EN

Innovazione

NVIDIA e Microsoft portano Vera Rubin su Azure e l’AI aziendale fino ai PC

Dai sistemi Vera Rubin NVL72 nei data center Azure ai GPU RTX PRO nei sistemi locali: NVIDIA e Microsoft ampliano la filiera per sviluppare e distribuire AI aziendale.

Radar

19 novembre 2026 · 22:12

Top view of NVIDIA GTX 1080 and RTX 2080 graphics cards used in advanced computer setups.
Top view of NVIDIA GTX 1080 and RTX 2080 graphics cards used in advanced computer setups. — Foto: Nana Dua / Pexels — Pexels License

NVIDIA e Microsoft stanno allargando la loro collaborazione sull’intelligenza artificiale lungo tutta la catena che porta un modello dal data center al luogo in cui vengono prodotti e usati i dati. L’annuncio, diffuso durante Microsoft Ignite, comprende nuove risorse cloud su Azure basate sui sistemi NVIDIA Vera Rubin NVL72, strumenti per adattare modelli aperti all’interno di Microsoft Foundry e opzioni destinate alle infrastrutture locali e ai PC Windows.

La direzione è significativa perché molte aziende non vogliono, o non possono, concentrare ogni elaborazione nel cloud pubblico. Dati riservati, requisiti normativi, latenza e continuità operativa spingono verso architetture miste: una parte del lavoro viene eseguita nei grandi data center, un’altra nei siti aziendali e un’altra ancora su workstation e dispositivi vicini agli utenti. NVIDIA e Microsoft intendono fornire componenti collegati fra loro per questo scenario, dalla capacità di calcolo ai software di inferenza, fino ai modelli e agli ambienti gestiti per il loro addestramento successivo.

Vera Rubin arriva nei data center Azure

Il tassello infrastrutturale dell’iniziativa è costituito dai sistemi NVIDIA Vera Rubin NVL72 in funzione nei data center Azure. Si tratta di piattaforme pensate per carichi di lavoro AI su larga scala: addestramento di modelli, inferenza e applicazioni in cui gli agenti devono gestire ragionamenti articolati e più passaggi operativi. Microsoft sta estendendo l’accesso alle macchine virtuali Azure che impiegano questa architettura.

Il valore di una configurazione di questo tipo non risiede soltanto nella potenza di un singolo acceleratore. I modelli più grandi e le applicazioni che servono numerosi utenti richiedono che molte GPU lavorino come un’infrastruttura coordinata, con reti, memoria e software ottimizzati per limitare i colli di bottiglia. NVIDIA e Microsoft richiamano a questo proposito i risultati MLPerf più recenti: nella prova di training v6.1 Azure ha utilizzato 10.240 GPU NVIDIA in sistemi GB200 NVL72 sul modello DeepSeek-V3, la scala più alta dichiarata in quel ciclo di benchmark. Nella prova di inferenza v6.1, i sistemi Azure con NVIDIA GB300 NVL72 hanno registrato il miglior risultato tra le proposte cloud sul throughput interattivo di DeepSeek-R1, secondo l’analisi di Signal65.

I benchmark non raccontano da soli il costo, l’efficienza economica o le prestazioni di ogni applicazione aziendale. Restano però un indicatore della corsa a costruire capacità AI nei cloud pubblici: per Microsoft è una leva per rendere Azure competitivo nei progetti che richiedono cluster molto estesi; per NVIDIA è un modo per portare le proprie piattaforme integrate presso clienti che non intendono acquistare e gestire direttamente un’infrastruttura di questa dimensione.

Le due società lavorano inoltre sull’estensione del confidential computing a sistemi AI bare-metal e a livello di rack. L’obiettivo dichiarato è proteggere modelli, dati e chiavi durante l’elaborazione e permettere ai clienti di verificare l’ambiente di calcolo prima di rilasciare materiale sensibile. È un elemento importante per comparti nei quali informazioni proprietarie o regolamentate non possono essere trattate senza controlli tecnici adeguati. Man mano che gli acceleratori vengono collegati in gruppi sempre più ampi, il perimetro della protezione deve seguire l’intera infrastruttura, non soltanto la singola macchina.

Nel pacchetto rientra anche il lavoro sull’efficienza energetica con NVIDIA MaxLPS. Il tema è tutt’altro che accessorio: nei data center dedicati all’AI disponibilità elettrica e raffreddamento sono ormai vincoli concreti alla crescita. Ottenere più lavoro utile dalla potenza installata può incidere sia sulla pianificazione fisica dei data center sia sulla possibilità di rendere disponibili nuove capacità ai clienti.

