Sfoglia altri articoli simili con le etichette:
NVIDIA ha perso lunedì il 17% di capitalizzazione in una sola seduta, circa 600 miliardi di dollari di valore di mercato, dopo che il laboratorio cinese DeepSeek ha pubblicato R1, modello reasoning open-weight con prestazioni dichiarate paragonabili a OpenAI o1. Il technical report sostiene un costo di training di 5,6 milioni di dollari per il modello base. È un cinquantesimo di quello che l’industria americana dichiarava come ordine di grandezza per modelli di quella classe.
Il mercato ha reagito di pancia. La lettura è più sfumata di così.
Cosa è esattamente DeepSeek R1
R1 è un modello da 671 miliardi di parametri totali in architettura Mixture of Experts, di cui 37 miliardi attivi per token. Il modello viene rilasciato sotto licenza MIT, con pesi scaricabili da Hugging Face. Il technical report descrive in dettaglio il processo di addestramento basato su reinforcement learning con reward function semplici, senza supervised fine-tuning preliminare nella prima versione (chiamata R1-Zero).
Sui benchmark dichiarati, R1 è alla pari con o1 su MATH-500, AIME 2024, Codeforces e GPQA Diamond. Sui task agentici di tipo SWE-bench la performance è inferiore ma comunque competitiva. La differenza chiave: i pesi sono pubblici. Chiunque può scaricarli, eseguirli su infrastruttura propria, modificarli.
Il numero che ha scatenato il panico
I 5,6 milioni di dollari citati nel paper si riferiscono al training del modello base DeepSeek-V3, non a R1 nel suo insieme, e contano il costo di calcolo dei singoli run finali, non l’intera ricerca a monte. Non includono salari, infrastruttura, esperimenti falliti, raccolta dati. Confrontare quel numero con i miliardi spesi da OpenAI o Anthropic è apples to oranges, come scritto da diversi analisti tecnici nel corso della settimana.
Comunque, anche correggendo per tutto, il differenziale resta rilevante. DeepSeek dimostra che con ottimizzazione algoritmica seria, hardware ridotto (H800 invece di H100, le GPU NVIDIA che la Cina può ancora acquistare legalmente), e team focalizzato, si arriva alla frontiera con un decimo del budget annunciato dai laboratori americani.
Cosa il mercato ha frainteso
Il crollo di NVIDIA si basa sull’ipotesi che, se i modelli si addestrano con meno GPU, la domanda di GPU calerà. È un’inferenza logica frettolosa. Tre fattori la complicano.
Primo, l’inference scala con l’uso, non con il training. Se R1 e successori democratizzano il reasoning AI, l’utilizzo aggregato cresce. La domanda di GPU per inference cresce con esso, non cala.
Secondo, l’efficienza algoritmica libera capacità per esperimenti più ambiziosi. Storicamente nell’informatica, ogni volta che un task è diventato più economico per unità, il totale speso è aumentato (legge di Jevons applicata al calcolo). Non c’è ragione di pensare che l’AI si comporti diversamente.
Terzo, R1 è stato addestrato su H800 perché la Cina non può comprare H100. Negli Stati Uniti chi ha accesso a hardware più potente continuerà a usarlo. La pressione semmai è sulle policy di esportazione, non sui ricavi di NVIDIA in occidente.
Quello che invece il mercato dovrebbe vedere
R1 è la prima dimostrazione pubblica che il monopolio della frontiera AI nelle mani di tre laboratori americani non è strutturale. È un fenomeno che si è generato perché finora nessuno ha provato seriamente fuori da quel perimetro. Adesso che la barriera economica è dimostrata superabile, la geopolitica dell’AI cambia.
Implicazioni concrete: aspettiamoci modelli reasoning open-weight di qualità da Europa, India, Medio Oriente nei prossimi diciotto mesi. Il vantaggio competitivo si sposterà da chi ha il modello migliore a chi sa applicarlo meglio a problemi reali. Per le aziende che vendono servizi AI, la differenziazione torna a essere dominio verticale, non parametri.
