{"id":1483,"date":"2026-07-07T13:02:48","date_gmt":"2026-07-07T13:02:48","guid":{"rendered":"https:\/\/convly.ai\/?p=1483"},"modified":"2026-07-07T13:02:48","modified_gmt":"2026-07-07T13:02:48","slug":"openai-broadcom-llm-inference-chip","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/","title":{"rendered":"OpenAI e Broadcom presentano un chip per l'inferenza ottimizzato per i modelli linguistici di grandi dimensioni (LLM)"},"content":{"rendered":"<p>OpenAI e Broadcom hanno presentato congiuntamente un chip per l'inferenza progettato appositamente per i modelli linguistici di grandi dimensioni, un traguardo che potrebbe ridefinire il modo in cui i sistemi pi\u00f9 utilizzati al mondo vengono distribuiti su larga scala. <strong>LLM<\/strong> sistemi vengono distribuiti su larga scala. Secondo StorageNewsletter, l'acceleratore \u00e8 stato co-progettato specificamente per i carichi di lavoro basati su transformer, che dominano l'attuale intelligenza artificiale generativa, rappresentando il passo pi\u00f9 concreto finora compiuto da OpenAI verso un'integrazione verticale del silicio. Per un settore che da tempo dipende dalle GPU general-purpose per eseguire l'inferenza, l'annuncio segnala che l'economia, il profilo di latenza e la catena di approvvigionamento per la distribuzione di modelli di grandi dimensioni stanno entrando in una nuova fase.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li>Secondo StorageNewsletter, OpenAI e Broadcom hanno presentato un chip per l'inferenza sviluppato congiuntamente e ottimizzato specificamente per i modelli linguistici di grandi dimensioni.<\/li>\n<li>L'acceleratore \u00e8 destinato all'inferenza \u2014 ovvero alla fase di distribuzione dell'IA \u2014 e non all'addestramento, puntando sulla porzione di domanda computazionale in pi\u00f9 rapida crescita.<\/li>\n<li>Questa collaborazione rappresenta il passo pi\u00f9 chiaro compiuto finora da OpenAI verso chip personalizzati e l'ulteriore espansione di Broadcom negli acceleratori AI per iperscalari.<\/li>\n<li>I chip per l'inferenza specificamente progettati per gli LLM promettono costi inferiori per token, latenze pi\u00f9 stringenti ed efficienza energetica migliorata rispetto alle GPU general-purpose.<\/li>\n<li>Separately, StorageNewsletter&#8217;s coverage sits alongside reporting that DeepSeek is developing its own proprietary AI inference chip, underscoring a wider industry pivot to in-house accelerators.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_84 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6a527784d5103\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6a527784d5103\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#Why_an_LLM-specific_inference_chip_matters_now\" >Perch\u00e9 un chip per l'inferenza specifico per gli LLM \u00e8 rilevante oggi<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#What_StorageNewsletter_has_confirmed_about_the_chip\" >Cosa StorageNewsletter ha confermato sul chip<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#OpenAIs_silicon_strategy_takes_shape\" >La strategia siliconica di OpenAI prende forma<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#Broadcoms_expanding_role_in_bespoke_AI_silicon\" >Il ruolo crescente di Broadcom nei chip AI su misura<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#Inference_silicon_versus_general-purpose_GPUs\" >Chip per l'inferenza vs GPU general-purpose<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#The_wider_industry_shift_toward_custom_AI_silicon\" >La pi\u00f9 ampia transizione industriale verso chip AI personalizzati<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#What_this_means_for_AI_developers_and_enterprises\" >Cosa significa questo per gli sviluppatori e le imprese IA<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#Frequently_asked_questions\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/openai-broadcom-llm-inference-chip\/#The_bottom_line\" >In sintesi<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"Why_an_LLM-specific_inference_chip_matters_now\"><\/span>Perch\u00e9 un chip per l'inferenza specifico per gli LLM \u00e8 rilevante oggi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L'economia di esecuzione di un moderno <strong>LLM<\/strong> \u00e8 cambiata drasticamente negli ultimi diciotto mesi. Mentre un tempo l'addestramento dominava i titoli e gli investimenti in capitale, ora l'inferenza \u2014 il momento in cui un modello fornisce effettivamente una risposta all'utente \u2014 rappresenta la quota predominante della spesa continua per calcolo nelle implementazioni iperscalari. Il rapporto di StorageNewsletter descrive l'acceleratore OpenAI\u2013Broadcom come una risposta diretta a tale mutamento, definendolo ottimizzato per i pattern di inferenza basati su transformer che costituiscono la base dei sistemi di tipo ChatGPT.