List HPC Systems

02/09/2026

🚀 La domanda di server AI continua ad accelerare

Dell Technologies ha registrato un nuovo record nella domanda di infrastrutture dedicate all'intelligenza artificiale: circa 60 miliardi di dollari di ordini nel trimestre, con un backlog che raggiunge i 95 miliardi.

L'azienda prevede ora 74 miliardi di dollari di ricavi da server AI nell'esercizio 2027, rivedendo sensibilmente al rialzo le precedenti stime.

Ma il dato interessante per il mondo HPC è più ampio: insieme ai sistemi accelerati stanno crescendo fortemente anche server CPU tradizionali e networking.

L'espansione dell'AI sta quindi accelerando la trasformazione dell'intero data center. GPU e acceleratori sono fondamentali, ma prestazioni e scalabilità dipendono sempre più dall'integrazione tra CPU, GPU, memoria, rete e storage.

Per chi progetta infrastrutture HPC, la sfida è sempre più quella di costruire il sistema giusto attorno al workload.

Dell Technologies on Tuesday boosted its annual revenue forecast by $25 billion while also raising its profit outlook for the second time this year, driven by soaring demand for ​its AI servers.

31/08/2026

🚀 LIST HPC Daily — 31 agosto 2026

NVIDIA: Data Center a 89 miliardi di dollari (+117%) e Vera Rubin entra nella fase di produzione su larga scala

La notizia che sceglierei oggi per LIST HPC Systems è il nuovo risultato trimestrale di NVIDIA, perché offre una misura molto concreta della velocità con cui continua a crescere il mercato delle infrastrutture AI.

Nel secondo trimestre fiscale 2027 NVIDIA ha registrato 96,2 miliardi di dollari di ricavi, +106% rispetto a un anno fa. Di questi, ben 89 miliardi provengono dal Data Center, +117% anno su anno e +18% rispetto al trimestre precedente.

Ma per il mercato hardware c’è un dato ancora più interessante: NVIDIA conferma che Vera Rubin è ormai in full production, con rack già operativi presso CoreWeave, Google Cloud, Microsoft Azure, Oracle Cloud Infrastructure e Nebius. La società prevede inoltre ricavi complessivi per circa 108 miliardi di dollari nel prossimo trimestre.

🔧 Perché è tecnicamente importante

Vera Rubin rappresenta il passaggio da una GPU considerata come componente singolo a una vera piattaforma rack-scale.

Il sistema integra infatti:

✅ Rubin GPU;
✅ Vera CPU progettata da NVIDIA;
✅ interconnessione NVLink;
✅ networking Spectrum-X e InfiniBand;
✅ BlueField DPU;
✅ storage e networking ottimizzati per accesso diretto agli acceleratori;
✅ raffreddamento a liquido ad alta densità.

Anche il networking sta entrando nella nuova generazione: NVIDIA conferma che gli switch Spectrum-6, con supporto sia a ottiche pluggable sia a co-packaged optics, stanno iniziando ad arrivare nelle AI Factory di maggiore scala.

La crescita del Data Center di NVIDIA mostra soprattutto una cosa: gli investimenti AI non stanno rallentando e si stanno spostando sempre più verso infrastrutture complete.

Per chi deve progettare oggi un cluster HPC/AI questo significa che il confronto non può più fermarsi alla GPU.

Bisogna valutare contemporaneamente:

capacità e banda HBM;
CPU host;
interconnessione GPU-GPU;
rete scale-out;
storage;
potenza disponibile per rack;
raffreddamento;
software e possibilità di espansione futura.

Un sistema con acceleratori molto potenti ma networking, storage o cooling sottodimensionati rischia infatti di non sfruttare realmente l’investimento effettuato.

C’è anche un dato particolarmente significativo per il mercato HPC: NVIDIA segnala 35 nuovi supercomputer AI/HPC Vera Rubin in sviluppo in Europa, ulteriore conferma della convergenza tra infrastrutture scientifiche tradizionali e piattaforme AI accelerate.

📌 Il punto da ricordare: con 89 miliardi di dollari di fatturato Data Center in un solo trimestre, l’AI infrastructure non è più una nicchia del mercato server. Sta diventando il principale motore dell’evoluzione di CPU, GPU, networking, storage, alimentazione e raffreddamento dei data center.

