Broadcom costruisce la parte proprietaria dell’AI — Parte 1

Nvidia sotto pressione: i clienti costruiscono la propria infrastruttura

La pressione competitiva più significativa per Nvidia nasce dalla decisione dei suoi clienti più grandi di controllare direttamente una quota crescente dello stack tecnologico.

Questo articolo apre un approfondimento in due parti dedicato al ruolo di Broadcom nell’infrastruttura dell’intelligenza artificiale. La prima parte ricostruisce l’evoluzione verso sistemi ibridi, il valore dei chip su misura, il networking e le partnership con i principali hyperscaler. Seguirà una seconda parte dedicata ai ricavi legati all’AI, alla valutazione del titolo e ai principali rischi della tesi.

Il possibile ridimensionamento del dominio di Nvidia può arrivare dai suoi stessi clienti più che da un singolo concorrente. La collaborazione tra OpenAI e Broadcom prevede la distribuzione di acceleratori progettati da OpenAI fino a 10 gigawatt, con avvio dei deployment nella seconda metà del 2026 e completamento indicato entro la fine del 2029. Una parte dei workload privilegia il miglior rapporto tra prestazioni, consumi e costo complessivo dell’infrastruttura rispetto alla massima flessibilità possibile.

È qui che nasce la tesi su Broadcom.

Google, Meta, Amazon, Microsoft e le principali società che sviluppano modelli di intelligenza artificiale continuano ad acquistare GPU e a investire somme enormi nella capacità di calcolo. Il cambiamento riguarda il modo in cui quella capacità viene costruita. Accanto alle GPU general purpose stanno crescendo acceleratori progettati per compiti specifici, reti proprietarie, rack personalizzati e sistemi nei quali hardware, memoria, interconnessione e software vengono ottimizzati come un’unica architettura.

Broadcom si trova nel punto di incontro tra queste due trasformazioni. Da un lato aiuta i clienti a trasformare le proprie esigenze in chip personalizzati. Dall’altro fornisce una parte crescente della rete che permette a migliaia di acceleratori di lavorare insieme.

Questa è una storia industriale molto più interessante del semplice confronto tra due titoli. Ma è anche una storia che il mercato conosce già. Per questo bisogna distinguere tra la qualità del posizionamento competitivo di Broadcom e il prezzo che gli investitori sono disposti a pagare per quella qualità.

L’era del “solo GPU” sta finendo

Le GPU Nvidia restano il riferimento dell’intelligenza artificiale grazie alla potenza di calcolo, alla velocità di sviluppo dei sistemi e soprattutto all’ecosistema software costruito intorno a CUDA. Per chi deve addestrare modelli di frontiera, sperimentare rapidamente o gestire workload che cambiano di continuo, la flessibilità di una piattaforma general purpose conserva un valore enorme.

Il punto di svolta emerge quando un hyperscaler esegue miliardi di volte operazioni simili e conosce con precisione il comportamento dei propri modelli. In quel momento, agli obiettivi di flessibilità si affiancano il costo per token, il consumo per rack, l’utilizzo effettivo della capacità, la disponibilità della memoria e la possibilità di programmare gli investimenti attraverso una base di fornitori più diversificata.

La strategia più razionale consiste nel costruire un portafoglio di acceleratori e assegnare a ciascuno il lavoro per cui è più efficiente.

Meta lo dichiara apertamente: la società adotta un “portfolio approach”, abbinando l’acceleratore corretto al singolo workload per ottenere il miglior equilibrio tra prestazioni e costo totale di proprietà. Le GPU restano una parte essenziale dell’infrastruttura, mentre i chip MTIA vengono sviluppati per inferenza, recommendation, ranking e, progressivamente, carichi generativi.⁵⁶

Anche la risposta di Nvidia conferma che l’infrastruttura futura sarà ibrida. Con NVLink Fusion, la società permette agli hyperscaler di integrare CPU e XPU personalizzate all’interno della propria architettura rack-scale. Nvidia riconosce la crescita dei chip custom e punta alla loro convivenza con le proprie GPU, utilizzando la sua interconnessione, i suoi rack e il suo ecosistema.⁹

Big Tech prosegue gli acquisti da Nvidia e, nello stesso tempo, destina una quota crescente della capacità futura a sistemi più specializzati. La tesi industriale dipende dalla porzione di crescita assorbita da questi sistemi e dalla capacità dei fornitori di monetizzare la progressiva frammentazione dello stack.

La nuova competizione riguarda sia chi vende il processore più potente sia chi controlla l’architettura attraverso cui processori diversi lavorano insieme.

Nell’infografica seguente osserviamo come workload differenti possano essere distribuiti tra piattaforme diverse, mentre Broadcom interviene in alcuni livelli della catena tecnologica.

