AMD e NVIDIA hanno superato Google e Meta nell’open source
Nel 2026, Nvidia e Amd superano Google e Meta per nuovi repository su Hugging Face. I vendor di silicio dominano l'AI aperta, spostando l'ecosistema verso l'hardware.
I produttori di acceleratori superano i laboratori di ricerca nei nuovi repository, con AMD e NVIDIA che guidano la classifica
Il conteggio dei repository su Hugging Face è diventato una metrica più affidabile delle roadmap annunciate: chi pubblica pesi, con quale frequenza, con quale architettura. Nel 2026 i primi due nomi per nuovi repository non sono laboratori di ricerca, ma produttori di acceleratori. I nuovi repository di modelli di AMD e NVIDIA superano quota 200 ciascuno, mentre i nuovi rilasci di Google e Meta scivolano ben al di sotto. Il sorpasso è silenzioso ma misurabile.
Il dettaglio che separa i due colossi del silicio sta nella natura dei repository. NVIDIA distribuisce architetture originali e pesi addestrati; AMD gioca su un altro terreno. I modelli originali americani sopra i 100B includono Inkling di Thinking Machines (952B), Nemotron 3 Ultra di NVIDIA (561B), Nemotron 3 Super (124B) e Trinity-Large di Arcee AI (399B). La presenza di NVIDIA in questa lista non è casuale: il vendor usa Hugging Face come vetrina per il proprio stack di training e inferenza.
Il repository aperto non è più una dichiarazione di ricerca: è un canale di distribuzione del silicio.
Il primo indizio: chi possiede i modelli grandi, chi li converte soltanto
Per AMD la strategia è diversa. Le conversioni di AMD senza originali sopra i 100B raccontano un posizionamento da fornitore di compatibilità: roba per ROCm, varianti quantizzate, packaging per librerie di inferenza. Non è una critica: è una scelta architetturale. Pubblicare centinaia di conversioni significa ridurre l’attrito per gli sviluppatori che devono eseguire modelli su hardware non CUDA. I rilasci open di LiquidAI si collocano al terzo posto con circa cento modelli, a metà strada tra la logica del vendor e quella del laboratorio.
Sotto i 70 miliardi c’è rumore, sopra c’è segnale
La metrica dei download va letta in due bande. I modelli piccoli e di embedding di Google, Microsoft, IBM Granite e OpenAI generano centinaia di milioni di download all’anno: sono i componenti che finiscono negli stack RAG, nei sistemi di retrieval, nei classificatori a bassa latenza. Ma sopra i 70 miliardi di parametri la mappa cambia.
I download sopra i 70B di Google, Microsoft e IBM Granite sono essenzialmente nulli nel 2026. La quota di download di NVIDIA e Meta sopra i 70B è rispettivamente del 14% e del 9%.
Quando aprire pesi non basta se il training resta chiuso
Il paradosso è che Google non scompare dall’open source: la famiglia Gemma ha superato i 900 milioni di download, come emerge dall’analisi di Gemini e la base utenti di Google. Ma quei modelli leggeri sono progettati per spingere sviluppatori e ricercatori verso l’API chiusa. Il 13 agosto 2026 Google ha introdotto Gemini 3.7 Flash, tre settimane dopo. Il tempo di cadenza si comprime sul modello chiuso, mentre i pesi aperti restano piccoli e selettivi.
L’implicazione per chi costruisce è chiara: la disponibilità di modelli open sopra i 70B dipende sempre più dai vendor di silicio, non dai laboratori generalisti. Lo stack dell’AI aperta si sta spostando verso chi vende l’acceleratore, perché il costo del training e della distribuzione dei pesi grandi viene giustificato dalla compatibilità hardware. Scegliere un modello aperto oggi significa, prima ancora di guardare architettura e benchmark, verificare quale pipeline di serving e quale acceleratore il vendor vuole abilitare davvero.
