Huawei accelera sull’AI: due nuovi chip in arrivo nel 2027

Huawei accelera la propria strategia nell'intelligenza artificiale e prepara per il 2027 una nuova fase della propria piattaforma di calcolo. Il gruppo cinese ha delineato una roadmap che prevede nuovi processori dedicati all'AI e sistemi sempre più grandi, nei quali migliaia o centinaia di migliaia di unità di calcolo possono lavorare insieme come se facessero parte di un'unica macchina. L'obiettivo non è soltanto aumentare la potenza del singolo chip, ma costruire infrastrutture capaci di sostenere addestramento e inferenza dei modelli artificiali di nuova generazione.
Il passaggio è particolarmente significativo perché il mercato dell'AI computing sta entrando in una fase nella quale le prestazioni non dipendono più soltanto dalla potenza teorica di un acceleratore. Diventano altrettanto importanti la velocità con cui migliaia di processori comunicano tra loro, la capacità di condividere memoria, l'efficienza energetica, l'affidabilità dei sistemi e il software utilizzato per distribuire il lavoro.
La strategia di Huawei ruota proprio intorno a questo concetto. Accanto ai nuovi processori AI, l'azienda sta sviluppando architetture denominate SuperPoD e SuperCluster, supportate da UnifiedBus, tecnologia di interconnessione progettata per collegare grandi quantità di risorse di calcolo con elevata larghezza di banda e bassa latenza.

I nuovi chip attesi nel 2027

La roadmap annunciata da Huawei prevede nuovi chip per intelligenza artificiale nel corso del 2027. Il calendario indicato dall'azienda distribuisce il lancio delle nuove soluzioni in differenti momenti dell'anno, con l'obiettivo di accompagnare l'evoluzione dei propri sistemi Atlas e delle infrastrutture destinate ai grandi modelli.
Non si tratta di processori progettati principalmente per computer domestici o smartphone. Il bersaglio è il mercato dei data center AI, dove gli acceleratori vengono installati in grandi quantità per eseguire operazioni matematiche necessarie all'addestramento e all'utilizzo di modelli linguistici, sistemi multimodali, applicazioni industriali e servizi basati sull'intelligenza artificiale.
In questo settore la capacità del singolo chip è importante, ma non sufficiente. Per addestrare modelli molto grandi è necessario dividere miliardi o trilioni di operazioni fra numerosi acceleratori. Il problema diventa quindi quello di mantenere migliaia di processori sincronizzati senza perdere una parte significativa delle prestazioni nella comunicazione fra un'unità e l'altra.

Perché il chip da solo non basta più

L'evoluzione dell'intelligenza artificiale generativa ha modificato profondamente il settore dei semiconduttori. Per anni l'attenzione si è concentrata soprattutto sul numero di transistor e sulla velocità del singolo processore. Con la crescita dei modelli AI, però, la scala dell'infrastruttura è diventata altrettanto importante.
Quando un modello viene distribuito su migliaia di acceleratori, ogni processore deve continuamente scambiare dati con gli altri. Se la rete interna è troppo lenta, una parte significativa del tempo viene trascorsa aspettando il trasferimento delle informazioni anziché effettuando calcoli utili.
Per questa ragione produttori di chip, società cloud e operatori di data center stanno investendo enormemente nelle tecnologie di interconnessione ad alta velocità. Huawei affronta il problema attraverso UnifiedBus, una delle componenti più importanti della propria strategia.

Cos'è UnifiedBus

UnifiedBus, abbreviato UB, è il protocollo di interconnessione sviluppato da Huawei per collegare processori, memoria e altre risorse di calcolo all'interno dei propri sistemi ad alta densità. Il progetto nasce dalla necessità di far cooperare grandi quantità di chip con latenze molto ridotte.
L'obiettivo è creare una struttura nella quale differenti server fisici possano comportarsi, dal punto di vista del sistema, come una macchina molto più grande. L'idea alla base del SuperPoD è proprio questa: trasformare numerosi nodi separati in una risorsa logica coordinata.
Huawei lavora su UnifiedBus da diversi anni e ha progressivamente ampliato la scala dei sistemi compatibili. La seconda generazione della tecnologia è stata progettata per sostenere configurazioni molto più grandi, con collegamenti capaci di gestire quantità crescenti di traffico interno.

