Intelligenza artificiale, l'Italia sfida Nvidia con i chip di Del Maffeo

L’Italia prova a ridurre la dipendenza da Nvidia con Metis, chip per l’inferenza edge ideato da Fabrizio Del Maffeo: consumi, applicazioni industriali, software e supply chain definiscono una sfida europea ancora aperta.

Fabrizio Del Maffeo ha trasformato un’esperienza maturata nei computer industriali in una società europea che nel 2026 ha superato i 250 milioni di dollari di nuovo finanziamento e ha spedito soluzioni a 500 clienti globali. La società è Axelera AI, con sede nei Paesi Bassi. Il suo prodotto principale è una piattaforma di accelerazione per l’intelligenza artificiale pensata soprattutto per l’inferenza: il momento in cui un modello già addestrato analizza immagini, testo, video o altri dati.

Il confronto con NVIDIA non nasce, dunque, dalla volontà di sostituire ogni GPU impiegata nei grandi data center. Il terreno è un altro. Axelera vuole portare l’intelligenza artificiale vicino alla fonte dei dati, dentro telecamere, robot, macchinari, sistemi di sicurezza, dispositivi medici e infrastrutture industriali.

In questi ambienti la velocità di calcolo è soltanto uno dei parametri. Contano i consumi, il calore prodotto, la latenza, il prezzo dell’intero sistema e la possibilità di lavorare senza spedire continuamente informazioni al cloud.

È da qui che Del Maffeo, ingegnere italiano e amministratore delegato di Axelera AI, presenta la propria sfida. L’obiettivo è abbassare il costo di accesso all’AI e contribuire alla costruzione di una filiera tecnologica europea, in un settore che dipende ancora da progettisti statunitensi, fabbriche asiatiche e piattaforme software difficili da sostituire.

La dipendenza dai chip Nvidia parte dai data center

La diffusione dell’intelligenza artificiale generativa ha concentrato una quota sempre più ampia della capacità di calcolo sugli acceleratori NVIDIA. Le GPU dell’azienda statunitense vengono utilizzate per addestrare modelli linguistici, elaborare grandi quantità di dati e generare risposte attraverso i servizi cloud.

Il vantaggio di NVIDIA non si limita al chip. L’azienda propone GPU, interconnessioni ad alta velocità, sistemi completi, strumenti per gli sviluppatori e librerie software. CUDA, l’ambiente proprietario costruito in molti anni, è diventato una delle principali porte d’accesso per chi sviluppa applicazioni di machine learning.

La dipendenza si distribuisce così su più livelli:

• hardware, necessario per l’addestramento e l’inferenza;
• software, usato per ottimizzare i modelli;
• cloud, che acquista e aggrega gli acceleratori;
• supply chain, ancora legata in larga misura alla produzione e al packaging avanzato asiatici.

Il problema non coincide con il prezzo di una singola scheda. Un’infrastruttura per l’AI comprende memoria ad alta larghezza di banda, alimentazione, raffreddamento, rete, sistemi di gestione e personale specializzato. Per un’impresa, un’università o un’amministrazione pubblica, il costo complessivo può diventare una barriera prima ancora dell’acquisto del chip.

Questo spiega perché l’edge computing rappresenti un mercato distinto. Un dispositivo vicino alla fonte dei dati non deve competere con un supercomputer su tutti i carichi di lavoro. Deve svolgere bene una funzione precisa, con risorse limitate e un sistema che possa essere installato, alimentato e mantenuto in condizioni reali.

Chi è Fabrizio Del Maffeo

Del Maffeo è originario della provincia di Sondrio. Ha conseguito una laurea magistrale in ingegneria delle telecomunicazioni al Politecnico di Milano e, prima di fondare Axelera AI, ha lavorato nell’informatica industriale e nell’Internet delle cose.

Nel corso della sua carriera ha ricoperto incarichi manageriali nell’area europea di aziende come Advantech e all’interno del gruppo ASUS. Il suo percorso si è sviluppato soprattutto attorno ai computer embedded e ai sistemi destinati a operare fuori dai normali ambienti informatici.

