Perché i trader dovrebbero tenere d'occhio i memristori:
la prossima rivoluzione dell'hardware AI?

L’intelligenza artificiale è diventata rapidamente uno dei principali temi di investimento sui mercati globali. Quella che inizialmente era soprattutto una storia di software e modelli AI si è trasformata in un ciclo tecnologico molto più ampio, alimentando la domanda di semiconduttori, memorie avanzate, apparecchiature di rete, data center ed elettricità.

Mentre il settore dell’AI continua a crescere, emerge una domanda cruciale: come possono i sistemi AI diventare più potenti senza che i costi di calcolo e il consumo energetico aumentino allo stesso ritmo?

Una tecnologia che sta attirando sempre più attenzione è il memristore.

I memristori restano una tecnologia emergente. Non stanno sostituendo le GPU che alimentano l’attuale boom dell’AI e non vi è alcuna garanzia che diventino un componente standard dei computer del futuro. Tuttavia, il loro potenziale nel combinare archiviazione ed elaborazione delle informazioni potrebbe cambiare il modo in cui vengono progettati alcuni tipi di sistemi di calcolo.

Per i trader, questo rende i memristori una tecnologia da tenere d’occhio. Se diventasse commercialmente sostenibile, potrebbe influenzare l’economia dell’hardware AI, la concorrenza nel settore dei semiconduttori e le aziende che sviluppano la prossima generazione di sistemi di calcolo.

Che cos’è un memristore?

Un memristore è un componente elettronico a due terminali la cui resistenza cambia in base ai segnali elettrici ricevuti in precedenza. In termini semplici, può conservare informazioni sul proprio stato elettrico precedente, conferendo al dispositivo una forma di memoria.

Il concetto fu teorizzato per la prima volta dall’ingegnere elettrico Leon Chua nel 1971. I primi dispositivi memristivi pratici sono arrivati molto più tardi, quando i progressi nella scienza dei materiali e nelle nanotecnologie hanno reso il concetto più realizzabile.

Ciò che rende i memristori particolarmente interessanti è il loro potenziale di archiviare informazioni ed eseguire calcoli all’interno dello stesso sistema.

I computer tradizionali generalmente separano queste funzioni. I processori eseguono i calcoli, mentre la memoria conserva i dati necessari per tali calcoli. I dati devono quindi spostarsi continuamente tra i due.

Per i sistemi AI che elaborano enormi quantità di dati, questo trasferimento può richiedere molto tempo ed energia.

Calcolare dove sono archiviati i dati

I memristori vengono studiati nell’ambito di un concetto noto come compute-in-memory, in cui alcuni calcoli possono potenzialmente essere eseguiti direttamente nel luogo in cui le informazioni sono archiviate.

Se avesse successo, questo approccio potrebbe ridurre il trasferimento dei dati e migliorare l’efficienza di specifici carichi di lavoro AI, riducendo potenzialmente la latenza e il consumo energetico.

La domanda chiave per i mercati, tuttavia, non è semplicemente se la tecnologia funzioni in laboratorio. È se questi potenziali vantaggi possano trasformarsi, nel tempo, in prodotti commercialmente sostenibili.

Perché l’AI ha bisogno di un computing più efficiente

La domanda di sistemi di calcolo più efficienti è alimentata dalla stessa AI.

Ogni nuova generazione di modelli AI sempre più sofisticati richiede maggiore potenza di elaborazione e più dati. Questo ha innescato una corsa tra le aziende tecnologiche per sviluppare hardware più veloce e più potente.

Ma aggiungere semplicemente più potenza di calcolo comporta costi economici:

Maggiore consumo di elettricità
Aumento dei costi operativi
Requisiti di raffreddamento più complessi
Maggiori spese infrastrutturali

L’Agenzia Internazionale dell’Energia prevede che il consumo globale di elettricità dei data center più che raddoppierà, raggiungendo circa 945 terawattora entro il 2030, con una crescita particolarmente rapida dei consumi dei server accelerati, principalmente associati ai carichi di lavoro AI.

Questo non significa che ogni futuro chip AI consumerà meno elettricità. Evidenzia, invece, perché l’efficienza di calcolo sta diventando sempre più preziosa.

Le aziende in grado di offrire maggiori prestazioni di calcolo utili per unità di energia potrebbero ottenere un vantaggio man mano che l’AI si integra sempre di più nell’economia.

I memristori sono una delle diverse tecnologie studiate per affrontare questa sfida.

Memristori e industria dei semiconduttori

Il collegamento più diretto con i mercati è il settore dei semiconduttori.

L’AI ha già generato una domanda enorme di GPU, memorie ad alta larghezza di banda, apparecchiature di rete e acceleratori AI specializzati. I produttori di semiconduttori stanno investendo fortemente in capacità produttiva e progetti avanzati per tenere il passo con questa domanda.