NVIDIA (NASDAQ: NVDA) today reported revenue for the second quarter ended July 26, 2026, of $96.2 billion, up 18% from the previous quarter and up 106% from a year ago.

31/08/2026

🚀 L'Europa investe 387,8 milioni di euro nel nuovo supercomputer LUMI-AI

EuroHPC ha affidato a Bull la realizzazione di LUMI-AI, una nuova infrastruttura europea dedicata all'Intelligenza Artificiale e all'High Performance Computing.

Il sistema sarà basato su acceleratori AMD Instinct MI430X e processori EPYC di 6ª generazione fino a 256 core, con storage IBM, networking ad alte prestazioni e raffreddamento diretto a liquido.

LUMI-AI offrirà una capacità AI circa 10 volte superiore a quella dell'attuale LUMI e quasi raddoppierà la capacità HPC, diventando il cuore computazionale della LUMI AI Factory europea.

Un investimento importante che conferma una tendenza ormai evidente: l'accesso a grandi capacità di calcolo sta diventando un'infrastruttura strategica per ricerca, industria e sviluppo dell'AI europea.

The European Union on Monday awarded French state-owned Bull a ‌387.8 million euro ($449.4 million) contract to build a new AI-focused supercomputer, the company's largest-ever order, as Europe seeks to expand computing capacity and close the gap with the ​United States and China.

27/08/2026

🚀 LIST HPC Daily — 27 agosto 2026

Broadcom porta Ethernet a 800 Gb/s nei cluster AI/HPC: a Hot Chips 2026 i dettagli di Thor Ultra

Tra le novità tecniche emerse da Hot Chips 2026, una delle più interessanti per chi progetta realmente cluster GPU è Broadcom Thor Ultra, la NIC Ethernet da 800 Gb/s pensata specificamente per fabric AI e HPC. La presentazione tecnica del 25 agosto ha mostrato come Broadcom intenda rendere Ethernet competitivo anche nei cluster di acceleratori di grandi dimensioni.

Thor Ultra combina un'interfaccia host PCIe 6.0 x16 con otto SerDes da 100 Gb/s e può essere configurata come 1×800G, 2×400G, 4×200G oppure 8×100G. Il controller è prodotto a 5 nm, integra circa 2,4 miliardi di transistor e ha un consumo massimo nell'ordine dei 40–42 W.

La parte più interessante, però, non è semplicemente passare da 400 a 800 GbE.

Thor Ultra implementa le nuove tecniche di Enhanced RoCE necessarie quando migliaia di GPU devono comunicare contemporaneamente:

✅ packet-level multipathing, distribuendo i pacchetti su più percorsi della rete;

✅ ricezione out-of-order direttamente nella memoria GPU/XPU;

✅ Selective ACK/NACK e selective retransmission, evitando di ritrasmettere inutilmente intere sequenze di pacchetti;

✅ congestion control programmabile;

✅ DMA diretto tra NIC e memoria GPU tramite dma-buf;

✅ supporto nativo agli stack NCCL, RCCL e MPI.

🔧 Perché è tecnicamente importante

Nei cluster AI distribuiti una GPU può essere estremamente veloce e, contemporaneamente, restare inutilizzata perché attende dati provenienti dalle altre GPU.

Il problema quindi non è soltanto la banda nominale della rete, ma quanto bene il fabric riesce a utilizzare percorsi multipli, reagire alla congestione e recuperare eventuali pacchetti persi.

È proprio qui che Thor Ultra cerca di colmare parte della distanza storica tra Ethernet e fabric specializzati come InfiniBand.

Broadcom sottolinea inoltre che Thor Ultra è conforme alle specifiche dell'Ultra Ethernet Consortium, quindi può essere utilizzata con switch, ottiche e acceleratori di produttori differenti anziché richiedere necessariamente un ecosistema verticalmente integrato.

Perché conta per i clienti

Per aziende, università e centri di ricerca questo può diventare molto interessante.

