Report Educativo su Nvidia
Analisi Completa e Storia dell'Azienda
Data: 09/01/2026
Introduzione a Nvidia Corporation
Benvenuti studenti! Oggi esploreremo una delle aziende più affascinanti e tecnologicamente
avanzate del nostro tempo: Nvidia Corporation. Fondata nel 1993, Nvidia è passata dall'essere un
produttore specializzato di chip grafici per videogiochi a diventare l'architetto dell'intelligenza
artificiale moderna e del calcolo accelerato.
Nvidia è riconosciuta oggi come il leader indiscusso nel campo delle GPU (Graphics Processing
Unit), processori specializzati che hanno rivoluzionato non solo il gaming, ma anche l'intelligenza
artificiale, la grafica professionale, i data center e persino la guida autonoma. La trasformazione di
Nvidia da azienda di grafica a piattaforma di computing è uno dei casi di studio più interessanti
nell'evoluzione tecnologica.
Il nome 'Nvidia' deriva dal latino 'invidia', che significa 'invidia', ma gioca anche con la parola
inglese 'envy'. Il logo verde dell'azienda, chiamato 'the eye', rappresenta la visione e
l'innovazione. Questa scelta riflette l'ambizione dell'azienda di creare tecnologie che altri
invidieranno.
Le Origini: La Nascita nel Mondo delle Grafiche 3D (1993-1999)
Nvidia fu fondata nell'aprile 1993 da Jensen Huang, Chris Malachowsky e Curtis Priem. I tre
co-fondatori si incontrarono in un ristorante Denny's a San Jose, California, dove discussero la
loro visione di creare chip grafici che avrebbero rivoluzionato il computing visuale. Huang, un
ingegnere taiwanese-americano, divenne CEO, posizione che mantiene ancora oggi.
All'epoca, il mercato dei chip grafici era affollato e competitivo, con oltre 30 aziende che
competevano per la supremazia. La scommessa di Nvidia era che i computer sarebbero diventati
sempre più focalizzati sulla grafica 3D, spinti dall'industria dei videogiochi e dalle applicazioni
professionali.
Il primo prodotto di Nvidia, l'NV1, fu lanciato nel 1995. Era una scheda multimediale che
combinava grafica 2D e 3D con audio e controller per gamepad. Tuttavia, l'NV1 utilizzava
quadratici per il rendering invece dei triangoli (che era lo standard emergente), una decisione
tecnica che si rivelò errata e limitò il successo del prodotto.
Il fallimento dell'NV1 mise Nvidia in una posizione finanziaria precaria. L'azienda era vicina al
fallimento quando Sega commissionò a Nvidia lo sviluppo di un chip per la sua console
Dreamcast. Questo contratto salvò l'azienda, anche se alla fine Sega scelse un'altra soluzione.
Tuttavia, il lavoro permise a Nvidia di sviluppare la tecnologia per il suo prossimo grande
successo.
Nel 1997, Nvidia lanciò il RIVA 128, un chip grafico che supportava Direct3D e OpenGL, gli
standard emergenti per la grafica 3D. Il RIVA 128 fu un successo commerciale e tecnologico,
vendendo milioni di unità e stabilendo Nvidia come player serio nel mercato dei chip grafici.
Questo successo permise a Nvidia di quotarsi in borsa nel 1999.
La Rivoluzione della GPU: GeForce 256 (1999-2002)
Nel 1999, Nvidia lanciò quella che definì la prima 'GPU' (Graphics Processing Unit) della storia: la
GeForce 256. Questo non era solo marketing: la GeForce 256 introduceva capacità di
trasformazione e illuminazione hardware (T&L), funzionalità che prima richiedevano elaborazione
dalla CPU.
La GeForce 256 rappresentava un salto concettuale: non era più solo un acceleratore grafico, ma
un processore specializzato in grado di gestire complessi calcoli grafici in parallelo. Questa
architettura parallela si sarebbe rivelata rivoluzionaria non solo per i giochi, ma anche per il
calcolo scientifico.
Il successo della GeForce consolidò la posizione di Nvidia nel mercato del gaming. L'azienda
divenne il fornitore preferito di GPU per PC gaming, superando concorrenti come 3dfx (che Nvidia
acquisì nel 2000) e ATI Technologies (poi acquisita da AMD).
