Anthropic vuole accelerare lo sviluppo di chip AI proprietari e, per farlo, ha valutato anche un’acquisizione miliardaria. La società che sviluppa Claude ha discusso l’acquisto di MatX, startup specializzata in acceleratori per grandi modelli di intelligenza artificiale, per una cifra vicina ai 7 miliardi di dollari.
Secondo quanto riportato da Reuters, le trattative per l’acquisizione non sono più attive e le discussioni tra le due società si sarebbero successivamente trasformate nell’ipotesi di una partnership. Non è noto perché il progetto di acquisizione sia stato abbandonato e nessuna delle due aziende ha confermato pubblicamente i dettagli delle trattative.
L’operazione mancata è tuttavia significativa soprattutto per ciò che rivela sulla strategia di Anthropic. Il laboratorio di intelligenza artificiale sta costruendo competenze interne nella progettazione di semiconduttori e sta valutando diverse possibili architetture per ridurre progressivamente la dipendenza dall’hardware standard disponibile sul mercato.
Non significa che Anthropic voglia sostituire nel breve periodo NVIDIA, Google o Amazon. La società continua infatti a descrivere la propria strategia come multi-chip. Ma la possibilità di controllare direttamente almeno una parte dell’architettura hardware sulla quale vengono addestrati ed eseguiti i modelli Claude potrebbe diventare uno degli elementi centrali della sua infrastruttura nei prossimi anni.
I chip AI Anthropic diventano un progetto industriale concreto
La possibile acquisizione di MatX rappresenta probabilmente il segnale più evidente emerso finora dell’interesse di Anthropic per il custom silicon.
Non si tratta più soltanto di ottimizzare Claude per acceleratori prodotti da altri. Anthropic ha confermato nelle scorse settimane la creazione di un team interno dedicato alla progettazione di semiconduttori personalizzati, con l’obiettivo di aumentare prestazioni ed efficienza dei propri modelli.
La società sta inoltre rafforzando rapidamente le competenze necessarie per affrontare un progetto estremamente complesso dal punto di vista tecnologico.
Tra le assunzioni più importanti c’è Amir Salek, uno dei protagonisti dello sviluppo dei TPU di Google. Salek ha guidato per anni le attività legate ai Tensor Processing Unit e ha partecipato alla realizzazione di diverse generazioni degli acceleratori proprietari che costituiscono oggi uno degli asset strategici dell’infrastruttura AI di Google.
Anthropic ha inoltre assunto Clive Chan, proveniente dal programma custom chip di OpenAI e coinvolto nello sviluppo dell’acceleratore realizzato dall’azienda insieme a Broadcom.
La combinazione di queste assunzioni con i colloqui avviati con MatX indica che Anthropic non sta semplicemente sperimentando nuove configurazioni hardware. Sta costruendo le competenze necessarie per diventare almeno parzialmente anche una società di progettazione di semiconduttori.
Anthropic e i chip AI: MatX avrebbe potuto accorciare la roadmap
Acquisire MatX avrebbe consentito ad Anthropic di evitare parte del lungo processo necessario per creare da zero un’organizzazione capace di progettare acceleratori avanzati.
MatX è stata fondata da ex ingegneri coinvolti nello sviluppo dei Google TPU e lavora a processori progettati specificamente per grandi workload di intelligenza artificiale.
La startup punta a realizzare acceleratori capaci di gestire differenti fasi del ciclo dei modelli AI, dal training all’inference, con un’architettura fortemente ottimizzata per le esigenze dei frontier model.
Uno degli elementi centrali del progetto è l’interconnessione tra acceleratori. Nei sistemi destinati ai modelli di frontiera, infatti, le prestazioni del singolo chip costituiscono soltanto una parte del problema: migliaia o decine di migliaia di processori devono lavorare come un unico sistema distribuendo rapidamente modelli, parametri e dati.
Per Anthropic, quindi, un’acquisizione avrebbe significato ottenere contemporaneamente proprietà intellettuale, ingegneri specializzati, architetture già sviluppate e una roadmap produttiva avviata.
Un vantaggio potenzialmente molto importante considerando che la progettazione di un moderno acceleratore AI può richiedere anni e investimenti nell’ordine delle centinaia di milioni di dollari per ogni generazione.
Dai 7 miliardi dell’acquisizione alla valutazione da 4 miliardi
La distanza tra il valore ipotizzato per l’acquisizione e l’attuale valutazione di MatX è uno degli aspetti più interessanti della vicenda.