Il concetto di SuperPoD

Un SuperPoD può essere immaginato come un insieme molto ampio di acceleratori e server collegati con una rete interna estremamente veloce. L'obiettivo è ridurre il più possibile la differenza fra lavorare all'interno di una singola macchina e utilizzare numerosi nodi separati.
Nel calcolo AI tradizionale, un grande cluster può essere composto da centinaia o migliaia di server connessi attraverso reti ad alte prestazioni. Huawei cerca di rendere questa integrazione ancora più stretta, utilizzando UnifiedBus per creare un ambiente nel quale memoria e risorse possano essere gestite in modo più coordinato.
Il vantaggio potenziale è una migliore utilizzazione dei processori. Se migliaia di acceleratori trascorrono meno tempo in attesa dei dati, aumenta la quantità di potenza effettivamente utilizzabile per l'addestramento o l'inferenza.

Dal SuperPoD al SuperCluster

Huawei utilizza anche il termine SuperCluster per descrivere sistemi ancora più grandi ottenuti collegando molte unità SuperPoD. È in questa dimensione che la strategia assume proporzioni particolarmente ambiziose.
La roadmap aziendale prevede infrastrutture in grado di integrare centinaia di migliaia di processori AI e, nelle generazioni successive, arrivare a superare il milione di NPU. NPU significa Neural Processing Unit, cioè unità progettata specificamente per elaborare le operazioni tipiche delle reti neurali.
Un numero enorme di acceleratori non produce automaticamente un sistema altrettanto potente. La vera difficoltà consiste nel farli lavorare in modo coordinato, mantenere stabile il sistema, distribuire correttamente i compiti e ridurre i tempi persi durante lo scambio dei dati.

La famiglia Ascend

Il marchio Ascend identifica la principale famiglia Huawei dedicata agli acceleratori per intelligenza artificiale. Questi processori sono utilizzati per l'addestramento dei modelli e per l'inferenza, cioè la fase nella quale un modello già addestrato produce risposte, immagini, analisi o altre elaborazioni.
Le esigenze delle due attività sono differenti. L'addestramento richiede normalmente enormi quantità di calcolo concentrate per periodi prolungati, mentre l'inferenza deve spesso servire milioni di richieste rapidamente e con costi sostenibili.
La nuova generazione della piattaforma viene sviluppata proprio con l'obiettivo di coprire entrambi gli scenari, inserendosi in una struttura più ampia composta non soltanto da semiconduttori ma anche da server, networking, software e cloud.

Training e inference: due esigenze diverse

Quando si parla di AI, il termine "potenza di calcolo" rischia di nascondere differenze importanti. Addestrare un grande modello e utilizzarlo dopo l'addestramento sono operazioni molto diverse.
Durante il training, enormi dataset vengono elaborati ripetutamente e i parametri del modello vengono aggiornati sulla base dei risultati. Per modelli molto grandi il procedimento può richiedere migliaia di processori in funzione contemporaneamente per settimane.
Nell'inference, invece, il modello deve trasformare rapidamente una richiesta in un risultato. Qui diventano cruciali latenza, quantità di utenti servibili contemporaneamente, memoria disponibile e costo per ogni token o elaborazione prodotta.

Perché i token sono diventati una metrica industriale

Nel settore dell'AI generativa si parla sempre più frequentemente di token. Un token è una porzione di informazione testuale elaborata da un modello linguistico e può corrispondere a una parola, a una parte di parola o ad altri elementi.
La quantità di token generati al secondo è diventata quindi una delle metriche utilizzate per valutare l'efficienza dei sistemi di inferenza. Per i grandi operatori cloud, produrre più token utilizzando la stessa quantità di energia e hardware significa poter servire più richieste a costi inferiori.
Huawei ha inserito questo concetto nella propria strategia infrastrutturale, presentando sistemi nei quali rete, memoria, processori e software vengono progettati insieme per aumentare il throughput complessivo.

Il problema della memoria

Uno degli ostacoli più importanti nello sviluppo dell'AI non riguarda soltanto il numero di operazioni matematiche eseguibili, ma la memoria. I modelli più grandi contengono quantità enormi di parametri che devono essere conservati e continuamente trasferiti verso i processori.
Quando i dati non arrivano abbastanza rapidamente, anche un acceleratore estremamente potente può rimanere parzialmente inutilizzato. Per questo le architetture AI moderne cercano di aumentare la banda della memoria e ridurre le distanze logiche fra memoria e unità di calcolo.
UnifiedBus viene presentato anche come strumento per consentire una gestione più integrata delle risorse. La possibilità di creare forme di indirizzamento unificato rappresenta uno degli elementi sui quali Huawei punta per migliorare l'efficienza dei grandi sistemi.

