Perché Nvidia compra Hugging Face 

Alla fine Nvidia ha confermato le voci che circolavano da diversi giorni: acquisirà davvero Hugging Face per 12,9 miliardi di dollari, in una operazione che potrebbe avere diversi impatti importanti sullo sviluppo del mercato AI in generale. Nvidia ha tutta l'intenzione di restare l'azienda leader per "capitalizzazione" - non borsistica, ma per guadagni effettivi - del mercato AI e sa benissimo che non può lasciare la crescita del settore solo ai pochi grandi nomi che lo popolano, come OpenAI, Anthropic o Google.

Hugging Face è, in estrema sintesi, un repository di modelli di AI e ML. È la GitHub del machine learning, a cui si rivolgono gli sviluppatori quando devono usare direttamente modelli e altre componenti di AI, e non semplicemente usare via API i modelli delle grandi case AI. Nata circa dieci anni fa, quindi ben prima che l'AI diventasse cosa di tutti i giorni per milioni di utenti, Hugging Face oggi presenta numeri di tutto rispetto: 18 milioni di sviluppatori, 200 mila imprese utenti, 3 milioni di modelli, 1 milione di applicazioni, 500 mila dataset. È la vera roccaforte dell'AI "open" da cui partire.

Lo scopo più evidente dell'acquisizione di Hugging Face, per Nvidia, è controllare direttamente, favorendolo ed accelerandolo, lo sviluppo di questo ecosistema dell'AI open source (su quanto sia davvero "open", ci torniamo più avanti). Il motivo è chiaro, se ci si pensa un attimo: pochissime aziende possono sviluppare i grandi modelli "di frontiera", mentre potenzialmente migliaia di sviluppatori e piccole software house possono creare servizi e applicazioni basate su AI sfruttando i modelli "aperti".

Se Nvidia vuole restare il principale fornitore di hardware per l'AI - e di certo lo vuole - serve che sempre più persone e aziende abbiano bisogno delle sue soluzioni. E questo diventa possibile solo con la crescita del mercato dei modelli aperti, che amplia l'accesso alla tecnologia e, di conseguenza, alimenta la domanda di GPU e infrastrutture Nvidia. Non è un segreto, peraltro: Nvidia e il suo CEO Jensen Huang lo sottolineano ogni volta che è possibile, spiegando tra l'altro che il mondo dell'AI "open" fa già circa meta del fatturato Nvidia.

Per Nvidia, quindi, il mercato ha inevitabilmente bisogno tanto di frontier model "chiusi", alla Claude, quanto di modelli aperti, sia di frontiera sia "leggeri" e dedicati ad ambiti specifici. Una considerazione pratica che non è mai piaciuta a moltissime persone nella Silicon Valley ma anche a Washington. Per le prime, se si accetta che i modelli "aperti" abbiano valenza e capacità analoghe a quelle dei modelli chiusi, la valutazione delle poche aziende che lavorano sui secondi investendoci centinaia di miliardi di dollari è chiaramente eccessiva. E quindi addio bolla dell'AI.

A Washington invece il mondo dell'AI "open" piace poco perché è molto cinese: sono sempre più - e sempre più usati - i modelli open rilasciati da realtà cinesi come Alibaba (con Qwen, ormai un modello quasi standard per la comunità AI), Moonshot AI (con Kimi) e la ben nota DeepSeek. Tra l'altro, storicamente i modelli chiusi di frontiera hanno mantenuto un vantaggio prestazionale per i compiti più complessi, ma il divario si è ridotto negli ultimi anni, con proprio Qwen, DeepSeek e Kimi che per diversi benchmark si avvicinano molto ai risultati dei modelli proprietari. L'hardware cinese ancora resta indietro rispetto alle proposte Nvidia, invece, ma ci si sta lavorando.

Tutto questo pone diversi dubbi concreti su un ipotetico predominio totale USA nello sviluppo futuro dell'AI. Un ipotetico predominio che però è alla base della crescita (in Borsa, almeno) della ricchezza USA di questi anni: non darlo per certo significa minare le basi di questa crescita. Ma significa anche eliminare un fattore di influenza geopolitica: magari il top dell'AI sarà ancora statunitense, ma una AI solidamente aperta e globale permetterebbe di farne a meno senza grandi patemi.

Il futuro è open

Jensen Huang punta sull'AI "open" pensando ovviamente prima di tutto al bene della sua azienda nell'immediato, ma non c'è solo questo: lo sviluppo del comparto dei modelli AI open source è importante, e auspicabile, per tutti e per diversi motivi, replicando - con le debite differenze - la dinamica della contrapposizione storica tra software proprietario e open source. Dare un più ampio accesso alle tecnologie AI, attraverso lo sviluppo dei modelli aperti, permette a realtà con meno risorse di costruire applicazioni AI senza dipendere esclusivamente da poche aziende che controllano API proprietarie. Il che è importante anche lato innovazione: i modelli aperti accelerano la ricerca perché permettono di non dover partire sempre da zero, sfruttando - si spera eticamente, stavolta - il lavoro fatto da altri.