Torna all’indice ↑

Perché Big Tech vuole chip progettati su misura

GPU vs ASIC: flessibilità contro specializzazione

Una GPU è costruita per essere estremamente versatile. Deve supportare modelli, framework e carichi di lavoro differenti, mantenendo un ecosistema utilizzabile da migliaia di sviluppatori. Un ASIC, acronimo di application-specific integrated circuit, rinuncia a una parte di quella flessibilità per essere ottimizzato intorno a operazioni definite in anticipo.

Quando il workload è stabile, ripetitivo e sufficientemente grande, la specializzazione può migliorare le prestazioni per watt, ridurre alcuni costi operativi e utilizzare in modo più efficiente memoria e interconnessioni. Nell’inferenza questo vantaggio potenziale è particolarmente importante: all’addestramento del modello si aggiunge la necessità di servire un numero enorme di query con tempi di risposta ridotti e costi sostenibili.

La convenienza dipende dalla qualità dell’esecuzione. Progettare un chip richiede capitale, competenze, accesso al packaging avanzato, memoria HBM, capacità produttiva e un software stack in grado di utilizzarlo. Un progetto tardivo, con volumi insufficienti o costruito intorno a un workload destinato a cambiare rapidamente può risultare più costoso di una soluzione già disponibile sul mercato.

Per questo i chip proprietari sono una strategia soprattutto per chi possiede tre elementi: una scala enorme, una conoscenza diretta dei propri carichi di lavoro e una roadmap abbastanza lunga da giustificare più generazioni di silicio.

Il valore deriva soprattutto dalla possibilità di incorporare nel chip ciò che l’azienda ha imparato sui propri modelli, sui pattern di memoria, sulla gestione delle query e sull’organizzazione dei data center.

OpenAI ha descritto esattamente questa logica presentando Jalapeño, il suo primo “Intelligence Processor” destinato all’inferenza. L’architettura è stata definita intorno ai modelli, ai kernel, alla memoria, al networking e ai sistemi di serving dell’azienda. Le dichiarazioni iniziali indicano un miglioramento dell’efficienza energetica rispetto alle piattaforme di riferimento; i dati tecnici completi arriveranno con il report annunciato dalle società.⁴

Broadcom, il partner dietro il custom silicon

Broadcom opera come partner tecnologico capace di accompagnare il cliente dal progetto logico alla realizzazione di un sistema industrializzabile.

Il cliente conosce il proprio workload e definisce gli obiettivi dell’architettura. Broadcom mette a disposizione proprietà intellettuale, esperienza negli ASIC, SerDes ad alta velocità, interfacce, packaging avanzato, integrazione della memoria, networking e competenze maturate nella costruzione di prodotti destinati a volumi hyperscale.

La qualifica corretta è fabless: Broadcom progetta, sviluppa e fornisce soluzioni, mentre la produzione fisica del silicio resta affidata a foundry e partner della supply chain.

La differenza rispetto a un chip standard è anche economica. Un acceleratore custom viene sviluppato insieme a pochi hyperscaler, su roadmap pluriennali e con volumi che possono diventare enormi. Questo crea un rapporto molto profondo con il cliente, ma aumenta anche la concentrazione e il rischio che una modifica nella roadmap produca variazioni rilevanti nei ricavi.

Il vantaggio competitivo di Broadcom deriva dalla capacità di combinare blocchi tecnologici differenti. Il disegno del motore di calcolo rappresenta il punto di partenza: occorre collegarlo alla memoria, gestire l’ingresso e l’uscita dei dati, integrare il packaging, assicurare che il sistema possa essere prodotto in grandi quantità e inserirlo in un rack che comunichi con il resto del cluster.

La società sta inoltre investendo in tecnologie di packaging 3.5D e face-to-face per aumentare la densità degli XPU e integrare chiplet, memoria HBM e interconnessioni ad alta banda. Sono elementi poco visibili al pubblico retail, ma decisivi nel determinare prestazioni, consumi e resa economica del sistema.¹⁰

Il chip è soltanto metà della storia

In un cluster AI, il processore lavora dentro una rete di migliaia di acceleratori che scambiano dati, sincronizzano operazioni e accedono a memoria e storage con una latenza sufficientemente bassa. Una rete più lenta del compute lascia inutilizzata una parte della capacità di calcolo.

Per questo il networking è diventato una componente centrale dell’economia dell’intelligenza artificiale.

Broadcom presidia switch Ethernet, network interface card, retimer, DSP ottici, SerDes, routing e co-packaged optics. La famiglia Tomahawk è progettata per collegare cluster AI sia nella fase di scale-up, all’interno di domini di acceleratori strettamente connessi, sia nella fase di scale-out, quando il sistema cresce tra rack e data center differenti.

Tomahawk 6 offre 102,4 terabit al secondo di capacità di switching su un singolo chip. Secondo Broadcom, può collegare 512 XPU in configurazione scale-up e supportare reti scale-out da oltre 100.000 acceleratori con due livelli di switching; l’architettura è stata progettata per cluster che, nel tempo, possono arrivare fino a un milione di XPU.¹⁰

Questi numeri sono dichiarazioni tecniche del produttore e devono essere accompagnati dalla fonte. Il significato economico, però, è semplice: più cresce il numero di acceleratori, più diventa importante la rete che li collega.

