NVIDIA è diventata il principale simbolo della rivoluzione dell’Intelligenza Artificiale. Ma guardare all’AI solo attraverso NVIDIA significa vedere soltanto il primo strato di una trasformazione molto più ampia.
Ogni nuova GPU messa in funzione richiede memoria, connettività, fibra ottica, energia, raffreddamento, produzione avanzata ed enormi data center. In altre parole, la crescita di NVIDIA genera effetti economici lungo un’intera catena di infrastrutture AI.
Per l’investitore, capire la catena di infrastrutture AI può essere importante quanto individuare chi produce il chip migliore.
Pensa alla GPU come al motore della catena di infrastrutture AI
Un modo semplice per capire l’ecosistema è immaginare un’automobile. La GPU è il motore. Può essere straordinariamente potente, ma da sola non fa funzionare l’auto. Servono carburante, trasmissione, impianto elettrico, raffreddamento, pneumatici e un’intera infrastruttura attorno ad essa.
Lo stesso vale per l’AI. Più GPU vengono installate, più infrastruttura deve esistere per farle lavorare in modo efficiente. È da qui che emergono molti dei potenziali beneficiari dell’attuale ciclo di investimenti in AI.
1. Foundry e Advanced Packaging — $TSM
Prima che una GPU NVIDIA arrivi in un data center, deve essere prodotta. TSMC occupa una posizione centrale in questa catena, realizzando alcuni dei chip più avanzati al mondo e offrendo tecnologie di packaging essenziali per integrare processori e memoria.
Man mano che i chip diventano più grandi, più complessi e più potenti, la capacità produttiva e l’advanced packaging diventano colli di bottiglia strategici. Per questo la crescita dell’AI non favorisce solo i progettisti di chip, ma aumenta anche l’importanza economica delle aziende capaci di produrli.
2. HBM — $MU e SK Hynix
Una GPU estremamente veloce serve a poco se non riesce a ricevere dati a velocità sufficiente. È proprio qui che entra in gioco la HBM — High Bandwidth Memory. Questa memoria è stata progettata per spostare rapidamente grandi quantità di dati tra memoria e processori.
Modelli sempre più grandi e cluster con migliaia di GPU aumentano il bisogno di HBM. Per questo aziende come Micron e SK Hynix sono diventate componenti strategiche dell’infrastruttura AI. La logica è semplice: più compute → più bisogno di memoria ad alta velocità.
3. Connettività — $CRDO, $ALAB e $MRVL
Questa è forse una delle parti meno comprese dell’AI. Un grande data center non funziona come migliaia di GPU indipendenti. Questi processori devono comunicare tra loro continuamente e con una latenza estremamente bassa.
Man mano che i cluster passano da migliaia a decine o centinaia di migliaia di acceleratori, trasportare dati tra loro diventa una sfida sempre più grande. È proprio in questo livello che aziende come Credo Technology $CRDO, Astera Labs $ALAB e Marvell $MRVL possono trarne beneficio.
E qui esiste una distinzione importante. Un’azienda non deve necessariamente essere un grande fornitore diretto di NVIDIA per beneficiare della sua crescita. Credo, ad esempio, può guadagnare da qualcosa di ancora più ampio: la necessità di collegare cluster AI sempre più grandi. Se il numero di GPU cresce, tende a crescere anche il numero di connessioni ad alta velocità necessarie.
4. Optical Networking — $COHR e $AAOI
Man mano che i data center aumentano di dimensione, trasportare enormi volumi di informazioni usando solo connessioni elettriche diventa progressivamente più difficile. La fibra ottica assume quindi un ruolo crescente.
Più compute AI richiede più larghezza di banda. Più larghezza di banda può richiedere più componenti ottici, transceiver e sistemi di comunicazione in fibra. Per questo aziende come Coherent $COHR e Applied Optoelectronics $AAOI fanno parte della nostra analisi dell’ecosistema.
