H100 e la Geopolitica dei Chip AI — Chi Controlla le GPU Controlla l'AI

Cos'è: L'NVIDIA H100 è la GPU di data center lanciata ufficialmente nel marzo 2023, basata sull'architettura Hopper. È diventata la risorsa computazionale più contesa al mondo: chi ne ha abbastanza può addestrare i modelli AI più potenti, chi non ne ha deve aspettare mesi. Attorno a questo chip si è costruita una geopolitica dei semiconduttori che coinvolge USA, Cina, Taiwan e l'intera industria tecnologica globale.

Il chip che ha cambiato tutto

L'NVIDIA H100 non è solo un aggiornamento generazionale rispetto alla generazione A100: è un salto qualitativo che ha reso obsoleti tutti i chip di training AI esistenti nel giro di pochi mesi. Le specifiche tecniche: 80 miliardi di transistor, processo a 4nm di TSMC, 3.9 TB/s di memory bandwidth con HBM3, 700W di TDP. La performance in training di transformer è circa 3x superiore all'A100. Il transformer engine integrato — hardware dedicato al calcolo in FP8 e BF16 — lo rende particolarmente efficiente per i large language model che dominano il settore AI dal 2022 in poi.

Il prezzo di listino dell'H100 si aggira tra $30.000 e $40.000 per singolo chip, a seconda della variante (SXM5 o PCIe). Ma nel 2023 il prezzo reale di mercato era spesso superiore: chip rivenduti a $70.000-$80.000 sul mercato secondario, liste d'attesa da sei a dodici mesi presso i principali hyperscaler. Sam Altman ha detto pubblicamente che la scarsità di GPU era il principale vincolo alla crescita di OpenAI. La corsa a fare scorta di H100 è diventata una priorità strategica C-level in tutte le big tech.

Chi ha vinto la corsa agli H100

I numeri emersi dai documenti pubblici e dalle dichiarazioni aziendali del 2023-2024 sono indicativi di quanto sia concentrata la potenza computazionale AI. Microsoft ha installato circa 300.000 H100 per supportare GPT-4 e i servizi Azure AI — un investimento di diversi miliardi di dollari solo in chip. Meta ha annunciato a inizio 2024 un ordine da $9 miliardi in GPU per l'anno, la maggior parte H100, per supportare il training di LLaMA 3 e i sistemi di recommendation. Google ha i propri TPU ma ha comunque acquistato H100 in quantità massicce. Amazon AWS, Oracle, e CoreWeave — un nuovo player specializzato in GPU cloud — hanno costruito intere infrastrutture attorno all'H100.

Il risultato è una concentrazione di capacità computazionale senza precedenti nella storia dell'informatica. Non si era mai visto un singolo componente hardware diventare così rapidamente un collo di bottiglia per un'intera industria. Il parallelo più vicino è il petrolio: chi controlla le riserve controlla la produzione. Chi controlla gli H100 controlla il training dei modelli AI di frontiera — e quindi, indirettamente, il ritmo dell'intera corsa all'AI.

Gli export controls e la risposta cinese

L'ottobre 2022 il governo Biden ha introdotto le prime restrizioni all'export di chip AI avanzati verso la Cina. Le regole aggiornate nel 2023 e nel 2024 hanno progressivamente abbassato le soglie: prima vietato l'A100 e H100 completi, poi restrizioni anche su versioni "downgrade" come l'A800 e l'H800 (versioni con bandwidth ridotta appositamente create da NVIDIA per il mercato cinese per rispettare i precedenti limiti). Il razionale del governo USA è militare e geopolitico: impedire alla Cina di costruire la capacità di calcolo necessaria per applicazioni militari AI e per ridurre il gap nei modelli frontier.

