A luglio 2026 la strategia di NVIDIA sull’intelligenza artificiale appare molto più sofisticata della semplice decisione di distribuire modelli con pesi aperti. L’azienda che ha costruito una posizione quasi dominante nell’hardware per l’AI sta progressivamente investendo nella costruzione di un ecosistema di modelli, dataset, librerie, strumenti di training e framework che abbia NVIDIA al centro dell’intera catena tecnologica. È un passaggio importante perché modifica il significato stesso dell’open source nell’AI: non più soltanto un gesto di apertura verso la comunità degli sviluppatori, ma una formidabile infrastruttura commerciale capace di aumentare il valore delle GPU, accelerare l’adozione del software NVIDIA e rendere il suo stack tecnologico una sorta di standard industriale di fatto. La domanda, quindi, non è perché NVIDIA regali modelli costosi da sviluppare. È capire quanto valore economico possa generare un modello che, invece di essere venduto direttamente, rende indispensabile tutto ciò che gli sta intorno.
La famiglia Nemotron rappresenta il cuore di questa strategia. NVIDIA presenta oggi Nemotron come una famiglia di modelli aperti ad alta efficienza, con pesi, dati di training e tecniche rese disponibili alla comunità, destinati soprattutto alla costruzione di agenti AI e applicazioni specializzate. La società sostiene esplicitamente che i modelli siano realmente open source, non semplicemente open weight, perché rende disponibili anche dataset e informazioni sul processo di addestramento. La distinzione non è accademica: nell’attuale mercato dell’AI molte aziende utilizzano l’etichetta open source con una certa elasticità semantica, mentre NVIDIA sta cercando di occupare uno spazio più vicino alla riproducibilità e alla personalizzazione.
Il punto strategico emerge ancora meglio osservando ciò che NVIDIA ha costruito attorno ai modelli. Nemotron 3, presentato alla fine del 2025, è stato concepito non come un singolo chatbot alternativo a ChatGPT, Claude o Gemini, ma come una famiglia di modelli, dati, ambienti di reinforcement learning e librerie destinata alla costruzione di sistemi agentici. L’architettura combina tecniche Mixture-of-Experts e componenti Mamba-Transformer, mentre NVIDIA punta esplicitamente su efficienza, throughput e contesti molto lunghi. In altre parole, il modello è solo una tessera; il vero prodotto è lo stack completo necessario per far funzionare l’AI in produzione.
Questa impostazione ha una logica economica quasi spietata. Se NVIDIA producesse soltanto GPU, il suo destino dipenderebbe dalla capacità dei grandi laboratori di AI di continuare ad acquistare quantità crescenti di acceleratori. Se invece contribuisce a creare i modelli che gli sviluppatori utilizzano per sperimentare, addestrare, ottimizzare e distribuire applicazioni, può influenzare anche la domanda futura di calcolo. L’open source diventa così un acceleratore commerciale indiretto. Più sviluppatori costruiscono applicazioni su Nemotron, più aziende sperimentano su GPU NVIDIA; più applicazioni vengono ottimizzate per CUDA, TensorRT, NIM, NeMo e l’infrastruttura NVIDIA, maggiore diventa il costo tecnico di migrare verso un ecosistema concorrente. È il vecchio principio delle piattaforme, applicato all’economia dell’intelligenza artificiale con qualche trilione di parametri in più.
A luglio questa strategia aveva già prodotto segnali concreti. NVIDIA ha dichiarato che 145 dei paper accettati a ICML 2026 citavano Nemotron, mentre circa 2.000 paper citavano le GPU NVIDIA. Il dato è interessante perché mostra la differenza tra hardware e modello: una GPU può essere acquistata da un ricercatore, mentre un modello aperto può diventare una base cognitiva sulla quale altri ricercatori costruiscono nuova ricerca. Quando un componente entra nei paper, nei benchmark, nei repository e nei workflow quotidiani degli sviluppatori, smette lentamente di essere un semplice prodotto e comincia a diventare infrastruttura.
La NVIDIA Nemotron Coalition, annunciata nel marzo 2026, rende ancora più evidente questa ambizione. NVIDIA ha riunito aziende e laboratori come Black Forest Labs, Cursor, LangChain, Mistral AI, Perplexity, Reflection AI, Sarvam e Thinking Machines Lab con l’obiettivo di sviluppare modelli frontier aperti attraverso condivisione di competenze, dati e capacità di calcolo. Il progetto prevede l’addestramento su NVIDIA DGX Cloud e la successiva apertura del modello. È una struttura che ricorda più un consorzio industriale che il tradizionale progetto open source nato in un garage universitario. La differenza è fondamentale: NVIDIA non sta semplicemente distribuendo software, sta cercando di coordinare una parte dell’industria intorno alla propria infrastruttura di calcolo.
Il vantaggio per NVIDIA è particolarmente evidente mentre il mercato dei modelli linguistici attraversa una fase di compressione economica. I modelli frontier diventano sempre più costosi da addestrare, ma contemporaneamente la loro disponibilità aumenta e la differenza tra modelli proprietari e modelli aperti si riduce rapidamente. La pressione esercitata da modelli come quelli di Alibaba, DeepSeek e altri laboratori internazionali rende difficile sostenere indefinitamente l’idea che il valore economico risieda soltanto nel modello più grande. La competizione si sta spostando verso efficienza dell’inferenza, costo per token, capacità agentiche, contesto, personalizzazione e disponibilità locale. Ed è precisamente in questi territori che l’apertura dei modelli può diventare un vantaggio per NVIDIA.
