In questo articolo Indice dei contenuti 2 sezioni
Un’operazione da circa 11 miliardi di euro potrebbe portare Hugging Face sotto il controllo di NVIDIA, stando a quanto emerso nelle ultime ore. Una cifra che, se confermata, collocherebbe l’affare tra le acquisizioni più corpose mai messe a segno dall’azienda guidata da Jensen Huang e cambierebbe non poco gli equilibri nel mondo dei modelli di Intelligenza Artificiale aperti. Il tempismo non è casuale, visto che la piattaforma ha appena superato quota 3 milioni di modelli pubblici sul proprio Hub mentre NVIDIA continua a espandersi ben oltre la produzione di acceleratori per il calcolo.
Il punto è che Hugging Face, nata nel 2016 per mano di Clément Delangue, Julien Chaumond e Thomas Wolf, non è semplicemente un sito dove si scaricano dei file. È diventata nel tempo il principale luogo di distribuzione di modelli, dataset e applicazioni di machine learning, una specie di piazza centrale dove passa quasi tutto quello che riguarda l’AI open.
Cosa rende Hugging Face così appetibile
Ogni repository sull’Hub può contenere pesi, file di configurazione, codice, model card, risultati delle valutazioni e tutti gli strumenti necessari per scaricare o far girare un modello. Non è un catalogo statico, insomma, ma un ambiente di lavoro completo. E i numeri raccontano bene la velocità con cui la cosa è cresciuta: alla fine del 2025 i modelli pubblici erano poco più di 2,26 milioni, mentre nell’agosto 2026 la soglia dei 3 milioni è stata ufficialmente superata.
Un balzo che riflette l’esplosione dei modelli open e open weight, dai grandi sistemi linguistici fino a quelli più leggeri pensati per girare su dispositivi locali o per compiti molto specifici. Accanto ai modelli, la piattaforma ospita anche dataset e Spaces, cioè applicazioni interattive che permettono di pubblicare demo e servizi funzionanti. La documentazione ufficiale parla di oltre 1,5 milioni di dataset e altrettante applicazioni AI, con la precisazione che i contatori dei vari servizi possono aggiornarsi con ritmi diversi tra loro.
Servizi, infrastruttura e la gestione dei file pesanti
Il valore di Hugging Face non sta però solo nella quantità di roba archiviata. Conta molto ciò che le sta intorno. Con gli Inference Providers, per esempio, gli sviluppatori possono usare migliaia di modelli appoggiandosi a diversi fornitori di calcolo, senza doversi occupare in prima persona di tutta l’infrastruttura necessaria per l’inferenza. Il client Python InferenceClient sceglie in automatico un provider oppure applica criteri legati a velocità, costo o preferenze impostate da chi lo utilizza.
Poi ci sono gli Inference Endpoints, pensati per distribuire un modello su un’infrastruttura dedicata e gestita. La differenza non è un dettaglio da poco: provare un modello attraverso un servizio serverless è una cosa, mantenere un endpoint dedicato per un’applicazione realmente in produzione è tutt’altra faccenda. In pratica la piattaforma collega la pubblicazione dei modelli al loro uso concreto, riducendo il numero di pezzi che uno sviluppatore deve mettere insieme da solo.
Anche la gestione dei file segue logiche costruite su misura per l’AI. I pesi di un modello possono occupare gigabyte o addirittura terabyte e sono spesso file binari come i Safetensors. Il sistema di storage Xet usa file puntatore all’interno del repository Git e tiene i dati più pesanti nello storage remoto, aggiungendo la deduplicazione a livello di blocco. Un accorgimento che evita di trattare un repository pieno di modelli enormi come se fosse un normale progetto software, con tutti i problemi che ne deriverebbero in termini di spazio e di tempi di scaricamento.
Per NVIDIA, che negli ultimi anni ha allargato il proprio raggio d’azione ben oltre l’hardware, mettere le mani su un’infrastruttura di questo tipo significherebbe presidiare il punto di passaggio obbligato di buona parte dell’ecosistema AI aperto.