Nel 2001, Nvidia firmò un accordo con Microsoft per fornire la GPU per la console Xbox originale.
Questo fu un momento significativo: validava Nvidia come fornitore di tecnologia per i più
importanti player del settore gaming. Tuttavia, la relazione con Microsoft si rivelò complessa e alla
fine tesa per questioni di royalties.
Espansione oltre il Gaming: Workstation e Mobile (2002-2008)
Riconoscendo i limiti del mercato consumer, Nvidia espanse aggressivamente nei mercati
professionali. La linea Quadro, lanciata nel 2000, offriva GPU ottimizzate per applicazioni
professionali come CAD, animazione 3D, e visualizzazione scientifica. Le Quadro avevano driver
certificati e funzionalità specifiche che giustificavano prezzi premium rispetto alle schede GeForce
consumer.
Nel 2002, Nvidia entrò nel mercato dei chipset per processori, producendo chipset per processori
AMD e Intel. Questa mossa diversificò il business di Nvidia, anche se il margine era più basso
rispetto alle GPU discrete.
Nvidia fece anche incursioni nel mercato mobile, acquisendo MediaQ nel 2003 per entrare nei
processori per dispositivi palmari. Successivamente, Nvidia sviluppò il processore Tegra, un
sistema-su-chip (SoC) che integrava GPU, CPU e altri componenti per dispositivi mobili.
Durante questo periodo, Nvidia affrontò competizione feroce da ATI Technologies. Le due
aziende si alternavano nel lanciare la GPU più veloce, con cicli di prodotto rapidi e innovazione
continua. Questa competizione spinse avanti l'intera industria grafica.
Nel 2006, Nvidia introdusse CUDA (Compute Unified Device Architecture), una piattaforma di
programmazione che permetteva agli sviluppatori di utilizzare le GPU Nvidia per calcoli
general-purpose (GPGPU - General-Purpose computing on GPU). Questo fu un momento
cruciale che avrebbe definito il futuro di Nvidia.
CUDA e l'Era del Calcolo Parallelo (2006-2012)
CUDA fu una scommessa audace. Nvidia investì significativamente nello sviluppo di strumenti
software, compilatori e librerie che permettevano ai programmatori di scrivere codice per GPU
senza essere esperti di grafica. L'idea era che le GPU, con migliaia di core capaci di eseguire
operazioni in parallelo, fossero ideali per molti tipi di calcolo scientifico e tecnico.
Inizialmente, l'adozione di CUDA fu lenta. Gli sviluppatori erano abituati a programmare per CPU
seriali e il paradigma di programmazione parallela richiedeva un cambiamento di mentalità.
Inoltre, CUDA funzionava solo su hardware Nvidia, il che limitava la portabilità del codice.
Tuttavia, gradualmente, ricercatori in vari campi iniziarono a scoprire che le GPU potevano
accelerare drammaticamente i loro calcoli. Applicazioni in fisica computazionale, bioinformatica,
analisi finanziaria, e elaborazione di segnali videro accelerazioni di 10-100 volte utilizzando GPU
invece di CPU.
Un momento decisivo arrivò quando l'industria petrolifera adottò le GPU per l'elaborazione
sismica. Le aziende energetiche spendevano miliardi in calcolo per analizzare dati sismici, e le
GPU offrivano accelerazioni sostanziali. Questo mercato high-margin validò l'approccio GPGPU
di Nvidia.
Nel 2008-2009, durante la crisi finanziaria, Nvidia affrontò difficoltà. I ricavi crollarono con il
mercato PC. Tuttavia, l'azienda continuò a investire in CUDA e nel calcolo ad alte prestazioni
(HPC), scommettendo sul futuro anche quando i tempi erano difficili. Questa perseveranza si
sarebbe rivelata fondamentale.
Il Boom dell'Intelligenza Artificiale (2012-2016)
Nel 2012, un evento cambiò il destino di Nvidia. Ricercatori dell'Università di Toronto, guidati da
Geoffrey Hinton (uno dei padri del deep learning), utilizzarono GPU Nvidia per addestrare una
rete neurale chiamata AlexNet. Questa rete vinse la competizione ImageNet con un margine
enorme, dimostrando che il deep learning su GPU era incredibilmente efficace.