L’efficienza è infatti una parte decisiva della partita. Un modello aperto che può essere eseguito, ottimizzato e personalizzato localmente produce una domanda molto diversa da quella generata da un semplice chatbot ospitato nel cloud. Un’impresa che vuole utilizzare dati proprietari in un modello pubblico può avere problemi di privacy, proprietà intellettuale, compliance e sovranità del dato. Un modello aperto permette invece di portare il modello vicino ai dati, adattarlo al dominio aziendale e controllare maggiormente il ciclo operativo. NVIDIA insiste proprio su questo punto, sostenendo che il vantaggio competitivo delle imprese si stia spostando dalla scelta del modello alla capacità di personalizzarlo con conoscenza proprietaria.
È una trasformazione significativa anche dal punto di vista geopolitico. L’intelligenza artificiale sta diventando una componente della sovranità tecnologica e i governi non vogliono necessariamente affidare dati sensibili, modelli e capacità computazionale a poche piattaforme private straniere. I modelli aperti possono diventare un compromesso interessante: consentono a Stati, aziende e istituzioni di costruire sistemi propri senza dover sviluppare da zero ogni componente. NVIDIA ha evidentemente compreso che, in questo scenario, vendere semplicemente il maggior numero possibile di GPU non basta. Bisogna contribuire a definire ciò che gira sulle GPU.
La strategia contiene però una sottile ironia. NVIDIA sta promuovendo l’apertura mentre costruisce uno degli ecosistemi hardware e software più difficili da ignorare. È una forma di apertura molto diversa dalla filosofia romantica del software libero: il codice, i pesi e i dataset possono essere aperti, ma il terreno economico sul quale l’intero sistema cresce resta fortemente favorevole a NVIDIA. Non è una contraddizione; è capitalismo di piattaforma applicato all’AI. L’azienda non deve necessariamente possedere ogni modello se riesce a fare in modo che una quota crescente dei modelli più importanti venga sviluppata, ottimizzata e distribuita sulle sue infrastrutture.
Anche la ricerca pubblicata nel luglio 2026 da NVIDIA Labs mostra quanto la società stia sperimentando al di là del semplice paradigma autoregressivo. Nemotron-Labs-Diffusion combina generazione autoregressiva, diffusion e self-speculation, con modelli da 3, 8 e 14 miliardi di parametri. NVIDIA riporta, per esempio, che la variante da 8 miliardi raggiunge fino a sei volte più token per forward pass rispetto a Qwen3-8B in determinate condizioni sperimentali e circa quattro volte il throughput su SPEED-Bench con SGLang e GPU GB200. Sono risultati di laboratorio, quindi non vanno trasformati nell’ennesimo slogan da keynote, ma indicano chiaramente la direzione: il futuro competitivo dell’AI non dipenderà soltanto da quanti parametri possiede un modello, bensì da quanti risultati utili riesce a produrre per watt, per dollaro e per secondo.
Un altro lavoro di luglio, Nemotron-Labs-3-Puzzle-75B-A9B, va nella stessa direzione. NVIDIA ha sviluppato una versione compressa di Nemotron 3 Super capace, secondo i test pubblicati, di ottenere circa il doppio del throughput server in determinate condizioni su un nodo con otto GPU B200 e di aumentare da una a otto richieste la concorrenza per contesti da un milione di token su una singola H100. Il significato industriale è più interessante del numero stesso: comprimere un modello significa rendere l’intelligenza più economica da distribuire, e rendere l’inferenza più economica significa allargare enormemente il mercato potenziale dell’AI.
Il progetto NVIDIA, dunque, non dovrebbe essere interpretato come una guerra diretta a OpenAI, Anthropic o Google sul terreno dei chatbot. È qualcosa di più strutturale. NVIDIA sta cercando di diventare il fornitore della macchina industriale sulla quale convivono modelli proprietari, modelli open source, agenti, robot, sistemi scientifici e applicazioni enterprise. L’apertura dei modelli serve a moltiplicare gli esperimenti, attirare sviluppatori, creare benchmark, generare feedback e soprattutto aumentare il numero di workload che hanno bisogno di accelerazione. Il modello è gratuito; il calcolo no.
Questo spiega anche perché la strategia sia particolarmente importante nel 2026, quando l’AI sta passando dalla fase in cui tutti volevano un chatbot alla fase in cui le aziende vogliono agenti capaci di lavorare per ore, utilizzare strumenti, consultare database, scrivere codice e completare processi aziendali. In questo nuovo mercato il modello migliore non è necessariamente quello che conversa meglio con un essere umano, ma quello che riesce a sostenere un workload complesso al costo operativo più basso. NVIDIA lo sa bene. La sua scommessa è che l’era dell’AI non sarà dominata da un solo modello, ma da migliaia di modelli specializzati che gireranno su una quantità enorme di infrastruttura accelerata.
L’open source, in questa prospettiva, non è il contrario del business NVIDIA. È uno dei suoi strumenti commerciali più sofisticati. La società sta cercando di rendere aperta la parte della tecnologia che conviene rendere aperta, mentre mantiene un vantaggio enorme nell’hardware, nei sistemi, nei compiler, nelle librerie e nell’infrastruttura. È una strategia molto più intelligente del semplice tentativo di costruire un altro ChatGPT. Se funzionerà, NVIDIA non avrà bisogno di vincere la guerra dei chatbot. Le basterà vincere quella, molto più redditizia, dell’infrastruttura sulla quale tutti gli altri continueranno a combatterla.