Una GPU (Graphics Processing Unit) è un processore progettato per eseguire molte operazioni semplici in parallelo. Nata per calcolare pixel e geometria nei videogiochi e nella computer grafica, è diventata l’acceleratore standard per l’addestramento e l’inferenza dei modelli di intelligenza artificiale. La ragione è matematica: le reti neurali si basano su moltiplicazioni di matrici e su operazioni ripetute su grandi tensori di dati; le GPU eccellono proprio in quel tipo di carico.
Una CPU (processore generale) ha pochi core potenti e ottimizzati per compiti sequenziali e di controllo. Una GPU ha migliaia di core più semplici, organizzati per lanciare lo stesso tipo di calcolo su migliaia di pezzi di dati contemporaneamente. Per il rendering 3D e per l’IA questo parallelismo riduce drasticamente i tempi.
Tensor Core e stack software
Dagli anni Dieci NVIDIA ha introdotto i Tensor Core: unità specializzate per matrici a bassa e mista precisione (FP16, BF16, FP8 e formati successivi). Non sostituiscono i core CUDA generali, ma accelerano le operazioni di deep learning. Accanto all’hardware c’è uno stack software (CUDA, cuDNN, TensorRT, framework come PyTorch e TensorFlow) che permette ai ricercatori di scrivere codice ad alto livello e di mappare le operazioni sulle GPU senza riscrivere kernel a mano per ogni modello.
L’ecosistema software è una barriera all’ingresso: chi progetta un acceleratore concorrente deve offrire non solo silicio ma librerie, driver e compatibilità con i framework usati dai laboratori e dalle aziende. Per questo «avere una GPU» non è equivalente a «avere un sistema di addestramento IA completo».
Dal PC al data center
Le GPU consumer (serie GeForce) e workstation (RTX PRO) servono gaming, creation e prototipi di modelli. I cluster di data center usano GPU specializzate (serie Hopper, Blackwell e successive architetture NVIDIA; acceleratori AMD, Google TPU, e altri) collegate da reti ad alta banda (NVLink, InfiniBand) e raffreddate a liquido o ad aria. Un rack con decine di GPU agisce come un’unica macchina logica per modelli con centinaia di miliardi o trilioni di parametri.
L’addestramento di un modello foundation può richiedere settimane su migliaia di GPU e consumare megawatt di energia. L’inferenza (usare un modello già addestrato per rispondere a una query) è meno pesante ma, su scala planetaria (chatbot, ricerca, agenti), richiede comunque flotte enormi di acceleratori. Da qui la corsa a data center, contratti di energia e chip di nuova generazione.
Perché NVIDIA è al centro (e i limiti)
NVIDIA ha costruito per primi l’accoppiata hardware+software per il deep learning e ha mantenuto un vantaggio di piattaforma. I concorrenti (AMD, Intel, Google, Amazon, start-up di chip specializzati) investono in silicio e software; alcuni carichi (inferenza a bassa latenza, edge) usano già alternative. Il mercato non è monolitico: gaming, cloud hyperscaler, enterprise e edge hanno requisiti diversi di memoria, banda, latenza e costo per token.
Una GPU non «pensa»: esegue operazioni numeriche. L’IA emergente (capacità di linguaggio, visione, ragionamento) nasce dall’algoritmo, dai dati e dalla scala, non dal chip in sé. Il chip determina quanto è veloce e quanto costa arrivare a quella scala. Le limitazioni di memoria (VRAM), di interconnessione e di energia restano i colli di bottiglia pratici.
Cosa non è e collegamenti
Non è un processore «per i videogiochi che capita di fare IA». L’architettura è stata adattata e specializzata. Non è l’unico percorso: esistono ASIC (chip dedicati a un compito), FPGA e CPU con estensioni AI. Per un lettore che legge di buyback, di data center o di regolamentazione IA, la GPU è il pezzo fisico che lega software, energia e capex delle big tech.
Per approfondire l’infrastruttura intorno al chip, CurioMondo ha già una guida su che cos’è un data center e perché serve all’IA. Le GPU sono il carico di lavoro principale di molti di quei centri; i data center sono l’edificio, l’energia e il raffreddamento che le tengono in funzione.