Improvvisamente, le GPU divennero lo strumento essenziale per l'intelligenza artificiale. Le reti
neurali profonde richiedono miliardi di operazioni matematiche (principalmente moltiplicazioni di
matrici), e le GPU sono straordinariamente efficienti in questi calcoli paralleli. Nvidia si trovò nella
posizione perfetta: aveva l'hardware giusto e CUDA forniva l'ecosistema software necessario.
Nvidia abbracciò rapidamente questa opportunità. Jensen Huang parlò pubblicamente dell'AI
come della prossima grande trasformazione computazionale. L'azienda iniziò a ottimizzare le sue
GPU specificamente per i carichi di lavoro di deep learning, introducendo funzionalità come
Tensor Cores nelle architetture successive.
Giganti tecnologici come Google, Facebook, Microsoft, Amazon e Baidu iniziarono ad acquistare
migliaia di GPU Nvidia per i loro data center, addestrando modelli di AI sempre più grandi. Nvidia
sviluppò anche il DGX, un sistema preconfigurato per AI contenente otto GPU top-di-gamma,
venduto a prezzi premium a ricercatori e aziende.
La domanda per le GPU Nvidia esplose. Le azioni dell'azienda, che avevano languito per anni,
iniziarono una crescita vertiginosa. Nvidia passò da essere vista come un'azienda di gaming a
diventare il principale abilitatore dell'era dell'AI.
Guida Autonoma e Automotive (2015-Present)
Nel 2015, Nvidia annunciò Drive PX, una piattaforma di computing per veicoli autonomi. L'idea
era che la guida autonoma richiedesse immensa potenza di calcolo per elaborare dati da
telecamere, radar e LIDAR in tempo reale, rendendo le GPU ideali per questa applicazione.
Nvidia sviluppò partnership con praticamente ogni grande casa automobilistica e azienda di guida
autonoma: Tesla, Audi, Mercedes-Benz, Volvo, Toyota, e molte altre. La piattaforma Drive
utilizzava deep learning per percezione, localizzazione, pianificazione del percorso e controllo del
veicolo.
L'approccio di Nvidia era end-to-end: forniva non solo l'hardware, ma anche software, librerie di
deep learning (DriveWorks), e persino dati di simulazione (Drive Constellation) per addestrare e
testare sistemi di guida autonoma in ambienti virtuali.
Tuttavia, il mercato della guida autonoma si è rivelato più difficile del previsto. La piena autonomia
(Level 5) rimane un obiettivo distante, e molte aziende hanno ridimensionato le loro ambizioni.
Nonostante ciò, Nvidia rimane un fornitore chiave per i sistemi avanzati di assistenza alla guida
(ADAS).
Data Center e Cloud Computing: Il Nuovo Pilastro
Mentre il gaming rimase importante per Nvidia, il segmento data center divenne rapidamente il
motore di crescita principale. Le aziende tecnologiche costruivano enormi data center riempiti di
GPU Nvidia per addestrare modelli di AI sempre più grandi.
Nvidia introdusse le GPU A100 basate sull'architettura Ampere nel 2020, progettate
specificamente per AI e HPC. Una singola A100 poteva costare oltre 10.000 dollari, ma le
prestazioni giustificavano il prezzo per carichi di lavoro AI. Nvidia vendeva anche DGX A100
systems, con prezzi che raggiungevano i 200.000 dollari.
Il modello di business di Nvidia si trasformò. Mentre le GPU consumer avevano cicli di vita di
12-18 mesi, le GPU data center rimanevano in produzione più a lungo e generavano margini
molto più elevati. Il segmento data center superò il gaming come maggior contributore ai ricavi di
Nvidia.
Nvidia espanse anche nel networking, acquisendo Mellanox Technologies nel 2020 per 6.9
miliardi di dollari. Mellanox produceva switch e schede di rete InfiniBand ad alta velocità,
essenziali per interconnettere migliaia di GPU in supercomputer e data center AI.
L'architettura Hopper (H100) lanciata nel 2022 portò ulteriori innovazioni con Transformer Engine
ottimizzato per i modelli di linguaggio di grandi dimensioni (LLM). Aziende come OpenAI
utilizzarono decine di migliaia di H100 per addestrare modelli come GPT-4.
L'Architettura delle GPU Nvidia: Come Funzionano
Per comprendere il successo di Nvidia, è utile capire come funzionano le GPU. A differenza delle
CPU, che hanno pochi core potenti ottimizzati per elaborazione seriale, le GPU hanno migliaia di
core più semplici ottimizzati per elaborazione parallela.
