I numeri del superciclo

La portata è difficile da esagerare. I ricavi globali dei semiconduttori hanno superato gli 800 miliardi di dollari lo scorso anno e stanno correndo verso 1.300 miliardi nel 2026 . La società di ricerche Gartner ha registrato un aumento del 64% su base annua per lo stesso dato .

Rasgon ha sottolineato che i quattro grandi colossi del cloud statunitensi – Amazon, Microsoft, Google e Meta – prevedono di spendere circa 725 miliardi di dollari in spese in conto capitale nel 2026, con la maggior parte destinata alle infrastrutture AI . I prezzi delle memorie sono saliti verticalmente: i prezzi della DRAM sono aumentati di circa il 90% trimestre su trimestre all'inizio del 2026 .

L'effetto 'schiaccia-talpa': carenze ovunque

Una delle osservazioni più sorprendenti di Rasgon è ciò che lui chiama l'effetto "schiaccia-talpa" – i colli di bottiglia si propagano attraverso l'intera catena di fornitura dei chip. "Tutto è trainato da questa domanda insaziabile di potenza di calcolo AI. Non ho mai visto niente di simile a questa scala in tutta la mia carriera", ha detto Rasgon .

Ha tracciato la propagazione: le carenze sono iniziate con gli acceleratori GPU, poi si sono spostate alla memoria HBM, poi alle apparecchiature per la produzione di semiconduttori, poi al networking e all'ottica, poi ai chip di potenza, e ora anche le CPU sono scarse .

Un esempio concreto della portata della domanda: persino Intel, che aveva "inventario precedentemente azzerato", lo ha venduto completamente . I clienti hanno detto a Intel: "Non ci interessa, vendicele e basta" .

HBM: il silicio nascosto che è un collo di bottiglia

Un punto critico fondamentale è la memoria ad alta larghezza di banda (HBM), che occupa oltre l'85% dell'area di silicio di un chip AI . A causa delle rese di impilamento e del sovraccarico della logica die, produrre 1 GB di HBM richiede circa quattro volte l'area di silicio della DRAM standard . Questa matematica spiega perché l'offerta di memoria non è riuscita a tenere il passo con la domanda di GPU, e perché i prezzi della memoria sono diventati un fattore dominante nei costi dei chip.

I ricavi CPU di Nvidia: un singolo rack racconta la storia

Rasgon ha evidenziato un dato sorprendente: in un rack a 72 GPU, le 36 CPU al suo interno generano circa 20 miliardi di dollari di ricavi CPU per Nvidia. Questo illustra come la costruzione dell'AI stia creando una domanda massiccia di chip ben oltre i semplici acceleratori GPU.

Dal training all'inferenza: il passaggio alla commercializzazione

Rasgon ha sottolineato che il focus del mercato si sta spostando dal training dei modelli all'inferenza AI – il percorso principale verso la monetizzazione . Ha citato i ricavi di Anthropic balzati da 9 a 30 miliardi di dollari come prova diretta di questo cambiamento . Con il passaggio dei modelli AI da progetti di ricerca alla produzione, la potenza di calcolo necessaria per l'inferenza supererà probabilmente i carichi di lavoro di training.

ASIC vs. GPU: coesistenza, non competizione

Una domanda comune tra gli investitori è se gli ASIC personalizzati (come quelli prodotti da Broadcom) sostituiranno eventualmente le GPU di Nvidia. Rasgon crede che entrambi coesisteranno a lungo termine in un mercato in crescita . Il suo schema: le GPU programmabili sono più adatte per la ricerca e l'inferenza esplorativa, mentre gli ASIC eccellono per carichi di lavoro di inferenza prevedibili e ad alto volume. Il mercato totale indirizzabile è abbastanza grande da assorbire entrambi.

Il collo di bottiglia finale: l'energia

Rasgon ha concluso con una nota sobria. Il vincolo finale non sono i chip, non la memoria, non il networking – è l'energia. Le infrastrutture AI richiedono un aumento annuo di circa il 5% della capacità della rete elettrica statunitense per sostenere la traiettoria di crescita . Si tratta di una domanda sbalorditiva su una rete che per decenni ha visto una crescita minima della capacità.

Ha sostenuto che la prossima ondata di innovazione e colli di bottiglia dell'AI ricadrà inevitabilmente sulla generazione di energia, sul raffreddamento e sul nucleare . Senza investimenti significativi nella rete, il superciclo stesso potrebbe colpire un soffitto energetico.

Cosa significa per gli investitori

Il messaggio di Rasgon è chiaro: finché la domanda di AI non crolla, il superciclo dei semiconduttori è reale e sostenibile. Ma la natura dell'opportunità sta cambiando. I soldi facili nei titoli GPU potrebbero lasciare il posto a un panorama più complesso in cui il "collo di bottiglia" stesso – che sia nell'HBM, nei chip di potenza o nelle infrastrutture energetiche – diventa il generatore di ricchezza .