La possibilità di costruire cluster GPU ad alte prestazioni su Ethernet standardizzato e multi-vendor significa potenzialmente:

maggiore scelta tra produttori;
migliore riutilizzo dell'infrastruttura Ethernet esistente;
minore dipendenza da un singolo ecosistema;
possibilità di combinare GPU NVIDIA, AMD e altri acceleratori;
maggiore concorrenza sui costi di networking.

Non significa che 800GbE renda automaticamente Ethernet migliore di InfiniBand: le prestazioni reali dipenderanno da switch, topologia, software, congestion control e workload. Ma mostra chiaramente quanto rapidamente Ethernet stia evolvendo per diventare un fabric specificamente progettato per AI e HPC.



https://www.servethehome.com/broadcom-thor-ultra-ethernet-nic-at-hot-chips-2026/

27/08/2026

🚀 LIST HPC Daily — 26 agosto 2026

NVIDIA Groq 3 LPX entra in produzione: inferenza agentica fino a oltre 3.400 token/s su contesti da 100K

La notizia che sceglierei oggi per LIST HPC Systems arriva da Hot Chips 2026: NVIDIA ha annunciato che Groq 3 LPX, il nuovo acceleratore dedicato all’inferenza AI interattiva, è entrato in produzione completa ed entra ufficialmente nell’ecosistema Vera Rubin.

L’obiettivo è molto preciso: accelerare la fase di token generation nei workload agentici, dove la latenza del decode diventa critica perché un agente può eseguire lunghe catene di ragionamento, chiamare strumenti e generare migliaia di token in sequenza.

In un benchmark di Artificial Analysis con il modello Gemma 4 31B e contesto da 100.000 token, NVIDIA riporta circa 3.431 output token/s, circa 4× più veloce della piattaforma alternativa più vicina nel test considerato. Sul benchmark SPEED-Bench dedicato a workload di coding agentico, il risultato mediano dichiarato sale a circa 4.767 token/s.

🔧 La parte tecnicamente più interessante

Groq 3 LPX non nasce per sostituire semplicemente una GPU.

NVIDIA lo integra con Vera Rubin NVL72 per costruire infrastrutture AI eterogenee nelle quali differenti acceleratori possono occuparsi delle parti del workload che eseguono meglio.

Una configurazione particolarmente interessante è la disaggregazione prefill/decode:

Vera Rubin GPU → prefill e calcolo intensivo
Groq 3 LPX → generazione dei token a bassissima latenza

Questo permette di ottimizzare separatamente due fasi dell’inferenza che hanno caratteristiche molto diverse.

L’architettura supporta inoltre modalità più avanzate, tra cui separazione attention/FFN e speculative decoding, con l’obiettivo di scalare anche verso modelli nell’ordine dei trilioni di parametri.

Il messaggio per chi progetta infrastrutture AI è importante: non esiste più necessariamente un unico acceleratore ideale per tutto il workload.

Con l’AI agentica diventano sempre più significativi:

token/s per utente;
latenza del decode;
time-to-first-token;
throughput complessivo;
consumo energetico;
costo per token;
utilizzo effettivo delle GPU.

Per un’azienda che utilizza coding agent, assistenti tecnici, RAG complessi o applicazioni real-time, ridurre la latenza può avere più valore di aumentare semplicemente i FLOPS teorici.

La direzione del mercato appare quindi sempre più chiara: le future AI Factory saranno probabilmente eterogenee, con CPU, GPU, LPU, DPU, networking e storage progettati come parti dello stesso sistema.

📌 Il punto da ricordare: dopo anni di confronto quasi esclusivamente tra GPU, la nuova competizione si sta spostando verso quale combinazione di acceleratori produce più token, più velocemente e al minor costo operativo.

Il primo cloud provider annunciato per l’adozione di Groq 3 LPX è Nebius.

NVIDIA today announced that NVIDIA Groq 3 LPX, the interactive AI inference accelerator, is now in full production. An extension of the NVIDIA Vera Rubin platform, Groq 3 LPX delivers a major boost in AI inference by enabling ultrafast token generation for highly responsive agentic systems.