I memristori potrebbero, nel tempo, entrare a far parte di questo ecosistema più ampio.

Tuttavia, sarebbe fuorviante considerarli semplicemente come un futuro sostituto delle GPU. Le ricerche attuali indicano piuttosto la possibilità che la tecnologia memristiva diventi parte di architetture di calcolo specializzate, insieme a GPU, CPU e altre forme di memoria avanzata.

Tecnologie diverse potrebbero gestire carichi di lavoro diversi, con i memristori potenzialmente utili per i calcoli che traggono vantaggio dall’elaborazione delle informazioni direttamente nella memoria.

Dove potrebbe trovarsi l’opportunità?

Se la tecnologia si sviluppasse con successo, i potenziali beneficiari potrebbero includere:

Tecnologie di memoria
Produzione di semiconduttori
Acceleratori AI
Architetture di calcolo specializzate

Per i trader, questa distinzione è importante. Le tecnologie emergenti possono trasformare un settore senza rendere immediatamente irrilevanti gli attuali leader di mercato.

Nvidia e la prossima corsa all’hardware AI

Nvidia rappresenta un utile punto di riferimento per capire quanto rapidamente stia evolvendo il mercato dell’hardware AI.

L’azienda resta uno dei protagonisti più importanti dell’hardware AI, mentre i suoi risultati finanziari sono diventati strettamente legati alle aspettative sulla spesa per l’AI. Nvidia ha recentemente previsto una crescita dei ricavi di circa il 70% per il prossimo esercizio fiscale, evidenziando la forza dell’attuale domanda di computing per l’AI.

Allo stesso tempo, Nvidia sta ampliando il proprio ruolo all’interno di un ecosistema hardware più ampio.

Il 31 agosto 2026, Nvidia ha annunciato un investimento da 3,5 miliardi di dollari in MediaTek, rafforzando una partnership che prevede lo sviluppo di chip AI personalizzati progettati per integrarsi con l’architettura dei data center di Nvidia.

La rilevanza va oltre l’accordo in sé.

Evidenzia come il mercato dell’hardware AI si stia orientando sempre più verso soluzioni specializzate e architetture di calcolo complete, anziché affidarsi a un unico tipo di processore.

È proprio questo il tipo di ambiente in cui tecnologie come i memristori potrebbero, nel tempo, trovare un ruolo commerciale.

Perché i data center sono importanti

I data center sono un altro elemento importante nella storia dei memristori.

Il punto chiave non è semplicemente quanti data center vengono costruiti, ma l’economia della loro gestione.

Le infrastrutture AI dipendono sempre più da hardware specializzato in funzione continua. Anche miglioramenti di efficienza relativamente piccoli possono diventare significativi quando vengono moltiplicati per migliaia di macchine.

Se i sistemi basati su memristori si dimostrassero in grado di gestire determinati carichi di lavoro AI con minori consumi energetici e latenza, gli operatori dei data center potrebbero potenzialmente beneficiare di:

Costi operativi più bassi
Maggiore capacità di calcolo
Uso più efficiente dell’infrastruttura esistente

La portata degli investimenti attuali mostra perché questo aspetto è importante. Anthropic ha recentemente siglato un accordo di cloud computing da 35 miliardi di dollari con Lambda, che coinvolge un data center in Texas destinato a fornire circa 350 megawatt di capacità.

Per i trader, il messaggio è chiaro: l’efficienza di calcolo sta diventando una questione economica, non solo tecnica.

Il collegamento con i mercati energetici

Il tema energetico va ben oltre i memristori stessi.

L’AI sta già diventando una fonte importante di domanda di elettricità, indipendentemente dal fatto che i memristori diventino o meno una tecnologia mainstream. La domanda più interessante è come i miglioramenti nell’efficienza di calcolo possano cambiare il rapporto tra crescita dell’AI e consumo di energia.

Esistono due possibili scenari.

Un computing più efficiente potrebbe ridurre l’elettricità necessaria per i singoli carichi di lavoro. Tuttavia, costi di calcolo più bassi potrebbero anche spingere le aziende a utilizzare l’AI in modo più esteso, compensando potenzialmente parte di questi guadagni di efficienza.

Questa distinzione è importante per i trader che seguono:

Società di servizi pubblici
Produttori di energia
Infrastrutture elettriche
Società legate alle reti elettriche

Per ora, i memristori dovrebbero essere considerati una delle possibili tecnologie per l’efficienza all’interno del più ampio dibattito energetico legato all’AI.

Infrastrutture AI e il collegamento con il rame

L’espansione dell’AI crea anche un collegamento con le materie prime industriali, in particolare il rame.

