I migliori 25+ produttori di chip IA: NVIDIA e i suoi concorrenti
Sulla base della nostra esperienza nell'esecuzione del cloud GPU benchmark di AIMultiple con 10 diversi modelli di GPU in 4 diversi scenari, queste sono le migliori aziende di hardware IA per carichi di lavoro nei data center. Segui i link per vedere la nostra motivazione dietro ogni scelta:
25+ produttori di chip IA per categoria
*I modelli selezionati si basano sugli ultimi annunci.
**ACCEL è stato sviluppato da scienziati cinesi in collaborazione con Alibaba e la Semiconductor Manufacturing International Corporation (SMIC) cinese 1
L'ordinamento è per categoria. I fornitori sono classificati in base alla quota di mercato stimata all'interno delle prime 3 categorie (ovvero produttore leader, cloud pubblico, cloud IA pubblico) poiché i numeri di vendita o l'utilizzo del cloud possono essere stimati. I fornitori nelle ultime tre categorie (startup IA, produttore emergente, altri produttori) sono ordinati alfabeticamente.
5 fornitori di chip IA per dispositivi mobili
*Sono selezionati i chip più popolari e recenti.
5 chip IA edge
La richiesta di elaborazione a bassa latenza ha guidato l'innovazione nei chip IA edge. I processori di questi chip sono progettati per eseguire calcoli IA localmente sui dispositivi anziché affidarsi a soluzioni basate su cloud:
*Questi sono i valori massimi dichiarati dai fornitori. TOPS significa tera operazioni al secondo.
Comprendere le architetture dei chip IA: GPU vs ASIC
Non tutti i chip IA sono uguali. Sebbene i fornitori sopra competano nello stesso mercato, utilizzano architetture di chip fondamentalmente diverse:
- GPU (unità di elaborazione grafica) sono processori generici in grado di gestire sia l'addestramento che l'inferenza su un'ampia gamma di carichi di lavoro IA. NVIDIA e AMD dominano questa categoria.
- ASIC (circuiti integrati specifici per applicazione) sono progettati su misura per compiti specifici. Alcuni supportano sia l'addestramento che l'inferenza (Google TPU, AWS Trainium), mentre altri sono solo per l'inferenza (Groq LPU, AWS Inferentia).
Approfondimento chiave:
Non tutti gli ASIC sono solo per l'inferenza. Google TPU, AWS Trainium, Cerebras e SambaNova supportano sia l'addestramento che l'inferenza, mentre Groq LPU e AWS Inferentia si concentrano esclusivamente sull'inferenza.
Questa distinzione è importante per gli acquirenti: le GPU offrono flessibilità su diversi carichi di lavoro IA, mentre gli ASIC offrono migliori prestazioni per watt ma sono più difficili da riprogrammare con il cambiamento delle architetture dei modelli.
Secondo TrendForce2 , sulla base dei tassi di crescita delle spedizioni di server IA, si prevede che le spedizioni di ASIC personalizzati dai fornitori cloud cresceranno del 44,6% nel 2026, mentre le spedizioni di GPU cresceranno del 16,1%. Ciò segnala un cambiamento nel panorama dell'hardware IA, con gli hyperscaler che investono sempre più nel proprio silicio.
Quali sono i principali produttori di chip IA?
1. NVIDIA
NVIDIA progetta unità di elaborazione grafica (GPU) per il settore dei giochi dagli anni '90. NVIDIA è un produttore di chip fabless che esternalizza la maggior parte della produzione dei suoi chip a TSMC. Le sue principali attività includono:
Soluzioni IA desktop
DGX Spark (in precedenza Project Digits) è un supercomputer IA desktop per ingegneri IA e data scientist dotato di un Grace Blackwell Superchip con una NVIDIA Blackwell RTX GPU con 6.144 core CUDA e Tensor Core di quinta generazione con precisione FP4, collegata tramite l'interconnessione chip-to-chip NVIDIA NVLink-C2C a una CPU NVIDIA Grace ad alte prestazioni a 20 core, con fino a 1 petaflop di calcolo IA e 128GB di memoria unificata per agenti on-device.3 4
NVIDIA e Microsoft stanno collaborando per offrire una piattaforma Windows sicura per agenti on-device basata su nuove primitive di sicurezza del sistema operativo.5
Soluzioni per data center
L'azienda produce chip IA seguendo le sue architetture Ampere, Hopper e, più recentemente, Blackwell. Grazie al boom dell'IA generativa, NVIDIA ha ottenuto risultati eccellenti negli ultimi anni, ha raggiunto una valutazione di trilioni e ha consolidato il suo status di leader dei mercati GPU e hardware IA. Il grafico seguente mostra come i ricavi di NVIDIA in questo segmento siano cresciuti nel corso degli anni e come siano diventati la principale fonte di reddito dell'azienda.
Fonte: Rapporti finanziari di NVIDIA Corporation.6
DGX™ A100 e H100 sono stati i chip IA di punta di successo di Nvidia, progettati per l'addestramento e l'inferenza IA nei data center.7 NVIDIA ha fatto seguito a questi con
- chip H200, B300 e GB300
- server HGX come HGX H200 e HGX B300 che combinano 8 di questi chip
- serie NVL e GB200 SuperPod che combinano ancora più chip in grandi cluster.8
Cloud GPU
Grazie alla forza della sua offerta per data center, NVIDIA ha quasi il monopolio sul mercato cloud IA, con la maggior parte dei player cloud che offrono solo NVIDIA GPU come cloud GPU.
