// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Chip AI, la corsa non si gioca più solo nei data center
Il nuovo report Q2 2026 sui processori AI fotografa un mercato molto più ampio della classica sfida tra acceleratori per server: sono censite 151 aziende e oltre 290 processori AI, distribuiti tra training nei data center, inference cloud, edge computing, automotive, robotica, industrial IoT e architetture emergenti. Il dato mostra una fase in cui la crescita non passa soltanto da chip più grandi, ma da soluzioni progettate per carichi, consumi e modelli di distribuzione diversi.
Il punto centrale è che l'intelligenza artificiale sta uscendo dai soli rack ad alta densità. Veicoli autonomi, robot, linee produttive e sistemi industriali richiedono piattaforme con bassa latenza, comportamento prevedibile e consumi contenuti. In questi scenari non basta sommare TOPS o TFLOPS: contano alimentazione, memoria, integrazione di sistema e capacità di eseguire inference in modo stabile vicino al punto in cui i dati vengono generati.
La fotografia del settore ridimensiona anche l'idea che ogni carico AI debba ruotare attorno a una NPU dedicata. CPU, GPU, NPU e acceleratori specializzati hanno ruoli diversi, soprattutto con l'arrivo dell'AI agentica, che introduce nuove esigenze di elaborazione e orchestrazione. In questa prospettiva, il mercato CPU torna a essere parte dell'infrastruttura AI, non un semplice elemento di supporto.
La pressione sui consumi e sulla banda di memoria rende più evidente il legame con l'evoluzione dei processori tradizionali: la stessa tensione progettuale vista nei processori Intel Nova Lake a consumo elevato si ritrova nei sistemi AI, dove efficienza energetica e throughput reale pesano quanto il picco prestazionale dichiarato. La memoria, in particolare, sta diventando uno dei principali colli di bottiglia per training e inference.
Il report descrive un settore in forte frammentazione. NVIDIA continua ad allargare il proprio raggio d'azione oltre gli acceleratori per data center AI, spingendosi verso PC ed edge AI; Intel punta su edge, calcolo deterministico e integrazione CPU-GPU-NPU; nuove aziende lavorano su processori a grafi, dataflow engine, inferenza centrata sulla memoria, chip neuromorfici, fotonica, calcolo reversibile e modelli AI cablati direttamente nell'hardware.
La Cina resta un fronte molto attivo, con investimenti nel silicio domestico, mentre le restrizioni export stanno ridisegnando la competizione globale. La disaggregazione dei carichi è il filo conduttore: training, inference cloud, inference edge, AI sul dispositivo e processing agentico tendono a separarsi, favorendo fornitori diversi e riducendo la probabilità che una singola architettura domini ogni segmento.
La fase successiva sembra quindi meno legata alla rincorsa al chip più veloce e più vicina a un problema di sistema. Efficienza, architettura della memoria, ecosistema software, networking, costi di distribuzione e integrazione conteranno quanto la potenza grezza. In un mercato con oltre 151 aziende, chi vincerà non sarà necessariamente chi offrirà il picco più alto, ma chi saprà costruire la combinazione migliore per un carico specifico.
Aggiungi Tom's Hardware alle tue fonti preferite su Google