Durante quegli anni ha seguito progetti legati ai dispositivi per l’intelligenza artificiale. Nel 2018 ha collaborato con Intel per portare un acceleratore basato sulla tecnologia Movidius nei sistemi edge. L’esperienza gli ha mostrato un limite delle piattaforme generaliste: possono eseguire modelli AI, ma non sono state necessariamente progettate fin dall’inizio per lavorare con vincoli severi di energia, spazio e temperatura.

Nel 2021 Del Maffeo ha fondato Axelera AI insieme a Evangelos Eleftheriou, già IBM Fellow, e a un gruppo di ricercatori provenienti da Bitfury AI, imec, IBM Research, ETH di Zurigo e altre realtà accademiche e industriali.

Il gruppo riuniva competenze diverse. Da una parte c’erano la ricerca sui nuovi computer e lo studio delle architetture di calcolo; dall’altra, l’esperienza nei prodotti embedded e la conoscenza dei passaggi necessari per trasformare una tecnologia in una piattaforma commerciale.

Axelera è nata come spin-off dell’attività AI di Bitfury e ha stabilito il proprio quartier generale a Eindhoven, nei Paesi Bassi. Del Maffeo non proveniva da una carriera nella progettazione dei chip. Il suo ruolo era quello di un imprenditore con esperienza nei sistemi industriali, affiancato da ricercatori specializzati in architetture di calcolo e semiconduttori.

Metis, il chip pensato per l’inferenza edge

Il primo prodotto commerciale di Axelera AI è la piattaforma Metis. È stata progettata per accelerare l’inferenza delle reti neurali in dispositivi collocati vicino alla fonte dei dati.

Un esempio concreto è quello di una telecamera industriale che riconosce i difetti lungo una linea produttiva senza inviare ogni fotogramma a un server remoto. L’analisi avviene sul posto; alla rete possono essere trasmessi soltanto i risultati necessari.

Metis utilizza un’architettura di Digital In-Memory Computing, una tecnica che porta una parte dei calcoli vicino alla memoria. Nei processori tradizionali una quota dei consumi deriva dallo spostamento continuo dei dati tra memoria e unità di calcolo. Ridurre questi trasferimenti può migliorare il rapporto tra prestazioni ed energia, soprattutto quando il dispositivo applica ripetutamente modelli di visione artificiale.

La piattaforma comprende anche un’architettura basata su RISC-V e un sistema di calcolo organizzato per flussi di dati. L’acceleratore non deve quindi comportarsi come una GPU generalista in ogni circostanza. Viene ottimizzato per reti neurali, classificazione, rilevamento di oggetti, segmentazione e altri compiti di inferenza.

Le specifiche pubblicate da Axelera nel 2026 indicano fino a 214 TOPS in INT8 per una singola unità, fino a 3.200 fotogrammi al secondo su ResNet-50 e un’efficienza dichiarata di 15 TOPS per watt.

Quei numeri si riferiscono a configurazioni e carichi di lavoro specifici. Non possono essere trasformati automaticamente in una superiorità generale rispetto a ogni GPU NVIDIA. Un benchmark misura una determinata combinazione di modello, precisione, software e condizioni operative; non stabilisce da solo quale piattaforma sia migliore per tutti gli impieghi.

Il vantaggio dei consumi si vede fuori dal cloud

Una scheda grafica per data center può offrire una potenza di calcolo molto superiore a quella richiesta da una telecamera, da un robot mobile o da un sistema di controllo industriale. La potenza in eccesso può restare inutilizzata, mentre consumi, calore e complessità dell’installazione rimangono.

Axelera indica per Metis un consumo tipico di circa 10 watt nei casi d’uso edge pubblicizzati nel 2026. Un dispositivo con questi requisiti può essere inserito in sistemi alimentati da reti limitate, batterie o impianti che non dispongono di raffreddamento attivo.

Il calcolo locale interviene anche su altri aspetti:

• latenza, perché i dati non devono essere inviati al cloud e restituiti;
• riservatezza, dato che immagini e informazioni sensibili possono restare sul dispositivo;
• traffico di rete, ridotto quando vengono trasmessi soltanto gli esiti dell’analisi;
• continuità operativa, che non dipende interamente da una connessione stabile.