NVIDIA ha anche lanciato la sua offerta DGX Cloud, fornendo infrastruttura cloud GPU direttamente alle aziende, aggirando i fornitori cloud.
GPU per la grafica
Xbox utilizza un chipset co-sviluppato da NVIDIA e Microsoft. Le GPU NVIDIA per utenti retail includono la serie GeForce.
Sviluppi recenti
DGX Cloud Lepton
Annunciato il 19 maggio 2025 al Computex, DGX Cloud Lepton di NVIDIA è un marketplace che mette in contatto gli sviluppatori IA con i fornitori cloud GPU di NVIDIA, tra cui CoreWeave, Lambda e Crusoe. Consente un accesso flessibile alle risorse GPU per l'addestramento e l'inferenza di modelli IA, aggirando le dipendenze dai fornitori cloud tradizionali. Ciò rafforza la strategia cloud incentrata sulle aziende di NVIDIA.9
NVIDIA Dynamo
NVIDIA Dynamo, annunciato al GTC 2025, è un nuovo framework di inferenza open-source progettato per il deployment ad alta velocità e bassa latenza di modelli di IA generativa in ambienti distribuiti, aumentando la capacità di servizio delle richieste fino a 30x su NVIDIA Blackwell, come mostrato nella figura seguente. Questo framework, compatibile con strumenti popolari come PyTorch e TensorRT-LLM, utilizza innovazioni come fasi di inferenza disaggregate e pianificazione dinamica delle GPU per ottimizzare le prestazioni e ridurre i costi. Disponibile su GitHub per gli sviluppatori e incluso nei microservizi NVIDIA NIM per soluzioni aziendali, Dynamo facilita un serving di IA generativa scalabile ed economico dai sistemi a singola GPU a quelli multi-GPU.10
NVIDIA RTX PRO Servers e Enterprise IA Factory
Annunciati a maggio 2025 al Computex, NVIDIA ha presentato i server RTX PRO basati su GPU RTX PRO 6000 Blackwell Server Edition, progettati per le fabbriche IA aziendali. Questi server offrono accelerazione universale per applicazioni IA, progettazione, ingegneria e business, supportando carichi di lavoro come l'inferenza IA multimodale, l'IA fisica e i gemelli digitali sulla piattaforma NVIDIA Omniverse.
Il design convalidato NVIDIA Enterprise IA Factory, che incorpora server RTX PRO, NVIDIA Spectrum-X Ethernet, NVIDIA BlueField DPU e il software NVIDIA IA Enterprise, consente a partner come Cadence, Foxconn e Lilly di costruire infrastrutture IA on-premises. Questa iniziativa accelera la transizione del settore IT da trilioni di dollari verso fabbriche IA accelerate da GPU. 12
Piattaforma NVIDIA Vera Rubin
La piattaforma di nuova generazione di NVIDIA dopo Blackwell Ultra, annunciata al CES 2026 e confermata in produzione al Computex 2026, offre un addestramento 3,5× più veloce e un'inferenza 5× più veloce rispetto a Blackwell ed è costruita su TSMC 3nm con HBM4.13 14 Il rack NVL72 fornisce 260 TB/s di larghezza di banda.
DeepSeek
Il rilascio di R1 di DeepSeek ha dimostrato che modelli all'avanguardia potevano essere addestrati con un numero relativamente ridotto di GPU. Ciò ha portato a una riduzione del prezzo delle azioni di NVIDIA. Sebbene questo non sia un consiglio di investimento, può essere positivo per NVIDIA poiché maggiore è l'utilità fornita dalla potenza di calcolo, più ampiamente dovrebbe essere utilizzata (ovvero il paradosso di Jevons15 ).
Tuttavia, dato che le prestazioni dei sistemi GPU migliorano di varie volte all'anno grazie ai progressi nella progettazione dei chip e nelle interconnessioni, gli acquirenti farebbero bene a non acquistare oltre le loro esigenze annuali, poiché ciò può portare a possedere sistemi obsoleti.
Dazi e restrizioni all'esportazione
A NVIDIA è ora consentito esportare processori IA avanzati verso il mercato cinese, segnando un cambiamento rispetto ai precedenti requisiti di vendere solo versioni depotenziate. Tuttavia, queste esportazioni devono affrontare nuovi ostacoli logistici e finanziari: i chip prodotti a Taiwan devono ora transitare attraverso gli Stati Uniti per test di terze parti, attivando un nuovo dazio per la sicurezza nazionale del 25%.
Nonostante il ripristino dell'accesso all'hardware di fascia alta, i costi aggiuntivi e le complessità della catena di approvvigionamento continuano a incentivare il governo e l'industria cinese dei chip a sviluppare alternative locali competitive. Mentre i chip cinesi attualmente hanno prestazioni inferiori alla più recente tecnologia di NVIDIA, queste barriere commerciali assicurano che lo sviluppo interno rimanga una priorità strategica, potenzialmente sfidando il dominio di mercato di NVIDIA in futuro.16
Concorrenza nel mercato dell'inferenza
Mentre NVIDIA domina il mercato dell'"addestramento" IA, la concorrenza si sta intensificando nell'"inferenza", ovvero l'implementazione di modelli IA per compiti reali. Aziende come AMD e numerose startup, tra cui Untether IA e Groq, stanno sviluppando chip che mirano a fornire soluzioni di inferenza più convenienti, con un'attenzione particolare al minor consumo energetico.