Microsoft Foundry punta sui modelli adattati al lavoro d’impresa

Accanto all’hardware, l’annuncio riguarda Microsoft Foundry, l’ambiente con cui l’azienda offre modelli e servizi per costruire applicazioni AI. NVIDIA amplia qui la disponibilità dei propri modelli aperti Nemotron e delle capacità di personalizzazione. L’idea è consentire alle imprese di intervenire sul comportamento di un modello per compiti delimitati, usando dati e criteri di valutazione interni, senza doversi occupare direttamente dell’infrastruttura sottostante.

Microsoft presenta Programmed Training come un servizio serverless per il post-training: gli sviluppatori possono definire i flussi con cui migliorare le risposte di un modello, mentre Foundry gestisce l’ambiente di esecuzione. Managed Compute aggiunge il supporto al deployment di pesi di modello personalizzati. Insieme, i due elementi avvicinano la fase di adattamento a quella di messa in produzione, un passaggio che spesso determina se un prototipo AI diventa realmente utilizzabile in un processo aziendale.

Un caso citato dalle aziende è quello di EY, che ha usato Programmed Training per adattare modelli NVIDIA Nemotron alla classificazione delle registrazioni di acquisto aziendali. Sulla propria serie di valutazione, EY dichiara un miglioramento dell’accuratezza del 55% e un costo inferiore di 15 volte rispetto a modelli proprietari di frontiera. Sono risultati circoscritti a un caso d’uso e a una valutazione interna, dunque non trasferibili automaticamente ad altri contesti. Illustrano tuttavia la ragione dell’interesse per modelli aperti specializzati: su attività ripetitive e ben definite, l’adattamento può risultare più pratico che affidarsi sempre a un modello generalista di dimensioni maggiori.

La famiglia Nemotron 3.5 viene proposta con ruoli differenziati. Super è indirizzato ad agenti impegnati a lungo in attività di coding, ricerca e processi di business; Lightning punta a risposte rapide e all’uso di strumenti. Embed e Rerank sono destinati alla ricerca di informazioni pertinenti, Parse all’estrazione di dati strutturati da documenti, mentre Content Safety è dedicato al rilevamento di contenuti dannosi. NVIDIA ha inoltre indicato come in arrivo Nemotron 3.5 Bolt, per ragionamento a bassa latenza e alto throughput, e Transcribe per il riconoscimento vocale.

Dai servizi cloud agli ambienti in cui risiedono i dati

L’espansione non si ferma ad Azure. NVIDIA e Microsoft stanno aumentando le possibilità di eseguire modelli e agenti vicino ai dati aziendali, mantenendo controllo operativo sull’infrastruttura. Il supporto ampliato a Nemotron 3.5 in Foundry Local porta capacità di ragionamento, coding e utilizzo di strumenti negli ambienti Azure Local. In questo quadro, i modelli di retrieval possono cercare evidenze in testo, immagini di documenti, grafici e tabelle, una funzione utile per sistemi che devono basare le risposte su archivi interni anziché su conoscenza generica.

Azure Local supporterà inoltre GPU NVIDIA RTX PRO 6000 Blackwell attraverso i partner hardware. La stessa famiglia di GPU viene impiegata da Microsoft per accelerare modelli di ricerca Bing; NVIDIA cita anche l’uso del proprio software Dynamo per l’inferenza dopo il post-training. Sono segnali di una collaborazione che non riguarda soltanto prodotti venduti ai clienti: Microsoft adotta componenti NVIDIA anche nei propri servizi, mentre cerca di offrire agli sviluppatori un percorso coerente tra cloud e infrastruttura locale.

Il riferimento ai Windows PC completa la strategia, anche se la portata concreta dipenderà dalle configurazioni hardware, dai partner e dai software che arriveranno sul mercato. Portare l’AI verso endpoint professionali e sistemi industriali può ridurre i tempi di risposta, limitare il trasferimento di dati e consentire elaborazioni anche quando la connessione al cloud non è l’opzione migliore. Non elimina però le complessità: la distribuzione di modelli su più ambienti richiede gestione degli aggiornamenti, controlli sugli accessi, osservabilità e verifiche sulla qualità delle risposte.

Per le imprese, dunque, l’annuncio non equivale a una soluzione pronta per ogni progetto AI. Definisce piuttosto un’offerta più ampia in cui scegliere dove eseguire ciascun carico di lavoro: nei grandi cluster Azure per addestramento e inferenza su scala, nei sistemi locali per esigenze di controllo e prossimità, oppure su PC e workstation quando contano reattività e presenza del dato. Il prossimo banco di prova sarà la disponibilità effettiva delle nuove macchine virtuali, dei modelli e dell’hardware dei partner, insieme alla capacità delle organizzazioni di integrare questi elementi nei processi esistenti.

Fonti

CondividiWhatsAppXFacebookLinkedIn
  • #Vera Rubin
  • #Nemotron
  • #Azure
  • #Nvidia
  • #Microsoft
  • #Microsoft Foundry

Continua a leggerci

Una selezione delle storie migliori, ogni settimana.

Approfondisci