La stessa impostazione interessa i piccoli modelli linguistici. Nel 2025 Axelera ha mostrato sistemi Metis capaci di eseguire direttamente sul dispositivo modelli compatti come Llama 3.2B e Phi-3 Mini.

Non è una sostituzione dei modelli più grandi impiegati dai servizi generativi globali. È piuttosto un modo per gestire localmente richieste circoscritte e applicazioni verticali: un assistente interno, una procedura di classificazione o un’interazione limitata a un determinato ambiente operativo.

La scelta dell’edge comporta comunque compromessi. Un sistema locale deve fare i conti con la memoria disponibile, con la capacità del modello e con la manutenzione dell’hardware distribuito. Il beneficio emerge quando il compito è abbastanza definito da non richiedere la potenza e la connettività di un grande servizio remoto.

Le applicazioni: fabbriche, robot e città intelligenti

Axelera non si rivolge a un solo settore. La piattaforma può essere inserita in schede PCI Express, moduli M.2, computer industriali e sistemi embedded.

Nel 2026 l’azienda vende anche prodotti finiti attraverso il proprio negozio digitale, inclusi mini PC e schede destinate a installazioni professionali. È una scelta che avvicina la prova tecnica all’utilizzo concreto, senza limitare l’offerta agli integratori che progettano sistemi da zero.

Gli impieghi più coerenti con l’architettura Metis comprendono:

• ispezione automatica dei prodotti nelle fabbriche;
• analisi video per la sicurezza e la gestione del traffico;
• robotica mobile e sistemi autonomi;
• agricoltura di precisione con droni e telecamere;
• logistica e retail, per conteggio, tracciamento e controllo;
• difesa e sicurezza pubblica, in situazioni dove la trasmissione dei dati può essere limitata.

La collaborazione con Advantech mostra il modello commerciale perseguito. L’azienda internazionale è specializzata in computer industriali e piattaforme per l’Internet delle cose. Axelera può quindi integrare i propri acceleratori in prodotti realizzati da un produttore già presente nei canali industriali, senza dover vendere direttamente ogni sistema all’utilizzatore finale.

In questo mercato l’hardware da solo non basta. Il software accompagna la piattaforma. Voyager SDK consente di convertire, ottimizzare e distribuire i modelli sui prodotti Axelera. La società mantiene anche un catalogo di modelli preconfigurati per la visione artificiale e per applicazioni generative di dimensioni contenute.

Per un’azienda industriale, il passaggio dal laboratorio alla produzione richiede prove di affidabilità, compatibilità con il computer ospite e aggiornamenti che non interrompano il servizio. La semplicità d’integrazione può incidere sulla scelta quanto il dato di calcolo dichiarato nella scheda tecnica.

Prezzi e disponibilità cambiano la competizione

La prima piattaforma Metis è stata proposta nel 2023 con un prezzo di partenza dichiarato di 149 dollari. Il valore riguardava una configurazione specifica. Non coincideva, quindi, con il costo di un sistema industriale completo, nel quale rientrano scheda, computer ospite, memoria, software e assistenza.

Quel prezzo d’ingresso aveva però una funzione precisa: rendere possibile la sperimentazione anche per imprese che non potevano acquistare infrastrutture da data center. Nel 2025 Axelera ha aperto un negozio digitale per accorciare il passaggio tra la prova tecnica e l’acquisto della piattaforma.

Nel 2026 l’azienda ha dichiarato di aver raggiunto il 500º cliente globale. La base comprende imprese attive nella produzione industriale, nella robotica, nella vendita al dettaglio, nell’agricoltura, nella sicurezza e nella difesa.

Il dato indica una presenza commerciale reale. Non equivale però alla scala di NVIDIA, che vende a grandi fornitori cloud, società tecnologiche, laboratori di ricerca e produttori di server in tutto il mondo.

Anche la disponibilità dei prodotti incide sul confronto. NVIDIA dispone di una catena di fornitura globale e di una rete di partner molto più ampia. Axelera può offrire prodotti ordinabili e sistemi integrati, ma deve ancora raggiungere volumi, capacità produttiva e copertura commerciale paragonabili a quelli del principale concorrente.