Le nuove tecniche di IA "ragionativa" richiedono più potenza di calcolo. NVIDIA ritiene che il ragionamento favorirà la sua architettura nel lungo periodo e si aspetta che il mercato dell'inferenza alla fine superi di gran lunga il mercato dell'addestramento in termini di dimensioni, anche se la sua quota di mercato è inferiore. 17
2. AMD
AMD è un produttore di chip fabless con prodotti CPU, GPU e acceleratori IA.
AMD ha lanciato MI300 per carichi di lavoro di addestramento IA nel giugno 2023 e compete con NVIDIA per quote di mercato. Startup, istituti di ricerca, aziende e giganti tecnologici hanno adottato hardware AMD nel 2023 poiché l'hardware IA di Nvidia era difficile da reperire a causa della domanda in rapido aumento, con l'ascesa dell'IA generativa innescata dal lancio di ChatGPT.18 19 20
Nel 2025, AMD ha annunciato l'acquisizione di un talentuoso team di ingegneri hardware e software IA da Untether IA, uno sviluppatore di chip di inferenza IA a basso consumo energetico per provider edge e data center aziendali. Questa mossa migliora le capacità di compilatore IA, sviluppo di kernel e progettazione di chip di AMD, rafforzando ulteriormente la sua posizione nel mercato dell'inferenza. Inoltre, AMD ha acquisito la startup di compilatori Brium per ottimizzare le prestazioni IA sulle sue GPU Instinct per data center per applicazioni aziendali.21
AMD rilascerà la serie MI350 per sostituire MI300 e competere con H200 di NVIDIA. AMD afferma che MI325X, un altro chip recente, ha prestazioni di inferenza leader di mercato. Nel febbraio 2026, Meta ha annunciato un accordo infrastrutturale a lungo termine con AMD per distribuire fino a 6 GW di GPU AMD Instinct, uno dei più grandi accordi di approvvigionamento di GPU non-NVIDIA della storia e un significativo sostegno alla roadmap hardware IA di AMD.22 23
AMD sta anche lavorando con aziende di machine learning come Hugging Face per consentire ai data scientist di utilizzare il loro hardware in modo più efficiente.24
L'ecosistema software è critico poiché le prestazioni hardware dipendono fortemente dall'ottimizzazione software. Ad esempio, AMD e NVIDIA hanno avuto un disaccordo pubblico sul benchmarking di H100 e MI300. Il fulcro del disaccordo era il pacchetto e il floating point da utilizzare nel benchmark. Secondo gli ultimi benchmark, sembra che MI300 sia migliore o alla pari con H100 per l'inferenza su un LLM da 70B.25
Software
Mentre l'hardware AMD sta raggiungendo NVIDIA, il suo software è in ritardo in termini di usabilità. Mentre CUDA funziona immediatamente per la maggior parte delle attività, il software AMD richiede una configurazione significativa. 26
Ecosistema
Come NVIDIA, AMD sta investendo selettivamente negli utenti delle sue soluzioni per guidare l'adozione del suo hardware. 27
3. Intel
Intel è l'attore più significativo nel mercato delle CPU e ha una lunga storia nello sviluppo di semiconduttori. A differenza di NVIDIA e AMD, Intel utilizza la propria fonderia per costruire i suoi chip.
Gaudi3 è l'ultimo processore acceleratore IA di Intel. 28 Tuttavia, la guidance sulle vendite di Intel per Gaudi3 era di circa $500 milioni per il 2024, significativamente inferiore rispetto ai miliardi che AMD prevede di guadagnare nel 2024.
Sotto la guida del nuovo CEO Lip-Bu Tan (nominato a marzo 2025), la strategia IA di Intel si è chiarita attorno a soluzioni a livello di rack.29 Intel ha cancellato la sua GPU Falcon Shores per puntare su Jaguar Shores, un acceleratore IA di nuova generazione a livello di rack costruito sul nodo di processo 18A di Intel, e ha fatto nuovi annunci hardware IA al Computex 2026, tra cui il suo processore Xeon 6+ sul nodo 18A e la GPU per data center Crescent Island.30 31
Quali fornitori di cloud pubblico producono chip IA?
4. AWS
AWS produce chip Tranium per l'addestramento dei modelli e chip Inferentia per l'inferenza. Sebbene AWS sia il leader di mercato nel cloud pubblico, ha iniziato a sviluppare i propri chip dopo Google.
Centinaia di migliaia di chip Tranium2 vengono utilizzati per formare il cluster Project Rainier, che alimenta i modelli di Anthropic, uno sviluppatore di LLM.
5. Google Cloud Platform
La TPU di Google Cloud è il chip acceleratore di machine learning appositamente progettato che alimenta prodotti Google come Translate, Foto, Ricerca, Assistant e Gmail. Google ha annunciato le TPU nel 2016.32 L'ultima TPU Trillium è la 6a generazione.33
Google ha introdotto Ironwood. Quest'ultima generazione è specificamente progettata per "modelli di pensiero" complessi come LLM e MoE, offrendo un'elaborazione parallela massiccia (4.614 TFLOP per chip) e scalando fino a 42,5 Exaflop in pod da 9.216 chip.34
Ironwood offre progressi significativi rispetto a Trillium, tra cui un'efficienza energetica 2x migliore, 6x la capacità di memoria ad alta larghezza di banda (192 GB/chip), 4,5x la larghezza di banda HBM (7,2 TBps/chip) e 1,5x la velocità di interconnessione tra chip (1,2 Tbps). Include anche uno SparseCore migliorato per grandi embedding. Google produce anche la Edge TPU, molto più piccola, per esigenze diverse, progettata per l'implementazione su dispositivi edge come smartphone e hardware IoT.
