Gilad Shainer, vicepresidente senior per il Networking di NVIDIA, ha descritto cinque funzioni di rete per le fabbriche di IA: scale-up, scale-out, scale-across, context-scale e scale-in. Linda Hardesty ha raccontato l’intervista per Fierce Network in un articolo pubblicato il 14 ottobre 2026; Shainer ne ha illustrato i ruoli come parti diverse di un’architettura, dai collegamenti tra GPU all’accesso sicuro.
NVIDIA definisce una fabbrica di IA come un’infrastruttura progettata per elaborare le diverse fasi del ciclo di vita dell’IA, dall’acquisizione dei dati all’addestramento e all’inferenza, combinando calcolo accelerato e software. La definizione di NVIDIA aiuta a inquadrare la rete: non è un singolo collegamento, ma l’insieme delle connessioni necessarie a far lavorare il sistema.
Le cinque funzioni di rete
| Funzione | Ruolo descritto | Esempio o impiego |
| scale-up | Collega le GPU all’interno di un sistema rack-scale. | Nel Vera Rubin NVL72, NVLink collega le GPU; la configurazione descritta comprende 72 GPU Rubin e 36 CPU Vera. |
| scale-out | Collega più rack per ampliare le risorse disponibili a un carico di lavoro. | L’addestramento può coinvolgere centinaia di migliaia di GPU, secondo Shainer. |
| scale-across | Collega centri dati distinti affinché possano operare come un’unica infrastruttura. | Shainer cita il caso in cui un singolo sito non disponga di potenza sufficiente. |
| context-scale | Collega lo storage necessario ai carichi di inferenza. | È una funzione di rete dedicata al contesto e ai dati usati durante l’inferenza. |
| scale-in | Gestisce l’accesso sicuro degli utenti e la sicurezza degli agenti che operano nella fabbrica di IA. | Riguarda sia gli accessi alla fabbrica sia gli agenti al suo interno. |
Le funzioni e i dettagli del Vera Rubin NVL72 sono riportati da Fierce Network nel resoconto dell’intervista a Shainer. I cinque nomi descrivono compiti diversi: collegare componenti vicini, unire rack o centri dati e sostenere storage e accessi. Non sono cinque sinonimi per la stessa rete.
Perché il lavoro delle GPU richiede sincronizzazione
Quando un carico di lavoro viene suddiviso tra più GPU, ciascuna elabora una parte del calcolo. I risultati devono poi essere aggregati prima che il gruppo proceda alla fase successiva. Shainer spiega che, se i dati arrivano in momenti diversi, le GPU che hanno terminato prima possono restare in attesa di quelle ancora al lavoro: la rete fa quindi parte del coordinamento del calcolo, non è soltanto un canale per trasferire dati.
Una presentazione in inglese di Shainer, pubblicata da NextGenInfra, approfondisce il coordinamento delle GPU e mostra diagrammi dei livelli scale-up, scale-out e scale-across.
Rame per i collegamenti brevi, fibra per quelli lunghi
Shainer descrive il rame come adatto ai collegamenti brevi, anche all’interno e tra rack, e la fibra ottica per le distanze maggiori. La distinzione riguarda la lunghezza del collegamento: non definisce una soglia numerica né assegna un mezzo a ciascuna delle cinque funzioni.
Una mappa di funzioni non è una lista d’acquisto
Cisco presenta una propria Secure AI Factory con switch per data center basati su Cisco Silicon One oppure su NVIDIA Spectrum-X, affiancati da componenti separati per sicurezza, osservabilità, software e storage. La descrizione di Cisco è un esempio di implementazione del fornitore; accostata alla tassonomia di Shainer, chiarisce la differenza tra nominare le funzioni che una rete deve svolgere e scegliere come assemblare i componenti. La classificazione, da sola, non prescrive uno stack completo di un unico fornitore.