Questa architettura parallela massiva è ideale per grafica (dove milioni di pixel devono essere
elaborati indipendentemente) e per molti calcoli scientifici e AI (dove operazioni identiche sono
eseguite su grandi quantità di dati).
Le GPU Nvidia sono organizzate in Streaming Multiprocessors (SM), ciascuno contenente decine
di core CUDA. Le architetture successive hanno aggiunto componenti specializzati: Tensor Cores
per operazioni di deep learning, RT Cores per ray tracing, e altre unità funzionali specializzate.
CUDA permette ai programmatori di scrivere 'kernels' - funzioni che vengono eseguite in parallelo
su migliaia di thread. Il runtime CUDA gestisce la schedulazione e l'esecuzione su hardware.
Questo modello di programmazione è più complesso della programmazione CPU tradizionale, ma
permette accelerazioni drammatiche per applicazioni adatte.
Oltre all'hardware, Nvidia ha costruito un ecosistema software completo: cuDNN per deep
learning, cuBLAS per algebra lineare, TensorRT per inferenza ottimizzata, e librerie per
innumerevoli altri domini. Questo ecosistema crea un 'moat' competitivo: è difficile per i
concorrenti eguagliare decenni di sviluppo software.
Gaming: RTX e Ray Tracing (2018-Present)
Nel 2018, Nvidia lanciò le GPU RTX basate sull'architettura Turing, introducendo il ray tracing in
tempo reale nel gaming consumer. Il ray tracing simula fisicamente come la luce interagisce con
gli oggetti, creando riflessioni, rifrazioni e ombre realistiche.
Per decenni, il ray tracing era stato troppo computazionalmente costoso per il gaming in tempo
reale, usato solo per rendering offline in film e animazioni. Nvidia rese possibile il ray tracing in
tempo reale con RT Cores dedicati che acceleravano i calcoli di intersezione raggio-triangolo.
Insieme all'RTX, Nvidia introdusse DLSS (Deep Learning Super Sampling), una tecnologia che
usa l'AI per upscalare immagini da risoluzioni più basse, migliorando le prestazioni senza
sacrificare la qualità visiva. DLSS sfrutta i Tensor Cores per eseguire inferenza di reti neurali in
tempo reale durante il gaming.
Le serie RTX 30 (Ampere) e RTX 40 (Ada Lovelace) continuarono a spingere i limiti di prestazioni
e qualità visiva. Le GPU top-di-gamma come la RTX 4090 offrivano prestazioni straordinarie,
anche se a prezzi premium (oltre 1.500 dollari).
Nvidia mantenne la sua dominanza nel gaming enthusiast, anche se AMD rimase un concorrente
con le sue GPU Radeon. Intel entrò anche nel mercato delle GPU discrete con le Arc,
aumentando la competizione. Tuttavia, Nvidia continua a detenere circa il 80% del mercato delle
GPU discrete.
Sfide e Controversie
Nonostante il successo, Nvidia ha affrontato diverse controversie. Durante il boom delle
criptovalute nel 2017-2018, i miner acquistarono massicciamente GPU per il mining di Ethereum,
causando carenze e prezzi gonfiati per i gamer. Nvidia fu criticata per non aver gestito meglio la
situazione.
Nel 2020-2021, Nvidia annunciò l'acquisizione di Arm Holdings (la società di design di processori
dietro la maggior parte dei chip mobili) per 40 miliardi di dollari. L'acquisizione affrontò
opposizione massiccia da regolatori e concorrenti, preoccupati per il controllo di Nvidia su
un'architettura così critica. L'accordo fu abbandonato nel 2022.
Nvidia è stata anche criticata per pratiche anti-competitive, come il lock-in di CUDA. Sviluppatori
che scrivono codice CUDA non possono facilmente portarlo su hardware non-Nvidia, creando
switching costs elevati. Iniziative open-source come ROCm (AMD) e OneAPI (Intel) cercano di
offrire alternative, ma CUDA mantiene una dominanza schiacciante.