6. Alibaba
Alibaba produce chip come Hanguang 800 per l'inferenza. Tuttavia, alcune organizzazioni nordamericane, europee e australiane (ad esempio, quelle del settore della difesa) potrebbero non preferire l'uso di Alibaba Cloud per ragioni geopolitiche.
7. IBM
IBM ha annunciato il suo ultimo chip di deep learning, l'unità di intelligenza artificiale (AIU), nel 2022.35 . IBM sta valutando l'uso di questi chip per alimentare la sua piattaforma di IA generativa Watsonx.36
L'AIU di IBM si basa sul processore IBM Telum, che alimenta le capacità di elaborazione IA dei server mainframe IBM Z. Al momento del lancio, i casi d'uso principali dei processori Telum includevano il rilevamento delle frodi.37
IBM ha anche dimostrato che l'unione di calcolo e memoria può portare a efficienze. Queste sono state dimostrate nel prototipo del processore North Pole.38
8. Huawei
Lo HiSilicon Ascend 910C di Huawei fa parte della famiglia di chip Ascend 910 introdotta nel 2019.
A causa delle sanzioni, i laboratori IA in Cina non possono acquistare i chip più recenti e più performanti da aziende statunitensi come NVIDIA o AMD. Pertanto, stanno sperimentando con Ascend 910C.
Il cloud di Huawei ospita i modelli DeepSeek e un ricercatore di DeepSeek afferma che può raggiungere il 60% delle prestazioni di inferenza di NVIDIA H100. 39
Quali fornitori di cloud IA producono i propri chip?
Questi fornitori non hanno cloud pubblici con capacità complete come gli hyperscaler. Offrono servizi cloud limitati, generalmente focalizzati sull'inferenza IA. Siamo riusciti a registrarci per questi servizi senza parlare con i team di vendita:
9. Groq
Groq è stata fondata da ex dipendenti di Google. L'azienda rappresenta le LPU, un nuovo modello per l'architettura dei chip IA, che mira a rendere più facile per le aziende adottare i loro sistemi. La startup ha già raccolto circa $350 milioni e prodotto i suoi primi modelli, come GroqChip™ Processor, GroqCard™ Accelerator, ecc.
L'azienda è focalizzata sull'inferenza LLM e ha rilasciato benchmark per Llama-2 70B.40
Recentemente, Groq ha ottenuto un significativo impegno di investimento di $1,5 miliardi dall'Arabia Saudita per espandere la consegna dei suoi chip IA avanzati nel paese. Questo investimento sarà utilizzato per espandere l'attuale data center di Groq a Dammam, in Arabia Saudita, costruito in collaborazione con Aramco Digital.41
Nel Q1 2024, l'azienda ha condiviso che 70.000 sviluppatori si sono registrati sulla sua piattaforma cloud e hanno costruito 19.000 nuove applicazioni.42
Il 1° marzo 2022, Groq ha acquisito Maxeler, che dispone di soluzioni di calcolo ad alte prestazioni (HPC) per i servizi finanziari.43
10. SambaNova Systems
SambaNova Systems è stata fondata nel 2017 per sviluppare sistemi hardware-software ad alte prestazioni e alta precisione per carichi di lavoro di IA generativa ad alto volume. L'azienda ha raccolto più di 1,5 miliardi di dollari di finanziamenti totali, incluso un round Serie E da 350 milioni di dollari nel febbraio 2026.44
Nel febbraio 2026, SambaNova ha svelato il chip SN50, la sua ultima Unità Dati Riconfigurabile (RDU), dichiarando una velocità massima 5x più veloce dei chip concorrenti e costi totali di proprietà 3x inferiori rispetto alle GPU per carichi di lavoro di IA agentiva. L'SN50 offre 5x più potenza di calcolo per acceleratore e 4x più larghezza di banda di rete rispetto alla precedente generazione SN40L, e supporta un'architettura di memoria a tre livelli per modelli con oltre 10 trilioni di parametri e lunghezze di contesto superiori a 10 milioni di token.45
SoftBank Corp. sarà il primo cliente a implementare SN50 all'interno dei suoi data center IA di nuova generazione in Giappone.
SambaNova ha anche annunciato una prevista collaborazione strategica pluriennale con Intel per fornire soluzioni di inferenza IA, combinando i sistemi di SambaNova con i processori Intel Xeon, le GPU Intel e la rete Intel per alimentare un'infrastruttura di inferenza scalabile come alternativa alle soluzioni incentrate sulle GPU.
SambaNova Systems affitta la sua piattaforma alle aziende tramite SambaCloud. Questo approccio di piattaforma IA come servizio rende i loro sistemi più facili da adottare e incoraggia il riutilizzo dell'hardware per l'economia circolare.46
Quali sono le principali startup di chip IA?
Vogliamo anche presentare alcune startup nel settore dei chip IA i cui nomi potremmo sentire più spesso nel prossimo futuro.
