La narrazione dominante per anni è stata semplice, quasi infantile nella sua linearità: più dati, più GPU, più training, più intelligenza. Una formula da Silicon Valley 2018, quando il mondo credeva ancora che l’intelligenza artificiale fosse un problema di accumulo e non di orchestrazione. Poi arriva Jensen Huang sul palco della NVIDIA GTC 2026 e, con la consueta teatralità da fondatore che ha visto troppe rivoluzioni per credere alle narrative semplici, ribalta il tavolo. Non è più il training il centro del sistema. È l’inferenza. Non è più il modello il prodotto. È il flusso continuo di token. Non è più la potenza computazionale statica. È l’economia dinamica dell’esecuzione.

Chi ha ancora in mente la corsa agli LLM come una nuova corsa all’oro probabilmente non ha capito che la miniera è finita. Ora si vendono pale, sì, ma soprattutto si vendono flussi. Flussi di inferenza, flussi di agenti, flussi di decisioni automatizzate. Il risultato è un cambio di paradigma che non riguarda solo la tecnologia, ma il modo in cui il valore viene generato, distribuito e monetizzato. “I token sono la nuova unità economica”, dice Huang. Tradotto per chi fa bilanci: il fatturato non si misura più in licenze, ma in throughput.

La Nemotron Coalition è forse il segnale più sottovalutato e, allo stesso tempo, più strategico. In un ecosistema dominato da pochi attori verticalmente integrati, l’idea di costruire modelli frontier open appare quasi romantica, se non fosse che dietro c’è una logica brutalmente pragmatica. NVIDIA non vuole solo vendere chip; vuole evitare che il valore si concentri troppo a valle, nei modelli proprietari. Aprire il gioco significa aumentare il numero di player che consumano infrastruttura. È una mossa da manuale di economia industriale, più che da manifesto etico. L’open non è ideologia. È leva di mercato.

Nel frattempo, il lancio della Vera CPU sembra quasi un ritorno alle origini, ma con un twist contemporaneo. Dopo anni in cui la CPU era stata relegata a ruolo ancillare rispetto alla GPU, improvvisamente torna al centro, ma non come general purpose. È una CPU progettata per agenti, per reinforcement learning, per carichi dinamici che sfuggono alla rigidità delle architetture tradizionali. Il messaggio implicito è chiaro: l’era dei sistemi eterogenei è finita. Ora siamo nell’era dei sistemi co-evolutivi, dove ogni componente è progettato per un ecosistema AI-first. Non è un aggiornamento. È una riscrittura del contratto tra hardware e software.

Dynamo 1.0 rappresenta un’altra svolta silenziosa ma devastante. Un sistema operativo per l’inferenza non è solo un layer tecnico; è un punto di controllo. Chi controlla l’orchestrazione dell’inferenza controlla i costi, le performance e, in ultima analisi, il margine. La storia dell’informatica è piena di esempi simili. Microsoft ha costruito un impero su Windows, non su singole applicazioni. Google domina il web non per il browser, ma per l’infrastruttura. NVIDIA sembra voler replicare lo schema nel mondo AI: non solo chip, ma sistema operativo del calcolo intelligente. Chi pensa che sia open source per generosità probabilmente crede ancora alle favole.

NemoClaw e l’integrazione con OpenClaw introducono un altro elemento chiave: la sicurezza degli agenti. Per anni abbiamo discusso di bias, allucinazioni e alignment come se fossero problemi teorici. Ora che gli agenti diventano autonomi, persistenti e operativi, il rischio non è più accademico. È operativo. Sandbox, privacy, controlli granulari diventano elementi infrastrutturali, non feature opzionali. In altre parole, l’AI smette di essere un assistente e diventa un attore. E gli attori, nella storia economica, prima o poi generano crisi.

La dimostrazione con The Walt Disney Company, con un Olaf robotico che cammina grazie ai chip NVIDIA e al motore fisico Newton, potrebbe sembrare una trovata da keynote. In realtà è una preview di un mercato enorme e ancora sottovalutato: la fisicalizzazione dell’AI. L’intelligenza non rimane più confinata nello schermo; esce, si muove, interagisce. La robotica, che per anni è stata promessa e mai mantenuta, trova finalmente un’infrastruttura coerente. Non è il robot il problema. È sempre stato il cervello. Ora il cervello esiste, e soprattutto è scalabile.