Le restrizioni all'esportazione imposte dal governo USA hanno limitato la vendita di GPU avanzate
di Nvidia alla Cina, il secondo mercato più grande. Questo ha impattato i ricavi e ha spinto Nvidia
a creare versioni 'declassate' delle sue GPU per il mercato cinese, soddisfacendo le
regolamentazioni ma offrendo prestazioni ridotte.
Come molte aziende tecnologiche, Nvidia affronta anche questioni ambientali. Le GPU
consumano molta energia, e i data center pieni di GPU hanno impronte di carbonio significative.
Nvidia ha investito nell'efficienza energetica, e le architetture più recenti offrono migliori
prestazioni per watt, ma il consumo totale cresce con la scala dei deployment.
Jensen Huang: Il Visionario Leader
Jensen Huang è uno dei CEO più longevi e riconoscibili nel settore tecnologico. Ha guidato Nvidia
dalla fondazione nel 1993 fino ad oggi, un periodo di oltre 30 anni. La sua leadership visionaria e
la sua capacità di anticipare trend tecnologici sono stati cruciali per il successo di Nvidia.
Huang è conosciuto per il suo stile di presentazione carismatico, spesso vestendo la sua iconica
giacca di pelle nera durante le keynote. Le sue presentazioni alle conferenze GTC (GPU
Technology Conference) sono eventi molto seguiti, dove annuncia le ultime innovazioni di Nvidia.
Sotto la guida di Huang, Nvidia ha fatto scommesse audaci: investire pesantemente in CUDA
quando il ritorno era incerto, entrare nel mercato automotive quando sembrava distante dal core
business, e puntare sull'AI anni prima che diventasse mainstream. Queste scommesse si sono
rivelate vincenti.
Huang è anche noto per la sua filosofia manageriale. Nvidia ha una cultura aziendale che
valorizza l'eccellenza tecnica, la velocità di esecuzione, e la volontà di affrontare problemi difficili.
Huang parla spesso di 'zero distance to decision' - minimizzare la burocrazia per muoversi
velocemente.
Con il successo di Nvidia nell'era dell'AI, Huang è diventato uno dei CEO più influenti della
tecnologia. La sua visione del 'accelerated computing' - l'idea che compiti computazionalmente
intensivi dovrebbero essere scaricati su acceleratori specializzati come le GPU - sta plasmando il
futuro dell'industria.
Il Metaverso e Omniverse
Nel 2021, mentre l'interesse per il metaverso cresceva, Nvidia lanciò Omniverse, una piattaforma
di collaborazione e simulazione basata su standard aperti (USD - Universal Scene Description).
Omniverse permette a designer, artisti e ingegneri di collaborare in ambienti 3D condivisi in tempo
reale.
L'idea di Nvidia è che il metaverso industriale - simulazioni digitali di fabbriche, città, sistemi
logistici - sarà cruciale per ottimizzare il mondo fisico. Aziende come BMW usano Omniverse per
creare 'digital twins' delle loro fabbriche, simulando linee di produzione prima di costruirle
fisicamente.
Omniverse sfrutta le capacità di ray tracing delle GPU RTX per creare ambienti fotorealistici.
Include anche simulazione fisica avanzata, permettendo di modellare come oggetti e materiali si
comportano nel mondo reale.
Sebbene il clamore sul metaverso consumer sia diminuito, Nvidia continua a investire in
Omniverse per casi d'uso professionali e industriali. La visione è che 'everything will have a digital
twin' - ogni prodotto, fabbrica, e persino città avrà una controparte digitale simulata.
L'Impatto di Nvidia sull'Industria e sulla Società
L'impatto di Nvidia va ben oltre i videogiochi e l'hardware. L'azienda ha accelerato
fondamentalmente la ricerca in innumerevoli campi scientifici. Dalla scoperta di farmaci (dove le
GPU accelerano le simulazioni molecolari) alla genomica, dalla ricerca sul clima alla fisica delle
particelle, le GPU Nvidia sono strumenti essenziali.
Nel campo medico, l'AI basata su GPU Nvidia aiuta nella diagnosi di malattie, nell'analisi di
immagini mediche, e nello sviluppo di nuove terapie. Durante la pandemia COVID-19, ricercatori
usarono GPU Nvidia per modellare la struttura del virus e accelerare lo sviluppo di vaccini.
