Sommario
Cybersecurity
Consulenza CISO-as-a-service: postura, roadmap di remediation, supporto continuativo.
Scopri →
Servizi & Sistemi Linux
Domini, hosting, PEC, infrastruttura email, servizi di rete e sistemi Linux. Assistenza e gestione dell'infrastruttura Open Source.
Scopri →
Oggi, 3 settembre, NVIDIA ha annunciato di aver concordato l’acquisizione di Hugging Face per 12.930.300.000 dollari. L’annuncio arriva da due parti: un post sul blog di NVIDIA e un messaggio su X di Clément Delangue, cofondatore e amministratore delegato di Hugging Face, che parla di “our intention to join forces”. Alla scrittura di questo pezzo il blog di Hugging Face non ha un post sull’operazione, quindi la voce dell’azienda acquisita è per ora quella del suo fondatore su un social.
Per noi non è una notizia distante. Hugging Face è il posto da cui passano i pesi di quasi tutti i modelli di cui scriviamo, compreso GLM-5.3 di ieri, ed è la stessa infrastruttura che a luglio è stata violata da un collettivo di agenti, vicenda che abbiamo seguito dalla prima ricostruzione fino all’indagine METR.
I numeri della piattaforma
Il comunicato NVIDIA quantifica cosa viene acquisito.
| Sviluppatori, ricercatori e creator | oltre 18 milioni |
| Modelli condivisi | oltre 3 milioni |
| Dataset | 500.000 |
| Applicazioni | 1 milione |
| Aziende che usano la piattaforma | oltre 200.000 |
Nello stesso testo NVIDIA dichiara di essere il maggior contributore di modelli e dati aperti su Hugging Face, con oltre 500 modelli e oltre 250 dataset pubblicati. È un dato che vale in due direzioni: dice che l’acquirente era già dentro l’ecosistema come fornitore di contenuti e dice che chi compra la piattaforma è anche il più grande fra i suoi utilizzatori pubblici.
Gli impegni dichiarati
Il comunicato non si limita alle intenzioni generiche, ed è la parte da leggere con attenzione perché è quella su cui si potrà verificare.
Hugging Face “will remain an open platform for the entire AI ecosystem”. La frase che conta di più è questa: “NVIDIA compute will not be required to build on or deploy through Hugging Face”. Gli sviluppatori sceglieranno modelli, framework, cloud, fornitori di inferenza e piattaforme di calcolo.
Segue l’impegno a continuare a supportare “open source and open weight models from across the ecosystem, from every model builder”, insieme a sviluppo e deployment multi-cloud e multi-acceleratore. Va notato che NVIDIA usa la distinzione fra open source e pesi aperti nel modo corretto, tenendole separate, che è più di quanto facciano molti comunicati.
Sul piano societario: i fondatori e il team restano, il marchio resta. NVIDIA cita anche una lettera aperta sull’importanza dei pesi aperti per l’economia dell’AI, che Jensen Huang dichiara di aver firmato insieme ad altri dirigenti del settore.
Dove sta la dipendenza
Qui conviene essere tecnici, perché la discussione su cosa significhi “aperto” si gioca su un dettaglio implementativo.
L’ecosistema dei pesi aperti ha un solo hub di default. Non è una figura retorica: è una costante nel codice. In huggingface_hub/constants.py, alla riga 67, si legge _HF_DEFAULT_ENDPOINT = "https://huggingface.co". Chi scrive from_pretrained("org/modello") senza altre indicazioni sta contattando quel dominio.
La via d’uscita esiste ed è a due righe di distanza, alla 69: ENDPOINT = os.getenv("HF_ENDPOINT", _HF_DEFAULT_ENDPOINT). La variabile d’ambiente HF_ENDPOINT permette di puntare a un mirror o a un’istanza propria. È il tipo di dettaglio che nessuno configura finché non serve e che dopo oggi vale la pena conoscere.
La misura della dipendenza si vede anche nel nostro archivio. Su 556 pezzi in italiano, 18 linkano huggingface.co, per 58 occorrenze del dominio contando le due lingue. Sono tutti pezzi che spiegano come reperire e far girare un modello. Tutte le volte che abbiamo scritto “i pesi si scaricano da qui”, il qui era quello.