Il collo di bottiglia delle interconnessioni

Il trasferimento dei dati è diventato uno dei principali colli di bottiglia dei data center AI. Aumentare il numero dei processori senza aumentare proporzionalmente la capacità della rete interna produce rendimenti progressivamente inferiori.
In un modello distribuito, gli acceleratori devono continuamente sincronizzare risultati intermedi. Più processori vengono utilizzati, maggiore è la quantità di comunicazioni necessarie. La latenza, cioè il tempo impiegato dai dati per spostarsi da un punto all'altro, può quindi diventare decisiva.
La sfida è particolarmente complessa perché bisogna ottenere contemporaneamente banda elevata, latenza contenuta, affidabilità e consumi energetici accettabili. Il networking AI è ormai una componente strategica quasi quanto la progettazione del processore stesso.

Perché Huawei punta sulla scala

La strategia Huawei attribuisce particolare importanza alla scala dei sistemi. L'azienda ha esplicitamente impostato parte della propria ricerca sull'idea che grandi quantità di processori, se collegate in maniera efficiente, possano compensare determinati limiti del singolo componente.
È un principio che appartiene all'intero settore del calcolo distribuito. Molte delle infrastrutture AI più potenti al mondo sono costruite assemblando decine di migliaia di acceleratori. La differenza si gioca sulla capacità di utilizzare effettivamente quella potenza senza disperderla attraverso inefficienze di sistema.
Huawei cerca quindi di intervenire contemporaneamente a livello di chip, server e interconnessione, una strategia conosciuta come co-design dell'intera piattaforma.

Hardware e software devono evolvere insieme

Un processore AI non è realmente utile senza un adeguato ecosistema software. Gli sviluppatori devono poter programmare l'hardware, utilizzare librerie ottimizzate, distribuire modelli e integrare le nuove piattaforme con strumenti già utilizzati nella ricerca e nelle aziende.
Huawei sta lavorando sul proprio ambiente CANN, destinato al calcolo eterogeneo, e sull'integrazione con alcuni dei principali framework utilizzati nel settore. La compatibilità software è fondamentale perché gli sviluppatori tendono a preferire piattaforme per le quali esistono documentazione, strumenti e comunità consolidate.
Nel mondo dell'AI il valore di una piattaforma deriva quindi dalla combinazione di hardware, compilatori, librerie e framework. Prestazioni teoriche molto elevate possono risultare meno importanti se tradurre un modello sulla nuova piattaforma richiede settimane di lavoro.

L'importanza dell'ecosistema degli sviluppatori

Creare un ecosistema è una delle sfide più difficili per qualunque produttore di acceleratori. Gli sviluppatori investono tempo e competenze nell'apprendimento di strumenti specifici e hanno quindi un forte incentivo a rimanere sulle piattaforme già conosciute.
Huawei sta cercando di ampliare la compatibilità con ambienti open source e strumenti utilizzati nella comunità internazionale dell'AI. L'obiettivo è ridurre la distanza fra il codice scritto per altri sistemi e quello necessario alle proprie NPU Ascend.
Il successo commerciale dei nuovi processori dipenderà quindi non soltanto dai benchmark ma dalla capacità di rendere semplice l'utilizzo reale da parte di università, aziende, cloud provider e sviluppatori.

Il consumo energetico dei data center AI

La crescita dell'intelligenza artificiale pone anche una questione di energia. Grandi cluster di acceleratori possono richiedere potenze elettriche enormi e generano quantità significative di calore che devono essere dissipate.
Il problema non riguarda soltanto il costo della bolletta. Un data center deve disporre di alimentazione stabile, infrastrutture di raffreddamento, sistemi di distribuzione elettrica e capacità di funzionare senza interruzioni. L'efficienza per watt diventa quindi una metrica sempre più importante.
Ridurre la quantità di tempo in cui i processori rimangono inutilizzati in attesa di dati migliora indirettamente anche l'efficienza energetica. Una buona architettura di interconnessione può quindi contribuire a ottenere più lavoro dalla stessa quantità di hardware installato.