I numeri del superciclo

La portata è difficile da esagerare. I ricavi globali dei semiconduttori hanno superato gli 800 miliardi di dollari lo scorso anno e stanno correndo verso 1.300 miliardi nel 2026 . La società di ricerche Gartner ha registrato un aumento del 64% su base annua per lo stesso dato .

Rasgon ha sottolineato che i quattro grandi colossi del cloud statunitensi – Amazon, Microsoft, Google e Meta – prevedono di spendere circa 725 miliardi di dollari in spese in conto capitale nel 2026, con la maggior parte destinata alle infrastrutture AI . I prezzi delle memorie sono saliti verticalmente: i prezzi della DRAM sono aumentati di circa il 90% trimestre su trimestre all'inizio del 2026 .

L'effetto 'schiaccia-talpa': carenze ovunque

Una delle osservazioni più sorprendenti di Rasgon è ciò che lui chiama l'effetto "schiaccia-talpa" – i colli di bottiglia si propagano attraverso l'intera catena di fornitura dei chip. "Tutto è trainato da questa domanda insaziabile di potenza di calcolo AI. Non ho mai visto niente di simile a questa scala in tutta la mia carriera", ha detto Rasgon .

Ha tracciato la propagazione: le carenze sono iniziate con gli acceleratori GPU, poi si sono spostate alla memoria HBM, poi alle apparecchiature per la produzione di semiconduttori, poi al networking e all'ottica, poi ai chip di potenza, e ora anche le CPU sono scarse .

Un esempio concreto della portata della domanda: persino Intel, che aveva "inventario precedentemente azzerato", lo ha venduto completamente . I clienti hanno detto a Intel: "Non ci interessa, vendicele e basta" .

HBM: il silicio nascosto che è un collo di bottiglia

Un punto critico fondamentale è la memoria ad alta larghezza di banda (HBM), che occupa oltre l'85% dell'area di silicio di un chip AI . A causa delle rese di impilamento e del sovraccarico della logica die, produrre 1 GB di HBM richiede circa quattro volte l'area di silicio della DRAM standard . Questa matematica spiega perché l'offerta di memoria non è riuscita a tenere il passo con la domanda di GPU, e perché i prezzi della memoria sono diventati un fattore dominante nei costi dei chip.

I ricavi CPU di Nvidia: un singolo rack racconta la storia

Rasgon ha evidenziato un dato sorprendente: in un rack a 72 GPU, le 36 CPU al suo interno generano circa 20 miliardi di dollari di ricavi CPU per Nvidia. Questo illustra come la costruzione dell'AI stia creando una domanda massiccia di chip ben oltre i semplici acceleratori GPU.

Dal training all'inferenza: il passaggio alla commercializzazione

Rasgon ha sottolineato che il focus del mercato si sta spostando dal training dei modelli all'inferenza AI – il percorso principale verso la monetizzazione . Ha citato i ricavi di Anthropic balzati da 9 a 30 miliardi di dollari come prova diretta di questo cambiamento . Con il passaggio dei modelli AI da progetti di ricerca alla produzione, la potenza di calcolo necessaria per l'inferenza supererà probabilmente i carichi di lavoro di training.

ASIC vs. GPU: coesistenza, non competizione

Una domanda comune tra gli investitori è se gli ASIC personalizzati (come quelli prodotti da Broadcom) sostituiranno eventualmente le GPU di Nvidia. Rasgon crede che entrambi coesisteranno a lungo termine in un mercato in crescita . Il suo schema: le GPU programmabili sono più adatte per la ricerca e l'inferenza esplorativa, mentre gli ASIC eccellono per carichi di lavoro di inferenza prevedibili e ad alto volume. Il mercato totale indirizzabile è abbastanza grande da assorbire entrambi.

Il collo di bottiglia finale: l'energia

Rasgon ha concluso con una nota sobria. Il vincolo finale non sono i chip, non la memoria, non il networking – è l'energia. Le infrastrutture AI richiedono un aumento annuo di circa il 5% della capacità della rete elettrica statunitense per sostenere la traiettoria di crescita . Si tratta di una domanda sbalorditiva su una rete che per decenni ha visto una crescita minima della capacità.

Ha sostenuto che la prossima ondata di innovazione e colli di bottiglia dell'AI ricadrà inevitabilmente sulla generazione di energia, sul raffreddamento e sul nucleare . Senza investimenti significativi nella rete, il superciclo stesso potrebbe colpire un soffitto energetico.

Cosa significa per gli investitori

Il messaggio di Rasgon è chiaro: finché la domanda di AI non crolla, il superciclo dei semiconduttori è reale e sostenibile. Ma la natura dell'opportunità sta cambiando. I soldi facili nei titoli GPU potrebbero lasciare il posto a un panorama più complesso in cui il "collo di bottiglia" stesso – che sia nell'HBM, nei chip di potenza o nelle infrastrutture energetiche – diventa il generatore di ricchezza .