La risposta cinese è duplice. Sul lato hardware: Huawei Ascend 910B, prodotto da SMIC con processo a 7nm (limitato dalle stesse sanzioni all'accesso a tecnologia EUV di ASML). Le performance ufficiali sono competitive con l'A100 ma inferiori all'H100 — e soprattutto l'ecosistema software (CANN, il CUDA cinese) è lontano dalla maturità. Sul lato strategia: la Cina ha accelerato investimenti statali massici in chip domestici, con fondi governativi da decine di miliardi, per raggiungere l'autosufficienza nei semiconduttori entro il 2030. Il percorso è lungo: senza accesso a EUV di ASML (bloccato da pressioni USA sui Paesi Bassi), la Cina non può produrre chip sotto i 5nm in scala industriale.

TSMC e la dipendenza da Taiwan

Ogni H100 — come ogni GPU avanzata di AMD, come ogni Apple Silicon, come buona parte dei chip moderni — è fisicamente prodotto a Taiwan da TSMC (Taiwan Semiconductor Manufacturing Company). TSMC produce oltre il 90% dei chip logici avanzati sotto i 7nm nel mondo. Questa concentrazione geografica è diventata un rischio sistemico geopolitico riconosciuto dai governi occidentali: se lo stretto di Taiwan diventasse teatro di conflitto, l'intera industria tech globale si fermerebbe nel giro di mesi.

Il CHIPS and Science Act americano (agosto 2022, $52 miliardi) e la risposta europea (EU Chips Act, €43 miliardi) sono tentativi di ridurre questa dipendenza costruendo capacità produttiva fuori da Taiwan. TSMC sta costruendo fab in Arizona (in ritardo rispetto ai piani iniziali per problemi di manodopera specializzata). Intel sta cercando di rilanciare la propria divisione foundry. Samsung ha fab in Corea e negli USA. Ma raggiungere la parità con le fab taiwanesi richiede decenni e centinaia di miliardi: la dipendenza da Taiwan per i chip AI avanzati è strutturale almeno fino al 2030.

Le alternative a NVIDIA: perché non bastano

AMD ha risposto con la serie MI300X: GPU con 192 GB di HBM3 (il doppio dell'H100) e performance competitive in inferenza. Google ha i TPU v5 (usi interni e disponibili su Cloud). Groq ha lanciato il Language Processing Unit (LPU), un chip specializzato per inferenza ultra-veloce su LLM (velocità di output fino a 10x superiore a GPU tradizionali per certi workload). Qualcomm e Intel hanno chip AI ma sono indietro per training di modelli large.

Il problema non è solo il silicio: è CUDA. L'ecosistema software NVIDIA, sviluppato in venti anni, è la vera moat competitiva. Ogni framework di deep learning — PyTorch, TensorFlow, JAX — è ottimizzato primariamente per CUDA. Ogni ricercatore AI conosce CUDA. Ogni tutorial, ogni paper con codice, ogni deployment aziendale usa CUDA. Passare a hardware alternativo richiede riscrivere o riottimizzare codice, affrontare incompatibilità e perdite di performance. Il ROCm di AMD (l'alternativa open-source a CUDA) sta migliorando ma non ha ancora raggiunto la parità pratica. La vera barriera all'entrata per i competitor di NVIDIA non è il costo di produrre un chip equivalente: è accumulare vent'anni di sunk cost software che i clienti hanno già pagato.

Cosa cambia con Blackwell e oltre

L'H100 è già stato superato dall'architettura Blackwell (B100/B200, annunciata al GTC 2024): 208 miliardi di transistor, 2.5x le performance in training. La scarsità si ripeterà: ordini per miliardi di dollari già prima del lancio, liste d'attesa, prezzi premium. Il pattern è strutturale: ogni nuova generazione NVIDIA è immediatamente esaurita dai grandi player che possono permettersi di prenotare in anticipo, lasciando le aziende più piccole ad aspettare o a pagare prezzi esorbitanti sul mercato secondario. La geopolitica dei chip AI non è un episodio: è la struttura fondamentale della competizione tecnologica del decennio.

---