<\/p>\n<p>I carichi di lavoro di inferenza sono strutturalmente diversi da quelli di addestramento: sono sensibili alla latenza, limitati dalla larghezza di banda della memoria e dominati da operazioni matrice-vettore, piuttosto che matrice-matrice, una volta superata la fase di elaborazione del prompt. Una progettazione hardware che tratti queste caratteristiche come vincoli primari \u2014 anzich\u00e9 adottare un'architettura orientata all'addestramento \u2014 pu\u00f2, in linea di principio, determinare un salto qualitativo nel costo per token. Questa \u00e8 la scommessa alla base dell'annuncio.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_StorageNewsletter_has_confirmed_about_the_chip\"><\/span>Cosa StorageNewsletter ha confermato sul chip<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>I fatti principali riportati sono concisi ma significativi: secondo StorageNewsletter, OpenAI e Broadcom hanno presentato un acceleratore per l'inferenza ottimizzato per gli LLM. La testata colloca questa collaborazione all'interno di un'ampia ondata di programmi di sviluppo di chip personalizzati nell'industria dell'IA e ne definisce il chip come una progettazione incentrata sull'inferenza, piuttosto che come un acceleratore AI generico.<\/p>\n<p>Oltre a ci\u00f2, nodo tecnologico, configurazione della memoria e tempistiche di commercializzazione non sono stati specificati nei brevi estratti disponibili al momento della stesura. I lettori dovrebbero trattare con cautela qualsiasi cifra precisa relativa a TFLOPS, stack HBM o densit\u00e0 per rack circolante sui social media, fino a quando non verr\u00e0 ufficialmente confermata dalle aziende stesse. Ci\u00f2 che \u00e8 chiaro \u00e8 la direzione strategica: OpenAI desidera disporre di silicio su misura sotto il proprio controllo, e Broadcom \u00e8 il partner che trasforma questa intenzione in wafer.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"OpenAIs_silicon_strategy_takes_shape\"><\/span>La strategia siliconica di OpenAI prende forma<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per OpenAI, la partnership con Broadcom rappresenta il risultato pi\u00f9 tangibile finora ottenuto di una strategia ampiamente discussa nella stampa specializzata: ridurre la dipendenza esclusiva da un singolo fornitore di GPU e acquisire un vantaggio architettonico sui chip che servono i propri modelli. Un componente per l'inferenza sviluppato congiuntamente offre all'azienda la possibilit\u00e0 di ottimizzare congiuntamente hardware e software \u2014 pianificazione dei kernel, gestione della cache KV, accelerazione dei pattern di attenzione \u2014 in modi che una GPU commerciale non pu\u00f2 facilmente replicare. Ci\u00f2 ha implicazioni ben oltre i prodotti stessi di OpenAI: i prezzi delle sue API, la reattivit\u00e0 delle applicazioni downstream e la sostenibilit\u00e0 dei livelli rivolti ai consumatori dipendono, in ultima analisi, dal costo di un singolo token generato.<\/p>\n<p>Gli sviluppatori che osservano questa curva dei prezzi possono monitorare come l'economia per token si traduca tra i vari fornitori utilizzando il nostro <a href=\"https:\/\/convly.ai\/it\/ai-api-cost-calculator\/\">Calcolatore dei costi delle API per l'IA<\/a>che modella i costi reali dei carichi di lavoro confrontandoli con le tariffe pubblicate.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Broadcoms_expanding_role_in_bespoke_AI_silicon\"><\/span>Il ruolo crescente di Broadcom nei chip AI su misura<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Broadcom \u00e8 diventata silenziosamente uno dei nomi pi\u00f9 importanti nel campo degli acceleratori AI su misura. La sua attivit\u00e0 di ASIC personalizzati \u2014 storicamente radicata in componenti per reti e progettati per iperscalari \u2014 si \u00e8 estesa ai chip per l'apprendimento automatico presso alcuni dei maggiori operatori cloud. L'aggiunta di OpenAI a questo elenco, come riportato da StorageNewsletter, consolida la posizione di Broadcom come partner fabless di riferimento per le organizzazioni che desiderano un acceleratore personalizzato senza dover costruire ex novo un team completo per la progettazione di chip.<\/p>\n<p>Per il mercato hardware nel suo complesso, il coinvolgimento di Broadcom \u00e8 rilevante perch\u00e9 convalida un modello: un laboratorio IA all'avanguardia fornisce la conoscenza dei carichi di lavoro e le priorit\u00e0 architettoniche, mentre un veterano del silicio commerciale contribuisce con la progettazione fisica, il packaging e i partenariati produttivi. Questo modello sta ora venendo replicato in tutta l'industria.