Autore di immagini · divulgatore e formatore AI
Nvidia ha appena comprato il bancone da cui scarichi i modelli 11 min di lettura
Intelligenza Artificiale ·

Nvidia ha appena comprato il bancone da cui scarichi i modelli

Sottotitolo: L’acquisizione da 12,93 miliardi non vieta nulla: orienta in silenzio, via raccomandazioni e benchmark. Come restare liberi nella pratica.

Nota introduttiva: Il 3 settembre 2026 Nvidia ha annunciato l’accordo definitivo per comprare Hugging Face. Non è ancora chiuso: il closing è atteso nel primo semestre 2027. Ma il deal è firmato, e il modo in cui cambia il paesaggio vale la pena capirlo adesso, mentre le alternative esistono ancora e si possono scegliere con calma.

Hai scelto i modelli open-source perché non volevi dipendere da OpenAI o Anthropic. Buona idea. Solo che il posto da cui li scarichi si è appena venduto a chi ti ha venduto la GPU.

Il 3 settembre 2026 Nvidia ha annunciato l’accordo definitivo per acquistare Hugging Face (NVIDIA Blog, 3 settembre 2026). Prezzo: 11,9 miliardi agli azionisti più fino a un miliardo di pacchetto di retention per i dipendenti. Totale: 12,93 miliardi di dollari (SEC Form 8-K, 2 settembre 2026).

È la seconda acquisizione più grande nella storia di Nvidia, dopo i circa 20 miliardi spesi per gli asset di Groq a dicembre 2025 (TechCrunch, 3 settembre 2026).

Questo articolo non è catastrofismo. Non ti sto dicendo che l’open-source è morto o che AMD non gira più. Ti sto dicendo che c’è un meccanismo da capire prima che diventi invisibile, e che la risposta pratica esiste già.

Cosa è successo esattamente

L’accordo è firmato, non ancora chiuso. Closing atteso nel primo semestre 2027, subordinato ad approvazioni regolamentari (SEC Form 8-K). Questo vuol dire che tecnicamente Hugging Face è ancora indipendente mentre leggi queste righe, ma la direzione è definita.

C’è un dettaglio che rende questa storia più interessante della semplice cifra: meno di un anno e mezzo fa, Hugging Face aveva rifiutato un investimento da 500 milioni di Nvidia (valutazione circa 7 miliardi) proprio per non concentrare potere in un singolo investitore dominante (Fortune, 27 agosto 2026). Poi, nell’estate del 2026, il CEO Clement Delangue ha cambiato posizione. Lo ha spiegato lui stesso a CNBC:

“During the summer… we realized that Hugging Face and open source AI in general was at a turning point, and that it needed more resources, more scale, more visibility.”

Traduco: il calcolo è cambiato. Le risorse necessarie per competere nella nuova fase dell’AI non erano raggiungibili rimanendo indipendenti. Puoi condividere o meno questa valutazione, ma la logica è comprensibile.

Jensen Huang, dal canto suo, ha dichiarato che Hugging Face resterà una piattaforma aperta per l’intero ecosistema AI, che gli sviluppatori saranno liberi di scegliere modelli, framework, cloud e hardware, e che il compute Nvidia non sarà richiesto (NVIDIA Blog). Impegno formale, preso pubblicamente. Ma, e questo è il punto su cui torno tra poco, nel comunicato non compare nessun meccanismo vincolante di enforcement o governance terza. È una promessa da blog post.

Perché Hugging Face non è “uno store di modelli”

Diagramma stilizzato a tre livelli: silicio CUDA (alto), grafico di ottimizzazione (centro), modelli che convergono (basso), legati da frecce verticali. Rappresenta il controllo unificato di Nvidia.

Prima di ragionare sulle conseguenze, vale la pena capire quanto pesa davvero questa piattaforma.

