MatX raccoglie 500 milioni per il chip che sfida Nvidia dal basso

Cosa è successo?

MatX, startup fondata da due ex ingegneri della divisione chip di Google (Reiner Pope, software, e Mike Gunter, hardware), ha chiuso un round da oltre $500 milioni per sviluppare un processore AI progettato espressamente per i large language model. Il round è guidato da Jane Street e Situational Awareness LP, il fondo di Leopold Aschenbrenner; tra gli investitori anche Andrej Karpathy, i fratelli Collison (Stripe), Dwarkesh Patel e Marvell, che è parte della supply chain. Il design finale è atteso entro l'anno; la manifattura in mano a TSMC; le prime consegne attese nel ‘27.

Perché è importante?

Oggi il design dei chip AI si divide in due scuole. Da un lato l'approccio HBM-first (Nvidia, Google TPU), che privilegia la capacità di memoria (high-bandwith memory, HBM appunto) per gestire modelli enormi e contesti lunghi. Dall'altro l'approccio SRAM-first (Cerebras), che punta sulla velocità di risposta alle singole query. Il problema, come osserva Andrej Karpathy in un tweet, è che il workflow più critico per il futuro (inferenza su contesti lunghi in loop agentici stretti) è quello che nessuno dei due campi riesce a fare bene da solo.

• MatX sostiene di aver trovato il modo di combinare entrambi in un unico chip, il MatX One, che promette sia la capacità di gestire modelli enormi sia la reattività necessaria per l'inference in tempo reale usando un’architettura nuova e proprietaria. Se il claim regge (ed è un "se" grande: il chip non esiste ancora in silicio), il vantaggio competitivo sarebbe strutturale.
• Ma la scommessa è anche radicale nella sua rinuncia: Pope ha dichiarato che MatX sacrifica deliberatamente le performance su modelli piccoli, i workload a basso volume e persino la facilità di programmazione. È l'opposto della strategia generalista di Nvidia, e funzionerà solo se gli LLM continueranno a pesare in modo abbastanza grande e duraturo da giustificare silicio dedicato. Per la stessa ragione, MatX non sta costruendo una forza vendita tradizionale: il piano è rivolgersi direttamente a una manciata di lab di frontiera, non al mercato largo.

E adesso?

Jane Street è tra le società di quant trading più tecnicamente sofisticate a Wall Street; Aschenbrenner ha costruito la propria tesi d'investimento attorno all'idea che l'AGI sia vicina e il compute sia il vincolo; Karpathy e Marvell portano credibilità tecnica e accesso alla supply chain. Non è capitale generico che insegue l'AI ma smart money che scommette sul collo di bottiglia dell'inference come vincolo strutturale (non temporaneo) e sulla specializzazione come risposta. Se hanno ragione, il monopolio di Nvidia non verrà eroso dalla concorrenza frontale ma dalla frammentazione del mercato in nicchie troppo specifiche perché un chip generalista possa dominarle tutte.