27/08/2026

🚀 LIST HPC Daily — 25 agosto 2026

Intel Crescent Island: fino a 480 GB di memoria su una GPU PCIe da 350 W per l’inferenza AI

La notizia che sceglierei oggi per LIST HPC Systems arriva da Hot Chips 2026, dove Intel ha mostrato nuovi dettagli di Crescent Island, la prossima GPU data center progettata specificamente per l’AI inference e i workload agentici.

La configurazione annunciata è particolarmente interessante:

✅ 32 Xe core;
✅ 256 XMX engine basati su architettura Xe3P;
✅ fino a 480 GB di memoria LPDDR5X nelle configurazioni ODM;
✅ scheda PCIe da 350 W;
✅ raffreddamento ad aria;
✅ supporto a formati numerici dal FP4 fino al FP64.

Intel aveva inizialmente annunciato Crescent Island con 160 GB di memoria. A Hot Chips è emerso che il progetto consente ai partner di realizzare varianti con capacità molto maggiore, fino a 480 GB.

🔧 Perché è tecnicamente interessante

Crescent Island segue una filosofia diversa dagli acceleratori AI più estremi basati su HBM e liquid cooling.

Intel punta su una GPU relativamente semplice da installare in server enterprise tradizionali, con grande capacità di memoria e TDP contenuto, ottimizzata per massimizzare i token per watt.

Una memoria da centinaia di GB può essere particolarmente utile nell’inferenza perché permette di mantenere residenti:

modelli molto grandi;
context window estese;
KV cache;
più richieste e agenti contemporaneamente.

Questo può ridurre la necessità di suddividere il modello fra molte GPU e, in alcuni workload, diminuire traffico di interconnessione e complessità del sistema.

Il punto interessante è che il mercato AI sta iniziando a differenziarsi molto chiaramente tra training e inference.

Per l’inferenza aziendale non serve necessariamente la GPU con il massimo numero di FLOPS. Possono essere molto più importanti:

✅ quantità di memoria disponibile;
✅ token/s per watt;
✅ numero di utenti concorrenti;
✅ possibilità di utilizzare il raffreddamento ad aria;
✅ compatibilità con server PCIe standard;
✅ costo complessivo per token.

Una scheda da 350 W con memoria molto elevata potrebbe quindi diventare interessante per aziende, università e centri di ricerca che vogliono implementare LLM e agentic AI on-premise, senza dover necessariamente passare a rack AI ad altissima densità e liquid cooling.

Crescent Island utilizzerà inoltre lo stack software aperto Intel basato su SYCL, oneDNN, oneCCL, Level Zero e Triton, un aspetto importante per chi vuole evitare infrastrutture completamente vincolate a un singolo ecosistema proprietario.

⚠️ Manca ancora un dato essenziale: Intel non ha pubblicato benchmark indipendenti né informazioni complete sulla banda memoria. Per capire quanto i 480 GB siano realmente efficaci rispetto a soluzioni HBM NVIDIA o AMD bisognerà quindi attendere test applicativi reali.

📌 Il punto da ricordare: per l’AI inference, la prossima battaglia potrebbe non essere soltanto sui FLOPS, ma sul rapporto tra memoria, consumo, throughput e costo per token.

Diamond Rapids, Crescent Island and Wildcat Lake demonstrate how Intel is scaling Agentic AI from the rack to the edge.

21/08/2026

🚀 LIST HPC Daily — 21 agosto 2026

🇧🇷 Il Brasile investe 2,3 miliardi di reais in nuovi supercomputer AI: NVIDIA da una parte, Huawei e iFlytek dall’altra

La notizia più rilevante arriva dal Brasile, che il 20 agosto ha presentato un nuovo investimento pubblico da circa 2,3 miliardi di reais (444 milioni di dollari) per ampliare la propria capacità nazionale di calcolo per l’intelligenza artificiale.

La parte interessante è l’architettura della strategia: il finanziamento viene suddiviso fra due grandi infrastrutture AI basate su ecosistemi tecnologici differenti.

🔹 Circa 1,3 miliardi di reais sono destinati a un progetto di supercomputing a Rio de Janeiro, sviluppato con tecnologie cinesi di Huawei e iFlytek, destinato anche allo sviluppo di grandi modelli linguistici generalisti e verticali.

