NVIDIA acquista Hugging Face? Operazione da 12,9 miliardi di dollari

Un’operazione da 12,9 miliardi di dollari potrebbe portare Hugging Face sotto il controllo di NVIDIA, secondo quanto riportato da The Information nelle scorse ore.

La cifra, di poco superiore agli 11 miliardi di euro, trasformerebbe l’acquisizione in una delle più grandi mai realizzate da NVIDIA e segnerebbe un passaggio rilevante per il mercato dei modelli di Intelligenza Artificiale aperti. La notizia arriva mentre Hugging Face supera i 3 milioni di modelli pubblici sul proprio Hub e mentre NVIDIA continua ad ampliare la propria presenza oltre la produzione di acceleratori per il calcolo AI.

Hugging Face è un punto di riferimento per i modelli AI

Fondata nel 2016 da Clément Delangue, Julien Chaumond e Thomas Wolf, Hugging Face è diventata uno dei principali punti di distribuzione per modelli, dataset e applicazioni di machine learning.

Il suo Hub non funziona soltanto come un catalogo: ogni repository può contenere pesi, file di configurazione, codice, model card, risultati di valutazione e strumenti necessari per scaricare o utilizzare un modello. La crescita del catalogo rende evidente la scala raggiunta dalla piattaforma. Hugging Face ha superato ufficialmente i 3 milioni di modelli pubblici nell’agosto 2026; alla fine del 2025 erano poco più di 2,26 milioni.

L’incremento mostra quanto rapidamente stia crescendo la disponibilità di modelli open e open-weight, dai grandi modelli linguistici fino a sistemi più piccoli destinati a dispositivi locali e applicazioni specializzate. La piattaforma gestisce inoltre dataset e Spaces, cioè applicazioni interattive che permettono di pubblicare demo e servizi basati sui modelli. La documentazione ufficiale indica oltre 1,5 milioni di dataset e 1,5 milioni di applicazioni AI, anche se i contatori dei singoli servizi possono evolvere con ritmi diversi.

Servizi e infrastruttura oltre i semplici file

La rilevanza di Hugging Face dipende anche dai servizi che circondano i repository. Con gli Inference Providers, per esempio, gli sviluppatori possono utilizzare migliaia di modelli attraverso diversi fornitori di calcolo senza dover gestire direttamente tutta l’infrastruttura necessaria per l’inferenza.

Il client Python InferenceClient può selezionare automaticamente un provider oppure applicare criteri basati su velocità, costo o preferenze configurate dall’utente. La piattaforma offre anche gli Inference Endpoints, pensati per distribuire un modello attraverso un’infrastruttura dedicata e gestita. La distinzione è importante: provare un modello tramite un servizio serverless è un’operazione diversa dal mantenere un endpoint dedicato per un’applicazione in produzione.

Hugging Face mette quindi in relazione la pubblicazione dei modelli con il loro utilizzo effettivo, riducendo il numero di componenti che uno sviluppatore deve assemblare autonomamente. Anche la gestione dei file presenta caratteristiche specifiche per l’AI. I pesi dei modelli possono occupare gigabyte o terabyte e sono spesso costituiti da file binari come Safetensors. Il sistema di storage Xet utilizza file puntatore nel repository Git e conserva i dati di grandi dimensioni nello storage remoto, introducendo inoltre la deduplicazione a livello di blocco. La scelta evita di trattare repository contenenti modelli di grandi dimensioni come normali progetti software.