Raffreddare migliaia di acceleratori

I sistemi AI ad alta densità producono enormi quantità di calore. I tradizionali sistemi di raffreddamento ad aria stanno incontrando limiti sempre più evidenti e l'industria sta sviluppando soluzioni basate sul raffreddamento a liquido.
All'aumentare della potenza elettrica concentrata in un singolo rack, diventa necessario trasferire il calore con maggiore efficienza. Per i SuperPoD e i grandi cluster AI, l'infrastruttura termica diventa quindi parte integrante del progetto.
Prestazioni, consumi e raffreddamento devono essere valutati insieme. Una piattaforma estremamente potente ma troppo difficile da raffreddare potrebbe aumentare significativamente il costo totale di proprietà per chi gestisce un data center.

L'affidabilità su scala gigantesca

Quando un sistema contiene poche unità, il guasto di un componente è relativamente semplice da gestire. Quando contiene centinaia di migliaia di processori, la probabilità che qualche elemento abbia continuamente un problema aumenta. L'affidabilità diventa quindi una sfida matematica oltre che ingegneristica.
Un cluster AI deve poter isolare nodi difettosi, spostare i carichi, rilevare errori e continuare a lavorare senza perdere interi processi di addestramento. Per modelli che richiedono settimane di calcolo, un'interruzione significativa può trasformarsi in un enorme costo economico.
Huawei sta sviluppando sistemi di gestione e manutenzione destinati a individuare rapidamente processori rallentati o problematici. La capacità di monitorare milioni di parametri in tempo reale sarà sempre più importante con l'aumento della scala infrastrutturale.

Il passaggio verso modelli sempre più grandi

La corsa alla potenza di calcolo è alimentata anche dalla crescita delle dimensioni dei modelli AI. Nonostante il settore stia sviluppando tecniche per rendere i modelli più efficienti, le applicazioni più avanzate continuano a richiedere enormi risorse per l'addestramento.
I sistemi multimodali devono elaborare contemporaneamente testo, immagini, audio e video. I modelli agentici devono eseguire catene di operazioni più lunghe, utilizzare strumenti esterni e conservare contesti molto ampi.
Questi sviluppi aumentano la pressione sulle infrastrutture. La capacità di collegare un numero crescente di acceleratori è quindi considerata una condizione essenziale per sostenere la prossima fase dell'AI industriale.

Non conta soltanto avere più parametri

È però importante evitare l'equazione secondo cui un modello più grande sarebbe automaticamente un modello migliore. La qualità dell'intelligenza artificiale dipende da architettura, dati, addestramento, capacità di ragionamento, tecniche di ottimizzazione e molti altri fattori.
Negli ultimi anni sono emersi modelli capaci di ottenere prestazioni elevate utilizzando strategie come Mixture of Experts, quantizzazione e sparse computation. Queste tecniche consentono di utilizzare soltanto una parte delle risorse per ogni richiesta.
La disponibilità di più potenza di calcolo amplia le possibilità della ricerca, ma non sostituisce l'innovazione algoritmica. Il futuro dell'AI sarà probabilmente determinato dall'interazione fra hardware più potente e software più efficiente.

Dall'AI cloud all'intelligenza industriale

I sistemi Huawei non sono destinati esclusivamente ai chatbot. L'azienda presenta la propria infrastruttura come base per applicazioni di AI industriale in telecomunicazioni, manifattura, finanza, trasporti, ricerca scientifica e altri settori.
In molti di questi contesti non conta soltanto produrre testo. I modelli devono analizzare grandi flussi di dati, riconoscere anomalie, controllare macchinari, ottimizzare reti o simulare sistemi complessi. Le esigenze di calcolo ad alte prestazioni possono quindi essere estremamente differenti.
Un'architettura modulare e scalabile permette teoricamente di adattare la stessa famiglia tecnologica a carichi di lavoro diversi, dal singolo server fino al supercluster.

La competizione si sposta sull'intero sistema

La nuova roadmap conferma una trasformazione già evidente nel mercato: la competizione nell'hardware AI non riguarda più soltanto il confronto diretto fra singoli chip.
Le aziende cercano di offrire piattaforme complete nelle quali processori, networking, memoria, storage, software e servizi cloud siano progettati per lavorare insieme. Chi controlla l'intero stack tecnologico può ottimizzare ogni componente in funzione degli altri.
Per i clienti questo può tradursi in migliori prestazioni, ma crea anche interrogativi sull'interoperabilità. Un'infrastruttura fortemente integrata può rendere più difficile sostituire soltanto un componente o combinare tecnologie provenienti da fornitori differenti.