Qui però va sottolineato che tra software "aperto" e AI "aperta" c'è una differenza molto importante. Nel primo caso si ha libero accesso al codice sorgente di un software, e quindi sostanzialmente a tutto quello che quel software è e fa. Nel caso dell'AI questo accesso "totale" non è garantito, e infatti spesso l'apertura è molto più limitata. Sintetizziamo. Ai modelli di AI chiusi si accede solo tramite API o interfaccia: non se ne conosce l'architettura esatta e non si ha accesso ai "pesi" (i parametri numerici che definiscono il comportamento del modello) né, in genere, ai dati di addestramento. Nei modelli aperti i pesi sono scaricabili e a volte anche il codice di addestramento, la documentazione tecnica e, più raramente, i dataset utilizzati. Per questo "open source" in campo AI è un'etichetta imprecisa: molti modelli definiti "aperti" rilasciano solo i pesi (si parla allora di "open weight") senza dati né codice di training.

Resta comunque il fatto che un modello aperto di AI può essere scaricato ed eseguito dove si vuole e non solo sul cloud di qualche grande nome, se ne può fare il finetuning (cioè riaddestrarlo su dati specifici per un compito particolare, modificarne i pesi), comprimerlo per farlo girare su hardware meno potente, o integrarlo in pipeline personalizzate senza restrizioni imposte dal fornitore originale. Con i modelli chiusi, questa libertà d'azione non esiste. Una libertà d'azione che diventerà sempre più importante, favorendo la crescita dei modelli di AI aperti non solo per ragioni di ampiamento del mercato ma per considerazioni critiche di sicurezza e sovranità digitale.

La sicurezza qui è una questione di trasparenza: un modello "open" può essere sottoposto a verifica indipendente per individuare bias, vulnerabilità o comportamenti indesiderati. Un modello chiuso è molto meno - o affatto - verficabile e il suo comportamento resta rischioso ed opaco. Di questo Hugging Face ha esperienza diretta: quando è stata attaccata da centinaia di agenti AI "ribelli" di OpenAI, la sua analisi dell'attacco è stata rallentata dal fatto che il modello AI proprietario utilizzato per l'analisi forense includeva restrizioni che impedivano l'esame del codice dell'exploit. Il problema è stato aggirato spostando l'analisi su GLM 5.2, un modello open weight di Z.ai eseguito localmente sull'infrastruttura di Hugging Face. Per molti, è stata una prova di quanto sia importante disporre di modelli aperti per ogni evenienza.

In quanto a sovranità tecnologica, un Paese o un'organizzazione che può eseguire un modello localmente, ispezionarne il codice ed adattarlo alle proprie esigenze non dipende da un fornitore esterno per funzioni critiche, né è vincolato ai limiti d'uso imposti da terzi. Questo diventa rilevante per la PA, la Sanità, la Difesa e gli altri ambiti in cui una (maggiore) autonomia operativa sono elementi critici.

Un punto di partenza

Nvidia era una delle poche aziende con abbastanza denaro in cassa perché investire in Hugging Face non fosse un problema, e con una possibile strategia di sviluppo sensata. Non a caso è proprio a Nvidia che il fondatore e amministratore delegato di Hugging Face, Clément Delangue, si è rivolto quando ha compreso che lo sviluppo della community della AI aperta era arrivato a un punto di svolta: era necessario accelerarlo - e Hugging Face non aveva le spalle abbastanza larghe per farlo da sola - ma anche tenerlo ragionevolmente indipendente dagli interessi diretti dei grandi nomi dell'AI. Nvidia fa ovviamente i suoi, ma sono più super partes di chi offre solo servizi di AI.

A questo punto lo scenario si fa più dinamico anche per tutte le imprese che sono interessate all'AI. Nvidia è una garanzia a lungo termine per Hugging Face e quindi per una crescita di un ecosistema dell'AI che non dipenda solo da una decina di aziende statunitensi. Non tutti hanno bisogno di frontier model, avere soluzioni più semplici - o farsele da soli, avendo i giusti mezzi e le giuste capacità - è comunque una opportunità in più. Gli stack software ci sono - e qui Nvidia ha ancora molto da mettere sul piatto - e c'è anche l'hardware per l'AI. Così tutti quei data center pianificati nel mondo e ancora sulla carta potrebbero avere qualche senso in più.