The Thinking Machine

1. Resilienza forgiata nell’avversità

«All’epoca non c’erano counselor», racconta Jensen Huang, «nessuno ti ascoltava quando ti lamentavi, dovevi solo farti forza e andare avanti».

Le difficoltà dell’infanzia. L’infanzia di Jensen Huang è stata segnata da grandi difficoltà. Inviato da Taiwan nella campagna del Kentucky a soli dieci anni, ha dovuto affrontare bullismo, insulti razzisti e vivere in un collegio che di fatto era un riformatorio. Condivideva la stanza con un compagno di 17 anni analfabeta e segnato da cicatrici da coltello, imparando a insegnargli a leggere e a fare flessioni, sviluppando una durezza che avrebbe caratterizzato tutta la sua carriera. Quel periodo gli ha insegnato l’autonomia e la resilienza, qualità fondamentali per muoversi nell’instabile mondo della tecnologia.

Adattarsi a nuovi ambienti. Nonostante le condizioni difficili, Huang ha brillato sia a scuola che nella vita sociale. Si è rapidamente adattato alla cultura americana, ha imparato l’inglese e ha scoperto passioni come l’informatica e il ping pong. La sua capacità di prosperare in contesti ostili e sconosciuti, che si trattasse di attraversare un ponte fatiscente per andare a scuola o di districarsi nelle complessità del settore tecnologico, è diventata un tratto distintivo. Questa esperienza precoce gli ha insegnato il valore della perseveranza e la capacità di scorgere opportunità anche nelle situazioni più avverse.

Trovare forza nella difficoltà. Huang guarda a quel periodo con pragmatismo, non come a un trauma, ma come a un’esperienza formativa che gli ha insegnato il valore del duro lavoro e dell’autosufficienza. Ha imparato a contare su se stesso quando nessun altro poteva aiutarlo, una lezione che si è rivelata preziosa nelle decisioni cruciali della sua vita. Saper trasformare la difficoltà in forza è uno degli elementi chiave della sua tenacia.

2. Padroneggiare le basi del silicio

«Lui ha la capacità di far sì che 1+1 faccia 3», dice Hotzman. «Intendo dire che non ci limitiamo a realizzare ciò che i clienti vogliono, ma trasformiamo quegli ordini in strumenti, e quegli strumenti in procedure standard».

Competenze ingegneristiche fondamentali. La carriera di Huang è iniziata in AMD e LSI Logic, dove ha affinato le sue competenze in ingegneria elettrica e progettazione di chip. Utilizzando strumenti come SPICE, ha imparato a manipolare i circuiti a un livello elementare, spingendo le prestazioni oltre i limiti percepiti. Questa profonda comprensione del funzionamento del silicio è stata un vantaggio cruciale per tutta la sua carriera.

Oltre le aspettative. In LSI Logic, Huang era noto per la sua capacità non solo di soddisfare le richieste dei clienti, ma di superarle, trasformando progetti personalizzati in metodologie standardizzate. Questa attitudine a estrarre il massimo valore e a creare strumenti riutilizzabili da compiti singoli dimostrava una mentalità strategica precoce, capace di guardare oltre il problema immediato per costruire capacità fondamentali. I colleghi riconoscevano in lui la capacità di far “1+1=3” nell’ingegneria.

Apprendimento e adattamento continui. Pur iniziando con disegni su carta e cellophane colorato, Huang ha abbracciato nuove tecnologie come gli strumenti di progettazione VLSI. Ha conseguito un master a Stanford lavorando a tempo pieno, aggiornando costantemente le sue conoscenze in un campo in rapida evoluzione. Questo impegno per l’apprendimento continuo, anche mentre saliva di grado, gli ha permesso di restare sempre all’avanguardia nella progettazione di chip.

3. Abbracciare il fallimento come motore di crescita

«Abbiamo sbagliato tutto», racconta Huang parlando degli anni iniziali. «Ogni decisione che abbiamo preso è stata un errore».

Il disastro NV1. Il primo prodotto di Nvidia, il chip grafico NV1, fu un fallimento commerciale. Nonostante le promesse iniziali e un accordo con Sega, si basava su un metodo di rendering non standard (texture quadratiche) che il mercato rifiutò, soprattutto dopo che Microsoft introdusse lo standard DirectX, che privilegiava i triangoli. Questo portò a enormi resi, quasi al fallimento e al doloroso licenziamento della maggior parte dei dipendenti.