Nvidia ha anche democratizzato l'accesso all'AI. Prima delle GPU, addestrare modelli di deep
learning richiedeva cluster di calcolo costosi accessibili solo a grandi istituzioni. Oggi, ricercatori e
startup possono affittare GPU nel cloud o acquistare workstation relativamente accessibili per
sperimentare con l'AI.
Tuttavia, la concentrazione di potere computazionale per l'AI in Nvidia solleva questioni. L'azienda
ha effettivamente un quasi-monopolio sulle GPU per AI training. Questo dà a Nvidia enorme
influenza su chi può sviluppare modelli AI di frontiera. C'è preoccupazione che questo possa
soffocare l'innovazione o creare dipendenze problematiche.
Il boom dell'AI generativa (ChatGPT, Midjourney, etc.) ha ulteriormente aumentato la domanda
per le GPU Nvidia. Le aziende stanno spendendo miliardi per acquisire GPU, creando carenze e
tempi di attesa lunghi. Nvidia è diventata, in molti modi, il 'picks and shovels' della corsa all'oro
dell'AI.
Lezioni da Nvidia: Innovazione e Visione Strategica
La storia di Nvidia offre lezioni preziose per studenti di business e tecnologia. Prima lezione:
investire in piattaforme, non solo prodotti. CUDA era una scommessa enorme che richiese anni
per dare frutti, ma creò un ecosistema che è ora un vantaggio competitivo insormontabile.
Seconda lezione: anticipare le mega-trend tecnologiche. Nvidia scommise sul calcolo parallelo,
sull'AI, sulla guida autonoma - spesso anni prima che questi diventassero mainstream. La
capacità di vedere dove sta andando la tecnologia e posizionarsi in anticipo è stata cruciale.
Terza lezione: l'importanza della leadership stabile e visionaria. Jensen Huang ha guidato Nvidia
per oltre tre decenni, fornendo continuità e visione a lungo termine. Questa stabilità ha permesso
a Nvidia di fare investimenti pazienti e perseverare attraverso periodi difficili.
Quarta lezione: il software è importante quanto l'hardware. Nvidia ha investito massicciamente in
CUDA, librerie, e strumenti di sviluppo. Questo ecosistema software crea switching costs e
fedeltà che puro hardware non può ottenere.
Quinta lezione: diversificare ma rimanere focalizzati sul core competence. Nvidia è entrata in
mercati diversi (gaming, professionale, data center, automotive) ma tutti sfruttano la sua
competenza fondamentale nel calcolo parallelo ad alte prestazioni. Questa diversificazione
focalizzata ha ridotto il rischio senza diluire la tecnologia.
Conclusione: Nvidia nell'Era dell'AI
Mentre concludiamo questo viaggio nella storia di Nvidia, è chiaro che l'azienda si trova in un
momento straordinario. Da produttore di chip grafici a abilitatore dell'intelligenza artificiale, Nvidia
ha cavalcato e plasmato le onde tecnologiche più importanti degli ultimi decenni.
La capitalizzazione di mercato di Nvidia ha superato i 2 trilioni di dollari nel 2024, rendendola una
delle aziende più preziose al mondo. Questo riflette le aspettative che l'AI trasformerà ogni
industria e che Nvidia fornirà l'infrastruttura computazionale essenziale.
Guardando al futuro, Nvidia affronta sia opportunità che sfide. L'opportunità è chiara: se l'AI
continua a crescere come previsto, la domanda per le GPU Nvidia potrebbe rimanere forte per
anni. Le sfide includono concorrenza crescente (AMD, Intel, e chip AI custom da Google,
Amazon, Microsoft), pressioni geopolitiche, e la necessità di continuare a innovare.
Per voi studenti, Nvidia rappresenta un caso di studio in come un'azienda può reinventarsi e
rimanere rilevante attraverso multiple ere tecnologiche. La combinazione di eccellenza tecnica,
visione strategica, e esecuzione disciplinata ha permesso a Nvidia non solo di sopravvivere ma di
prosperare per oltre tre decenni.
Ricordate: le aziende più durature non sono quelle che dominano un singolo prodotto o mercato,
ma quelle che costruiscono capacità fondamentali che possono essere applicate a problemi
sempre nuovi. Nvidia ha costruito una competenza profonda nel calcolo parallelo, e ha trovato
modi sempre nuovi di applicarla, dalla grafica all'AI alla simulazione. Questa adattabilità è la vera
lezione della storia di Nvidia.