11. Cerebras
Cerebras è stata fondata nel 2015 ed è l'unico grande produttore di chip a concentrarsi sui chip a livello di wafer. 47 I chip a livello di wafer presentano vantaggi in termini di parallelismo rispetto alle GPU, grazie alla loro maggiore larghezza di banda di memoria. Tuttavia, la progettazione e la produzione di tali chip è una tecnologia emergente.
I chip Cerebras includono:
- WSE-1 con 1,2 trilioni di transistor e 400.000 core di elaborazione.
- WSE-2, con 2,6 trilioni di transistor e 850.000 core, è stato annunciato ad aprile 2021. Utilizzava il processo 7nm di TSMC
- WSE-3, con 4 trilioni di transistor e 900.000 core IA, è stato annunciato a marzo 2024. Utilizza il processo 5nm di TSMC48
Il sistema di Celebra funziona con aziende farmaceutiche come AstraZeneca e GlaxoSmithKline e laboratori di ricerca che vi fanno affidamento per le simulazioni. Si rivolge anche ai produttori di LLM poiché i suoi chip possono ridurre i costi di inferenza per i modelli di frontiera.
Cerebras offre anche i suoi chip sul suo cloud alle aziende.
12. d-Matrix
d-Matrix segue un approccio innovativo, abbandonando la tradizionale architettura von Neumann a favore del calcolo in-memory. Sebbene questo approccio abbia il potenziale per risolvere il collo di bottiglia tra memoria e calcolo, è nuovo e non comprovato. A novembre 2025, d-Matrix ha raccolto $275 milioni in un round Serie C co-guidato da Bullhound Capital, Triatomic Capital e Temasek, con la partecipazione di M12 di Microsoft come investitore successivo, valutando l'azienda 2 miliardi di dollari.49 50
A giugno 2026, d-Matrix è entrata in produzione completa con la sua piattaforma di inferenza IA Corsair, basata su un'architettura chiplet di calcolo in-memory basata su SRAM, con test indipendenti che dimostrano un miglioramento della velocità di oltre 10x rispetto alle alternative solo GPU per carichi di lavoro di inferenza IA.51
13. Rebellions
Una startup con sede in Corea ha raccolto $124 milioni nel 2024 ed è focalizzata sull'inferenza LLM.52
Rebellions si è fusa con un'altra azienda coreana di progettazione di semiconduttori, SAPEON, e ha raggiunto una valutazione di unicorno nel 2024.53
A luglio 2025, Rebellions ha ottenuto un investimento dal gigante tecnologico Samsung come parte di un round di finanziamento fino a $200 milioni, in vista di un'offerta pubblica iniziale (IPO) pianificata. L'azienda ha raccolto $220 milioni dalla sua fondazione nel 2020 e sta collaborando con Samsung per portare sul mercato il suo chip di seconda generazione, Rebel-Quad (che comprende quattro chip Rebel IA), entro la fine del 2025, sfruttando il processo di produzione a 4 nanometri di Samsung. 54
14. Tenstorrent
L'ultimo processore Blackhole Tensix di Tenstorrent offre prestazioni di 664 TFLOPS (BLOCKFP8), abbinato a 32 GB di memoria GDDR6 e 512 GB/s di larghezza di banda di memoria.
La scheda P150a ha un prezzo di $1.399 e dispone di quattro porte QSFP-DD 800G per il ridimensionamento multi-scheda. Il modello entry-level P100a parte da $999.55
Tenstorrent offre uno stack software completamente open-source. L'azienda ha raccolto $700 milioni a una valutazione di oltre $2,6 miliardi da investitori, tra cui Jeff Bezos, a dicembre 2024. 56
15. Positron
Positron è stata fondata nel 2023 e si concentra esclusivamente sull'inferenza di modelli transformer. L'azienda adotta un approccio ASIC, costruendo hardware appositamente progettato e ottimizzato per le architetture transformer piuttosto che per il calcolo generico su GPU.
Prodotti:
- Atlas (in spedizione ora): un server di inferenza transformer dotato di 8x acceleratori transformer Positron Archer con 256 GB di HBM totale. L'azienda dichiara oltre 4x prestazioni per watt e oltre 3x prestazioni per dollaro rispetto ai sistemi NVIDIA Hopper, basate su benchmark con Llama 3.1 8B con calcolo BF16.57
- Titan (in arrivo nel 2027): un sistema di nuova generazione con oltre 8 TB di memoria alimentato da chip personalizzati 4x Asimov, progettato per supportare modelli fino a 16 trilioni di parametri e finestre di contesto superiori a 10 milioni di token in un formato 4U raffreddato ad aria.58
- Asimov (in arrivo nel 2027): silicio acceleratore di inferenza personalizzato con oltre 2 TB di memoria per chip.
Positron ha raccolto un round Serie B da oltre $230 milioni all'inizio del 2026 con investitori tra cui QIA, Arm Holdings, Arena e Jump Trading59
Atlas è attualmente utilizzato da aziende di networking, gaming, moderazione dei contenuti, CDN e Token-as-a-Service. Positron afferma che il suo sistema Atlas ha dimostrato una latenza end-to-end 3x inferiore per carichi di lavoro di inferenza di trading rispetto a sistemi H100 comparabili, consumando un terzo dell'energia.
I chip di Positron sono progettati, fabbricati e assemblati negli Stati Uniti.
16. _etched
Il loro approccio sacrifica la flessibilità a favore dell'efficienza, bruciando l'architettura transformer direttamente nei loro chip.
Il team afferma
- Sohu ha costruito il primo ASIC transformer al mondo.
