia digitale, dove stiamo trasformando la scoperta dei farmaci da processo scientifico a processo ingegneristico, alle auto a guida autonoma, fino alla computer grafica, dove il ray tracing oggi avviene completamente in tempo reale. Ci sono voluti 30 anni per arrivare al ray tracing in tempo reale. Bisogna inseguire qualcosa per molto tempo, aspettando il momento in cui emerge la tecnologia abilitante.

Nel caso della robotica umanoide, lasciatemi dire prima una cosa: un computer non sa né gli importa che tipo di token stia generando. Può essere un token linguistico, un token video, un token di attivazione del volante o un token di articolazione delle dita per afferrare un oggetto. Alla fine, il computer è solo una serie di numeri. Il momento in cui ho visto i video generativi - noi che scriviamo un prompt e vediamo due persone sedute a conversare, una che allunga la mano, prende un bicchiere d’acqua e beve - ho capito qualcosa. Oggi posso descrivere quella scena a un modello di AI generativa, e sappiamo entrambi che qualcuno come Chris di Runway può generare un video straordinario con quel prompt.

Se un modello può generare una persona che prende un bicchiere, in cosa è diverso da un modello generativo per un essere umano o un robot che prende un bicchiere? Quando ho visto quanto bene funzionava, ho capito che il resto è ancora tanta ricerca e tanta tecnologia, ma la tecnologia abilitante è ormai dietro l’angolo.

D. Parliamo di Vera Rubin. Quanto è più performante? Mi chiedono spesso quanto costa e, dall’altra parte, quanto valore offre. Avete ora sei chip in produzione e iniziano ad arrivare i benchmark: quali sono i dati più convincenti?

R. È una quantità enorme di tecnologia e software, ma alla fine si riduce a tre cose fondamentali. La prima è questa: bisogna smettere di pensare a questi computer come supercomputer e iniziare a vederli come fabbriche di AI. Queste fabbriche producono token, numeri. E una fabbrica serve a tre cose. La prima è addestrare il modello di frontiera successivo, per costruire la migliore AI e arrivare per primi sul mercato. Quindi bisogna addestrare il più velocemente possibile. Confrontando Blackwell con Rubin, Rubin rappresenta un salto di 4 volte.

• Leggi anche: Nvidia al Ces di Las Vegas 2026: in arrivo chip AI cinque volte più potenti. L’Italia punta sui robot umanoidi

Questo significa poter fare in un mese ciò che prima richiedeva quattro mesi, oppure usare un quarto delle risorse e risparmiare enormemente. La seconda cosa è generare token nel modo più economico possibile, perché il costo dei token scende a ogni generazione. Quando il costo scende, puoi usarne di più, ed è un fattore enorme. Rubin riduce il costo dei token di un fattore dieci rispetto a Blackwell. Questo dipende dall’efficienza energetica, dagli algoritmi e da chip più veloci. Nel mondo delle fabbriche di AI, andare più veloci equivale ad andare più economici.

• Leggi anche: Tsmc autorizzata dagli Usa a importare attrezzature in Cina. Nvidia ordina chip H200 al produttore taiwanese

La terza cosa è aumentare la produttività complessiva della fabbrica di AI. Se il throughput non aumenta, nemmeno i ricavi dell’azienda che la costruisce aumentano. Con Rubin, il throughput dei token aumenta di dieci volte. Il valore è indiscutibile. E siamo riusciti a farlo anche se il numero di transistor è aumentato solo di 1,7 volte. Questo è il risultato della capacità di Nvidia di innovare e integrare Cpu, Gpu, networking, switch di scala e motori di elaborazione dei dati. In questa generazione, ogni singolo chip del data center è cambiato: sei chip completamente nuovi, tutti rivoluzionari. Questo è il co-design: innovare tutto insieme, nello stesso momento. (riproduzione riservata)