230 000 GPU e un accordo con Anthropic: xAI accelera la guerra dell’IA

La mossa è concreta: xAI ha aperto l’accesso a Colossus 1 per un accordo di calcolo con Anthropic, che userà questa potenza soprattutto per aumentare la capacità di inferenza destinata agli abbonati Claude.

Nel frattempo, Elon Musk spinge su un secondo supercluster, Colossus 2, progettato per il training su scala “frontier” con GPU Blackwell. Dietro la scelta c’è un dettaglio tecnico che pesa: Colossus 1 nasce come cluster enorme ma con una dotazione eterogenea di acceleratori, e questa impostazione pu diventare un freno quando l’obiettivo è addestrare un unico modello con sincronizzazione stretta. Da qui la separazione dei compiti: inferenza e capacità commerciale da una parte, training unificato e percorso industriale dall’altra, con l’ombra di una possibile quotazione che richiede numeri, margini e una storia credibile.

Colossus 1: oltre 220.000 GPU, utili per inferenza e capacità

Colossus 1 viene descritto come un sistema costruito “in tempi record” e pensato per carichi diversi, training, fine-tuning, inferenza e HPC. Il dato che colpisce è la scala: oltre 220.000 NVIDIA GPU, con una presenza dichiarata di H100, H200 e anche primi acceleratori di nuova generazione. In un impianto di queste dimensioni, la disponibilità immediata di calcolo è già un prodotto: si pu vendere capacità, si possono assorbire picchi, si pu alimentare un servizio in abbonamento.

L’accordo con Anthropic va letto in questa direzione. Anthropic ha indicato che userà il calcolo aggiuntivo per aumentare la capacità destinata agli abbonati Claude Pro e Claude Max, cioè per servire più richieste e ridurre code e latenza. Per un’azienda che monetizza sull’uso quotidiano, l’inferenza conta quanto, se non più, del training: ogni risposta erogata è un costo operativo, e la disponibilità di GPU pu diventare un collo di bottiglia commerciale.

La critica, se vuoi, è che la narrativa pubblica sui “supercomputer per addestrare il modello X” spesso semplifica. Un cluster enorme pu essere straordinario per throughput di inferenza, per batch di fine-tuning, per carichi diversi in parallelo, ma non per forza è ottimale per addestrare un singolo modello con sincronizzazione totale. Quando l’architettura è mista, l’orchestrazione diventa più complessa: si finisce a segmentare i lavori, a gestire profili diversi, e a perdere efficienza proprio dove servirebbe linearità.

Musk annuncia 230.000 GPU per Grok e 550.000 GB200/GB300 in arrivo

Musk ha rivendicato su X che oltre 230.000 GPU sono operative per addestrare Grok in un unico supercluster chiamato Colossus 1, includendo circa 30.000 GB200. Nello stesso messaggio ha indicato che Colossus 2 inizierà ad andare online “in poche settimane” con una prima ondata di 550.000 unità tra GB200 e GB300, sempre per training. È una dichiarazione aggressiva, perché sposta l’asticella dalla scala “grande” alla scala “industriale” nel giro di un ciclo di prodotto.

Qui entra il punto tecnico che spiega la biforcazione: il training “frontier” richiede interconnessioni veloci, sincronizzazione e omogeneità. Se in un supercluster convivono generazioni diverse, la parte più lenta pu dettare il ritmo, e la pianificazione delle risorse diventa un esercizio di compromessi. Per l’inferenza, invece, puoi spezzare il carico, replicare modelli, usare pool diversi per clienti diversi e sfruttare meglio l’eterogeneità. È il motivo per cui un’infrastruttura pu essere venduta come “capacità” senza essere la macchina ideale per addestrare un singolo modello gigantesco.

La cifra economica citata nel dibattito pubblico è fuori scala, con stime che arrivano a “trilioni di dollari” di spesa complessiva nel settore per assicurarsi hardware. Su questo serve prudenza: i numeri circolano, ma il punto verificabile è la corsa alla capacità e la competizione sull’accesso alle GPU. Se xAI vuole presentarsi come attore di prima fascia, deve dimostrare non solo potenza installata, ma anche utilizzo, costi energetici sostenibili e affidabilità operativa, elementi che gli investitori guardano più delle dichiarazioni.

Colossus 2 solo Blackwell: training unificato e narrativa da IPO

Colossus 2 viene presentato come il passo successivo: un cluster orientato al training, con acceleratori Blackwell, cioè GB200 e GB300. L’idea è semplice: ridurre la frammentazione e costruire una piattaforma più uniforme, dove il software di training pu scalare senza dover “negoziare” tra profili hardware differenti. In prospettiva, è anche un messaggio al mercato: non solo si possiede calcolo, ma lo si organizza per un obiettivo preciso, addestrare modelli di frontiera con cicli rapidi.

Il contesto operativo conta quanto le GPU. xAI ha raccontato di aver trasformato un sito industriale in un data center in tempi brevi e di aver adottato raffreddamento a liquido su scala, un tema decisivo perché la densità di potenza delle GPU moderne rende il raffreddamento un vincolo fisico prima ancora che economico. In quel racconto, l’upgrade verso Blackwell viene associato a salti di prestazioni e banda memoria, e a una strategia di espansione continua. È il tipo di infrastruttura che, se funziona, diventa una barriera all’ingresso.

Resta una domanda scomoda, utile per leggere l’eventuale percorso verso una quotazione: quanto di questa capacità sarà impiegata stabilmente, e a quali margini? Dare Colossus 1 ad Anthropic per aumentare l’inferenza pu essere un modo per monetizzare hardware già installato e stabilizzare ricavi, mentre Colossus 2 si concentra sul training per differenziare il prodotto. È una strategia coerente, ma anche rischiosa: se la domanda di inferenza rallenta o se i costi energetici salgono, la “potenza” da sola non basta, serve efficienza e disciplina industriale.