Hugging Face ospita oltre 3 milioni di modelli, 500.000 dataset, 1 milione di applicazioni, ha 18 milioni di sviluppatori e più di 200.000 aziende clienti (NVIDIA Blog; Hugging Face Blog, agosto 2026). Per essere precisi: 3.012.377 modelli pubblici ad agosto 2026, con circa 3.000 nuovi modelli aggiunti ogni giorno. I download totali hanno superato i 45,4 miliardi, dato di ottobre 2025 (Hugging Face Blog).

Ma i numeri bruti non raccontano la cosa più importante.

Hugging Face non è un marketplace passivo. È il punto dove avviene la scoperta. Quando cerchi un modello, leggi le card comparative, segui i link nei tutorial, clicchi “Run with Inference Endpoints”: stai usando Hugging Face come oracolo. Le raccomandazioni che vedi in homepage, le ottimizzazioni esposte per default nella card di un modello, i benchmark mostrati nelle pagine sono scelte editoriali e di prodotto che qualcuno fa.

Fino a ieri, quel qualcuno era Hugging Face, con i propri incentivi a mantenere la piattaforma neutrale per massimizzare la community. Da quando il deal sarà chiuso, quel qualcuno sarà Nvidia.

È il chokepoint della distribuzione dell’AI aperta globale. Chi controlla le raccomandazioni, controlla cosa finisce nella pipeline della grande maggioranza degli sviluppatori. Non vietando niente: semplicemente decidendo dove investire.

Il gap esisteva già: l’acquisizione lo rende strutturale

Confronto minimalista side-by-side: sinistra uno stack Nvidia integrato e coeso (blocco unico), destra uno stack AMD frammentato (pezzi separati). Lo spazio bianco rappresenta il divario.

Qui arrivo al punto che mi sembra più importante, e che nella copertura mainstream è sparito sotto la cifra da 12,93 miliardi.

Il vantaggio dello stack Nvidia rispetto alle alternative non nasce con questa acquisizione. Esisteva già, ed è misurabile.

Prendimi un riferimento concreto: su inferenza consumer (il caso d’uso di chi fa girare modelli localmente con Ollama o llama.cpp) il gap tra una scheda AMD e una Nvidia equivalente è nell’ordine del 21-29% secondo i benchmark 2026 di Convly AI (Convly AI, 2026). Non trascurabile, ma praticabile.

Il divario si allarga significativamente su uno strato diverso: i framework di ottimizzazione di punta. TensorRT-LLM (il framework Nvidia per inferenza ottimizzata), FlashAttention 3 e NIM non hanno equivalente maturo su ROCm, la piattaforma AMD. Su questi strumenti, il gap sale al 30-40% (IDFS AI, 2026; Convly AI). Sul cloud enterprise con hardware data-center, la situazione è diversa: MI300X di AMD raggiunge il 90-95% di H100 su PyTorch e vLLM. Ma il layer di ottimizzazione proprietario resta asimmetrico.

Questo era il paesaggio prima del deal.

Adesso collega i pezzi: Nvidia possiede TensorRT-LLM (framework di ottimizzazione di punta), possiederà Hugging Face (hub dove le ottimizzazioni vengono esposte, benchmarkate e linkate nei tutorial) e vende il silicio CUDA. Prima dell’acquisizione, questi tre livelli erano sotto controllo di soggetti distinti con incentivi distinti. Hugging Face aveva interesse a tenere la piattaforma neutrale: più era neutrale, più cresceva la community.

Adesso quei tre livelli sono sotto un unico proprietario.

Il meccanismo di lock-in non funziona con un divieto esplicito. Funziona così: quali ottimizzazioni compaiono per default nella card di un modello? Quali integrazioni “un clic” vengono esposte nell’Inference Endpoints? Quali benchmark vengono mostrati nella pagina di un modello? Chi ottiene integrazioni native con NIM? Sono scelte di prodotto e di priorità, non annunci. Non serve vietare i repo AMD: basta non investire nell’equivalente ROCm.

Come ho scritto quando ho analizzato il tema della dipendenza da piattaforme, il lock-in non arriva con un documento firmato: arriva quando il tutorial migliore, l’ottimizzazione più recente e il modello benchmarkato per primo usano sempre lo stesso stack, e tu nel frattempo hai smesso di chiederti perché (L’Europa punta davvero sull’open source?).