Anthropic avrebbe discusso un possibile acquisto per circa 7 miliardi di dollari. Dopo la fine delle trattative M&A, MatX starebbe invece cercando nuovi finanziamenti sulla base di una valutazione vicina ai 4 miliardi di dollari.
Non significa necessariamente che il valore della società sia improvvisamente diminuito di tre miliardi.
Il prezzo di un’acquisizione incorpora normalmente un premio per ottenere il controllo completo dell’azienda, della proprietà intellettuale e soprattutto del personale tecnico. Nel settore dei semiconduttori AI, dove gli ingegneri capaci di progettare acceleratori avanzati sono una risorsa estremamente rara, il talent premium può diventare particolarmente elevato.
Per Anthropic acquistare MatX avrebbe quindi significato comprare non soltanto una futura famiglia di processori, ma anche un gruppo di persone con esperienza diretta nella progettazione di chip AI avanzati.
Resta comunque un elemento importante: al momento non esiste alcuna acquisizione e nemmeno la partnership risulta formalmente annunciata.
Anthropic sta incontrando diverse startup di semiconduttori
MatX non sarebbe inoltre l’unica alternativa presa in considerazione.
Anthropic avrebbe incontrato diverse startup specializzate in acceleratori AI. L’obiettivo sarebbe comprendere le differenti architetture disponibili e individuare il percorso più efficace per il proprio programma di custom silicon.
Non è stata ancora presa una decisione definitiva e non è neppure certo che Anthropic scelga di acquisire un produttore.
Le possibilità comprendono almeno tre modelli: progettazione completamente interna, sviluppo con un partner specializzato oppure acquisizione di una società già dotata delle competenze necessarie.
Esiste inoltre una seconda scelta fondamentale: che cosa ottimizzare.
Anthropic sta valutando soluzioni sia per il training sia per l’inference, due workload con requisiti molto differenti.
Il training richiede cluster estremamente grandi e costosi utilizzati per costruire nuove generazioni di modelli. L’inference riguarda invece l’esecuzione quotidiana di Claude ogni volta che un utente o un’applicazione aziendale invia una richiesta.
Con milioni di utenti e workload enterprise in crescita, ridurre il costo per token dell’inference può avere conseguenze dirette sui margini dell’intero business.
Non sarebbe quindi sorprendente vedere Anthropic sviluppare nel tempo più di un acceleratore, seguendo un approccio già utilizzato da altri hyperscaler.
Il precedente di Google TPU e AWS Trainium
La strategia non nasce nel vuoto.
Google sviluppa TPU proprietari da oltre un decennio e li utilizza sia per i propri servizi sia attraverso Google Cloud.
Amazon ha seguito una strada simile con Trainium per il training e Inferentia per l’inference, trasformando il custom silicon in uno dei pilastri dell’infrastruttura AWS.
Microsoft ha sviluppato acceleratori AI propri, mentre Meta sta investendo nelle proprie architetture per ridurre il costo dell’enorme infrastruttura necessaria per eseguire modelli e sistemi di raccomandazione.
La differenza è che questa dinamica sta progressivamente coinvolgendo anche i principali AI lab.
OpenAI sta lavorando a un proprio programma di acceleratori, mentre Anthropic sta costruendo un team silicon e sondando il mercato alla ricerca di tecnologie e competenze da integrare.
La progettazione interna permette di eliminare alcune delle funzionalità general purpose presenti nelle GPU e utilizzare transistor, memoria e interconnessioni esclusivamente per le operazioni richieste dai modelli dell’azienda.
Quando i volumi raggiungono dimensioni enormi, anche miglioramenti relativamente piccoli nel rapporto tra prestazioni, consumo energetico e costo possono trasformarsi in miliardi di dollari di differenza.
Il vero obiettivo è il co-design tra Claude e il silicio
Il vantaggio più importante del custom silicon potrebbe però essere ancora più profondo.
Un AI lab che controlla contemporaneamente modello, compilatore, runtime, networking e processore può progettare ciascun livello tenendo conto degli altri.
È il principio del co-design hardware-software che Google ha applicato per anni ai TPU.
Anthropic potrebbe quindi progettare le future generazioni di Claude conoscendo già le caratteristiche dei processori sui quali verranno eseguite e, contemporaneamente, sviluppare nuovi chip ottimizzati per le operazioni utilizzate più frequentemente dai modelli.
Memoria, bandwidth, precisione numerica, interconnessioni tra acceleratori, gestione della KV cache, sparse computation e Mixture of Experts possono essere ottimizzati come parti dello stesso sistema.