- Quegli 8 chip Sohu possono generare oltre 500.000 token al secondo. Questo è un ordine di grandezza superiore a quello che 8 NVIDIA B200 possono raggiungere.
Al momento, questi si basano su misurazioni interne del team. I team di AIMultiple non hanno ancora riscontrato benchmark o referenze di clienti. Siamo curiosi di sapere:
- Cosa succede quando il modello diventa obsoleto? Gli utenti devono acquistare un nuovo chip o il vecchio chip può essere riconfigurato con il modello successivo?
- Come hanno eseguito il loro benchmark? Quale quantizzazione e modello sono stati utilizzati?
Aggiorneremo questa sezione non appena il team di _etched rilascerà ulteriori dettagli. Sarà interessante vedere se bruciare i modelli sui chip sarà sostenibile, dato il rilascio di nuovi modelli ogni pochi mesi.
17. Taalas
Taalas è stata fondata all'inizio del 2023 e adotta l'approccio più estremo alla specializzazione dei chip IA: cablare direttamente singoli modelli in silicio personalizzato, producendo quelli che l'azienda chiama "Hardcore Models".60 L'azienda afferma di poter trasformare qualsiasi modello IA mai visto prima in silicio personalizzato entro due mesi.
L'architettura di Taalas unifica archiviazione e calcolo su un singolo chip a densità DRAM, eliminando la necessità di HBM, packaging avanzato, 3D stacking, raffreddamento a liquido o I/O ad alta velocità. L'azienda descrive questo come una semplificazione radicale dello stack hardware.
Prodotti:
- HC1 (disponibile ora): un dimostratore tecnologico cablato con Llama 3.1 8B, costruito su TSMC 6nm con 53 miliardi di transistor. Taalas afferma di raggiungere 17.000 token al secondo per utente, che secondo loro è quasi 10x più veloce dell'attuale stato dell'arte, costando 20x meno da costruire e consumando 10x meno energia in un server raffreddato ad aria da 2,5 kW. Tuttavia, il modello utilizza una quantizzazione personalizzata aggressiva a 3 bit e 6 bit, che introduce degradazioni della qualità rispetto ai riferimenti GPU.61
- HC2 (pianificato): una piattaforma di seconda generazione con maggiore densità, esecuzione più veloce e formati a virgola mobile a 4 bit standard per affrontare le limitazioni di quantizzazione di HC1.
Taalas ha raccolto più di 200 milioni di dollari ma riferisce di aver speso solo 30 milioni di dollari per portare il suo primo prodotto sul mercato con un team di 24 persone.
18. Extropic
Extropic ha raccolto un round da $14 milioni alla fine del 2023 per utilizzare la termodinamica per il calcolo. L'azienda non ha ancora rilasciato un chip.
19. Vaire
Vaire è una startup con sede nel Regno Unito pioniera del calcolo reversibile, un approccio innovativo che mira a creare chip a energia quasi zero. A differenza del calcolo tradizionale, dove l'energia viene persa sotto forma di calore, il calcolo reversibile ricicla una parte significativa dell'energia per i calcoli successivi.
Vaire ha dimostrato un chip di prova in grado di recuperare il 50% della sua energia, mostrando il potenziale della tecnologia per ridurre il consumo energetico dei carichi di lavoro IA e aggirare le limitazioni fisiche, o il muro termico, che stanno sfidando la moderna produzione di semiconduttori. 62
20. Fractile
Fractile è una startup britannica di chip per inferenza IA uscita dalla modalità stealth a luglio 2024 con $15 milioni di finanziamenti per sfidare NVIDIA nell'inferenza di modelli di frontiera.63
L'azienda sta costruendo processori che intervallano fisicamente memoria e calcolo sullo stesso die, il che, a suo dire, risolve il requisito simultaneo di bassa latenza e alta velocità che le GPU non possono soddisfare per l'inferenza di modelli di frontiera. Fractile afferma che il suo design può eseguire modelli di frontiera fino a 25x più velocemente e a 1/10 del costo delle soluzioni esistenti, con l'obiettivo di servire migliaia di token al secondo a migliaia di utenti simultanei.
Fractile ha sede a Londra con ingegneria hardware a Bristol, ed è stata profilata dal Financial Times a marzo 2025 come parte di un'ondata di startup focalizzate sull'inferenza che sfidano il dominio di NVIDIA.64
Quali sono i prossimi produttori di hardware IA?
Sebbene queste siano soluzioni hardware IA interessanti, al momento ci sono benchmark limitati sulla loro efficacia poiché sono nuovi sul mercato.
21. Apple
Si dice che il Progetto ACDC di Apple sia focalizzato sulla costruzione di chip per l'inferenza IA nei data center, con la produzione di massa prevista per la seconda metà del 2026.65 Apple è già un importante progettista di chip con i suoi semiconduttori progettati internamente utilizzati in iPhone, iPad e MacBook. Apple sta rafforzando la sua strategia di IA on-device con il framework Core IA, che esegue modelli interamente su silicio Apple senza dipendenze dal server, supportato da un repository open-source di modelli Core IA su GitHub.66 67
22. Meta
L'acceleratore di addestramento e inferenza di Meta (MTIA) è una famiglia di processori per carichi di lavoro IA come l'addestramento dei modelli LLaMa di Meta.