Sebbene l’AI sia una tecnologia digitale, l’infrastruttura che la sostiene è fisica. I data center richiedono apparecchiature elettriche, cavi, trasformatori, sistemi di rete e infrastrutture di raffreddamento, mentre la produzione di semiconduttori dipende da un’ampia catena di fornitura industriale.

Il rame è particolarmente rilevante per il suo ampio utilizzo nelle infrastrutture elettriche.

Il punto importante non è che i memristori, da soli, faranno improvvisamente aumentare la domanda di rame. Piuttosto, un’espansione di successo dell’AI potrebbe generare domanda in settori distanti diversi passaggi dalla tecnologia che ha inizialmente avviato il ciclo di investimento.

Questo rende la storia dei semiconduttori parte di un tema industriale molto più ampio.

Oltre l’AI: l’ascesa del computing neuromorfico

I memristori potrebbero trovare applicazioni anche al di fuori dei grandi data center che dominano oggi la narrativa sull’AI.

Uno degli ambiti più interessanti è il computing neuromorfico.

I sistemi neuromorfici mirano a riprodurre alcune caratteristiche delle reti neurali biologiche. I memristori sono interessanti per queste architetture perché la loro capacità di archiviare informazioni e partecipare al calcolo si adatta naturalmente a un’elaborazione altamente parallela ispirata al cervello.

Le potenziali applicazioni includono:

Robotica
Sistemi autonomi
Edge computing
Dispositivi connessi

In queste applicazioni, elaborare le informazioni localmente potrebbe ridurre la latenza e limitare la necessità di comunicare costantemente con data center centrali.

Se queste applicazioni avranno successo commerciale, l’opportunità potenziale dei memristori potrebbe estendersi ben oltre l’attuale mercato dei server AI.

Il mercato dei memristori cresce, ma le previsioni variano

Il crescente interesse per questa tecnologia si riflette anche nelle previsioni di mercato.

Una stima del 2026 valuta il mercato globale dei memristori a circa 588,9 milioni di dollari nel 2025, con proiezioni secondo cui potrebbe superare i 12 miliardi di dollari entro il 2034.

Tuttavia, le previsioni variano significativamente a seconda di come viene definito il mercato e di quali applicazioni vengono incluse. Ciò significa che i trader dovrebbero concentrarsi sulla direzione dello sviluppo, anziché considerare certa una singola previsione.

Il mercato resta relativamente piccolo rispetto all’industria consolidata dei semiconduttori. L’opportunità più ampia dipende dalla capacità dei memristori di passare con successo dalla ricerca e dai prototipi a prodotti commercialmente sostenibili.

Quali sono i rischi?

C’è un motivo se i memristori restano una tecnologia emergente.

Precisione e affidabilità

Una delle sfide principali è la precisione. I sistemi memristivi analogici possono offrire interessanti vantaggi in termini di efficienza energetica, ma i dispositivi reali non sono perfettamente uniformi. Variabilità, rumore e altre imperfezioni fisiche possono introdurre errori nei calcoli.

La ricerca continua a studiare come ottenere un’elevata precisione di calcolo senza perdere i vantaggi energetici che rendono interessante il computing memristivo.

Produzione su larga scala

Un prototipo di laboratorio di successo è molto diverso da un componente che può essere prodotto in modo affidabile, economico e uniforme su scala enorme.

La tecnologia memristiva deve inoltre integrarsi con i processi esistenti di produzione dei semiconduttori e funzionare in modo affidabile insieme ad altri componenti.

Per i trader, questa distinzione è fondamentale.

Un importante risultato di ricerca può attirare l’attenzione, ma un prodotto che arriva ai clienti potrebbe avere un impatto molto maggiore su aziende e mercati.

Cosa dovrebbero monitorare i trader?

I segnali più importanti saranno gli sviluppi che mostrano che i memristori si stanno avvicinando all’adozione commerciale.

I miglioramenti tecnici sono importanti, ma partnership e prodotti reali potrebbero fornire segnali ancora più forti. I trader dovrebbero quindi monitorare gli annunci dei produttori di semiconduttori, delle aziende di AI e delle organizzazioni di ricerca.

Tra gli sviluppi chiave da monitorare figurano:

Nuovi progetti di acceleratori AI Potrebbero indicare se i componenti memristivi stanno entrando a far parte di sistemi di calcolo utilizzabili nella pratica.
Spese in conto capitale delle aziende Se grandi società di semiconduttori destinassero risorse significative alla produzione basata sui memristori, ciò suggerirebbe che il settore intravede un’opportunità commerciale e non soltanto scientifica.
Finanziamenti pubblici e investimenti strategici Il sostegno pubblico potrebbe accelerare la ricerca e aiutare le tecnologie emergenti ad avvicinarsi alla produzione.
Adozione da parte dei clienti e ricavi Potrebbe essere il segnale più importante di tutti. È il punto in cui la storia passa dal potenziale tecnologico a un impatto aziendale misurabile.

