AI, perché la Cina non potrà superare gli Stati Uniti senza chip all’avanguardia

Nel novembre 2022 l’arrivo di ChatGPT ha inaugurato la nuova stagione degli LLM, con Anthropic, Google DeepMind e xAI ad alimentare una competizione serrata su benchmark e usi pratici. Come spiega in una nota Jozef Soja, Research Analyst di ARK Invest, dietro la vetrina americana, però, l’ecosistema cinese ha preso velocità, riducendo a sei mesi il tempo necessario per raggiungere la parità con i modelli statunitensi dopo prime iterazioni poco convincenti.

Se in ragionamento scientifico (come il GPQA Diamond) i modelli occidentali restano in vantaggio, i player cinesi stanno chiudendo il divario e, fatto notevole, guidano la classifica dei modelli open weight: 9 su 10 nella graduatoria di Artificial Analysis LLM provengono dalla Cina.

Questa accelerazione segnala una rapida diffusione di competenze su architetture, tecniche di training e curazione dati lungo l’asse Stati Uniti–Cina, con eccezioni europee come Mistral, mentre l’innovazione corre nonostante i vincoli hardware e le tensioni commerciali. La concorrenza sta abbassando i costi e accelerando l’adozione, osserva Soja, rimarcando come il ritmo del miglioramento aumenti anche in presenza di limitazioni.

A gennaio di quest'anno, DeepSeek R1 è arrivato con costi di inferenza inferiori del 90% rispetto a o1 di OpenAI, pur con prestazioni circa il 10% inferiori secondo gli Artificial Analysis Intelligence Index corretti per log-error a inizio 2025. L’apertura dei pesi, spiega Soja, ha spinto anche cloud provider occidentali a offrire R1 a prezzi aggressivi, catturando clienti sensibili al costo più che alla massima performance.

La gara al prezzo per unità di prestazione è proseguita finché OpenAI ha riconquistato la leadership con GPT-5 Nano e il modello open weight gpt-oss-120B; il confronto, sottolinea Soja, fa riferimento alle versioni di punta e non alle varianti più piccole e ottimizzate rese possibili dall’architettura di DeepSeek.

In parallelo, osserva Soja, i costi dei modelli di programmazione sono crollati del 99% in un anno: pur mantenendo tariffe elevate per le capacità di frontiera, OpenAI e Anthropic non possono più praticare premi sulle attività quotidiane; per difendere la quota, emergono versioni “good enough” e a basso costo come Gemini Flash 2.5, GPT-5 Nano e gpt-oss.

Gli sviluppatori spostano i carichi di routine su opzioni cinesi più economiche, e la quota di token inferiti da modelli cinesi sale da zero a oltre il 30% ad agosto secondo OpenRouter; tuttavia, dal debutto di Grok Code Fast 1 di xAI, parte dei guadagni della Cina è stata erosa. Come avverte Soja, OpenRouter fotografa soprattutto il mondo developer e non cattura tutti gli utilizzi enterprise via Azure e AWS o implementazioni private, e molti token sono comunque inferiti su cloud occidentali, con benefici di monetizzazione e dati non sempre equivalenti per i fornitori cinesi.

Il vantaggio di costo dei modelli cinesi potrà durare finché l’offerta hardware reggerà. Il vero collo di bottiglia, spiega Soja, riguarda l’accesso a GPU d’avanguardia (Nvidia, AMD) e la maturità degli acceleratori domestici. Qui la classificazione per nodi di processo è decisiva: nodi più piccoli significano più transistor per chip, maggior performance ed efficienza, ingredienti cruciali per sistemi IA avanzati.

I chip top, come Blackwell3 o Hopper4 di Nvidia, usano il 4 nm TSMC, mentre la Cina è limitata al 7 nm, il nodo che alimentava Nvidia Ampere nel 2020. Anche la scala produttiva conta per Soja: TSMC, nel 2025, prevede 14–15 milioni di wafer equivalenti da 12 pollici, 70–80% a 7 nm o inferiore; SMIC, a fine 2024, è circa a un terzo con ~5 milioni di wafer, e il 75% a ≥45 nm. La produzione SMIC <28 nm resta di due ordini di grandezza inferiore rispetto ai prodotti TSMC ≤7 nm, con la capacità 7 nm di SMIC verosimilmente solo una frazione della sua 28 nm. Sul fronte equipment, ASML è sottoposta a restrizioni export; le DUV cinesi sono in test; secondo ARK Invest, nel 2024 la capacità lorda di transistor di TSMC era ~38 volte quella di SMIC.

In questo contesto, gli acceleratori cinesi affrontano sfide: l’Ascend 910C di Huawei appare valido ma meno efficiente energeticamente; problemi tecnici legati al chip Huawei, non agli acceleratori Nvidia usati per addestrare DeepSeek R1, hanno ritardato l’uscita di DeepSeek R2. Huawei ha presentato una roadmap con HBM domestiche per ridurre il gap da Nvidia, ma tutto dipenderà da competitività e scalabilità; Alibaba sviluppa un chip proprietario compatibile con alcune librerie Nvidia, ma servirà tempo per la rampa produttiva, rileva Soja.

Senza una soluzione al vincolo dei chip, secondo Soja i fornitori cinesi potrebbero perdere terreno persino nel mercato open ed economico. Meta e OpenAI offrono modelli aperti e pianificano data center multi-gigawatt con impronta urbana di scala metropolitana; se colmeranno il divario nel rapporto qualità-prezzo, molti sviluppatori torneranno ai modelli occidentali. Eppure le aziende cinesi hanno già dimostrato di saper costruire modelli competitivi senza chip di punta.

A inizio anno, spiega Soja, il ceo di Nvidia Jensen Huang, ha stimato che il 50% degli sviluppatori IA si trovi in Cina e ha eloggiato i contributi del Paese, inclusi modelli open weightperformanti e a prezzi competitivi rispetto alle controparti occidentali. Proprio per questo, conclude ARK Invest, se i suoi sviluppatori di livello mondiale vogliono restare in corsa, la Cina dovrà superare i colli di bottigliainfrastrutturali e hardware, negoziando un alleggerimento dei controlli all’export USA o accelerando l’innovazione interna; in assenza di chip all’avanguardia, l’ambizione di leadership rischia di sbattere contro i limiti della fisica e della scala, avverte Soja.