DeepSeek e Kimi, sei modelli AI cinesi rivelano le impronte dei chip Nvidia Blackwell

In sintesi

• Sei modelli AI cinesi mostrano impronte compatibili con Nvidia Blackwell. Un’indagine tecnica individua tracce riconducibili alle GPU B200, B300, GB200 e GB300 nei pesi pubblicati da DeepSeek, Moonshot AI, MiniMax e Ant Group.
• La scoperta deriva dall’analisi matematica dei modelli. I ricercatori hanno ricostruito i valori iniziali dei parametri e verificato alcuni risultati direttamente su GPU Nvidia.
• Le prove non dimostrano esportazioni illegali. Il metodo identifica l’hardware compatibile con l’inizializzazione dei modelli, ma non stabilisce dove si trovassero i chip né come siano stati utilizzati successivamente.

DeepSeek, Moonshot AI, MiniMax e Ant Group avrebbero avuto accesso a GPU Nvidia Blackwell soggette alle restrizioni statunitensi sulle esportazioni verso la Cina. A suggerirlo non sono indiscrezioni industriali, dichiarazioni governative o documenti sottratti alle aziende, ma le impronte matematiche individuate direttamente nei pesi di sei modelli di intelligenza artificiale pubblicati nel 2026. La scoperta emerge da un’indagine di Unemployment Labs, pubblicata il 12 novembre e firmata da Will DePue, che introduce un metodo di analisi denominato checkpoint forensics. I ricercatori hanno identificato schemi numerici compatibili con le GPU Nvidia Blackwell, verificandoli anche attraverso esperimenti su hardware reale. Il risultato riapre il confronto sull’efficacia dei controlli americani sui semiconduttori avanzati, ma contiene una distinzione fondamentale: le impronte indicano l’accesso a determinate capacità hardware, non provano che i chip siano stati introdotti illegalmente in territorio cinese.

DeepSeek, Moonshot AI, MiniMax e Ant Group: i sei modelli individuati

Il rapporto originale di Unemployment Labs identifica DeepSeek-V4-Flash e MiniMax-M3 come compatibili con le GPU Blackwell B200 o B300, caratterizzate da 148 streaming multiprocessor attivi. Gli altri quattro modelli, DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro e Ling-3.1-flash, presentano invece una firma corrispondente alla famiglia GB200 o GB300, con 152 unità di elaborazione. La differenza emerge confrontando la struttura numerica dei modelli con il comportamento dei semiconduttori utilizzati per inizializzarne i parametri. Le versioni precedenti delle stesse famiglie AI mostrano prevalentemente firme riconducibili all’architettura Nvidia Hopper, suggerendo una transizione verso Blackwell avvenuta nel corso del 2026. Un dettaglio importante riguarda Kimi K3.1-Pro, che condivide il valore iniziale del generatore casuale con Kimi K3 e potrebbe rappresentare un’evoluzione dello stesso modello anziché un addestramento completamente indipendente.

Non tutti i laboratori cinesi mostrano questa transizione. L’analisi dei modelli pubblici di Alibaba, Zhipu, Tencent, Xiaomi e StepFun ha restituito impronte compatibili con Hopper. La ricerca non dimostra quindi un’adozione generalizzata di Blackwell nell’industria cinese, ma individua un cambiamento in quattro specifici sviluppatori. Il risultato aggiunge un elemento tecnico al confronto sulla competitività dei modelli AI cinesi open-weight e sulle restrizioni occidentali ai semiconduttori.

Come funziona la checkpoint forensics: i chip lasciano tracce nei pesi AI

Il principio della checkpoint forensics consiste nel ricostruire il modo in cui vengono generati i valori iniziali di un modello AI. Prima dell’addestramento, miliardi di parametri ricevono numeri prodotti attraverso algoritmi pseudocasuali. Nel framework PyTorch, il generatore Philox distribuisce questa operazione tra migliaia di thread eseguiti sulla GPU. Il numero di unità di elaborazione disponibili determina come i valori vengono collocati nei parametri. Una GPU Hopper con 132 streaming multiprocessor produce quindi una disposizione differente rispetto alle configurazioni Blackwell da 148 o 152 unità. Alcune di queste caratteristiche possono sopravvivere all’addestramento, permettendo di ricostruire la configurazione iniziale direttamente dai pesi pubblicati.

DePue ha confrontato circa seimila miliardi di combinazioni tra valori iniziali e configurazioni hardware, ottenendo corrispondenze statistiche considerate altamente significative. Il metodo è stato confrontato con 24 modelli per i quali i produttori avevano già dichiarato l’hardware utilizzato, ottenendo risultati coerenti in tutti i casi. Si tratta di una tecnica particolarmente interessante perché permette di esaminare i modelli aperti senza accedere ai data center delle aziende sviluppatrici.