Il punto chiave per i trader

I memristori sono più di una semplice storia tecnologica interessante, perché potrebbero influenzare contemporaneamente diverse aree del mercato.

I trader non devono decidere oggi se i memristori domineranno il computing tra dieci anni. Una domanda più utile è:

Cosa potrebbe accadere ai mercati se la tecnologia diventasse commercialmente sostenibile?

Una svolta credibile potrebbe rafforzare il sentiment verso le società di semiconduttori, suggerendo che il ciclo dell’hardware AI dispone di un’ulteriore fonte di innovazione.

Un prodotto commercialmente riuscito potrebbe inoltre spingere gli investitori a rivalutare il panorama competitivo, in particolare tra le aziende che sviluppano memorie avanzate e acceleratori specializzati.

Per le società di data center, la rilevanza potenziale risiede nel miglioramento dell’economia del computing.

Per i mercati energetici, la domanda chiave è se una maggiore efficienza riduca l’energia richiesta per ogni carico di lavoro o, al contrario, consenta all’utilizzo dell’AI di espandersi ancora più rapidamente.

Per il Nasdaq, la questione più ampia è se un’altra svolta tecnologica possa prolungare le aspettative sulla crescita e sulla redditività del settore AI.

Dalla ricerca ai ricavi: le tappe che contano

Non tutte le notizie sui memristori avranno un impatto significativo sui mercati finanziari.

Un annuncio di ricerca universitaria può suscitare interesse, mentre un prototipo riuscito potrebbe essere più significativo. Un prodotto commerciale avrebbe un peso ancora maggiore.

Le tappe con maggiori probabilità di cambiare le aspettative del mercato sono:

Prototipi riusciti
Prodotti commerciali
Importanti impegni produttivi
Integrazione negli acceleratori AI
Adozione da parte dei clienti
Ricavi misurabili

Questi sviluppi potrebbero avere un impatto più duraturo sulle aspettative relative alle società di semiconduttori, all’hardware AI e al settore tecnologico più ampio.

È possibile anche il contrario. Se i problemi di precisione restassero irrisolti, i costi di produzione rimanessero troppo elevati o tecnologie concorrenti si dimostrassero più pratiche, l’entusiasmo degli investitori potrebbe indebolirsi rapidamente.

Il quadro generale: la prossima sfida dell’AI è l’efficienza

La storia degli investimenti nell’AI sta gradualmente diventando una storia di efficienza tanto quanto di scala.

Negli ultimi anni il settore ha costruito modelli più grandi e sistemi di calcolo più potenti. La prossima sfida consiste nel trovare modi per rendere questo computing più veloce, meno costoso e meno esigente in termini di risorse.

I memristori sono una possibile risposta.

Potrebbero, nel tempo, diventare un componente importante negli acceleratori AI, nei sistemi neuromorfici o in altre forme specializzate di computing. In alternativa, potrebbero restare una tecnologia promettente che fatica a superare le sfide pratiche che separano la ricerca di laboratorio dalla produzione di massa.

In questa fase, nessuno dei due esiti può essere dato per scontato.

È proprio questa incertezza a rendere i memristori interessanti da seguire dal punto di vista dei mercati.

Considerazioni finali per i trader

La chiave è non fare trading sulla notizia relativa ai memristori in modo isolato.

I trader dovrebbero invece cercare segnali che dimostrino una crescente rilevanza commerciale della tecnologia: prodotti reali, investimenti aziendali, impegni produttivi, integrazione negli acceleratori e adozione da parte dei clienti. Sono questi gli sviluppi che potrebbero iniziare a cambiare le aspettative per le società di semiconduttori, l’hardware AI e il settore tecnologico più ampio.

La lezione più ampia è che la prossima grande opportunità di mercato legata all’AI potrebbe non arrivare necessariamente dalle aziende che costruiscono il prossimo modello AI. Potrebbe invece arrivare dalle società che risolvono le sfide hardware di fondo che determinano quanto l’AI possa crescere.

I memristori possono essere minuscoli componenti elettronici, ma la questione economica che li circonda è molto più grande:

La prossima generazione di computing può offrire prestazioni AI più utili senza richiedere proporzionalmente più energia?

Se la risposta dovesse rivelarsi positiva, gli effetti potrebbero andare ben oltre i semiconduttori, influenzando l’economia dei data center, le valutazioni tecnologiche, la domanda di energia e la più ampia catena di fornitura industriale.

Per i trader, questo rende i memristori una tecnologia da tenere sul radar già oggi, anche se il loro impatto più importante sui mercati potrebbe essere ancora lontano.