L'ultimo modello MTIA, Next Gen MTIA, è basato sulla tecnologia TSMC 5nm e si dichiara che offra prestazioni 3x superiori rispetto a MTIA v1. MTIA sarà ospitato in rack contenenti fino a 72 acceleratori.68
MTIA è attualmente per uso interno di Meta. Tuttavia, in futuro, se Meta lanciasse un'offerta di IA generativa aziendale basata su LLaMa, questi chip potrebbero alimentare tale offerta.
23. Microsoft Azure
All'Hot Chips 2024, Microsoft ha presentato Maia 100, il loro primo acceleratore IA personalizzato progettato per ottimizzare carichi di lavoro IA su larga scala in Azure attraverso la co-ottimizzazione hardware e software. Costruito sul processo N5 di TSMC con tecnologia avanzata di memoria e interconnessione, Maia 100 mira a un'elevata velocità di elaborazione e a diversi formati di dati, offrendo agli sviluppatori flessibilità tramite il suo SDK per il deployment rapido di modelli PyTorch e Triton. Microsoft ha lanciato Maia 200 (nome in codice Braga) il 26 gennaio 2026, come acceleratore IA incentrato sull'inferenza per Azure, progettato per ridurre i costi dei token IA e offrire prestazioni per dollaro migliori del 30% rispetto ai sistemi esistenti.69
24. OpenAI
OpenAI sta finalizzando la progettazione del suo primo chip IA con Broadcom e TSMC utilizzando la tecnologia a 3 nanometri di TSMC. La leadership del team chip di OpenAI ha esperienza nella progettazione di TPU presso Google, e mirano a far produrre in serie il loro chip nel 2026. Il chip Project Titan di OpenAI, co-sviluppato con Broadcom e fabbricato sul processo 3nm di TSMC, è in linea per la produzione di massa nella seconda metà del 2026.70 71
Samsung si è assicurata un accordo per fornire memoria HBM4 per il chip Titan, destinando oltre il 50% della sua capacità della fonderia di Pyeongtaek a die di base HBM4 per questo scopo.72 OpenAI e Broadcom hanno annunciato il chip di inferenza Jalapeño, una collaborazione strategica da circa $10 miliardi mirata a distribuire 10 GW di potenza di calcolo IA entro il 2029 per ridurre la dipendenza di OpenAI da NVIDIA.73
Aggiungi come fonte preferitaQuali sono altri produttori di chip IA?
25. Graphcore
Graphcore è un'azienda britannica fondata nel 2016. L'azienda ha annunciato il suo chip IA di punta come IPU-POD256. Graphcore ha già ricevuto finanziamenti per circa $700 milioni.
L'azienda ha partnership strategiche con aziende di archiviazione dati come DDN, Pure Storage e Vast Data. I chip IA di Graphcore servono istituti di ricerca come l'Oxford-Man Institute of Quantitative Finance, l'Università di Bristol e la Berkeley University of California.
La redditività a lungo termine dell'azienda era a rischio poiché perdeva circa $200 milioni all'anno.74 Graphcore è stata acquisita da SoftBank per oltre $600 milioni nell'ottobre 2024.75
26. Mythic
Mythic è stata fondata nel 2012 ed è focalizzata sull'IA edge. Mythic segue un percorso non convenzionale, un'architettura di calcolo analogico, che mira a fornire un'elaborazione IA edge energeticamente efficiente.
Ha sviluppato prodotti come M1076 AMP e la scheda chiave MM1076, e ha già raccolto circa $165 milioni di finanziamenti.76
Mythic ha licenziato la maggior parte del personale e ristrutturato il suo business con il round di finanziamento a marzo 2023.77
27. Speedata
Fondata nel 2019 a Tel Aviv, Speedata sviluppa un'unità di elaborazione analitica (APU) progettata per accelerare carichi di lavoro di big data analytics e IA. Si tratta di un'APU che mira a carichi di lavoro Apache Spark, con piani per supportare altre importanti piattaforme di analisi dati.
Speedata ha raccolto $44 milioni in un round Serie B a giugno 2025, guidato da Walden Catalyst Ventures, 83North e altri, portando il finanziamento totale a $114 milioni. L'azienda afferma che la sua APU supera i processori generici e le GPU sostituendo rack di server con un singolo chip, offrendo prestazioni ed efficienza energetica superiori per l'elaborazione dati.78
28. Axelera IA
Fondata a luglio 2021 a Eindhoven, Paesi Bassi, Axelera IA è specializzata in tecnologia di accelerazione hardware IA per la computer vision e l'IA generativa. L'azienda sta sviluppando Titania, un chiplet per l'inferenza IA basato sulla sua architettura Digital In-Memory Computing (D-IMC), progettato per accelerare i carichi di lavoro IA dall'edge al cloud.
Axelera IA si è assicurata fino a €61,6 milioni di finanziamenti dall'EuroHPC Joint Undertaking (JU) e dagli stati membri nell'ambito del Progetto DARE a marzo 2025, dopo un precedente round di finanziamento Serie B da $68 milioni. Ciò porta il loro finanziamento totale a oltre $200 milioni in tre anni. Axelera IA mira a distribuire Titania entro il 2028 per soddisfare la crescente domanda di soluzioni IA ad alte prestazioni, economiche e sostenibili, sottolineando la sua capacità di migliorare il throughput e l'efficienza rispetto alle tradizionali soluzioni cloud.79
Partner di fonderia e ruolo di TSMC
In quanto fonderia pura leader a livello mondiale, TSMC produce semiconduttori basati su progetti dei clienti anziché creare i propri chip, distinguendosi da aziende come NVIDIA e AMD. Mentre Samsung Foundry e Intel Foundry Services competono in questo spazio, TSMC mantiene un vantaggio tecnologico.
