La domanda mondiale di acceleratori per l’intelligenza artificiale è diventata così elevata che persino le divisioni interne di Nvidia devono competere per ottenere le risorse di calcolo necessarie alle proprie attività. Il problema coinvolge anche il settore automobilistico del gruppo, impegnato nello sviluppo dei sistemi destinati alla guida autonoma e ai veicoli definiti dal software. Shinjo Wu, vicepresidente della divisione Nvidia dedicata ai semiconduttori automobilistici, ha spiegato che praticamente tutte le GPU disponibili a livello mondiale risultano già prenotate. La scarsità non riguarda quindi soltanto i clienti esterni, i fornitori di servizi cloud e le aziende che costruiscono data center, ma anche i gruppi di sviluppo che operano all’interno della stessa Nvidia.
La divisione automobilistica necessita di grandi quantità di capacità computazionale per addestrare i modelli di guida autonoma e realizzare le simulazioni attraverso le quali vengono verificati i comportamenti dei veicoli. Le risorse disponibili devono però essere condivise con il settore dei data center, che attualmente genera una parte considerevole dei ricavi dell’azienda grazie alla vendita di GPU e piattaforme per l’intelligenza artificiale. L’assegnazione dell’infrastruttura viene discussa settimanalmente tra i diversi reparti. Quando le richieste diventano incompatibili con la capacità disponibile, Jensen Huang interviene direttamente per stabilire le priorità e distribuire le risorse. Il compito consiste nel trovare un equilibrio tra un’attività che produce immediatamente ricavi molto elevati e un settore che Nvidia considera fondamentale per il proprio sviluppo futuro. Da una parte si trovano i data center, alimentati dalla crescita dell’intelligenza artificiale generativa e dall’espansione dei grandi modelli. Dall’altra si trova la guida autonoma, che richiede investimenti anticipati e una notevole capacità di calcolo senza produrre ancora risultati economici paragonabili.
Jensen Huang ha descritto in passato la guida autonoma come una “zero-trillion-dollar business”, un’espressione utilizzata per indicare un’attività che oggi parte da ricavi relativamente contenuti, ma che potrebbe creare in futuro un mercato del valore di migliaia di miliardi di dollari. Nvidia continua quindi a investire nel settore automobilistico nonostante la pressione esercitata dalle ordinazioni di chip per data center. Il limite non riguarda soltanto il numero di GPU già prodotte, ma anche la capacità delle fonderie incaricate di realizzare i semiconduttori. La produzione degli acceleratori più avanzati dipende infatti da una catena industriale complessa, che comprende la fabbricazione dei wafer, il packaging dei chip, l’integrazione delle memorie ad alta larghezza di banda e la costruzione dei sistemi completi. Quando uno di questi passaggi raggiunge il limite, Nvidia non può aumentare immediatamente la quantità di hardware disponibile, anche in presenza di una domanda molto superiore all’offerta.
La divisione automobilistica deve utilizzare le GPU soprattutto durante la fase di sviluppo. I modelli destinati alla guida autonoma vengono addestrati attraverso grandi quantità di dati provenienti da telecamere, radar e altri sensori installati sui veicoli. Queste informazioni devono essere elaborate per insegnare ai sistemi a riconoscere strade, corsie, pedoni, mezzi circostanti, segnaletica e condizioni impreviste. La quantità di dati cresce insieme alla complessità delle funzioni richieste e al numero degli scenari che devono essere riprodotti. Oltre all’addestramento, sono necessarie simulazioni su larga scala. Prima di utilizzare un nuovo modello su un veicolo reale, gli sviluppatori devono verificarne il comportamento in un elevato numero di situazioni virtuali. Le simulazioni permettono di riprodurre eventi rari o pericolosi senza mettere a rischio persone e mezzi. Possono comprendere condizioni meteorologiche differenti, ostacoli improvvisi, comportamenti anomali degli altri conducenti e variazioni della segnaletica stradale. Ogni scenario può essere ripetuto modificando numerosi parametri. Questa modalità consente di osservare come il sistema reagisca a condizioni che difficilmente potrebbero essere generate in modo controllato durante una prova su strada.