🔹 Un ulteriore miliardo di reais finanzierà un nuovo supercomputer nel Rio Grande do Norte, per il quale NVIDIA è indicata come fornitore previsto. L'obiettivo dichiarato è realizzare un sistema che possa collocarsi tra le maggiori infrastrutture mondiali per capacità di elaborazione AI.

🔧 Perché è tecnicamente interessante

Il Brasile non sta semplicemente acquistando “più GPU”.

Sta costruendo una strategia di Sovereign AI, nella quale capacità di calcolo, cloud nazionale, modelli linguistici e sviluppo dei semiconduttori vengono trattati come infrastrutture strategiche.

Il progetto rientra nel Plano Brasileiro de Inteligência Artificial 2024–2028, che prevede complessivamente circa 23 miliardi di reais di investimenti e include esplicitamente la realizzazione di infrastrutture HPC ad alte prestazioni.

La scelta di distribuire gli investimenti tra piattaforme tecnologiche statunitensi e cinesi è inoltre significativa: punta a evitare una dipendenza totale da un singolo produttore o ecosistema.

Questa è una tendenza che riguarda direttamente anche il mercato europeo.

Quando HPC e AI diventano infrastrutture strategiche, nella scelta di una piattaforma entrano sempre più fattori oltre alle sole prestazioni:

✅ disponibilità e continuità della supply chain;
✅ possibilità di utilizzare acceleratori di produttori diversi;
✅ compatibilità dello stack software;
✅ networking e storage;
✅ consumi e raffreddamento;
✅ localizzazione e controllo dei dati;
✅ possibilità di aggiornare l'infrastruttura senza dipendere completamente da un unico vendor.

Per aziende, università ed enti pubblici questo porta a un principio importante: un cluster AI dovrebbe essere progettato considerando non solo le prestazioni iniziali, ma anche sovranità tecnologica, interoperabilità e TCO durante l’intero ciclo di vita.

Il progetto brasiliano è quindi un altro segnale di un cambiamento ormai globale: la capacità HPC/AI viene sempre più considerata un'infrastruttura nazionale strategica, al pari di energia, telecomunicazioni e cloud.



https://www.reuters.com/world/americas/brazil-launches-ai-supercomputer-push-splits-projects-between-chinese-us-firms-2026-08-20

https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/transformacaodigital/plano-brasileiro-de-inteligencia-artificial

Plano Brasileiro de Inteligência Artificial

21/08/2026

🚀 LIST HPC Daily — 20 agosto 2026

Una nuova tecnica GPU comprime i dati scientifici fino a 60 GB/s: meno I/O, meno storage, più HPC utile

La notizia che sceglierei oggi riguarda FaCTz, un nuovo metodo di compressione sviluppato per GPU e pensato per uno dei problemi più concreti dell’HPC moderno: la quantità enorme di dati prodotta dalle simulazioni scientifiche.

Nei test pubblicati dai ricercatori, FaCTz ha raggiunto una velocità di compressione compresa tra circa 25 e 60 GB/s su una NVIDIA A100, mantenendo invariati i cosiddetti critical points dei campi vettoriali, cioè strutture scientificamente importanti che altri algoritmi lossy possono alterare.

Il confronto è particolarmente interessante: una precedente tecnica CPU in grado di preservare questi punti critici, eseguita su 128 thread, raggiungeva circa 0,1–0,2 GB/s. FaCTz arriva quindi, secondo gli autori, fino a circa 640× il throughput della versione CPU parallela presa come riferimento.

🔧 Perché è tecnicamente importante

Le GPU hanno aumentato enormemente la velocità con cui una simulazione produce risultati, ma storage e rete non sono cresciuti allo stesso ritmo.

Una simulazione CFD, plasma, clima o turbolenza può produrre terabyte di dati per singola esecuzione. Se questi dati devono essere prima trasferiti dalla GPU, poi scritti integralmente sul filesystem e infine riletti per l’analisi, l’I/O può diventare il vero collo di bottiglia del sistema.

FaCTz sposta invece la compressione direttamente sulla GPU, quindi più vicino al punto in cui i dati vengono generati.