Per un cliente industriale, la domanda non riguarda soltanto la prestazione del componente. Conta sapere se le schede arriveranno nei tempi previsti, se il produttore potrà garantire aggiornamenti e se il sistema resterà acquistabile per tutta la vita operativa del progetto.

Metis e Nvidia non misurano la stessa cosa

Il confronto diretto richiede cautela. Un acceleratore Metis è concepito per l’inferenza edge e per modelli di dimensioni contenute o medie. Le GPU NVIDIA per data center, come H100, H200 e le piattaforme Blackwell, sono progettate anche per l’addestramento, il calcolo scientifico, i grandi modelli linguistici e i sistemi con molte GPU collegate.

Nel 2024 NVIDIA ha dichiarato per Blackwell riduzioni fino a 25 volte del costo e del consumo energetico rispetto alla generazione precedente, riferite a specifici carichi di inferenza. Anche quel risultato riguarda una configurazione precisa. Non è direttamente comparabile con i 15 TOPS per watt dichiarati per Metis.

Il confronto sensato riguarda il costo totale necessario per svolgere un determinato compito. Se l’applicazione deve addestrare un modello con miliardi di parametri, Metis non è il prodotto equivalente. Se invece deve analizzare numerose telecamere con pochi watt e bassa latenza, un acceleratore edge specializzato può ridurre il costo operativo rispetto a una GPU generalista.

Non esiste, dunque, una graduatoria unica valida per ogni utilizzo. La scelta dipende dal modello, dalla quantità di dati, dalla rete disponibile, dal luogo d’installazione e dal livello di prestazione richiesto.

Il software resta il vantaggio più difficile

La potenza del chip rappresenta soltanto una parte del problema. NVIDIA ha costruito nel tempo un ecosistema software che comprende strumenti di compilazione, librerie per il deep learning, ambienti per il calcolo distribuito e applicazioni già ottimizzate.

Un concorrente può ottenere risultati molto buoni nei test e incontrare poi difficoltà durante l’integrazione. Gli sviluppatori devono convertire i modelli, verificare la compatibilità degli operatori, correggere gli errori numerici e mantenere il codice quando cambiano le versioni del software.

È qui che Voyager prova a ridurre la distanza. La compatibilità dichiarata con modelli e framework diffusi consente di limitare il lavoro necessario, ma non elimina la differenza tra un ecosistema nato da pochi anni e una piattaforma consolidata da oltre un decennio.

Axelera deve ampliare il numero di modelli supportati, fornire strumenti di profiling e garantire assistenza ai clienti industriali. Un’impresa che utilizza l’AI in produzione valuta anche la possibilità di diagnosticare un problema, aggiornare un modello e ricevere supporto dopo l’installazione.

Per questo la continuità del software può pesare quanto il benchmark. Un’acceleratore che offre buone prestazioni, ma richiede interventi manuali a ogni aggiornamento, rischia di risultare meno conveniente nel ciclo di vita complessivo.

La crescita passa da Titania ed Europa

Metis è il punto di partenza. Nel 2025 Axelera ha presentato Titania, un chiplet destinato a estendere l’architettura verso applicazioni di inferenza ad alte prestazioni, compresi carichi generativi e sistemi più vicini al cloud.

Il progetto ha ricevuto fino a 61,6 milioni di euro dal partenariato EuroHPC e dagli Stati partecipanti al programma DARE, acronimo di Digital Autonomy with RISC-V for Europe. Il finanziamento pubblico collega lo sviluppo dell’azienda alla costruzione di un ecosistema europeo per il supercalcolo e l’intelligenza artificiale.

Axelera ha descritto Titania come un chiplet scalabile basato sulla stessa impostazione di Digital In-Memory Computing usata da Metis. Sul piano progettuale, i chiplet consentono di combinare più componenti specializzati in sistemi di dimensioni differenti.

Il vantaggio teorico non risolve da solo la parte produttiva. Bisogna mantenere sotto controllo le prestazioni, la comunicazione tra i chip, la resa dei wafer e i costi. Ogni elemento può condizionare il risultato finale.

Axelera ha annunciato anche la piattaforma Europa, destinata ad ampliare l’offerta tra edge, server e infrastrutture AI. La distanza tra un acceleratore embedded e un sistema per data center, però, non si colma soltanto aumentando il numero di unità di calcolo.