La crescita del fabbisogno computazionale è collegata alla trasformazione dell’automobile in un veicolo definito dall’intelligenza artificiale e dal software. Il settore utilizza le espressioni AI-Defined Vehicle e Software-Defined Vehicle per descrivere mezzi nei quali una parte crescente delle funzioni dipende da sistemi informatici centralizzati e aggiornabili. Le automobili tradizionali impiegano decine o centinaia di piccole unità elettroniche di controllo, conosciute come ECU. Ciascuna centralina viene progettata per gestire un compito specifico, come l’apertura dei finestrini, l’illuminazione, la frenata, il controllo del motore o il funzionamento di un determinato sensore. Questa architettura distribuita si è diffusa perché consente di utilizzare componenti relativamente semplici, economici e affidabili. Ogni funzione dispone della propria unità di controllo e può essere sviluppata con requisiti hardware specifici. L’aumento delle funzioni elettroniche ha però moltiplicato il numero delle centraline e dei collegamenti. Nei veicoli più complessi, i cavi possono raggiungere complessivamente una lunghezza di diversi chilometri. Il cablaggio occupa spazio, aumenta il peso dell’automobile e rende più complessa la progettazione. Le centraline realizzate da fornitori differenti possono inoltre utilizzare sistemi software e interfacce non uniformi, complicando la comunicazione tra i diversi componenti. La frammentazione limita anche la possibilità di aggiornare il veicolo dopo la vendita. Una funzione distribuita tra diverse centraline può richiedere interventi separati o modifiche che non possono essere applicate attraverso un unico aggiornamento software.
Con l’espansione dei veicoli elettrici e della guida autonoma, i produttori stanno quindi passando a un’architettura maggiormente centralizzata. Numerose centraline vengono sostituite da uno o pochi computer ad alte prestazioni, capaci di controllare contemporaneamente più funzioni. Il principio è simile a quello utilizzato nei personal computer e negli smartphone. Un processore centrale esegue applicazioni differenti e gestisce più componenti hardware attraverso una piattaforma software comune. Nel veicolo, il computer centrale può occuparsi dell’infotainment, dell’elaborazione dei dati provenienti dai sensori e di una parte crescente delle funzioni di guida. La centralizzazione permette di ridurre la frammentazione dell’elettronica e di coordinare in modo più efficiente i sistemi. Questa configurazione è particolarmente importante per la guida autonoma. Telecamere, radar e lidar producono continuamente grandi quantità di dati che devono essere elaborati e combinati in tempo reale. La fusione dei sensori serve a costruire una rappresentazione coerente dell’ambiente circostante. Una telecamera può riconoscere la forma e il colore di un oggetto, mentre un radar può stimarne la distanza e la velocità. Il lidar può fornire una ricostruzione tridimensionale più precisa dello spazio.
Il computer deve integrare queste informazioni senza ritardi significativi, distinguere gli oggetti rilevanti e stabilire come il veicolo debba reagire. Una decisione tardiva può ridurre la sicurezza, soprattutto ad alta velocità o quando compare improvvisamente un ostacolo. L’architettura centralizzata rende inoltre più semplice l’installazione degli aggiornamenti OTA, trasmessi attraverso la rete senza richiedere necessariamente un intervento in officina. Il produttore può correggere errori, modificare alcune funzioni e introdurre miglioramenti software anche dopo la consegna dell’automobile. Gli aggiornamenti a distanza richiedono comunque una piattaforma uniforme, sistemi di sicurezza adeguati e una chiara separazione tra le funzioni che possono essere modificate e quelle critiche per la sicurezza. La centralizzazione offre una base tecnica più adatta a questo tipo di gestione rispetto a una rete composta da numerose centraline indipendenti.
