Recensione del libro: The Thinking Machine: Jensen Huang, NVIDIA e il microchip più ambito del mondo di Stephen Witt

The Thinking Machine: Jensen Huang, NVIDIA e il microchip più ambito del mondo si distingue dalla maggior parte dei libri scritti sull’intelligenza artificiale perché affronta l’argomento da una prospettiva che molti lettori tecnicamente preparati, io incluso, hanno storicamente sottovalutato.

Come molte persone che hanno seguito l’AI per anni, la mia comprensione del campo è stata plasmata da pietre miliari familiari. La storia di solito inizia nel 1956 con il workshop di Dartmouth, passa attraverso i primi sistemi simbolici, poi salta in avanti a momenti epocali come la vittoria di Deep Blue contro Garry Kasparov, DeepMind che padroneggia Go e, più recentemente, OpenAI che dimostra che i grandi modelli linguistici possono coordinare la strategia in ambienti multiplayer complessi. Questi momenti sono intellettualmente soddisfacenti e facili da ricordare perché si concentrano su vittorie visibili.

Ciò che il libro di Stephen Witt fa eccezionalmente bene è sfidare questo quadro. Invece di concentrarsi sui momenti in cui l’AI ha impressionato il mondo, The Thinking Machine si concentra sullo strato meno visibile al di sotto di quei risultati. Sostiene, in modo persuasivo, che l’era moderna dell’AI non è stata sbloccata principalmente da idee ingegnose da sole, ma da un fondamentale cambiamento nel modo in cui la computazione stessa è stata eseguita.

Centrando la narrazione su NVIDIA (NVDA ) e il suo co-fondatore Jensen Huang, Witt ridimensiona la rivoluzione dell’AI come una storia sull’architettura informatica, gli ecosistemi degli sviluppatori e la visione a lungo termine. Il risultato non è solo una biografia aziendale, ma un capitolo mancante nella storia più ampia dell’intelligenza artificiale.

Dal gioco ai videogiochi a un nuovo paradigma di calcolo

Le origini di NVIDIA sono lontane dalle ambizioni elevate ora associate all’intelligenza artificiale. L’azienda è emersa nel 1993 come produttore di chip grafici, concentrato sul rendering di mondi di gioco sempre più realistici. La sfida all’epoca non era l’intelligenza, ma la velocità. I giochi richiedevano un numero enorme di calcoli da eseguire istantaneamente per simulare luce, movimento e profondità.

La soluzione che NVIDIA ha perseguito è stata il calcolo parallelo. Il calcolo parallelo significa eseguire molti calcoli contemporaneamente anziché eseguirli in sequenza. Invece di affidarsi a un singolo core potente che esegue un’istruzione dopo l’altra, le GPU utilizzano migliaia di core più piccoli che lavorano contemporaneamente su operazioni matematiche simili. Questo approccio è particolarmente potente per carichi di lavoro che coinvolgono la ripetizione delle stesse operazioni su grandi set di dati.

Originariamente, questa architettura era stata progettata per la grafica. Eppure Witt mostra come questa decisione abbia creato silenziosamente la base ideale per le reti neurali decenni dopo. L’addestramento dei modelli di intelligenza artificiale moderni comporta un numero enorme di operazioni matematiche identiche applicate a grandi quantità di dati. Le GPU erano già state ottimizzate per quel tipo di lavoro.

Ciò che rende questa parte del libro così coinvolgente è come Witt connette chiaramente le scelte tecniche di progettazione alla sopravvivenza. NVIDIA non ha scelto il calcolo parallelo perché prevedeva l’intelligenza artificiale. Lo ha scelto perché era l’unico modo per competere in tempo reale nella grafica. Quella necessità ha costretto l’azienda a padroneggiare un modello di calcolo che si sarebbe rivelato trasformativo ben al di là del gioco.

Jensen Huang e il pensiero in sistemi, non prodotti

Al centro di questa storia c’è Jensen Huang, ritratto non come un dirigente d’azienda convenzionale, ma come qualcuno che ha pensato costantemente in sistemi piuttosto che in singoli prodotti. Witt presenta Huang come una persona esigente, intensa e spesso difficile, ma anche notevolmente coerente nel modo in cui ha visto la tecnologia nel corso di lunghi periodi di tempo.

Mentre i concorrenti trattavano le GPU come componenti usa e getta legati ai cicli di gioco, Huang le trattava come la base di una piattaforma di calcolo più ampia. Questa distinzione diventa critica. I prodotti vengono sostituiti. Le piattaforme si accumulano.

Internamente, NVIDIA rifletteva questa mentalità. Gli ingegneri erano incoraggiati a pensare anni in anticipo. Il software era trattato come strategicamente importante quanto il silicio. Gli investimenti sono stati fatti in strumenti e supporto per gli sviluppatori molto tempo prima che ci fosse una chiara domanda. Molte di queste scelte sembravano eccessive o inutili al momento. A posteriori, hanno creato un vantaggio che i concorrenti hanno faticato a superare.

Witt rende chiaro che l’ascesa di NVIDIA non era inevitabile. L’azienda è stata vicina al fallimento più di una volta. Ciò che l’ha portata avanti non è stato un singolo break-through, ma una convinzione sostenuta che il calcolo accelerato alla fine sarebbe stato importante ben al di là del suo uso originale.

CUDA e la storia originale dell’AI che molti hanno perso

Uno dei contributi più importanti di The Thinking Machine è come ridimensiona il ruolo di CUDA nella storia dell’AI.