In pratica:

GPU simulation → compressione GPU → meno dati da trasferire → meno dati da scrivere sullo storage

Il vantaggio non è soltanto occupare meno spazio: significa anche ridurre traffico sul fabric, tempi di checkpoint e pressione sul filesystem parallelo.

Per chi utilizza cluster HPC, questa ricerca mostra una cosa importante: le prestazioni reali non dipendono soltanto da CPU e GPU.

Se un'applicazione genera grandi quantità di dati, investire esclusivamente nel compute può semplicemente spostare il collo di bottiglia verso storage e rete.

Tecniche di compressione GPU-side possono quindi diventare molto interessanti per:

✅ CFD e fluidodinamica;
✅ simulazioni meteo e climatiche;
✅ plasma e fusion research;
✅ computational physics;
✅ digital twin;
✅ workload scientifici con output molto voluminosi.

C’è anche una lezione progettuale più generale: in un cluster HPC moderno bisogna valutare insieme compute, memoria, rete, storage e pipeline dei dati.

A volte aumentare le prestazioni non significa aggiungere altre GPU: significa ridurre la quantità di dati che quelle GPU devono spostare.

⚠️ FaCTz è al momento un risultato di ricerca e i test riportati sono stati eseguiti su dataset scientifici specifici e su NVIDIA A100. Le prestazioni effettive dipenderanno quindi dal workload e dall’hardware utilizzato.

Scientists running large simulations can end up with terabytes of data that then has to be moved, stored and eventually analyzed. That has become more of an issue as GPUs have pushed up the speed and scale of scientific computing while storage and data-transfer bandwidth have not advanced at the sam...

21/08/2026

🚀 LIST HPC Daily — 19 agosto 2026

Cerebras presenta CS‑4: 750 PFLOPS per rack e inferenza fino a 30× più veloce delle GPU

La notizia più rilevante di oggi per LIST HPC Systems è il nuovo Cerebras CS‑4, annunciato il 18 agosto 2026: una piattaforma rack-scale per AI inference basata su tre Wafer Scale Engine 3 Turbo (WSE‑3T).

Ogni WSE‑3T integra 900.000 core AI, 4 trilioni di transistor e 44 GB di SRAM direttamente sul wafer. Il sistema completo CS‑4 raggiunge:

✅ 750 PFLOPS di AI compute;
✅ 129,6 PB/s di banda memoria;
✅ 160,5 PB/s di fabric interno;
✅ 7,2 Tb/s di I/O;
✅ latenza wafer-to-wafer fino a 2 microsecondi.

Cerebras dichiara fino a 30× maggiore velocità di inference rispetto a sistemi GPU su specifici workload, oltre 4.400 token/s per utente su GPT‑OSS‑120B e fino a 10× più throughput per watt rispetto a CS‑3. Questi valori derivano da benchmark Cerebras e confronti selezionati, quindi andranno valutati con attenzione sui workload reali.

🔧 La parte più interessante: non è solo un chip più veloce

CS‑4 introduce anche la nuova architettura rack Nexus, progettata separando compute, power e I/O.

Il modulo di calcolo è un vero e proprio Wafer-Scale Backpack, che integra:

processore;
conversione di potenza;
direct liquid cooling;
I/O ad alta velocità;
elettronica di controllo.

Questa modularità permette di aggiornare compute, networking e alimentazione in modo più indipendente. Cerebras dichiara inoltre il 50% di componenti in meno e tempi di deployment ridotti da giorni a ore rispetto alla generazione precedente.

La novità forse più importante è il supporto nativo alla disaggregated inference.

Il principio è separare le due fasi principali dell’inferenza:

PREFILL → GPU/ASIC
DECODE → Cerebras CS‑4

Il prefill può quindi essere eseguito, ad esempio, su AMD Helios o AWS Trainium, mentre CS‑4 viene utilizzato per la fase di generazione dei token a bassissima latenza.

Questo apre la strada a infrastrutture AI realmente eterogenee, nelle quali non esiste necessariamente un unico acceleratore ideale per tutto il workload.