La transizione verso i computer automobilistici ad alte prestazioni rappresenta un’opportunità strategica per Nvidia. L’azienda può fornire non soltanto il processore installato nel veicolo, ma un’intera piattaforma composta da hardware, software, strumenti di addestramento e ambienti di simulazione. L’ecosistema Nvidia Hyperion è stato sviluppato per offrire ai produttori una base di riferimento destinata ai veicoli autonomi. La piattaforma comprende sistemi di calcolo, sensori e componenti software progettati per funzionare insieme. Secondo Shinjo Wu, circa l’80% dei produttori automobilistici impegnati nella realizzazione di veicoli di serie con capacità di guida autonoma di livello 4 partecipa già all’ecosistema Hyperion. Tra i costruttori coinvolti figura Mercedes-Benz. Il livello 4 indica una forma di automazione elevata nella quale il sistema può eseguire l’intera attività di guida entro condizioni operative definite. Il veicolo non è necessariamente autonomo in qualsiasi luogo e situazione, ma non richiede l’intervento continuo del conducente quando opera all’interno dell’ambiente per il quale è stato progettato. Per raggiungere questo livello, non è sufficiente installare un processore potente nell’automobile. Servono modelli addestrati su enormi quantità di dati, simulazioni, software per la percezione dell’ambiente e sistemi capaci di pianificare in sicurezza il movimento del veicolo.
La piattaforma utilizzata a bordo rappresenta quindi soltanto la parte finale di una catena computazionale molto più ampia. Una parte consistente del lavoro avviene nei data center, dove vengono addestrati i modelli e analizzati i dati raccolti dalle flotte. La stessa crescita dell’architettura centralizzata aumenta la necessità di sviluppare software più complesso. Un sistema che controlla simultaneamente infotainment, sensori e funzioni di guida deve essere progettato per separare correttamente i diversi carichi di lavoro e garantire che un errore in una componente non comprometta le attività essenziali. Nvidia deve quindi sostenere contemporaneamente due livelli di elaborazione. Nei data center servono GPU per addestramento e simulazione, mentre nei veicoli sono necessari processori capaci di eseguire i modelli con consumi energetici, temperature e tempi di risposta compatibili con l’impiego automobilistico.
La competizione interna per le GPU mostra quanto siano diventate estese le esigenze dell’azienda. Nvidia non deve soltanto soddisfare gli ordini esterni, ma anche utilizzare una parte della propria capacità per costruire i mercati dai quali potrebbero derivare i ricavi futuri. Destinare tutte le risorse ai data center permetterebbe di massimizzare i risultati economici immediati, ma rallenterebbe lo sviluppo della guida autonoma. Riservare una quantità eccessiva di GPU ai progetti automobilistici potrebbe invece ridurre la capacità di servire clienti che acquistano oggi grandi quantità di acceleratori. La mediazione diretta di Jensen Huang evidenzia quindi una decisione strategica e non soltanto tecnica. L’assegnazione delle GPU determina quali prodotti possano essere sviluppati più rapidamente e quali mercati ricevano la priorità. Nvidia continua a destinare risorse alla guida autonoma perché considera il settore una componente di lungo periodo della propria crescita. L’investimento comprende l’hardware destinato alle automobili, i sistemi utilizzati per l’addestramento e la capacità produttiva necessaria a sostenere la futura domanda. L’azienda sta cercando di assicurarsi anche una maggiore disponibilità presso le fonderie, così da non dipendere esclusivamente dalla distribuzione delle risorse già esistenti. L’aumento della capacità produttiva richiede tuttavia programmi pluriennali e non può risolvere immediatamente la scarsità.
La situazione interna di Nvidia rappresenta una conseguenza diretta dell’espansione dell’intelligenza artificiale in settori differenti. Gli stessi acceleratori sono richiesti per i modelli linguistici, la generazione di contenuti, la ricerca scientifica, la robotica, la simulazione e la mobilità autonoma. Le diverse applicazioni competono quindi per una base hardware comune. Il successo dei data center può limitare temporaneamente la quantità di calcolo disponibile per le tecnologie che dovrebbero alimentare la successiva fase di crescita. La guida autonoma rimane comunque una priorità per Nvidia. Secondo la divisione automobilistica, sia il gruppo sia Jensen Huang credono nel futuro dei veicoli autonomi e intendono continuare a investire nella tecnologia.