AMD compra World Labs e DeepSeek apre Huawei: la guerra AI passa dallo stack

🤖 Cosa cambia

• AMD acquisisce World Labs per circa 8,2 miliardi di dollari e porta Fei-Fei Li nel gruppo come executive vice president e chief scientist.
• DeepSeek spinge strumenti open source per programmare Huawei Ascend, cercando di ridurre il vantaggio software che CUDA garantisce a Nvidia.
• Le due operazioni mostrano lo stesso collo di bottiglia: possedere acceleratori competitivi non basta se modelli, compiler, kernel e sviluppatori restano altrove.

Il prossimo fronte della guerra dei chip AI non è il transistor ma il software costruito intorno al transistor. AMD acquisisce World Labs, il laboratorio di Fei-Fei Li specializzato in spatial intelligence e world models, con una transazione interamente azionaria valutata circa 8,2 miliardi di dollari. In Cina, DeepSeek lavora invece sull’altro estremo dello stesso problema, contribuendo a strumenti aperti progettati per rendere più semplice eseguire modelli complessi sugli acceleratori Huawei Ascend. Sono operazioni molto diverse, ma indicano la stessa debolezza dei concorrenti Nvidia: una GPU o una NPU senza modelli, compiler, kernel ottimizzati, framework e sviluppatori resta silicio difficile da trasformare in piattaforma.

AMD compra soprattutto conoscenza sui workload che dovrà accelerare domani

Nell’annuncio ufficiale dell’acquisizione AMD spiega apertamente la logica dell’operazione: World Labs deve offrire al produttore una conoscenza più profonda di come stanno cambiando i carichi AI, così da influenzare direttamente le future roadmap di hardware, software e sistemi. Fei-Fei Li entrerà in AMD come executive vice president e chief scientist, riportando a Lisa Su, mentre la chiusura dell’operazione è prevista entro la fine del 2026 dopo le autorizzazioni regolatorie. World Labs lavora su modelli capaci di rappresentare e generare ambienti tridimensionali e di ragionare sul mondo fisico, un’area destinata a incidere su robotica, simulazione e physical AI.

AMD non sta quindi comprando soltanto un altro modello: sta portando dentro casa chi può indicare quale memoria, interconnessione e capacità di calcolo serviranno alla generazione successiva. La strategia completa il percorso già visibile quando AMD ha iniziato a disaggregare l’inferenza tra Instinct MI400 e acceleratori specializzati, riconoscendo che il futuro dell’AI non sarà necessariamente un unico workload eseguito da una sola GPU.

Leggi anche: Nvidia Blackwell mostra quanto il vantaggio AI dipenda dal codesign tra GPU, rete e software

World Labs serve ad AMD anche per evitare di progettare chip inseguendo Nvidia

Il valore industriale di Fei-Fei Li è quindi diverso da quello di una normale acquisizione software. AMD compete con Nvidia sul silicio, ma il vantaggio della rivale deriva anche dalla capacità di progettare generazioni hardware intorno a software e workload che conosce con anni di anticipo. Inserire un laboratorio di frontiera dentro il gruppo permette ad AMD di osservare direttamente come cambiano modelli multimodali, simulazioni tridimensionali e physical AI prima che diventino mercato di massa. La società dispone già di CPU EPYC, acceleratori Instinct, networking e ROCm; il problema è trasformare questi componenti in uno stack che venga scelto spontaneamente dagli sviluppatori, invece di rappresentare soltanto una seconda fonte di compute quando Nvidia costa troppo o non è disponibile. La crescita del rischio sistemico legato alla concentrazione dell’AI intorno a Nvidia nasce proprio da questo effetto piattaforma: sostituire un acceleratore è relativamente semplice sulla carta, sostituire un ecosistema di librerie, tool e competenze accumulate per anni è molto più costoso.

DeepSeek e Huawei attaccano lo stesso problema partendo dalla Cina

La seconda pressione arriva dalla Cina. South China Morning Post descrive l’apertura di strumenti pensati per facilitare lo sviluppo e l’ottimizzazione dei workload sui processori Huawei Ascend. Il punto non è dimostrare che Ascend abbia già sostituito Nvidia nelle prestazioni o nei volumi, ma diminuire il costo software della sostituzione. DeepSeek è particolarmente importante perché i suoi modelli rappresentano workload reali di frontiera e possono quindi costringere toolchain e compiler a risolvere problemi concreti di attention, comunicazione e kernel invece di limitarsi a benchmark sintetici. Huawei aveva già aperto PTO ISA, strumenti CANN e risorse su cluster Ascend per ridurre la dipendenza da CUDA. Il contributo di DeepSeek sposta la pressione un livello più vicino ai modelli: non basta offrire un SDK alternativo, servono operatori ottimizzati per software che gli sviluppatori vogliono realmente eseguire.

Continua con:
Cina porta GAA e Ascend avanti ma resta stretta dalla capacità produttiva
Le startup cinesi dei chip AI costruiscono stack software per ridurre il vantaggio CUDA

Nvidia resta avanti perché CUDA è un problema industriale prima che tecnico

Le due mosse non significano che AMD o Huawei abbiano già colmato il divario. Mostrano però dove entrambi ritengono si trovi davvero. Nvidia può essere attaccata con GPU più economiche, NPU nazionali, maggiore memoria o cluster più grandi; finché una parte consistente degli sviluppatori continua però a progettare e ottimizzare prima per CUDA, ogni alternativa paga una tassa di migrazione. AMD compra chi può anticipare i workload; Huawei e DeepSeek cercano di rendere più facile programmarli su un’altra architettura. È la stessa battaglia osservata da due sistemi industriali opposti. Gli Stati Uniti cercano concorrenza interna senza rinunciare all’ecosistema aperto; la Cina deve costruire un ecosistema parallelo perché le restrizioni rendono incerto l’accesso alle GPU americane. La vera misura del successo non sarà quindi quanti TOPS dichiarerà il prossimo chip, ma quanto codice potrà spostarsi da una piattaforma all’altra senza essere riscritto. Finché quella portabilità resterà costosa, CUDA continuerà a essere uno dei moat più forti di Nvidia anche quando il silicio concorrente sarà sufficientemente veloce.