Leggi anche: Nvidia, il Congresso vuole ascoltare Jensen Huang sui chip alla Cina

Le prove su Nvidia B300 e GB200 rafforzano i risultati

La verifica più significativa riguarda DeepSeek-V4-Flash e Kimi K3, per i quali i ricercatori hanno riprodotto i risultati utilizzando GPU Nvidia fisiche. Su una B300, PyTorch ha ricostruito con correlazioni superiori a 0,99 ben 461 delle 469 righe di parametri selezionate in DeepSeek-V4-Flash, comprese 445 righe identiche bit per bit. Un esperimento condotto su una GB200 ha inoltre riprodotto tutte le 13 righe conservate individuate in Kimi K3. Cambiando il valore iniziale del generatore, le corrispondenze scomparivano. Queste prove rafforzano l’attribuzione dell’inizializzazione alle configurazioni hardware identificate.

Esiste tuttavia un’alternativa tecnica: una GPU AMD MI300X opportunamente configurata può riprodurre disposizioni numeriche simili. Il rapporto considera questa possibilità molto improbabile per cinque modelli e la esclude per DeepSeek-V4-Flash attraverso ulteriori confronti numerici. L’indagine dimostra quindi la solidità delle impronte osservate, ma non permette di ricostruire automaticamente ogni fase dell’addestramento.

Dodicimila GPU Blackwell stimate, ma i numeri restano incerti

Un altro elemento riguarda la capacità computazionale necessaria. Unemployment Labs stima che cinque esecuzioni di addestramento abbiano potuto richiedere complessivamente circa 12.000 GPU Blackwell, con un intervallo indicativo compreso tra 7.000 e 22.000 unità. I carichi maggiori sarebbero associati a Kimi K3, con circa 4.500 GPU, e DeepSeek-V4-Pro, con circa 3.000. Il valore economico complessivo dei semiconduttori supererebbe, secondo le ipotesi utilizzate, mezzo miliardo di dollari. Gli stessi autori dichiarano una bassa confidenza in queste stime, perché dipendono dalla durata dei lavori, dall’efficienza dei sistemi e dalla quantità di dati utilizzati, informazioni non completamente disponibili. Inoltre, i pesi possono essere inizializzati su un sistema e successivamente addestrati su hardware differente. Non sarebbe quindi corretto trasformare la stima in una quantità di GPU effettivamente acquistate, trasferite o sequestrate.

Le restrizioni americane non dimostrano un contrabbando di chip

Le GPU Blackwell avanzate richiedono autorizzazioni statunitensi per determinate esportazioni verso la Cina, ma l’analisi dei pesi non identifica il proprietario dei semiconduttori né la loro posizione geografica. I laboratori potrebbero avere accesso a sistemi situati in data center esteri. Il problema era già emerso nell’indagine sui 100.000 chip che Tencent avrebbe ottenuto attraverso infrastrutture Oracle fuori dalla Cina, dove la disponibilità della capacità computazionale non coincide necessariamente con il possesso fisico dell’hardware. L’indagine assume particolare rilevanza alla luce dei precedenti sui server AI destinati alla Cina attraverso Malaysia e Singapore. In quel caso esistono contestazioni giudiziarie specifiche; per i sei modelli analizzati da DePue, invece, la ricerca non stabilisce alcuna violazione individuale delle norme sulle esportazioni. Confondere queste due situazioni trasformerebbe una prova tecnica in un’accusa non dimostrata.

Continua con: DeepSeek pubblica DeepInfer e amplia il proprio stack AI open source

Nvidia Blackwell, la nuova sfida è controllare l’accesso alla potenza di calcolo

La scoperta di Unemployment Labs introduce un nuovo strumento per verificare le caratteristiche hardware dei modelli AI pubblici, senza dipendere esclusivamente dalle dichiarazioni dei produttori. Il caso DeepSeek è particolarmente significativo perché il confronto con GPU reali rafforza l’identificazione delle impronte Blackwell. Rimane però un limite decisivo: la checkpoint forensics può rivelare come sono stati inizializzati i parametri, non certificare dove si trovassero i chip né dimostrare che tutte le operazioni successive siano state eseguite sullo stesso hardware. Per Stati Uniti, Cina ed Europa, la questione diventa quindi più ampia del controllo sulle spedizioni fisiche: riguarda l’accesso internazionale ai data center e alla capacità computazionale necessaria per sviluppare l’intelligenza artificiale avanzata.