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Inference_silicon_versus_general-purpose_GPUs\"><\/span>Chip per l'inferenza vs GPU general-purpose<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>La domanda pi\u00f9 immediata per gli utenti di modelli IA \u00e8 come un acceleratore per l'inferenza su misura per gli LLM si confronti con le GPU general-purpose che attualmente dominano il mercato. La tabella seguente illustra la distinzione qualitativa tra queste due filosofie progettuali, basandosi sugli obiettivi di progettazione descritti nei report industriali, piuttosto che su benchmark pubblicati per il nuovo componente.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Attributo<\/th>\n<th>GPU AI general-purpose<\/th>\n<th>Chip per l'inferenza ottimizzato per gli LLM<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Carico di lavoro principale<\/td>\n<td>Addestramento e inferenza<\/td>\n<td>Solo inferenza<\/td>\n<\/tr>\n<tr>\n<td>Priorit\u00e0 di progettazione<\/td>\n<td>FLOPS di picco, flessibilit\u00e0<\/td>\n<td>Token al secondo per watt, latenza<\/td>\n<\/tr>\n<tr>\n<td>Ecosistema software<\/td>\n<td>Ampia e matura<\/td>\n<td>Progettata in stretta sinergia con i modelli target<\/td>\n<\/tr>\n<tr>\n<td>Destinazione di implementazione<\/td>\n<td>Qualsiasi carico di lavoro AI<\/td>\n<td>Frotte di server per modelli linguistici basati su Transformer<\/td>\n<\/tr>\n<tr>\n<td>Promessa economica<\/td>\n<td>Riutilizzo tra addestramento e inferenza<\/td>\n<td>Costo pi\u00f9 basso per token generato<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>I team che stanno valutando il compromesso tra noleggiare capacit\u00e0 di inferenza su GPU general-purpose e gestire il proprio silicio possono esplorare i calcoli alla base di tale scelta con il nostro <a href=\"https:\/\/convly.ai\/it\/self-hosting-vs-api-calculator\/\">calcolatore per il confronto tra self-hosting e utilizzo di API<\/a>, oppure confrontare le attuali opzioni di acceleratori nel nostro <a href=\"https:\/\/convly.ai\/it\/best-gpus-for-ai-2026\/\">migliori GPU per l'IA<\/a> riepilogo.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_wider_industry_shift_toward_custom_AI_silicon\"><\/span>La pi\u00f9 ampia transizione industriale verso chip AI personalizzati<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019annuncio congiunto di OpenAI e Broadcom arriva in un mercato che si sta chiaramente riorganizzando intorno ad acceleratori personalizzati. La copertura di StorageNewsletter si affianca a una relazione separata secondo cui DeepSeek sta sviluppando un chip proprietario per l\u2019inferenza AI, ulteriore segnale del fatto che gli sviluppatori di modelli non intendono pi\u00f9 limitarsi a essere semplici clienti dei produttori di GPU commerciali. Per i lettori che seguono quell\u2019ecosistema cinese, la nostra panoramica su <a href=\"https:\/\/convly.ai\/it\/deepseek-v4\/\">DeepSeek V4<\/a> offre contesto sul versante modelli di questa stessa spinta.<\/p>\n<p>La logica strategica \u00e8 coerente in tutti questi programmi: a volumi di servizio iperscalari, anche miglioramenti dell\u2019ordine di poche unit\u00e0 percentuali in termini di token per watt si traducono in centinaia di milioni di dollari all\u2019anno. Un chip per l\u2019inferenza progettato appositamente per una specifica famiglia di modelli pu\u00f2 ottenere tali vantaggi in modi che una GPU orientata a un uso generale non riesce a replicare. Ci\u00f2 non significa la fine dei chip AI commerciali \u2014 in particolare l\u2019addestramento rimarr\u00e0 un mercato fortemente dominato dalle GPU \u2014 ma ridefinisce il panorama competitivo dell\u2019inferenza, dove viene effettivamente determinato il costo finale per l\u2019utente.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_this_means_for_AI_developers_and_enterprises\"><\/span>Cosa significa questo per gli sviluppatori e le imprese IA<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Per gli sviluppatori che costruiscono applicazioni sopra le API di punta <strong>LLM<\/strong> l\u2019implicazione pratica \u00e8 semplice: ci si pu\u00f2 attendere che la curva dei costi per l\u2019inferenza con modelli di grandi dimensioni continui a declinare nei prossimi trimestri. Il silicio progettato appositamente rappresenta un fattore strutturale duraturo, non una promozione occasionale; se il chip congiunto OpenAI\u2013Broadcom raggiunger\u00e0 i risultati previsti dal suo design, ci\u00f2 si rifletter\u00e0 progressivamente sui prezzi delle API e sui relativi limiti di utilizzo. I team potranno misurare tali variazioni rispetto al mercato pi\u00f9 ampio tramite il nostro <a href=\"https:\/\/convly.ai\/it\/ai-price-performance-index-2026\/\">Indice prezzo-prestazioni per l'IA<\/a> e il nostro <a href=\"https:\/\/convly.ai\/it\/models\/\">Database di modelli IA<\/a>.