Le sue tecnologie di processo avanzate, in particolare i suoi nodi pionieristici a 5nm e 3nm, forniscono la combinazione essenziale di prestazioni ed efficienza energetica richiesta per applicazioni IA all'avanguardia, come dimostrato dalle sue partnership di produzione con i progettisti di chip IA elencati di seguito:
Piani di espansione
TSMC sta cercando di coinvolgere Nvidia, AMD, Broadcom e Qualcomm in una joint venture per gestire la divisione fonderia di Intel, mantenendo il controllo operativo ma con meno del 50% di proprietà. Questa iniziativa, sostenuta dall'amministrazione Trump, arriva dopo che TSMC ha annunciato piani per un significativo investimento negli Stati Uniti e mira a rilanciare Intel e a rafforzare la produzione di chip negli Stati Uniti. L'accordo affronta sfide dovute alle differenze di processo, ma si basa sui punti di forza di TSMC come fonderia leader.80 81
Quali sono i produttori di chip IA in Cina?
A causa delle sanzioni statunitensi che impediscono a molte aziende cinesi di acquisire i chip IA più avanzati da AMD e NVIDIA, gli acquirenti cinesi hanno aumentato i loro acquisti dai produttori locali.
Oltre a Huawei e Alibaba, già trattati sopra, questi sono i principali produttori di chip IA in Cina:
- Cambricon si concentra sull'hardware IA e prevede circa $150 milioni di vendite nel suo ultimo anno di attività. 82
- Baidu sta utilizzando i chip Kunlun nel suo cloud e sta progettando il chip di 3a generazione. Kunlun 2 era paragonabile a NVIDIA A100.
- Biren, fondata da ex dipendenti di NVIDIA, produce chip GPU BR106 e BR110.
- Moore Threads produce GPU MTT S2000.
FAQ
I chip e le apparecchiature che li costruiscono sono le macchine più complesse mai realizzate dall'uomo. Sebbene ci siano molte aziende nell'ecosistema dei semiconduttori, ci siamo concentrati sui progettisti di chip come NVIDIA in questo articolo.
La maggior parte dei progettisti di chip esternalizza la produzione dei chip a fonderie come TSMC. Le fonderie utilizzano apparecchiature litografiche prodotte da aziende come ASML per produrre questi chip. L'ecosistema è supportato da fornitori come Arm e Synopsys che forniscono IP e strumenti di progettazione.
Come visto sopra, un numero crescente di parametri, dimensioni del dataset e potenza di calcolo ha portato i modelli di IA generativa a diventare più precisi. Per costruire modelli di deep learning migliori e alimentare applicazioni di IA generativa, le organizzazioni richiedono una maggiore potenza di calcolo e larghezza di banda di memoria.
I chip generici potenti (come le CPU) non possono supportare modelli di deep learning altamente parallelizzati. Pertanto, i chip IA (ad esempio, le GPU) che consentono capacità di calcolo parallelo sono sempre più richiesti.
Gli hyperscaler stanno rispondendo a questa esigenza progettando i propri chip, un processo che richiede anni. Gli altri devono seguire una di queste strade per costruire i propri modelli IA: affittare capacità dai fornitori di cloud GPU o acquistare hardware dai principali fornitori di chip IA elencati in questo articolo.
L'hardware IA è anche chiamato unità di elaborazione neurale (NPU), acceleratori IA o processori di deep learning (DLP).
Letture aggiuntive
Per confronti pratici delle prestazioni dei chip trattati in questo articolo, consulta i nostri benchmark:
- Benchmark multi-GPU: come B200, H200, H100 di NVIDIA e MI300X di AMD scalano in configurazioni a 1, 2, 4 e 8-GPU per l'inferenza LLM, con analisi di throughput, latenza e costo per token.
- Benchmark di concorrenza GPU: come B200, H200, H100 di NVIDIA e MI300X di AMD gestiscono da 1 a 512 richieste simultanee, inclusi throughput di sistema, velocità per query, latenza end-to-end e token per dollaro a ciascun livello di concorrenza.
Riferimenti
Cita questa ricerca
Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{I migliori 25+ produttori di chip IA: NVIDIA e i suoi concorrenti}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ai-chip-makers}},
note = {AIMultiple. Consultato il 25 Giugno 2026}
}Collegamenti di riferimento
Commenti 2
Condividi i tuoi pensieri
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.
You forgot to include Tesla with their DOJO supercomputer. From the ground-up, the supercomputer was specifically designed for machine learning and image recognition - which means that every component was designed for it including, but not limited to, PCI board design, CPU, RAM, cooling, power, scalable hardware design and software. If I'm not mistaken, the AI is also the second most widely tested and used in the "wild", just below that of Google due to Google using it in their Search.
Thank you for your feedback, Dave! Here we are only covering companies that sell the chips that they produce. Therefore, companies like Tesla that build supercomputers for their own use or companies that embed chips in their products are out of our scope.
surprised that brainchip (akida) missing in this report. any reasons?
All included companies here raised $100+M. Last time we collected the data, that wasn't the case for akida. Why don't you reach out to us at info@aimultiple.com and let's discuss why it should be included. Thank you!