Per aziende e centri di ricerca significa che la progettazione di un sistema AI dovrà sempre più considerare:

✅ latenza per utente;
✅ token/s;
✅ throughput complessivo;
✅ consumo energetico;
✅ interconnessione tra acceleratori;
✅ costo per token;
✅ possibilità di combinare GPU e acceleratori specializzati.

CS‑4 supporta inoltre RoCE v2 RDMA over Ethernet e nuovi collegamenti diretti wafer-to-wafer senza switch, quindi può essere integrato anche in infrastrutture Ethernet standardizzate.

📌 Il punto da ricordare: l’AI infrastructure sta evolvendo dalla scelta della “GPU più potente” verso architetture nelle quali compute, memoria, networking, power e cooling vengono progettati come un unico sistema.

I primi sistemi CS‑4 inizieranno le consegne nel terzo trimestre 2026.

Cerebras is the go-to platform for fast and effortless AI training. Learn more at cerebras.ai.

17/08/2026

🚀 LIST HPC Daily — 17 agosto 2026

Hot Chips 2026 mette a confronto la prossima generazione di CPU e GPU per HPC e AI

La notizia più interessante oggi per chi progetta infrastrutture HPC/AI è il programma tecnico di Hot Chips 2026, in calendario a Stanford dal 23 al 25 agosto. L’edizione di quest’anno concentrerà nello stesso evento le architetture che definiranno la prossima generazione di server: NVIDIA Rubin, AMD Instinct MI400, Intel Crescent Island e Diamond Rapids, NVIDIA Vera, Fujitsu MONAKA e nuove piattaforme Arm server.

Particolarmente significativa sarà la sessione GPU del 24 agosto, nella quale verranno presentati in successione:

✅ NVIDIA Rubin GPU, progettata per agentic AI e reasoning;
✅ AMD Instinct MI400, con due interventi distinti dedicati all’architettura della GPU e all’architettura di sistema;
✅ Intel Crescent Island, GPU specificamente orientata all’AI inference.

Nella stessa giornata Intel presenterà inoltre Diamond Rapids, la prossima generazione Xeon, mentre NVIDIA entrerà nei dettagli della nuova Vera CPU. Quest’ultima utilizza 88 core Olympus custom e NVIDIA dichiara fino a 1,8× maggiore velocità di completamento dei task e 2× l’efficienza rispetto alle CPU x86 tradizionali; sono valori del produttore che andranno naturalmente valutati sui workload reali.

🔧 Perché è importante

Hot Chips è particolarmente interessante perché non è una semplice vetrina commerciale: sono gli architetti dei chip a entrare nei dettagli delle nuove soluzioni.

E il programma 2026 evidenzia una tendenza molto chiara: la competizione non riguarda più esclusivamente le GPU.

Accanto agli acceleratori troviamo infatti:

CPU progettate specificamente per alimentare sistemi AI;
memoria HBM e nuove architetture di memoria;
CXL e computational memory;
NIC Ethernet ottimizzate per HPC e AI;
DPUs;
NVLink e fabric scale-up;
Spectrum-X e networking scale-out.
Perché conta per i clienti

Per chi deve acquistare oggi un server GPU o pianificare un nuovo cluster, il punto è importante: le generazioni 2026–2027 stanno diventando sistemi sempre più integrati, nei quali CPU, GPU, memoria e rete devono essere valutati insieme.

Un esempio è Vera Rubin NVL72: un singolo rack combina 72 GPU Rubin, 36 CPU Vera, ConnectX-9 SuperNIC, BlueField-4 DPU, NVLink di sesta generazione, oltre a Quantum-X800 InfiniBand o Spectrum-X Ethernet per lo scale-out.

Questo significa che il confronto tra piattaforme non può fermarsi a FLOPS, numero di core o quantità di HBM. Per un cliente diventano sempre più importanti prestazioni applicative, banda di memoria, interconnessione GPU-GPU, networking, consumi, raffreddamento e TCO dell’intero sistema.

📌 La prossima settimana Hot Chips fornirà quindi dati tecnici molto interessanti per confrontare direttamente le future piattaforme NVIDIA, AMD e Intel. Sarà un evento da seguire con particolare attenzione per le nuove configurazioni HPC/AI.

August 23–25,2026 - Register Now!