<\/p>\n<p>Per le aziende che valutano strategie di deployment, l\u2019annuncio rafforza un modello ormai consolidato: l\u2019inferenza pi\u00f9 conveniente dal punto di vista economico proviene sempre pi\u00f9 spesso da fornitori che impiegano il proprio silicio sui propri modelli. I deployment self-hosted su GPU general-purpose resteranno competitivi per carichi di lavoro sensibili dal punto di vista della privacy, ma il divario nei costi base per token tender\u00e0 probabilmente ad ampliarsi laddove siano impiegati acceleratori personalizzati.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><strong>Cosa hanno esattamente annunciato OpenAI e Broadcom?<\/strong> Secondo StorageNewsletter, le due societ\u00e0 hanno presentato un chip per l\u2019inferenza ottimizzato specificamente per i grandi modelli linguistici (LLM), sviluppato congiuntamente. La notizia lo definisce esplicitamente come un acceleratore focalizzato sull\u2019inferenza, non sull\u2019addestramento.<\/p>\n<p><strong>Is this chip going to replace GPUs for AI workloads?<\/strong> \u00c8 improbabile nel breve termine. I chip per l\u2019inferenza LLM progettati appositamente mirano alla fase di servizio dell\u2019IA, dove domina il costo per token. Si prevede che addestramento e carichi di lavoro misti continueranno invece a fare ampio affidamento su GPU general-purpose.<\/p>\n<p><strong>Questo ridurr\u00e0 il prezzo delle API di OpenAI?<\/strong> L\u2019annuncio non include indicazioni sui prezzi, ma la motivazione strategica alla base dello sviluppo di chip personalizzati per l\u2019inferenza \u00e8 proprio quella di ridurre il costo per token. Eventuali modifiche si rifletterebbero quindi negli aggiornamenti futuri delle tariffe API, non immediatamente.<\/p>\n<p><strong>Come si collega questo agli altri sforzi nell\u2019ambito dei chip AI personalizzati?<\/strong> La notizia di StorageNewsletter appare insieme alla copertura dello sviluppo, da parte di DeepSeek, di un proprio chip proprietario per l\u2019inferenza AI, parte di una pi\u00f9 ampia tendenza industriale degli sviluppatori di modelli verso acceleratori realizzati internamente.<\/p>\n<p><strong>Quando verr\u00e0 effettivamente immesso sul mercato il chip?<\/strong> Nel materiale informativo disponibile al momento della stesura non sono stati forniti dettagli specifici sui tempi di lancio. I lettori dovranno monitorare eventuali comunicazioni successive direttamente da OpenAI o Broadcom per conoscere le date definitive di distribuzione.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"The_bottom_line\"><\/span>In sintesi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019acceleratore per l\u2019inferenza OpenAI\u2013Broadcom, cos\u00ec come riportato da StorageNewsletter, riguarda meno le specifiche tecniche di un singolo chip che una trasformazione duratura nel modo in cui l\u2019IA di ultima generazione sar\u00e0 erogata. Il silicio per LLM progettato su misura \u2014 co-sviluppato dal laboratorio che possiede il carico di lavoro e dal veterano fabless che controlla il flusso di progettazione fisica \u2014 \u00e8 ormai il modello che altri sviluppatori di modelli stanno palesemente imitando. Per gli utenti e gli sviluppatori di modelli AI, la conclusione pratica \u00e8 che il livello minimo di costo per l\u2019esecuzione su larga scala di un grande modello linguistico viene abbassato per progettazione, non per sconto; e le aziende che allineeranno le proprie strategie di deployment a questa tendenza saranno quelle meglio posizionate per trarne vantaggio.<\/p>\n<p><em>Fonti: news.google.com. Segnalato il 07 luglio 2026.<\/em><\/p>","protected":false},"excerpt":{"rendered":"<p>OpenAI and Broadcom have jointly unveiled an inference chip optimised for large language models, signalling a decisive move toward vertically integrated AI silicon.<\/p>","protected":false},"author":1,"featured_media":1484,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[245],"tags":[757,874,879,881,880,442,426],"class_list":["post-1483","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-chips","tag-ai-chips","tag-ai-hardware","tag-broadcom","tag-custom-silicon","tag-inference","tag-llm","tag-openai"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1483","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=1483"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1483\/revisions"}],"predecessor-version":[{"id":1485,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/1483\/revisions\/1485"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/1484"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=1483"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=1483"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=1483"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}