Vera Rubin, la piattaforma di Nvidia per i centri dati, ha raggiunto l’obiettivo del test di addestramento su DeepSeek-V3 in 4,14 minuti con 1024 GPU. Nel comunicato del 16 novembre Nvidia riassume il passaggio da 256 a 1024 acceleratori come una discesa da 16 a circa 4 minuti. Il risparmio è quindi di circa dodici minuti, tre quarti del tempo iniziale. Il cronometro si ferma al raggiungimento della soglia di qualità fissata da MLPerf. Il risultato riguarda quella prova riproducibile e lascia aperta la questione di quanto costi addestrare da zero un modello destinato all’uso commerciale.
Perché quadruplicare i chip non basta a dividere il tempo per quattro
Se un lavoro potesse essere diviso in quattro parti perfettamente indipendenti, quattro squadre uguali lo finirebbero in un quarto del tempo. Su un modello di intelligenza artificiale i calcoli eseguiti da un acceleratore dipendono anche dai dati elaborati dagli altri. Le GPU devono quindi scambiarsi informazioni. Se aspettano la rete o una parte del lavoro procede più lentamente, il guadagno di tempo resta inferiore a quello teorico.
Nvidia indica per DeepSeek-V3 un’efficienza di scalabilità intorno al 97% passando da 256 a 1024 GPU. Quel numero confronta l’accelerazione ottenuta con il miglioramento ideale di quattro volte. Non misura la percentuale di energia risparmiata. I due tempi arrotondati del comunicato, 16 e 4, danno aritmeticamente un rapporto di quattro esatto: perciò non bastano, da soli, a ricostruire il decimale dell’efficienza dichiarata. Anche la tabella pubblica di Nvidia distingue dal risultato presentato con 1024 chip una prova separata a 256 GPU da 14,7 minuti, contrassegnata come non verificata. Usarla come base per ricalcolare il 97% mescolerebbe due confronti.
A parità di numero di GPU il confronto cambia
La nota tecnica di Nvidia sui risultati MLPerf permette di isolare una seconda domanda: quanto migliora il tempo cambiando generazione di sistemi, ma tenendo fisso il numero degli acceleratori? Con 1024 GPU, la configurazione GB300 NVL72 impiega 8,03 minuti sulla stessa prova, contro i 4,14 minuti di Vera Rubin. Il vantaggio è di 3,89 minuti, ossia circa il 48,4% del tempo della configurazione GB300. Moltiplicare il numero di chip e sostituirli con una nuova generazione sono dunque due decisioni di investimento diverse.
Per un’impresa, ottenere prima un risultato può avere un valore anche se il prezzo della singola esecuzione cambia poco. Un gruppo di ricerca può esaminare prima l’esito di una prova e decidere se avviare quella successiva. Il beneficio è particolarmente concreto quando il secondo esperimento dipende dal primo. Se invece si possono svolgere quattro esperimenti indipendenti, riservare tutte le GPU a un solo lavoro potrebbe lasciare gli altri tre in coda.
Dai minuti di attesa al conto del centro dati
Usando i tempi arrotondati, 256 GPU occupate per 16 minuti equivalgono a 4096 minuti-GPU. Con 1024 GPU al lavoro per circa quattro minuti si ottiene lo stesso ordine di grandezza. Lo stesso esperimento finisce prima, ma per quei minuti tiene impegnati più acceleratori contemporaneamente. I minuti-GPU misurano capacità prenotata o impiegata: per convertirli in dollari servono la tariffa effettiva e la modalità con cui il fornitore fattura il lavoro. Chi possiede l’hardware deve considerare anche rete, consumi e utilizzo dell’impianto nel resto della giornata.
Per chi segue le azioni Nvidia, il risultato documenta quanto bene la piattaforma riesca a utilizzare chip aggiuntivi in un carico specifico. Per stabilire se convenga comprare un sistema più grande servono anche il prezzo d’acquisto e il numero di ore durante le quali il cliente avrà lavoro sufficiente per tenerlo occupato. Il benchmark fornisce il dato sul tempo. È il carico effettivo del singolo centro dati a determinare il valore economico dei dodici minuti guadagnati.
Alle 19:31 italiane del 16 novembre il Nasdaq riportava per NVDA un prezzo di 155,17 dollari e una variazione del −4,72% rispetto alla chiusura precedente. La quotazione si riferisce all’intero gruppo.