Imparare dagli errori. Invece di arrendersi, Huang considerò il fallimento del NV1 come un’esperienza fondamentale. Analizzò spietatamente cosa fosse andato storto, arrivando alla conclusione che avevano commesso ogni possibile errore. Questo portò a un cambio radicale di rotta: abbandonare l’architettura proprietaria per allinearsi allo standard Microsoft, puntando su velocità e costi contenuti.

Il mantra dei “trenta giorni di vita”. L’esperienza al limite del fallimento divenne parte integrante della cultura Nvidia, incarnata nel mantra di Huang: «Siamo a trenta giorni dal fallimento». Questo costante promemoria della minaccia esistenziale alimentava un senso di urgenza, resilienza e la volontà di correre rischi calcolati, impedendo all’azienda di adagiarsi anche nei momenti di grande successo.

4. La scommessa audace sul calcolo parallelo

«La Silicon Valley è piena di cadaveri di aziende di calcolo parallelo», dice Huang. «Tranne noi, nessuna è mai riuscita a farcela, nessuna. Il tasso di successo dei predecessori è zero».

Individuare un’opportunità nascosta. Mentre sviluppavano chip grafici per videogiochi come Quake, gli ingegneri Nvidia si resero conto che l’architettura dei loro chip, progettata per elaborare molti pixel contemporaneamente, era intrinsecamente adatta al calcolo parallelo. Questo era in netto contrasto con le CPU tradizionali, che processavano i compiti in sequenza. Nonostante la storia di fallimenti commerciali del calcolo parallelo, Huang ne colse il potenziale.

Sfida al pensiero convenzionale. La decisione di Huang di investire pesantemente per rendere le GPU programmabili per il calcolo parallelo general-purpose (GPGPU) fu estremamente controcorrente. Il mercato era piccolo, la programmazione complessa, e giganti come Intel puntavano a migliorare le prestazioni sequenziali delle CPU seguendo la legge di Moore. Wall Street la vedeva come uno spreco di risorse, chiamandola la “tassa CUDA”.

La potenza della GPU. La capacità della GPU di eseguire migliaia di calcoli semplici simultaneamente la rendeva molto superiore alle CPU per compiti scomponibili in processi paralleli. Pur applicata inizialmente al rendering grafico, Huang immaginava il suo uso nel calcolo scientifico, nelle simulazioni e infine nell’intelligenza artificiale. Questa scommessa audace, fatta quando il mercato non esisteva, ha posizionato Nvidia per un dominio futuro.

5. Costruire un ecosistema attorno a CUDA

«Da quel momento non vorrai più andartene», dice Altz. «Questo è il vendor lock-in. Ti lega a doppio filo, senza via d’uscita».

La piattaforma CUDA. Consapevole della difficoltà di programmare hardware parallelo, Nvidia investì molto nello sviluppo di CUDA, una piattaforma software che facilitava l’accesso alla potenza di calcolo parallelo delle GPU. Lanciata nel 2006, CUDA inizialmente incontrò scetticismo e bassi tassi di adozione.

Coltivare un “mercato da zero miliardi di dollari”. Huang puntò strategicamente su ricercatori accademici e campi scientifici di nicchia con CUDA, un mercato che definì “zero miliardi di dollari”. Offrendo strumenti software gratuiti e supporto a scienziati impegnati in problemi come la modellazione climatica o l’imaging medico, Nvidia costruì una base fedele di utenti dipendenti dall’ecosistema CUDA. Fu una strategia a lungo termine, sacrificando profitti immediati per creare un mercato futuro.

Vendor lock-in tramite il software. Il vero genio di CUDA fu creare un fossato software potente attorno all’hardware Nvidia. Pur potendo i concorrenti replicare i chip Nvidia, mancavano di un vantaggio di oltre un decennio nella costruzione di uno stack software completo e user-friendly. Questo generò un forte vendor lock-in, rendendo estremamente difficile e costoso per ricercatori e aziende passare a hardware concorrente.

6. Riconoscere il punto di svolta dell’IA

«Ha colto il potenziale prima di tutti», dice Kirk. «Era avanti a tutti, ha visto chiaramente lo sviluppo possibile dell’IA. È stato davvero il primo».