L’impegno di Jensen Huang alla neutralità hardware è reale come documento (NVIDIA Blog). Ma è volontaristico, senza enforcement strutturale. Se domani Nvidia decide che non vuole più mantenerlo, nessuno glielo impedisce.

Una precisazione doverosa: il rischio non è uniforme. Per chi usa modelli di nicchia o sperimenta su repo minori (che non muovono volumi e non sono il territorio dove si concentrano le ottimizzazioni) l’impatto diretto è minore. Il territorio caldo è quello dei top model: Llama, Qwen, Gemma, i modelli dove si concentra la stragrande maggioranza dei download (Hugging Face Blog). Lì si allineano gli interessi, lì arrivano le ottimizzazioni first-party, lì la pressione verso uno stack unico è più forte.

La buona notizia: la risposta era già in costruzione

Non voglio chiudere questa sezione senza dirti la cosa che mi sembra più utile: la comunità si stava già muovendo verso formati hardware-agnostici prima di questo deal. Non parti da zero.

Nel 2026, PyTorch, vLLM 0.7+ e llama.cpp hanno supporto ROCm ufficiale (Convly AI; IDFS AI). Se usi questi runtime (e se fai girare modelli localmente, probabilmente li usi già) sei in territorio praticabile su hardware alternativo.

Dal 2023 esiste una partnership ufficiale tra Hugging Face e AMD: integrazione ROCm nelle librerie Transformers e Optimum-AMD, con supporto per GPU Instinct e Radeon. La limitazione esplicita è “not all models available for all hardware” (Hugging Face Blog, partnership AMD, 2023). Il lavoro esiste e funziona per i casi d’uso principali: non posso garantirti lo stato esatto di ogni integrazione nel 2026, ma la direzione è quella.

Sul fronte dei formati, ONNX e GGUF sono diventati gli standard de facto per l’esportazione hardware-agnostica. ONNX permette di addestrare in un framework e distribuire su qualsiasi hardware senza riscrivere il codice (HackerNoon, standard aperti, 2026). GGUF, il formato usato da llama.cpp, gira su CPU, GPU Nvidia, GPU AMD e Apple Silicon.

Come ho descritto nell’articolo su come ho scaricato un modello sul Mac al Lago di Ledro, la soglia per far girare modelli in locale è scesa drasticamente: Ollama su Apple Silicon funziona subito, senza configurazione, e la qualità dei modelli consumer è arrivata a un punto dove per molti casi d’uso quotidiani la differenza rispetto ai modelli cloud è minima (Ho scaricato un’AI sul mio Mac al Lago di Ledro. Ecco perché dovresti farlo anche tu.).

Questo è il momento per capire questi strumenti e tenere aperte le porte: non perché Nvidia sia il nemico, ma perché diversificare mentre è facile è sempre meglio che farlo quando è urgente.

Il piano B del creativo (che in realtà è il piano A)

Arrivo alla parte concreta. Non è una guida tecnica: è una checklist mentale per chi usa modelli in locale e vuole non costruire dipendenze invisibili.

Runtime multi-hardware: tienine almeno uno vivo.

vLLM e llama.cpp girano su CUDA e ROCm. Se usi uno di questi runtime, mantieni già una finestra aperta sull’hardware alternativo. Non devi cambiare niente oggi: devi solo non abbandonare questi tool a favore di soluzioni proprietarie “più comode” senza capire cosa stai cedendo.

Formati portabili: preferiscili quando puoi.

Quando scarichi un modello, guarda se esiste una versione GGUF o ONNX oltre alla versione nativa del framework. Non sempre c’è, non sempre è la scelta migliore, ma quando esiste è il formato che ti lascia le mani più libere in futuro.

Alternative hub: sapere dove sono è già metà del lavoro.

Il network effect di Hugging Face (18 milioni di sviluppatori che caricano, navigano, raccomandano) non ha equivalente diretto. Non ti sto dicendo di abbandonare HF. Ti sto dicendo di conoscere le alternative per non essere mai in una posizione di dipendenza totale.