Cosa significa per chi opera in marketing e digital
Quattro conseguenze pratiche.
Primo, i prezzi delle API reasoning scenderanno nei prossimi due trimestri. OpenAI e Anthropic non possono ignorare il fatto che esiste un’alternativa scaricabile gratis. La pressione sui margini è inevitabile.
Secondo, l’opzione self-hosted per modelli reasoning diventa realistica per aziende medie. Eseguire R1 in produzione richiede infrastruttura rilevante, ma il taglio dei costi cloud annuali può giustificarla in scenari ad alto volume.
Terzo, la conformità diventa selling point. Un modello cinese open-weight è tecnicamente disponibile, ma chiunque operi in settori regolati europei (sanità, finance, PA) avrà bisogno di sapere dove gira il modello, su quale infrastruttura, con quale auditability. È il momento perfetto per definire una linea aziendale chiara, e per chi ne sa, è anche un mercato consulenziale che si apre. Le associazioni di categoria come AIPIA stanno già lavorando su frame normativi per orientare i professionisti italiani.
Quarto, smettiamola di pesare i fornitori AI come fossero una scelta definitiva. L’orizzonte temporale per la decisione di stack AI è scesa a sei mesi. Architetture che oggi sembrano definitive saranno parziali rimodulazioni a giugno.
Una nota laterale che merita attenzione: DeepSeek ha rilasciato anche modelli distillati di dimensioni piccole, alcuni eseguibili su singola GPU consumer. Per le aziende italiane che valutano on-premise per ragioni di sovranità del dato, è la prima volta che si può parlare seriamente di reasoning AI eseguibile in casa con hardware non astronomico. Cambia la conversazione sul cosa è possibile fare, non solo sul cosa è economico.
Cosa significa per chi opera in marketing e digital
Quattro conseguenze pratiche.
Primo, i prezzi delle API reasoning scenderanno nei prossimi due trimestri. OpenAI e Anthropic non possono ignorare il fatto che esiste un’alternativa scaricabile gratis. La pressione sui margini è inevitabile.
Secondo, l’opzione self-hosted per modelli reasoning diventa realistica per aziende medie. Eseguire R1 in produzione richiede infrastruttura rilevante, ma il taglio dei costi cloud annuali può giustificarla in scenari ad alto volume.
Terzo, la conformità diventa selling point. Un modello cinese open-weight è tecnicamente disponibile, ma chiunque operi in settori regolati europei avrà bisogno di sapere dove gira il modello, su quale infrastruttura, con quale auditability. È il momento perfetto per definire una linea aziendale chiara, e per chi ne sa, è anche un mercato consulenziale che si apre. Le associazioni di categoria come AIPIA stanno già lavorando su frame normativi per orientare i professionisti italiani.
Quarto, smettiamola di pesare i fornitori AI come fossero una scelta definitiva. L’orizzonte temporale per la decisione di stack AI è scesa a sei mesi. Architetture che oggi sembrano definitive saranno parziali rimodulazioni a giugno.
La domanda da farsi oggi
Sto preparando con i team con cui lavoro la stessa esercitazione: provare R1 sulle stesse task analitiche dove usiamo o1, misurare lo scarto, calcolare il break-even tra inference a pagamento e self-hosting. In quasi tutti i casi il break-even sta dentro l’anno solare.
Per chi gestisce budget AI in azienda, la lezione di questa settimana è precisa. Le decisioni di stack vanno riviste ogni semestre, non ogni tre anni. Le architetture vanno costruite portabili, con livelli di astrazione che permettano di cambiare modello in giornata. Il vantaggio competitivo è capire prima degli altri quando ha senso cambiare.
NVIDIA recupererà o no, è una domanda da trader. La domanda per chi costruisce business basati su AI è un’altra: stai progettando in modo da poter sfruttare il prossimo R1, qualunque laboratorio lo produca?