Servono memoria, interconnessioni, packaging, raffreddamento, gestione degli errori e software distribuito. Sono componenti che diventano più complessi quando il sistema deve operare con molti acceleratori e gestire carichi di lavoro condivisi.

Finanziamenti record, ma una scala ancora diversa

La crescita di Axelera richiede capitali molto superiori a quelli necessari per una normale startup software. Nel 2023 la società aveva raccolto 50 milioni di dollari. Nel 2024 ha chiuso un round Series B da 68 milioni, portando il capitale raccolto in equity a 120 milioni di dollari.

Nel 2026 un nuovo finanziamento superiore a 250 milioni di dollari ha coinvolto Innovation Industries, BlackRock, SiteGround Capital e investitori già presenti. Tra questi figurano il fondo del Consiglio europeo per l’innovazione, Samsung Catalyst Fund, Invest-NL e CDP Venture Capital.

La società indica un totale superiore a 450 milioni di dollari considerando capitale, sovvenzioni e debito di venture. Per un’azienda europea di semiconduttori è una cifra rilevante. Rimane però distante dalle risorse che NVIDIA può destinare alla ricerca, alle acquisizioni, al software e alla costruzione di piattaforme complete.

La disponibilità finanziaria incide sulla velocità con cui un’impresa può progettare nuove generazioni, prenotare capacità produttiva e seguire i clienti durante l’integrazione. Nel settore dei chip, il percorso tra un prototipo funzionante e un prodotto consegnato in quantità industriale può richiedere capitali e tempo.

Il modello di Axelera combina quindi la vendita di schede, gli accordi con produttori di sistemi, il supporto agli integratori e lo sviluppo di piattaforme proprietarie. Il rischio viene distribuito lungo la filiera, anziché essere affrontato direttamente in ogni mercato.

L’Europa consuma chip, ma ne produce pochi

Il problema industriale non è nato con Axelera. Nel 2025 il consumo europeo di semiconduttori ha raggiunto 41,1 miliardi di euro, pari al 10,5% delle spedizioni globali. La maggior parte dei chip utilizzati in Europa, però, continua a essere prodotta fuori dal continente.

L’Unione europea conserva competenze importanti nei materiali, nelle apparecchiature, nell’automazione e nella ricerca. ASML, azienda olandese, produce macchine indispensabili per la litografia più avanzata.

Questo vantaggio non significa controllare l’intera catena. Il progetto del chip, la fabbricazione del wafer, la memoria avanzata e il packaging possono dipendere da Paesi diversi. Una regione può essere decisiva in un passaggio e dipendere dall’estero in quello successivo.

Nel 2026 la Commissione europea ha riconosciuto che l’Unione resta dipendente da Paesi terzi per la produzione avanzata e per il design dei semiconduttori. I documenti europei indicano anche che Taiwan produce oltre il 90% dei semiconduttori logici più avanzati, mentre una quota rilevante del packaging globale è concentrata in Asia.

Il Chips Act europeo, approvato nel 2023, puntava a mobilitare almeno 43 miliardi di euro tra fondi pubblici e privati entro il 2030. Nel giugno 2026 la Commissione ha presentato una proposta di Chips Act 2.0, con l’obiettivo di rafforzare la produzione avanzata, la domanda europea e la riduzione delle dipendenze strategiche.

Queste misure possono sostenere imprese come Axelera. Non trasformano però in tempi brevi l’Europa in un polo produttivo autosufficiente.

Una società può progettare un chip nei Paesi Bassi, utilizzare proprietà intellettuale sviluppata tra Italia, Svizzera e Belgio e affidare la produzione a una fonderia asiatica. Il controllo europeo del design non coincide con l’autonomia industriale completa.

La supply chain resta il punto debole

Axelera è una società fabless. Concentra le proprie risorse sulla progettazione, sull’architettura, sul software e sul prodotto, senza possedere una grande fabbrica per la produzione dei wafer.

È un modello comune nell’industria dei semiconduttori e consente di limitare gli investimenti iniziali. La conseguenza è una dipendenza dalla disponibilità delle fonderie.