  • Ollama (LLM locali, API compatibile con OpenAI, un comando per installare e girare): il punto di partenza per chiunque voglia un modello in locale senza complicazioni.
  • LM Studio: interfaccia grafica con browser integrato per scoprire e scaricare modelli, buono se preferisci non usare il terminale.
  • GPT4All di Nomic AI: 1000+ modelli, pensato per hardware consumer, privacy totale: niente dati che escono dal tuo computer.
  • BentoML: se vuoi esporre un modello locale come API REST, è lo strumento per farlo senza dipendere da infrastrutture esterne.
  • ModelScope: alternativa cinese, meno diffusa nei workflow occidentali ma vale sapere che esiste.

La combinazione Ollama + BentoML replica gran parte dell’esperienza Hugging Face su infrastruttura propria (Northflank, alternative HF Hub, 2026 (nota: Northflank è un competitor indiretto di HF; usa la lista come panoramica, non come classifica)).

Per i top model, segui i publisher direttamente.

Llama pubblica su Meta’s channels. Qwen pubblica su Alibaba’s repositories. Gemma pubblica tramite Google. Per i modelli che contano davvero, seguire direttamente chi li pubblica è più robusto che aspettare di trovarli su un hub, qualunque hub. Non è una strategia anti-Nvidia: è buona pratica in generale.

Hardware alternativo: non devi cambiare niente oggi.

Se hai una GPU Nvidia, non vendila. Se stai valutando un acquisto consumer, una AMD RX 7900 XTX è una scelta praticabile per inferenza e generazione di immagini. Apple Silicon funziona bene sui modelli consumer. AMD MI300X è una scelta legittima per training e inferenza enterprise (IDFS AI).

Il punto non è il brand dell’hardware: è non costruire un workflow che gira solo su una configurazione specifica senza averlo scelto consapevolmente.

Cosa cambia davvero per te

Tiro le fila.

Nvidia ha firmato l’accordo per comprare Hugging Face. Non è ancora chiuso: il closing è atteso per il primo semestre 2027, soggetto ad approvazioni regolamentari. Nel frattempo, l’analisi vale comunque: il gap tra stack Nvidia e alternative esisteva già, i numeri della piattaforma sono quelli che sono, e la risposta pratica è disponibile adesso.

L’open-source non è morto. I modelli con licenza aperta continuano ad avere i pesi pubblici, continuano a girare su qualsiasi hardware, continuano ad essere modificabili e ridistribuibili. Niente di questo cambia per effetto di questa acquisizione.

Quello che cambia è il canale di distribuzione: il punto dove avviene la scoperta, dove si formano i consigli, dove si concentrano le ottimizzazioni visibili. E quel punto era già parzialmente asimmetrico verso lo stack Nvidia prima del deal. L’acquisizione allinea sotto un unico proprietario tre leve che prima erano controllate da soggetti con incentivi distinti.

Non è un complotto. È business. Nvidia sta costruendo il moat che ogni azienda razionale costruisce quando può.

La tua risposta non è panico né inerzia: è capire il meccanismo adesso, tenere vivi i runtime multi-hardware che già usi, preferire i formati portabili quando possibile, e seguire i publisher direttamente per i modelli che contano davvero.

Come ho scritto guardando la traiettoria dei modelli locali nell’articolo sulla guida agli strumenti AI, la frammentazione del mercato AI (tanti modelli, tante piattaforme, tanti runtime) è una scocciatura ma anche una protezione (GUIDA AGLI STRUMENTI AI, Gennaio 2026). Un ecosistema distribuito è più robusto di uno centralizzato, anche se è meno comodo.

Hugging Face cambia proprietario. L’ecosistema open-source no.

Articoli correlati

Fonti

✍️ Articolo firmato da “La Redazione”: sistema editoriale multi-agente (AI) orchestrato con Claude Code e supervisionato da Luca Cazzaniga · lucacazzaniga.it

Leggi anche

AI