La svolta di AlexNet. Nel 2012, ricercatori dell’Università di Toronto, usando due GPU Nvidia comuni e la piattaforma CUDA, ottennero un risultato straordinario nel riconoscimento delle immagini con la rete neurale AlexNet. Questo dimostrò che il deep learning, un campo a lungo dormiente, poteva raggiungere risultati senza precedenti grazie al calcolo parallelo.

Il rapido pivot di Huang verso l’IA. Mentre la comunità di ricerca sull’IA inizialmente faticava a comprendere appieno le implicazioni di AlexNet, Huang riconobbe subito che era l’applicazione killer per l’architettura di calcolo parallelo di Nvidia. Dirottò rapidamente l’intera azienda verso il deep learning, dichiarando Nvidia una “azienda di IA” quasi da un giorno all’altro. Questo pivot rapido e deciso fu cruciale per cogliere l’opportunità emergente.

La domanda insaziabile di potenza di calcolo. Huang capì che addestrare e far funzionare grandi reti neurali richiedeva una quantità di potenza computazionale in crescita esponenziale, una domanda che solo le GPU Nvidia, con la loro architettura parallela e il software CUDA, potevano soddisfare efficacemente. Vide che la fame di calcolo dell’IA avrebbe superato di gran lunga quella della grafica o delle simulazioni scientifiche, creando un mercato enorme e duraturo per Nvidia.

7. Scalare l’intelligenza con i Transformer

«Abbiamo visto che, man mano che cresceva di dimensioni, sembrava diventare sempre più intelligente!», dice Sazzel. «I programmi che scrivevamo prima non erano così».

L’architettura Transformer. Nel 2017, ricercatori di Google svilupparono l’architettura Transformer, un nuovo design di rete neurale che rivoluzionò il processamento del linguaggio naturale. A differenza delle reti ricorrenti precedenti, i Transformer potevano elaborare intere sequenze di testo in parallelo, risultando molto efficienti sulle GPU e permettendo la creazione di modelli linguistici molto più grandi.

L’emergere dei grandi modelli linguistici (LLM). La combinazione dell’architettura Transformer, di enormi dataset e della disponibilità di potenti GPU Nvidia portò allo sviluppo di grandi modelli linguistici come la serie GPT di OpenAI. Questi modelli mostrarono sorprendenti capacità “emergenti” con la crescita, svolgendo compiti per cui non erano stati esplicitamente addestrati, come scrivere codice o superare esami.

La fabbrica dell’IA per il linguaggio. Addestrare e far funzionare questi enormi LLM richiedeva risorse computazionali senza precedenti, consolidando la posizione di Nvidia come fornitore essenziale di infrastrutture per l’IA. Aziende come OpenAI e Google divennero i maggiori clienti Nvidia, costruendo “fabbriche di IA” – enormi data center con decine di migliaia di GPU Nvidia – per alimentare la rivoluzione del linguaggio.

8. La leadership paradossale di Jensen Huang

«Senti di non poterlo deludere», dice Clay. «Semplicemente non puoi».

Esigente e ispiratore. Jensen Huang è noto per uno stile di leadership intenso, esigente e a volte volatile. È famoso per rimproverare pubblicamente i dipendenti che sbagliano, creando una cultura fatta di paura ma anche di lealtà profonda. I collaboratori raccontano di sentire una pressione enorme a non deluderlo, che li spinge a raggiungere obiettivi apparentemente impossibili.

Lealtà e cura. Nonostante le critiche dure, Huang coltiva una lealtà profonda tra i suoi dipendenti. Ricorda dettagli della loro vita, li sostiene nei momenti di crisi personale e raramente licenzia per motivi di performance, preferendo usare la critica pubblica come strumento di insegnamento. Questa combinazione di aspettative elevate e cura autentica crea un ambiente unico, ad alta pressione ma anche di supporto.

Visionario e attento ai dettagli. Huang possiede una rara combinazione di visione a lungo termine e ossessiva attenzione ai dettagli. Sa descrivere un futuro rivoluzionario per il computing mentre contemporaneamente controlla la posizione di un distributore d’acqua o la cucitura sui pantaloni di un personaggio animato. Questa capacità di operare sia a livello strategico che operativo è la chiave della rapidità esecutiva di Nvidia.