La fabbricazione di un acceleratore AI richiede anche memoria, substrati, packaging avanzato, test e assemblaggio. Ogni passaggio può diventare un collo di bottiglia. Una carenza di capacità produttiva, l’aumento dei costi energetici o una crisi geopolitica possono incidere sui tempi e sui margini anche quando il progetto del chip è già pronto.

NVIDIA non controlla ogni anello della filiera. La differenza sta nella scala, nella capacità di prenotare capacità produttiva e nella forza contrattuale presso fornitori e partner.

Una startup europea deve dimostrare di poter consegnare migliaia o milioni di unità mantenendo qualità costante, assistenza e aggiornamenti software. È un passaggio diverso dalla realizzazione di una serie limitata di prototipi.

Produrre alcuni chip in Europa sarebbe utile, ma non sufficiente. Servirebbero anche una domanda stabile, clienti disposti a qualificare nuovi componenti e programmi pubblici capaci di sostenere il passaggio dai prototipi alla produzione di massa.

Il rischio di una nuova disuguaglianza digitale

Del Maffeo ha collegato più volte la diffusione dell’AI al rischio di una società divisa tra chi controlla l’infrastruttura e chi la utilizza soltanto come servizio.

L’addestramento dei modelli più grandi richiede quantità molto elevate di capitale, energia e dati. Se queste risorse restano concentrate in poche aziende, anche i benefici economici possono distribuirsi in modo asimmetrico.

La disuguaglianza non riguarda soltanto gli Stati. Una grande multinazionale può acquistare migliaia di acceleratori e sviluppare modelli proprietari. Una piccola impresa, una scuola tecnica o un ente locale può avere idee valide, ma non riuscire a sostenere il costo dell’infrastruttura, della connessione e del personale.

Chip più accessibili possono intervenire su tre punti:

• costo d’ingresso, più basso per prototipi e applicazioni verticali;
• elaborazione locale, disponibile anche in aziende prive di grandi data center;
• dipendenza dal cloud, ridotta per compiti circoscritti e sensibili.

Un prezzo inferiore non produce automaticamente maggiore uguaglianza. Servono competenze, modelli disponibili, dati di qualità, assistenza tecnica e regole per l’uso delle informazioni. L’accessibilità dell’hardware è una condizione; non risolve da sola il divario digitale.

La visione di Axelera parte comunque da un’esigenza concreta. Molte applicazioni non hanno bisogno di un modello gigantesco. Un sistema di controllo qualità deve riconoscere un difetto; un robot deve interpretare l’ambiente; una telecamera deve segnalare un evento.

Per questi compiti, un acceleratore specializzato può offrire un rapporto più adatto tra prestazioni, consumi e costo. Il valore non deriva dalla capacità di svolgere ogni lavoro possibile, ma dalla corrispondenza tra il dispositivo e il compito affidato.

Una sfida globale con radici europee

Axelera AI non è un sostituto diretto di NVIDIA, ma un’azienda specializzata in un segmento diverso: l’inferenza vicino alla fonte dei dati. Metis può essere adatta quando contano consumi ridotti, bassa latenza, riservatezza e funzionamento anche con connettività limitata.

La convenienza della piattaforma va valutata sul compito completo, non sui soli TOPS. Occorre considerare il modello utilizzato, la precisione, la memoria disponibile, la compatibilità software, il costo del computer ospite, l’assistenza e la disponibilità dei prodotti nel tempo.

• Per l’edge industriale, il vantaggio può derivare dal rapporto tra prestazioni, watt e semplicità d’integrazione.
• Per l’addestramento e i grandi modelli, le GPU NVIDIA conservano un vantaggio legato a potenza, interconnessioni, CUDA e scala produttiva.
• Per l’Europa, il risultato dipenderà dalla capacità di collegare progettazione, finanziamenti, produzione, packaging, software e domanda industriale.

Il vero test per Fabrizio Del Maffeo sarà quindi trasformare una tecnologia competitiva in una piattaforma sostenibile: consegnare volumi crescenti, mantenere il supporto software e dimostrare un costo totale inferiore nei casi d’uso in cui l’elaborazione locale offre un vantaggio concreto.