Prima di leggere questo libro, è facile pensare a CUDA come a uno strumento di sviluppo di successo. Witt mostra perché merita molta più attenzione. CUDA è stato creato per rendere il calcolo parallelo utilizzabile al di fuori della grafica. Prima di CUDA, utilizzare le GPU per calcoli generali richiedeva di forzare i problemi attraverso interfacce specifiche della grafica. Questo era fragile, inefficiente e limitato agli specialisti.

CUDA ha cambiato questo consentendo agli sviluppatori di programmazione delle GPU utilizzando modelli di programmazione familiari. Migliaia di core di calcolo sono diventati accessibili come risorsa generale. Ciò ha abbassato la barriera all’ingresso per il calcolo ad alte prestazioni in un modo che poche persone hanno apprezzato appieno al momento.

Questo è il punto in cui il libro risuona fortemente con la mia esperienza di apprendimento della storia dell’AI. La narrazione che ho assorbito si è concentrata pesantemente sui modelli e sugli algoritmi. Ciò che The Thinking Machine rende chiaro è che molte di quelle idee sono diventate pratiche solo una volta che i ricercatori sono stati in grado di addestrarle su larga scala.

I ricercatori di AI hanno riconosciuto rapidamente che le reti neurali erano una corrispondenza quasi perfetta per il calcolo parallelo. L’addestramento comporta la ripetizione delle stesse operazioni su grandi set di dati, regolando milioni o miliardi di parametri nel corso del tempo. CUDA ha consentito questo processo di verificarsi più velocemente, più a buon mercato e più affidabilmente di quanto i CPU potessero mai fare.

Questo è diventato particolarmente importante quando l’apprendimento profondo si è accelerato e successivamente quando sono emersi modelli basati su trasformatori. I trasformatori prosperano sulla scala. Senza l’accelerazione della GPU, molti dei modelli che definiscono il paesaggio dell’AI di oggi sarebbero rimasti teorici o proibitivamente costosi. CUDA non ha inventato queste architetture, ma ha reso possibile la loro rapida evoluzione.

Ciò che Witt cattura particolarmente bene è che questo esito non è stato completamente pianificato. CUDA è stato costruito per il calcolo scientifico. I ricercatori di AI hanno scoperto il suo potere e hanno tirato NVIDIA al centro della corsa all’AI.

Infrastruttura oltre gli algoritmi

Una delle intuizioni più preziose del libro è che i progressi dell’AI sono limitati tanto dall’infrastruttura quanto dalle idee. Molti resoconti popolari si concentrano sugli algoritmi, gli stratagemmi di addestramento e i set di dati. The Thinking Machine ricorda al lettore che nessuna di queste cose conta senza calcolo sufficiente.

Da questa prospettiva, il boom moderno dell’AI appare meno improvviso e più ritardato. Le reti neurali esistevano da decenni. Ciò che è cambiato è stata la disponibilità di hardware in grado di addestrarle su scala significativa.

NVIDIA non ha semplicemente fornito chip più veloci. Ha costruito un ecosistema di hardware, librerie software e strumenti per gli sviluppatori che si sono rafforzati a vicenda nel corso del tempo. Mentre i ricercatori ottimizzavano il loro lavoro per le piattaforme NVIDIA, NVIDIA raffinava i suoi prodotti per servire meglio i carichi di lavoro dell’AI. Questo ciclo di feedback ha creato un vantaggio duraturo che si è esteso ben al di là della semplice prestazione.

Il libro sottolinea silenziosamente una realtà che è sempre più ovvia oggi: la leadership nell’AI è plasmata dalle catene di approvvigionamento, dalla capacità di produzione, dagli ecosistemi software e dal controllo della piattaforma, e non solo dal genio della ricerca.

Visione, rischio e conseguenze cumulative

Witt non si tira indietro dalle implicazioni della supremazia di NVIDIA. Mentre l’azienda diventa fondamentale per l’infrastruttura globale dell’AI, la sua influenza cresce di conseguenza. La convinzione di Jensen Huang che il calcolo accelerato definirà la prossima fase del progresso tecnologico attraversa l’intero libro.

Invece di moralizzare, The Thinking Machine si concentra su come le decisioni di ingegneria e strategiche coerenti si siano accumulate nel corso del tempo. NVIDIA non ha vinto inseguendo le mode. Ha vinto impegnandosi precocemente nel calcolo parallelo, sopportando ripetuti cicli di mercato e investendo senza sosta negli strumenti che hanno reso il suo hardware indispensabile.

Per i lettori che desiderano capire come l’AI abbia realmente scalato

Per i lettori che già conoscono i momenti salienti della storia dell’AI, questo libro riempie il livello mancante al di sotto di essi. Spiega perché quei risultati potessero scalare quando lo hanno fatto e perché NVIDIA è emersa come una forza così centrale nel processo.

Questo è un libro per i lettori che vogliono capire l’intelligenza artificiale come un sistema industriale piuttosto che una raccolta di modelli ingegnosi. Risuonerà fortemente con coloro che sono interessati ai chip, ai data center e alle decisioni di ingegneria spesso invisibili che plasmano silenziosamente il potere tecnologico.

The Thinking Machine ha successo perché ridimensiona la storia dell’AI dal basso verso l’alto, mostrando come il calcolo parallelo, le piattaforme degli sviluppatori e la visione a lungo termine abbiano costruito la base su cui si erge l’intelligenza artificiale moderna.