Il Physical AI Data Factory Blueprint è, a mio avviso, il vero colpo di genio strategico. Generare dati sintetici per addestrare sistemi fisici significa bypassare uno dei principali colli di bottiglia dell’AI: la scarsità di dati reali di qualità. È la stessa logica che ha trasformato il trading finanziario con i dati simulati. Quando puoi simulare il mondo, puoi addestrare qualsiasi cosa. E quando puoi addestrare qualsiasi cosa, il limite non è più tecnico, ma economico. Chi paga per simulare meglio vince. Semplice, brutale, inevitabile.

La narrativa dell’inferenza come “main game” merita una pausa di riflessione, perché è qui che molti stanno sottovalutando la portata del cambiamento. Il training è un evento. L’inferenza è un processo continuo. Il training è CAPEX. L’inferenza è OPEX. Questa distinzione, apparentemente banale, ha implicazioni enormi sui modelli di business. Significa passare da investimenti una tantum a flussi ricorrenti. Significa che l’AI non è più un progetto, ma una utility. E le utility, storicamente, diventano monopoli o quasi.

Quando Huang parla di token come nuova commodity, sta implicitamente ridefinendo il concetto stesso di valore digitale. Non più storage, non più banda, ma unità di calcolo semantico. È un passaggio sottile ma fondamentale. Il token non è solo output. È lavoro computazionale, è energia trasformata in significato. In un certo senso, è la nuova forma di elettricità dell’economia digitale. Con una differenza non trascurabile: è programmabile, misurabile e monetizzabile in tempo reale.

L’aggiornamento del sistema Vera Rubin per gestire carichi agentici su larga scala conferma che il futuro non è fatto di modelli isolati, ma di ecosistemi di agenti che collaborano, competono e si orchestrano. Una sorta di mercato interno dell’intelligenza, dove ogni agente consuma e produce token. Se questa visione vi sembra complessa, è perché lo è. Ma è anche inevitabile. Le architetture semplici non sopravvivono alla complessità del mondo reale.

Il teaser sullo space computing potrebbe sembrare fantascienza, ma chi ha seguito l’evoluzione dei data center sa che il problema del raffreddamento è uno dei principali limiti alla scalabilità. Portare il calcolo nello spazio non è solo una provocazione. È una risposta radicale a un problema fisico. Ancora una volta, NVIDIA non sta inseguendo la domanda. Sta cercando di ridefinirla.

Infine, DLSS 5 chiude il cerchio, dimostrando che anche il gaming, spesso considerato un settore a parte, è in realtà un laboratorio avanzato per l’AI. L’integrazione di comprensione semantica di scene e oggetti non è solo un miglioramento grafico. È un passo verso sistemi che comprendono il contesto visivo in modo sempre più sofisticato. Il confine tra rendering e percezione si assottiglia, fino quasi a scomparire.

Guardando l’insieme, emerge un quadro che va oltre il singolo annuncio. NVIDIA sta costruendo un’infrastruttura totale, che va dal silicio allo spazio, passando per sistemi operativi, modelli, agenti e robot. È un progetto di integrazione verticale che ricorda, in scala e ambizione, le grandi trasformazioni industriali del Novecento. Con una differenza sostanziale: questa volta il prodotto non è un bene fisico. È intelligenza distribuita.

Chi continua a vedere l’AI come una feature software rischia di trovarsi nella stessa posizione di chi, negli anni Novanta, pensava che Internet fosse solo un canale di comunicazione. La realtà è più brutale. L’AI è un’infrastruttura economica. E come tutte le infrastrutture, tende a concentrare potere, capitale e controllo.

Nel mezzo di questo scenario, la vera domanda non è chi vincerà la corsa all’AI. È chi controllerà il flusso dei token. Perché, come spesso accade, il valore non sta nell’oggetto, ma nel movimento. E NVIDIA, con una lucidità quasi cinica, sembra averlo capito prima degli altri.