Shanghai coordina rete e data center, Nvidia accelera la produzione di Vera Rubin

🤖 Cosa cambia

• Shanghai coordina sedici operatori di data center e riduce il carico elettrico di picco di 97,8 MW durante una prova cittadina.
• I centri di calcolo modulano addestramento, generatori e distribuzione geografica dei workload in base alla disponibilità della rete.
• Nvidia conferma la produzione di CPU Vera, GPU Rubin e sistemi NVL72 per sostenere la domanda crescente di infrastrutture AI.

L’espansione dell’intelligenza artificiale costringe città, operatori energetici e produttori di chip a intervenire contemporaneamente sulla capacità di calcolo e sulla disponibilità di elettricità. Shanghai ha completato la prima prova cittadina di coordinamento tra rete elettrica e centri di calcolo, riducendo il carico di picco di 97,8 megawatt. Nello stesso scenario industriale, Nvidia ha confermato che la piattaforma Vera Rubin è già entrata in produzione e che saranno distribuite quantità elevate di CPU, GPU e sistemi rack destinati ai grandi cluster AI.

Shanghai trasforma i data center in risorse flessibili per la rete

La sperimentazione guidata da State Grid Shanghai ha coinvolto sedici operatori di data center, tra cui Alibaba, China Telecom e GDS Holdings. Per due ore, il sistema ha coordinato il consumo delle strutture e ottenuto una riduzione complessiva di 97,8 MW, il maggiore aggiustamento singolo del carico computazionale mai realizzato a livello cittadino. Il valore equivale teoricamente al consumo massimo di circa 160.000 GPU Nvidia H100 da 700 watt, anche se il confronto serve soprattutto a rappresentare la scala dell’intervento. I data center non vengono più considerati soltanto consumatori rigidi, ma carichi programmabili capaci di reagire alle condizioni della rete. Durante i periodi di maggiore disponibilità di energia rinnovabile possono aumentare le operazioni di addestramento; nelle fasi di picco possono rallentare i workload, utilizzare temporaneamente sistemi di backup o trasferire elaborazioni verso regioni con maggiore capacità. Il progetto si inserisce nella strategia cinese per una rete nazionale di data center AI capace di coordinare energia e calcolo, pensata per distribuire i workload tra le aree orientali ad alta domanda e le regioni interne con maggiore disponibilità energetica.

Il calcolo AI diventa uno strumento di bilanciamento energetico

Il coordinamento tra rete e data center introduce un modello vicino al demand response industriale, nel quale il consumo viene modificato in base alle necessità del sistema elettrico. Non tutti i workload richiedono la stessa continuità: inferenza in tempo reale, servizi cloud e applicazioni critiche devono restare disponibili, mentre attività come addestramento, indicizzazione o elaborazioni batch possono essere ritardate o spostate. Shanghai ha testato l’intera pipeline in simultanea, collegando operatori, infrastrutture di rete e sistemi di gestione del calcolo. Il risultato dimostra che una concentrazione elevata di GPU può diventare una risorsa per assorbire surplus di produzione e ridurre il carico nei momenti di maggiore stress. La strategia risponde a una pressione già evidente in numerosi mercati, dove la crescita dei data center sta imponendo nuovi investimenti in generazione, trasmissione e accumulo. Matrice Digitale ha analizzato questa trasformazione nell’approfondimento sulla crisi energetica dell’AI e sulle reti elettriche statunitensi vicine ai propri limiti e nel quadro europeo dedicato ai data center di SoftBank e Google tra nucleare e sostenibilità.

Diesel e migrazione dei workload sollevano nuovi interrogativi

La flessibilità non elimina però l’impatto ambientale. Durante le fasi di stress, alcuni operatori possono passare ai generatori diesel di emergenza, riducendo il prelievo dalla rete ma aumentando temporaneamente emissioni locali e consumo di combustibili fossili. La migrazione geografica dei workload richiede inoltre connettività ad alta capacità, sincronizzazione dei dati e infrastrutture disponibili nelle regioni di destinazione. Il modello risulta più efficace quando i carichi possono essere programmati in anticipo e quando la rete dispone di segnali economici o operativi sufficientemente precisi. Shanghai dimostra la fattibilità tecnica del coordinamento, ma la sua applicazione stabile richiederà regole comuni, misurazione affidabile e incentivi per gli operatori che accettano di modificare il proprio consumo. La crescita dell’AI sta infatti producendo una relazione sempre più stretta tra data center, mercato energetico e politica industriale, già evidente nel dibattito sui prezzi dell’energia spinti dall’espansione dei chip e dei sistemi AI.

Nvidia conferma che Vera Rubin è già in produzione

Mentre Shanghai lavora sulla gestione della domanda, Nvidia accelera l’offerta. Jensen Huang ha dichiarato che la roadmap di Vera Rubin resta invariata e che la piattaforma è già entrata in produzione. Il programma comprende la CPU Vera, le GPU Rubin e i sistemi NVL72, progettati per integrare decine di acceleratori in rack ad alta densità. La produzione sarebbe iniziata a gennaio, seguita dal campionamento a febbraio, con l’obiettivo di distribuire quantità molto elevate di sistemi nei prossimi periodi. Le dichiarazioni rispondono alle indiscrezioni su possibili ritardi e puntano a rassicurare hyperscaler, clienti enterprise e investitori sulla capacità dell’azienda di rispettare la transizione successiva a Blackwell. La piattaforma era già stata presentata come il principale strumento con cui Nvidia intende difendere la leadership AI tra pressioni energetiche e problemi di supply chain.

Vera, Rubin e NVL72 aumentano la pressione sulle infrastrutture

La consegna di grandi volumi non dipende soltanto dalla produzione della GPU. I sistemi richiedono CPU, memorie HBM, interconnessioni ad alta velocità, packaging avanzato, alimentatori, raffreddamento e capacità produttiva presso numerosi fornitori. Ogni rack NVL72 concentra potenza di calcolo e consumo elettrico molto superiori rispetto alle generazioni tradizionali, aumentando la necessità di raffreddamento a liquido e distribuzione energetica ad alta densità. Nvidia non vende quindi soltanto acceleratori, ma piattaforme complete pensate per le cosiddette AI factory. La crescita dei costi dei cluster e delle memorie era già emersa nell’analisi sulle pressioni economiche legate a HBM e infrastrutture Nvidia e nel confronto tra Nvidia e Google sui nuovi data center per l’AI multimodale. La capacità di produrre più GPU rischia quindi di spostare il collo di bottiglia verso elettricità, rete, raffreddamento e tempi di costruzione dei campus.

Energia e hardware diventano una sola politica industriale

Shanghai e Nvidia mostrano due lati dello stesso problema. La prima tenta di rendere elastico il consumo dei centri di calcolo; la seconda prepara una nuova ondata di hardware che aumenterà ulteriormente la domanda. La crescita dell’intelligenza artificiale non può più essere misurata soltanto attraverso parametri, benchmark o numero di GPU installate. Dipende dalla capacità delle reti elettriche di sostenere carichi concentrati, dalla disponibilità di componenti avanzati e dalla possibilità di spostare il calcolo nel tempo e nello spazio. Il vantaggio competitivo nell’AI passa quindi dalla capacità di coordinare chip, energia, data center e infrastrutture territoriali come parti di un unico sistema.