La sfida dell'interoperabilità

Uno dei temi destinati a diventare sempre più importanti è quindi l'interoperabilità. Data center e operatori cloud preferiscono spesso evitare una dipendenza eccessiva da un unico produttore e cercano standard che permettano di integrare hardware differente.
Huawei ha reso disponibili specifiche della propria tecnologia UnifiedBus con l'obiettivo dichiarato di favorire un ecosistema più aperto intorno all'interconnessione. La diffusione reale dello standard dipenderà però dalla sua adozione da parte di altri operatori.
Come già accaduto in molte altre aree dell'informatica, il confronto tra soluzioni proprietarie e standard aperti sarà uno degli elementi decisivi per stabilire quali architetture riusciranno a consolidarsi.

Cosa significa per il mercato globale dei chip AI

L'arrivo di nuovi acceleratori Huawei aumenta il numero delle alternative disponibili nel settore del calcolo artificiale. Il mercato rimane caratterizzato da investimenti estremamente elevati e da una domanda che negli ultimi anni ha superato in diversi momenti la capacità produttiva disponibile.
Cloud provider, aziende tecnologiche e grandi organizzazioni stanno cercando soluzioni in grado di ridurre i costi dell'inference, perché l'utilizzo quotidiano dell'AI può diventare economicamente più rilevante dello stesso addestramento.
La concorrenza tra piattaforme potrebbe quindi spostarsi progressivamente dal semplice confronto sulle prestazioni teoriche alla misura del costo per unità di lavoro, dei consumi e della capacità di utilizzare efficacemente enormi quantità di processori.

Il 2027 sarà un anno importante per la roadmap Huawei

Il calendario annunciato rende il 2027 un passaggio importante per la strategia AI del gruppo. Le nuove generazioni dovranno dimostrare sul campo la capacità di tradurre le promesse architetturali in prestazioni reali.
Benchmark indipendenti, disponibilità commerciale, affidabilità e facilità di utilizzo saranno elementi essenziali per capire il posizionamento effettivo delle nuove NPU. Come sempre nel settore dei semiconduttori, i dati dichiarati dal produttore devono essere verificati attraverso applicazioni e carichi di lavoro concreti.
Particolare attenzione verrà riservata anche ai tempi di consegna e alla capacità produttiva. Progettare un processore competitivo è soltanto una parte del problema: bisogna riuscire a produrlo in quantità sufficienti e integrarlo in sistemi industrialmente sostenibili.

La vera battaglia è trasformare potenza teorica in potenza utile

La roadmap Huawei mette quindi in evidenza una delle trasformazioni più importanti dell'informatica contemporanea: l'unità di misura del progresso non è più soltanto il singolo chip.
Un acceleratore molto potente può offrire risultati inferiori alle attese se memoria, rete o software non riescono ad alimentarlo abbastanza rapidamente. Allo stesso modo, un processore meno avanzato può diventare più competitivo se inserito in un sistema capace di sfruttarlo con elevata efficienza.
Il concetto di SuperPoD nasce precisamente da questo problema. Huawei scommette sul fatto che la progettazione congiunta di chip e interconnessione possa trasformare enormi quantità di hardware in una singola risorsa di calcolo coordinata.

La prossima fase dell'intelligenza artificiale passa dai data center

Il futuro dell'AI non sarà deciso soltanto dagli algoritmi visibili agli utenti. Dietro ogni chatbot, generatore di immagini o sistema di automazione esistono data center, processori, reti, memoria e consumi energetici che determinano quanto quel servizio possa crescere.
I nuovi chip Huawei e la strategia UnifiedBus rappresentano quindi una parte di una competizione molto più ampia: costruire le infrastrutture capaci di sostenere un numero crescente di modelli e di richieste senza rendere economicamente insostenibile il costo del calcolo.
Il 2027 mostrerà quanto questa architettura riuscirà a tradursi in prodotti realmente competitivi. Se seguite l'evoluzione dell'intelligenza artificiale, fateci sapere nei commenti quale aspetto considerate più decisivo per i prossimi anni: potenza dei chip, consumo energetico, software, costi o capacità di collegare enormi quantità di processori.