// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
I cluster AI privati mandano in crisi la classifica dei supercomputer
I grandi cluster AI privati stanno rendendo sempre meno rappresentativa la classica corsa al supercomputer più veloce. Mentre il sistema cinese LineShine ha conquistato il vertice della TOP500 con oltre due exaflops, molte infrastrutture dedicate all'intelligenza artificiale restano fuori dalle graduatorie pubbliche oppure diffondono soltanto numeri selezionati, difficili da confrontare direttamente.
LineShine utilizza 13,79 milioni di core basati sulla piattaforma cinese LingKun, processori LX2 da 304 core, interconnessione proprietaria LingQi e sistema operativo Kylin. È la prima macchina esclusivamente CPU presente nella TOP500 a mantenere più di due exaflops, raggiungendo circa l'80% del picco teorico con un assorbimento di 42,2 MW. Il risultato riporta inoltre la Cina al primo posto della graduatoria per la prima volta dal 2017.
La classifica, però, misura le prestazioni attraverso HPL, benchmark introdotto nel 1993 e costruito sulla risoluzione di sistemi densi di equazioni lineari in doppia precisione. Il test permette confronti coerenti fra architetture e generazioni diverse, ma può essere ottimizzato in modo molto aggressivo e non descrive da solo la velocità raggiungibile nelle applicazioni scientifiche reali.
Altri benchmark raccontano infatti una situazione più articolata. LineShine raggiunge 22 petaflops in HPCG, prova più sensibile a banda di memoria, latenza e comunicazione fra nodi. In HPL-MxP, orientato ai calcoli a precisione mista e favorevole a GPU e motori tensoriali, il sistema cinese sale a 7,92 exaflops e occupa la quarta posizione mondiale. El Capitan, Aurora e Frontier ottengono incrementi proporzionalmente maggiori grazie alle rispettive architetture accelerate.
La frammentazione aumenta con le infrastrutture per l'IA. Eagle di Microsoft compare al settimo posto della TOP500, ma numerosi operatori privati comunicano soltanto quantità di GPU, prestazioni teoriche FP8 o velocità espresse in token al secondo. In altri casi non pubblicano quasi nulla, per evitare di offrire ai concorrenti indicazioni sulla capacità disponibile, sull'efficienza o sulla configurazione dei propri sistemi.
MLPerf propone prove standardizzate per addestramento e inferenza, includendo anche carichi DeepSeek-V3 e GPT-OSS 20B nella suite 2026, ma la partecipazione rimane volontaria. Un laboratorio può quindi evitare il confronto pubblico se teme un risultato poco competitivo. Questa opacità si inserisce in un dibattito già segnato dal ridimensionamento delle previsioni sull'impatto dell'IA, alimentando una distanza crescente tra dichiarazioni promozionali e dati verificabili.
Per chi acquista o gestisce un supercomputer, il primo posto assoluto diventa così meno decisivo rispetto a time-to-solution, affidabilità, consumi e prestazioni sul carico previsto. La moderna infrastruttura AI ha trasformato una singola gara in più competizioni sovrapposte: calcolo scientifico, precisione mista, efficienza energetica, archiviazione e inferenza richiedono metriche differenti, mentre una parte crescente della potenza mondiale non entra in alcuna classifica pubblica.
Aggiungi Tom's Hardware alle tue fonti preferite su Google