5. Power & Cooling — $VRT, $ETN e $GEV
Forse il più grande collo di bottiglia strutturale dell’AI non è nemmeno un semiconduttore. Potrebbe essere l’energia. I data center AI consumano quantità straordinarie di elettricità e producono enormi quantità di calore. Di conseguenza, ogni nuova espansione della capacità di calcolo richiede anche:
- distribuzione elettrica;
- sistemi di alimentazione;
- raffreddamento;
- attrezzature per data center;
- generazione aggiuntiva;
- modernizzazione delle reti elettriche.
Per questo aziende come Vertiv $VRT, Eaton $ETN e GE Vernova $GEV sono entrate a far parte della discussione sull’AI infrastructure. La relazione si può riassumere così: più GPU → più energia → più raffreddamento → più infrastruttura.
6. GPU Cloud e Hyperscaler
All’altro estremo della catena ci sono coloro che acquistano e gestiscono effettivamente enormi quantità di GPU. Tra questi vi sono gli hyperscaler — $AMZN, $MSFT, $GOOGL e $META — e aziende specializzate in GPU cloud, come $CRWV e $NBIS.
Gli investimenti di queste aziende sono particolarmente importanti perché rappresentano la domanda finale di infrastruttura. Quando Big Tech aumenta il capex per costruire data center, quel capitale inizia a circolare praticamente lungo tutta la catena appena analizzata.
Gli utili di NVIDIA sono molto più degli utili di NVIDIA
Per questo seguo i risultati di NVIDIA non solo per valutare $NVDA. Funzionano anche come una sorta di termometro dell’intera catena di infrastrutture AI. Se la domanda di accelerated computing resta elevata, possiamo cercare gli effetti di questa crescita lungo la catena:
Semiconductors → HBM → Connectivity → Optics → Power → Cooling → Cloud
Questa lettura aiuta a individuare le aziende che possono beneficiarne ancora prima che l’impatto completo appaia nei loro stessi risultati.
Fornitori diretti vs. beneficiari indiretti nella catena di infrastrutture AI
Esiste inoltre una distinzione fondamentale per qualsiasi investitore che analizzi questo mercato.
Alcune aziende sono beneficiarie di primo ordine. Partecipano direttamente alla produzione o alla fornitura di componenti utilizzati nei sistemi NVIDIA.
Altre sono beneficiarie di secondo ordine. Guadagnano perché l’implementazione di un maggior numero di GPU richiede più infrastruttura attorno ad esse.
Questa differenza è importante. Non dovremmo chiamare ogni azienda legata all’ecosistema AI “fornitore di NVIDIA”. Ma possiamo porci una domanda più interessante: chi guadagna economicamente quando milioni di nuove GPU devono essere installate, collegate, alimentate e raffreddate?
Dove potrebbe trovarsi la prossima opportunità?
Durante la prima fase del boom dell’AI, gran parte dell’attenzione del mercato si è concentrata sulle GPU stesse. La prossima fase potrebbe essere diversa.
Man mano che la quantità di compute installato aumenta, anche i colli di bottiglia iniziano a spostarsi. Prima mancavano le GPU. Poi è arrivata la pressione sulla HBM. Ora connettività, optical networking, energia e raffreddamento diventano progressivamente più importanti.
Per questo, una delle domande che considero più rilevanti per i prossimi anni non è semplicemente “Chi produrrà il miglior chip AI?”, ma piuttosto: “Dove apparirà il prossimo collo di bottiglia man mano che il compute AI continuerà a crescere?”
È proprio in questi colli di bottiglia che possono emergere alcune delle opportunità di investimento più interessanti della prossima fase del ciclo.
NVIDIA potrà continuare a essere il motore della rivoluzione AI. Ma il valore economico creato da questo motore potrebbe diffondersi su una catena di infrastrutture AI molto più ampia di quanto molti investitori ancora immaginino.
Questo articolo rappresenta esclusivamente la mia opinione personale e ha finalità educativa. Non costituisce una raccomandazione di investimento. Ogni investimento comporta rischi e ciascun investitore dovrebbe condurre la propria analisi prima di prendere decisioni.