9. La fabbrica dell’IA e il dominio infrastrutturale

«Sta nascendo un’industria nuova: data center per l’IA che elaborano enormi quantità di dati grezzi, trasformandoli in intelligenza digitale», dice Huang. «Come le centrali elettriche della rivoluzione industriale; i supercomputer IA di Nvidia sono le fabbriche di questa rivoluzione».

Costruire l’infrastruttura per l’IA. Consapevole che l’IA richiedeva un nuovo tipo di infrastruttura di calcolo, Huang guidò lo sviluppo di soluzioni hardware e software integrate specifiche per i carichi di lavoro IA. Questo includeva i sistemi DGX, che raggruppano più GPU in supercomputer potenti, e l’acquisizione di Mellanox per fornire reti ad alta velocità.

Il concetto di “fabbrica dell’IA”. Huang definisce i moderni data center come “fabbriche dell’IA” che consumano dati grezzi e producono intelligenza. Questa analogia sottolinea la scala industriale e la trasformazione prodotta da queste strutture, posizionando le GPU Nvidia come la macchina essenziale di questa nuova rivoluzione industriale, proprio come le centrali elettriche lo furono per la precedente.

Il software come fossato. Oltre all’hardware, l’ampio ecosistema software di Nvidia, che include CUDA e centinaia di librerie specifiche per dominio, è cruciale per il suo dominio. Questo stack software rende molto più facile sviluppare e distribuire applicazioni IA su hardware Nvidia, creando una barriera d’ingresso potente per i concorrenti e garantendo una domanda continua per i chip Nvidia.

10. Geopolitica e lo scudo di silicio

«Se Taiwan e TSMC dovessero avere problemi, l’impatto sarebbe enorme, come se mi chiedessero cosa succederebbe se la California cadesse in mare», dice Deborah Shoquist.

Dipendenza da TSMC. Il modello di business di Nvidia dipende fortemente da TSMC a Taiwan per la produzione dei suoi chip avanzati. La precisione e la scala senza pari di TSMC sono fondamentali per la capacità di Nvidia di realizzare GPU all’avanguardia. Questa dipendenza lega il destino di Nvidia alla stabilità geopolitica di Taiwan.

Lo “scudo di silicio” di Taiwan. La concentrazione della produzione di semiconduttori avanzati a Taiwan, in particolare presso TSMC, ha portato al concetto di “scudo di silicio”, secondo cui la dipendenza mondiale dai chip taiwanesi scoraggerebbe potenziali aggressioni. Huang, nonostante le sue origini taiwanesi, minimizza pubblicamente il rischio, concentrandosi invece sulla forza della partnership.

Competizione globale e spostamenti nella supply chain. Le tensioni geopolitiche, soprattutto tra Stati Uniti e Cina, spingono a sviluppare capacità produttive di semiconduttori in altre aree come USA, Europa e Giappone. Sebbene questa diversificazione miri a ridurre la dipendenza da Taiwan, la scala e la complessità di replicare i processi più avanzati di TSMC restano enormi, garantendo il ruolo critico di Taiwan nel prossimo futuro.

11. Ricchezza senza precedenti e sfide future

«Ho più soldi di quanto avessi mai immaginato», ammette Huang.

Crescita finanziaria esplosiva. Il prezzo delle azioni Nvidia ha registrato una crescita straordinaria, soprattutto dall’inizio del boom dell’IA. Questo ha reso Jensen Huang e molti dipendenti di lunga data miliardari e multimilionari, generando ricchezza su scala raramente vista nella storia aziendale. La capitalizzazione di mercato dell’azienda è schizzata, rendendola una delle più preziose al mondo.

Dominio di mercato e scrutinio. Nvidia detiene un quasi-monopolio nel mercato dei chip per l’IA, con profitti enormi e margini elevati. Questo dominio attira ammirazione ma anche critiche, con accuse di prezzi eccessivi e preoccupazioni per la concentrazione di potere in un’unica azienda. I concorrenti cercano attivamente di rompere il controllo di Nvidia, ma la forza del suo ecosistema rende questa impresa ardua.

Incertezze future. Nonostante il successo attuale, Nvidia affronta sfide significative. La sostenibilità del boom dell’IA, l’enorme consumo energetico delle “fabbriche di IA”, i rischi geopolitici legati a Taiwan e Cina, e la crescente concorrenza rappresentano potenziali minacce. Il valore dell’azienda si basa molto sulle aspettative future, creando pressione a innovare e performare in un panorama in rapido cambiamento.