È qui che Broadcom può beneficiare da due lati. Può partecipare alla progettazione del compute personalizzato e, nello stesso tempo, vendere l’infrastruttura necessaria a collegare XPU, GPU e sistemi eterogenei. Il networking può essere utilizzato anche in cluster che includono acceleratori di altri produttori, purché l’architettura scelga Ethernet e componenti compatibili.

Il controllo di Broadcom copre una parte dello stack. Nvidia possiede NVLink, InfiniBand, Ethernet, SuperNIC, DPU, rack completi e software di gestione. La competizione si sta spostando verso un confronto tra piattaforme, standard e architetture, oltre il singolo processore.

Nell’immagine seguente osserviamo la funzione della rete Ethernet come livello comune tra acceleratori di produttori e clienti differenti.

FIGURA TECNICA UFFICIALE

Ethernet Network for AI

Torna all’indice ↑

Tre partnership che rendono concreta la tesi

OpenAI: dal modello al silicio

Nell’ottobre 2025 OpenAI e Broadcom hanno annunciato una collaborazione per distribuire fino a 10 gigawatt di acceleratori progettati da OpenAI. I sistemi includono i processori personalizzati e le soluzioni Ethernet Broadcom per scale-up e scale-out. L’avvio dei deployment è previsto nella seconda metà del 2026, con completamento indicato entro la fine del 2029.³

Nel giugno 2026 le due società hanno presentato Jalapeño. OpenAI ha definito l’architettura intorno ai propri workload di inferenza, mentre Broadcom ha contribuito all’implementazione del silicio, al networking e all’industrializzazione del sistema. Il progetto è descritto come il primo passo di una roadmap multigenerazionale.⁴

Il valore del progetto risiede nella capacità di trasferire direttamente nel silicio ciò che un’azienda ha imparato sul comportamento dei propri sistemi. Se il vantaggio si tradurrà in costi più bassi e capacità aggiuntiva, Broadcom avrà contribuito a trasformare un cliente di GPU in un progettista di infrastruttura proprietaria, mantenendo gli acquisti da Nvidia o AMD.

Meta: il portafoglio di acceleratori

Meta ha esteso la collaborazione con Broadcom per più generazioni di MTIA. L’accordo coinvolge progettazione del chip, packaging avanzato e networking. La prima fase supera un gigawatt ed è presentata come l’inizio di una distribuzione pluriennale e multi-gigawatt.⁵

La formulazione scelta da Meta è particolarmente utile per interpretare l’intero settore: l’azienda abbina il processore al workload. Gli MTIA sono ottimizzati per recommendation, ranking e inferenza, mentre altri carichi continuano a essere eseguiti su GPU e piattaforme differenti.⁵⁶

Questa è probabilmente la descrizione più corretta della direzione industriale: un’allocazione più selettiva della capacità, distinta da una sostituzione totale.

Google: una relazione strategica e aperta a più fornitori

Secondo Reuters, Broadcom ha raggiunto con Google un accordo di lungo periodo per sviluppare e fornire future generazioni di chip AI personalizzati e componenti per i rack di nuova generazione fino al 2031.⁷

La relazione con Google è rilevante perché le TPU rappresentano uno dei casi più maturi di acceleratore proprietario sviluppato su più generazioni. Google utilizza queste piattaforme internamente e le offre anche attraverso Google Cloud, costruendo un’alternativa industriale già integrata nella propria infrastruttura.⁸

La relazione conserva un carattere aperto a più partner. Reuters ha successivamente riportato colloqui tra Google e Marvell per lo sviluppo di altri chip AI. La diversificazione dei fornitori, che sostiene la tesi generale sul custom silicon, rappresenta allo stesso tempo un rischio specifico per Broadcom.¹³

Nelle tre schede seguenti osserviamo scala, orizzonte e perimetro delle partnership che rendono concreta la tesi industriale.

OpenAI

• 10 GW di acceleratori custom
• Sistemi con Ethernet Broadcom
• Avvio previsto nella seconda metà del 2026
• Completamento indicato entro fine 2029

Fonte ufficiale OpenAI ↗

Meta

• Più generazioni di MTIA
• Progettazione, packaging e networking
• Prima fase oltre 1 GW
• Roadmap multi-gigawatt

Fonte ufficiale Meta ↗

Google

• Partnership di lungo periodo secondo Reuters
• Future generazioni di chip AI custom
• Componenti per rack di nuova generazione
• Orizzonte riportato fino al 2031

Immagine e contesto Google ↗

Torna all’indice ↑

La seconda parte completa l’analisi con i ricavi legati all’AI, la matrice di valutazione, le aspettative incorporate nel prezzo e i principali fattori di rischio. Vai alla Parte 2 →