Gemini 3 Pro potrebbe ribaltare il mercato dell'AI: Nvidia trema

I benchmark trapelati nelle ultime ore, se confermati, mostrano un quadro che nessuno si aspettava così presto: Gemini 3 Pro di Google, sembra superare in modo netto tutti gli altri modelli concorrenti, inclusi GPT-5.1 e Claude Sonnet 4.5, soprattutto nei test più avanzati di ragionamento, matematica, coding, comprensione visiva e tool use. Non si tratta di piccoli margini: in diversi casi Gemini 3 Pro stacca la concorrenza di decine di punti percentuali.

Gemini 3 Pro: i numeri nel dettaglio

Su test cruciali come AIME 2025, MMMU-Pro, ScreenSpot-Pro, CharXiv Reasoning, e Video-MMMU, il nuovo modello di Google si posiziona costantemente al primo posto. 

Guardando la tabella dei benchmark, la differenza tra Gemini 3 Pro e gli altri modelli appare evidente. Nei test di matematica avanzata, misurazione del ragionamento, coding competitivo e tool use, il margine di vantaggio è spesso doppio o triplo rispetto ai concorrenti. Nella pratica, questo significa che Google potrebbe aver trovato un punto di equilibrio fra qualità, costi di addestramento e velocità di inferenza che nessuno aveva ancora raggiunto.

Ma il vero elemento sorprendente non è solo la performance assoluta. È come Google ottiene questi risultati: non usando GPU Nvidia, ma eseguendo tutto il lavoro — addestramento e inferenza — su TPU proprietarie.

Questo è il punto che potrebbe far tremare i mercati. Perché un risultato del genere non è solo un trionfo tecnico. È l’inizio di una possibile rivoluzione industriale nell’intera catena di fornitura dell’intelligenza artificiale. La bussola si sta spostando da modelli basati su GPU (ChatGPT-Nvidia) a quelli basati su tecnologia proprietaria (come le TPU).

L’effetto Google: quando un modello eccelle senza usare Nvidia

Per capire cosa sta accadendo dobbiamo guardare al “vantaggio invisibile” di Google, quello che nell’industria viene chiamato controllo dello stack. Significa che Google non dipende da fornitori esterni per quasi nulla del ciclo di vita dei suoi modelli. L'azienda progetta i chip, le interconnessioni, il software, i compiler, i data center, i framework, l’infrastruttura cloud e alla fine i modelli. Tutto è costruito su misura per funzionare come un’unica macchina.

Questa integrazione verticale produce due risultati concreti. Da un lato permette di ottenere prestazioni superiori a parità di potenza erogata. Dall’altro consente costi più bassi per token, perché ogni passaggio è ottimizzato e non richiede layer intermedi, driver aggiuntivi, compatibilità con decine di hardware diversi o dipendenze da venditori esterni.

È questo che spiega come Gemini 3 Pro possa surclassare modelli addestrati con flotte di H100 da decine di miliardi. Se Google dimostra che le sue TPU di ultima generazione possono superare Nvidia non solo sulla qualità dei modelli, ma anche sul costo unitario del computer, allora si apre uno scenario nuovo: per la prima volta un hyperscaler potrebbe avere un vantaggio tecnologico tale da non aver più bisogno delle GPU Nvidia.

La differenza tecnica tra Google e Nvidia

Nel dettaglio, ecco la differenza sostanziale tra TPU Google e GPU Nvidia:

• Le GPU Nvidia sono processori versatili, pensati per essere compatibili con tutto: giochi, grafica, AI, calcolo scientifico. Sono flessibili, ma questa flessibilità ha un costo;

• Le TPU sono chip costruiti da Google unicamente per l’AI. Non devono fare altro. Questo permette di essere più efficienti e di consumare meno per lo stesso lavoro;

• Nvidia fa hardware che deve adattarsi a decine di framework diversi. Google controlla sia il chip che il software che lo fa funzionare (JAX, XLA, Pathways). Questa integrazione permette un vantaggio che gli altri non possono replicare;

• L’infrastruttura Nvidia si basa su reti esterne come InfiniBand. Google invece integra le TPU direttamente nella sua rete proprietaria, progettata apposta per scalare su migliaia di chip come se fossero un’unica macchina;

• Le GPU Nvidia sono ottime per tutto, ma non ottimizzate per una singola azienda. Le TPU sono ottimizzate esclusivamente per i modelli di Google. Questo rende i costi di addestramento più bassi e la velocità più alta.

Costi e investimenti: chi rischia di più?

Sul fronte dei costi, la differenza tra Google e Nvidia è radicale. Nvidia produce GPU potentissime ma estremamente costose: ogni H100 costa tra 25.000 e 40.000 dollari a seconda del mercato, mentre i server completi possono arrivare oltre 400.000 dollari al pezzo. A questo va aggiunto il margine di Nvidia, che supera spesso il 70%. Gli hyperscaler comprano a cifre altissime, con una dipendenza crescente che negli ultimi 24 mesi ha messo Nvidia al centro dell’intero settore AI.

Google invece, producendo internamente le TPU, abbatte i costi. Il vantaggio economico è enorme. Significa che ogni dollaro investito da Google produce più parametri, più addestramento e più token rispetto a un dollaro speso in GPU Nvidia. Questo cambia tutto anche sul fronte degli investimenti futuri.

Se Gemini 3 Pro si conferma così competitivo, Google avrà un incentivo fortissimo a raddoppiare, triplicare, o addirittura decuplicare l’investimento nelle TPU, convinta che l’autosufficienza hardware sia la chiave per superare non solo OpenAI, ma anche Nvidia stessa.

Per Nvidia lo scenario è più delicato. Se gli hyperscaler — Google, Amazon, Microsoft, Meta — iniziano a investire in chip proprietari, il mercato delle GPU di fascia ultra-alta potrebbe rallentare. Non sparire, perché le GPU resteranno indispensabili in migliaia di settori, ma potrebbe perdere una parte del suo impulso più redditizio: quello delle maxi flotte per addestrare LLM da trilioni di token.

Questi modelli possono essere venduti a terzi?

Da un lato, sì: Google può vendere Gemini 3 Pro tramite Google Cloud. Ma dall’altro la commercializzazione massiva non è così semplice come lo è per Nvidia. Le GPU Nvidia possono essere acquistate da chiunque e montate in qualsiasi data center. Le TPU no. Sono profondamente integrate nell’infrastruttura Google e non sono disponibili come prodotto hardware per clienti esterni.

Google offre solo accesso tramite API o tramite il suo cloud. Questo significa che, pur potendo monetizzare Gemini verso terzi, non può farlo vendendo l’infrastruttura come fa Nvidia. Il modello di business resta quindi diverso: Nvidia vende hardware ad alta marginalità, Google vende servizi. Non è detto che questo sia un limite, ma spiega perché la scalabilità commerciale delle TPU non possa essere immediata o universale.

I possibili scenari futuri

Se tutto questo sarà confermato, ci troviamo davanti al più grande spostamento di potere nel settore AI dai tempi della nascita di GPT-3. Google avrebbe dimostrato non solo di poter tornare al primo posto nei modelli linguistici, ma anche di poterlo fare con un’infrastruttura alternativa a Nvidia, più scalabile e potenzialmente più economica.

Per Nvidia, è un campanello d’allarme. Per Google, potrebbe essere l’inizio di una nuova fase di espansione. Tutto questo arriva a poche ore dal rilascio dei dati trimestrali di Nvidia di stasera, appuntamento cruciale per gli investitori che attendono parole di incoraggiamento dal management.

Disclaimer: File MadMar.