Questa integrazione potrebbe diventare particolarmente importante con l’aumento delle dimensioni dei modelli e soprattutto con la diffusione degli agenti AI, che possono generare sequenze di elaborazione molto più lunghe rispetto a una tradizionale conversazione con un chatbot.
La dipendenza da NVIDIA non sparirà
Interpretare l’operazione come un’imminente uscita di Anthropic dall’ecosistema NVIDIA sarebbe però sbagliato.
Lo stesso laboratorio ha ribadito di voler mantenere una strategia multi-chip.
Claude viene già eseguito su infrastrutture basate su GPU NVIDIA, TPU Google e acceleratori Amazon Trainium. A questi sistemi si aggiungono ulteriori accordi per ottenere enormi quantità di capacità computazionale.
Il custom silicon deve quindi essere visto come un nuovo livello della strategia infrastrutturale, non come un’immediata sostituzione delle GPU.
Per molti anni Anthropic continuerà probabilmente a utilizzare processori provenienti da diversi fornitori, scegliendo l’architettura più conveniente per ciascun workload.
Per NVIDIA il rischio è nel medio periodo
È proprio questa evoluzione a rendere la vicenda rilevante per NVIDIA.
Il gruppo guidato da Jensen Huang non rischia nel breve periodo di perdere il proprio ruolo centrale nell’infrastruttura AI. Le GPU continuano a rappresentare la piattaforma più flessibile e diffusa per addestrare nuovi modelli e l’ecosistema software CUDA costituisce ancora una barriera competitiva enorme.
Il problema strategico emerge piuttosto nel medio e lungo periodo.
Google, Amazon, Microsoft, Meta e OpenAI stanno sviluppando acceleratori personalizzati. Anthropic sta creando un team silicon e valutando acquisizioni o partnership. Parallelamente, startup come MatX stanno progettando architetture dedicate esclusivamente ai frontier model.
Se una parte crescente dei workload AI più grandi venisse trasferita su ASIC ottimizzati internamente, la quota di computing affidata alle GPU general purpose potrebbe progressivamente diminuire.
Non significa necessariamente ridurre il valore complessivo del business NVIDIA.
La crescita della domanda di AI compute potrebbe essere sufficientemente grande da consentire alle vendite NVIDIA di aumentare anche mentre diminuisce la sua quota percentuale del mercato.
Cambierebbe però la struttura competitiva dell’industria.
Dal modello GPU-centric a un’infrastruttura AI multi-chip
La direzione sembra infatti essere quella di un mercato molto più frammentato rispetto alla prima fase dell’AI generativa.
Le GPU continueranno a svolgere un ruolo fondamentale, soprattutto per workload nuovi, modelli sperimentali e situazioni nelle quali la programmabilità è più importante dell’efficienza assoluta.
Gli ASIC proprietari potrebbero invece assumere una quota crescente nei workload ripetitivi e di enorme scala, dove l’ottimizzazione per watt, rack o token diventa economicamente determinante.
In questo scenario un frontier lab potrebbe utilizzare contemporaneamente GPU NVIDIA per una parte del training, acceleratori proprietari per l’inference, TPU o Trainium per altri workload e processori specializzati per reinforcement learning o agentic AI.
Anthropic è già una delle aziende che utilizza il maggior numero di architetture differenti.
Un proprio chip completerebbe questa strategia.
I frontier lab stanno diventando aziende hardware
Il punto più importante della vicenda MatX è quindi industriale.
Fino a pochi anni fa i laboratori di intelligenza artificiale sviluppavano principalmente modelli e acquistavano la capacità computazionale necessaria da hyperscaler e produttori di chip.
La scala raggiunta dai frontier model sta cambiando questo equilibrio.
Quando il costo dell’infrastruttura arriva a decine di miliardi di dollari, progettare direttamente una parte dell’hardware può diventare economicamente razionale.
Google lo ha dimostrato con i TPU. Amazon con Trainium e Inferentia. Microsoft e OpenAI stanno seguendo la stessa direzione.
Anthropic sta ora preparando la propria risposta.
Non sappiamo ancora se passerà da MatX, da un’altra startup o da un progetto completamente interno. La società non ha ancora scelto un approccio definitivo.
Ma il segnale è ormai difficile da ignorare.
La competizione tra i principali laboratori di intelligenza artificiale non riguarda più soltanto chi possiede il modello migliore.
Riguarda anche chi riesce a costruire l’infrastruttura più efficiente per addestrarlo ed eseguirlo.
E in questa nuova fase della corsa all’AI, il chip sta diventando parte integrante del prodotto.
