Positron raccoglie 875 milioni per sfidare Nvidia sull’inferenza con la memoria commodity

Nel mercato dei chip per l’intelligenza artificiale, dove Nvidia domina praticamente incontrastata, una startup americana ha appena raccolto una cifra che fa rumore. Positron, azienda specializzata in hardware per l’inferenza, ha annunciato un round da 875 milioni di dollari a una valutazione di 5 miliardi. L’obiettivo dichiarato non è modesto: dimostrare che l’economia dell’inferenza AI può essere ridisegnata da zero, sostituendo la costosa memoria ad altissima larghezza di banda con componenti di memoria commodity, gli stessi che trovi nei portatili e negli smartphone.

Se la scommessa funziona, può incrinare uno dei punti di forza più solidi di Nvidia. Ecco cosa è successo e perché conta.

Una raccolta che quintuplica la valutazione in pochi mesi

Positron ha chiuso un finanziamento complessivo da 875 milioni di dollari, portando la valutazione post-money a 5 miliardi. Per capire la velocità di questa corsa basta un confronto: a febbraio 2026 l’azienda valeva circa 1 miliardo dopo un round di Serie B da 230 milioni. In poco più di sei mesi il valore si è quintuplicato.

Il pacchetto è diviso in due tranche. La prima, una Serie C da 375 milioni su una valutazione pre-money di 3,5 miliardi, è stata co-guidata da NEA, Andra Capital, Atreides Management, Valor Equity Partners e SemiAnalysis Capital, il veicolo di investimento legato a Dylan Patel, analista molto ascoltato nel mondo dei semiconduttori. La seconda, una Serie C-1 fino a 500 milioni, è stata guidata da NEA insieme a Jim Clark, il fondatore di Netscape e Silicon Graphics.

La presenza di un nome storico della Silicon Valley come Clark, accanto a fondi che di solito non inseguono le mode, racconta qualcosa sul tipo di scommessa in gioco.

I capitali hanno una destinazione precisa. Serviranno a finanziare il tapeout del nuovo chip, cioè il passaggio dal progetto alla produzione fisica del silicio, oltre a una piattaforma di data center ed emulazione da oltre 2 megawatt e alla scalata produttiva del sistema Titan, comprese le forniture di memoria LPDDR5X già messe sotto contratto.

Perché la memoria è il vero collo di bottiglia dell’inferenza

Per capire la logica di Positron devi partire da un dettaglio tecnico che pesa più di quanto sembri. Quando un modello linguistico genera testo, la fase di inferenza, ovvero il momento in cui il modello risponde alle tue richieste, non è limitata tanto dalla potenza di calcolo quanto dalla velocità con cui i dati si muovono dentro e fuori dalla memoria. In gergo si dice che l’inferenza è memory-bound.

Nvidia e gli altri produttori di acceleratori di fascia alta risolvono il problema con la HBM, la memoria ad altissima larghezza di banda. È rapidissima, ma anche molto costosa e, soprattutto, cronicamente scarsa: la domanda supera l’offerta, e questo tiene alti i prezzi e allunga i tempi di consegna. In un settore che corre, aspettare mesi per i componenti è un lusso che pochi si possono permettere.

Positron ribalta l’approccio. Invece della HBM usa la LPDDR5X, la memoria a basso consumo che equipaggia telefoni e computer portatili, prodotta in volumi enormi e a costi molto più bassi. La sfida ingegneristica sta nello spremere da questa memoria commodity una larghezza di banda utile paragonabile a quella dei sistemi tradizionali, evitando che diventi essa stessa un freno.

La società sostiene di riuscirci, dichiarando di sfruttare oltre il 90% della larghezza di banda teorica su carichi di lavoro reali basati su architettura transformer. È un numero che, se confermato in modo indipendente, sarebbe notevole.

Il tema si intreccia con una tendenza più ampia: molte aziende stanno frenando la spesa sui modelli proprietari più costosi e guardano con crescente attenzione a tutto ciò che abbatte il costo per token.

