Now Reading: Data center AI multi-chip: perché Nvidia non può bastare da sola
-
01
Data center AI multi-chip: perché Nvidia non può bastare da sola
I data center AI stanno diventando sistemi multi-chip: interoperabilità, rete e software conteranno quanto il singolo acceleratore.
Per capire l’intelligenza artificiale contemporanea siamo abituati a guardare una sigla: GPU. Per capire la prossima fase dell’infrastruttura, però, potrebbe essere necessario guardare meno al singolo chip e più a come chip diversi riescono a lavorare insieme.
L’8 ottobre 2026 Upscale AI, startup sostenuta anche da Nvidia, ha presentato Token Fabric, una piattaforma progettata per collegare acceleratori AI di produttori differenti all’interno dello stesso data center. Reuters ha spiegato che l’obiettivo è rendere più semplice costruire infrastrutture composte da hardware eterogeneo, evitando che ogni famiglia di chip richieda un sistema di rete separato.
È un passaggio interessante perché mette in discussione una semplificazione molto diffusa: il data center AI come enorme distesa di GPU identiche. In realtà la crescita del mercato sta aumentando il numero di acceleratori disponibili e rende sempre più importante l’interoperabilità.
Un data center AI non è soltanto un insieme di GPU
Nel nostro articolo su cosa sono i data center abbiamo visto che server, storage, rete, alimentazione e raffreddamento formano un unico sistema. L’AI rende questa integrazione ancora più stretta.
Un modello distribuito su centinaia o migliaia di acceleratori deve spostare continuamente enormi quantità di dati tra chip, memoria e nodi differenti. Se la rete è lenta o inefficiente, l’acceleratore più potente può restare in attesa e una parte del capitale investito viene sprecata.
Per questo il networking è diventato uno dei punti strategici dell’infrastruttura AI. Non conta soltanto quante operazioni può eseguire una GPU, ma quanto velocemente può comunicare con il resto del sistema.
Perché un data center dovrebbe usare chip diversi
L’idea di uniformità ha vantaggi evidenti: semplifica sviluppo, manutenzione e ottimizzazione del software. Ma la crescita della domanda rende interessante combinare hardware con caratteristiche differenti.
Un acceleratore può essere ottimizzato per l’addestramento di modelli molto grandi, un altro per l’inferenza, un altro ancora per compiti specifici o per un rapporto migliore tra prestazioni ed energia. Inoltre, affidarsi a un solo fornitore aumenta il rischio legato a disponibilità, prezzi e capacità produttiva.
Il mercato si sta quindi muovendo verso un ecosistema in cui Nvidia resta centrale ma non è l’unico attore. AMD, Google, Amazon e altri operatori sviluppano acceleratori e architetture proprietarie. Il problema diventa far convivere questa varietà senza trasformare il data center in una collezione di isole incompatibili.
Il lock-in non vive soltanto nel chip
Quando si parla del predominio Nvidia si cita spesso CUDA, l’ecosistema software che consente agli sviluppatori di programmare le GPU dell’azienda. È un vantaggio costruito in anni di strumenti, librerie e compatibilità.
Ma il lock-in infrastrutturale può esistere anche a livello di rete. Se un certo acceleratore funziona bene soltanto con un determinato sistema di interconnessione, sostituire o affiancare un altro fornitore diventa più difficile. Una rete capace di gestire hardware eterogeneo può quindi ridurre una parte di questo vincolo.
Non significa che tutti i chip diventino intercambiabili. Le differenze di architettura, software e prestazioni restano. Ma l’infrastruttura può essere progettata per non trasformare ogni scelta hardware in una decisione irreversibile.
Il software diventa il vero sistema operativo del data center
La conseguenza più interessante è che la competizione si sposta verso il software di orchestrazione. Se un carico può essere distribuito automaticamente sull’acceleratore più adatto, il data center diventa una piattaforma capace di gestire risorse differenti come un unico insieme.
È un’evoluzione simile a quella avvenuta nel cloud tradizionale: l’utente non deve necessariamente sapere quale server fisico sta eseguendo un’applicazione. Chiede una risorsa e il sistema decide dove collocarla.
Per l’AI il problema è più complesso, perché memoria, interconnessione e caratteristiche dei chip incidono direttamente sulle prestazioni dei modelli. Ma il principio è lo stesso: astrarre l’hardware per rendere l’infrastruttura più flessibile.
Nvidia può guadagnare anche da un mondo meno dipendente da Nvidia?
Il fatto che Upscale AI sia sostenuta da Nvidia rende la storia meno paradossale di quanto sembri. Un mercato multi-chip può ridurre il monopolio di una singola architettura, ma può anche aumentare il numero complessivo di data center AI e rendere più semplice integrare GPU Nvidia insieme ad altri acceleratori.
In altre parole, l’interoperabilità può essere una minaccia al lock-in e contemporaneamente un acceleratore della crescita del mercato. Chi vende hardware dominante può preferire partecipare a un ecosistema più aperto piuttosto che lasciare ad altri il controllo dello strato di integrazione.
Il collo di bottiglia si sposta
Abbiamo raccontato le GPU come risorsa strategica per l’AI. Rimangono tali. Ma più cresce la quantità di acceleratori, più il problema si sposta verso tutto ciò che li collega: memoria, rete, interposer, packaging, energia e software.
Nello stesso giorno dell’annuncio di Upscale AI, GlobalFoundries e TSMC hanno comunicato un accordo da 2 miliardi di dollari per produrre negli Stati Uniti silicon interposer, componenti fondamentali dei package AI avanzati perché collegano processori e memorie ad alta velocità. Anche questo mostra come il valore si stia distribuendo lungo una filiera sempre più complessa.
La prossima gara dei data center, quindi, potrebbe non essere soltanto “chi possiede la GPU migliore”. Potrebbe essere “chi riesce a costruire il sistema migliore con chip, memoria e reti differenti”. È una differenza importante, perché trasforma l’AI da mercato di singoli componenti a mercato di architetture.