C’è poi una parte della dipendenza che un mirror ingenuo non copia. Ieri, scrivendo di GLM-5.3, abbiamo annotato che il model card documenta dal primo giorno una via di deployment su Ascend NPU, con vLLM-Ascend, xLLM e SGLang. Quella riga non sta nei pesi: sta nel README.md del repository, insieme ai parametri di campionamento, alle note metodologiche e ai link alle ricette di serving. Lo stesso vale per le quantizzazioni della comunità, che sono repository distinti con autori diversi. Chi scarica solo i file safetensors porta a casa il modello e lascia indietro le istruzioni per farlo girare, che sono spesso la parte che costa più tempo.
Il precedente Arm
NVIDIA ha già provato un’acquisizione grande e non è andata a buon fine, ed è utile ricordarla con le date esatte.
Nel dicembre 2021 la Federal Trade Commission ha fatto causa per bloccare l’acquisizione di Arm da 40 miliardi di dollari. Il 7 febbraio 2022 NVIDIA e SoftBank hanno annunciato la risoluzione dell’accordo, con una motivazione che sta nel comunicato di NVIDIA stessa: “because of significant regulatory challenges preventing the consummation of the transaction, despite good faith efforts by the parties”.
Il parallelo però va maneggiato con cura, perché la teoria antitrust in gioco è diversa. Arm era proprietà intellettuale su cui si basano i progetti di concorrenti diretti di NVIDIA e il problema era il controllo su un ingresso della filiera dei chip. Hugging Face non è proprietà intellettuale su cui si costruiscono acceleratori: è il canale di distribuzione a valle. Un’operazione da 12,93 miliardi con un acquirente di questa dimensione richiederà comunque autorizzazioni in più giurisdizioni. Nelle operazioni verticali i rimedi che le autorità chiedono riguardano tipicamente interoperabilità e accesso non discriminatorio.
Cosa ne pensiamo
Gli impegni annunciati sono precisi e questo li rende controllabili su cose tecniche invece che su dichiarazioni. Sono tre e si osservano dal codice: che HF_ENDPOINT continui a funzionare contro un mirror, che l’API dell’hub resti quella che le librerie chiamano oggi, che i model card continuino ad accettare ricette di serving per acceleratori di chiunque. Sono le tre superfici da cui dipende un servizio che scarica pesi.
Per chi costruisce su pesi aperti il consiglio pratico non cambia da oggi, ed è lo stesso che avevamo dato guardando i plugin risolti da un riferimento GitHub in DeepSeek Harness e i binari installati con curl | bash in harness e sandbox. Un modello su cui gira un servizio in produzione è una dipendenza della catena di fornitura e va trattata come tale: copia locale dei pesi che servono davvero, riferimento pinnato a una revisione specifica invece che al ramo principale, verifica dei checksum. Chi ha già un registry interno per i container ha già il posto dove metterli.
Per i nostri progetti la ricaduta è diretta e vale la pena dirla per esteso. Sulla pagina intelligenza artificiale scriviamo che costruiamo soluzioni private con modelli a pesi aperti come Llama, Gemma, DeepSeek e Qwen, mantenendo dati e controllo on-premise. Quei quattro passano tutti dallo stesso hub. Per le installazioni air-gapped il provisioning offline dei pesi era già obbligatorio, quindi lì non cambia niente. Cambia per tutto il resto: un mirror interno smette di essere un’ottimizzazione dei tempi di build e diventa parte della fornitura, insieme al registro delle revisioni usate da ogni ambiente. Chi consegna sistemi che devono restare in esercizio per anni ha un motivo in più per non avere un solo punto da cui dipende l’avvio.
La parte che ci interessa di più a medio termine è cosa succede alla parola “aperto”. La distinzione fra open source e pesi aperti l’abbiamo tenuta stretta in tutti i pezzi sui modelli, e non è pedanteria: ieri abbiamo scritto che la licenza di GLM-5.3 è quasi MIT tranne una clausola sopra i 10 miliardi di dollari, dove quel “quasi” era il punto. Con la piattaforma che distribuisce i pesi in mano a un fornitore di hardware, si aggiunge una terza cosa da distinguere: la licenza del modello, l’apertura del codice e la neutralità del canale che li distribuisce. Sono proprietà indipendenti fra loro e da qui in avanti le guarderemo tutte e tre.