Da Atlas ad Asimov, cosa promettono davvero i chip

Positron non parte da zero. Il suo chip di prima generazione, chiamato Atlas, è già una realtà ed è pensato specificamente per l’inferenza dei modelli transformer. L’azienda afferma che, su determinati carichi, Atlas eguaglia le prestazioni di una classe di acceleratori Nvidia come l’H200 consumando circa un terzo dell’energia.

Un dato concreto aiuta a inquadrare la promessa: secondo i numeri diffusi dall’azienda, un sistema basato su Atlas raggiunge 280 token al secondo per utente con il modello Llama 3.1 da 8 miliardi di parametri restando entro un budget energetico di 2000 watt. Il risparmio di energia, in un momento in cui i data center faticano a trovare potenza elettrica, non è un dettaglio da poco.

Attorno ad Atlas ruota il sistema Titan, la piattaforma di punta. Arriva a montare fino a 18,4 terabyte di memoria LPDDR5X, capaci di offrire una larghezza di banda aggregata di 23,68 terabit al secondo. Sono cifre pensate per far girare modelli molto grandi senza doverli spezzare su decine di schede separate.

Il vero salto, però, è il chip di prossima generazione: Asimov. È quello che il nuovo round deve portare al tapeout, e sulla carta promette fino a 2,3 terabyte di memoria per singolo chip, circa 2,76 terabyte al secondo di larghezza di banda effettiva, un consumo intorno ai 400 watt e, aspetto interessante, il supporto al raffreddamento ad aria.

Qui arriva la parte da maneggiare con prudenza. Asimov non ha ancora fatto il tapeout, quindi tutte queste specifiche restano promesse su carta finché il silicio non verrà prodotto e messo alla prova. È esattamente ciò che i nuovi capitali servono a dimostrare.

Cosa significa per il mercato e per te

La mossa di Positron si inserisce in un fermento che attraversa tutto il settore dei semiconduttori per l’AI. La startup non è l’unica a muoversi: anche i colossi affermati cercano alternative e alleanze, come mostra l’accordo tra Qualcomm e Amazon sui chip AI per i data center. Il segnale è che nessuno vuole restare troppo dipendente da un unico fornitore.

Il filo conduttore è chiaro: l’inferenza sta diventando il vero campo di battaglia. L’addestramento dei modelli fa notizia, ma è quando milioni di persone usano quei modelli ogni giorno che i costi esplodono. Ridurre il prezzo e il consumo dell’inferenza significa rendere sostenibile l’intera economia dell’AI.

Questo spiega anche perché la domanda di capacità di calcolo continui a spingere investimenti colossali nelle infrastrutture, dai nuovi data center di Microsoft ai piani di espansione degli altri grandi provider. La memoria commodity di Positron è, in fondo, un tentativo di attaccare lo stesso problema da un’angolazione diversa: non costruire soltanto di più, ma sprecare di meno.

Per te che segui il settore, il punto da tenere d’occhio è la specializzazione. Mentre Nvidia offre chip versatili adatti sia all’addestramento sia all’inferenza, gli sfidanti come Positron scommettono che concentrarsi su un solo compito, svolto molto bene, possa aprire una breccia. È la stessa logica che rende utili i modelli di ragionamento ottimizzati per specifiche tipologie di problemi.

Restano molte incognite. Un chip non ancora prodotto, un ecosistema software tutto da costruire e un concorrente, Nvidia, che non sta certo fermo e continua a rilasciare architetture nuove a ritmo serrato. La strada verso una quota di mercato reale è lunga.

Ma 875 milioni di dollari e una valutazione da 5 miliardi dicono che investitori esperti considerano credibile l’idea che il futuro dell’inferenza passi anche dalla memoria di tutti i giorni. Se ti occupi di AI, di infrastrutture o vuoi semplicemente capire dove sta andando il costo della tecnologia che usi ogni giorno, vale la pena tenere d’occhio come si evolverà questa sfida. Continua a seguirci per i prossimi aggiornamenti e, se l’argomento ti appassiona, esplora gli altri approfondimenti dedicati all’hardware e all’economia dell’intelligenza artificiale.