Le AI Factory sono infrastrutture sempre più complesse, nelle quali le prestazioni dei sistemi di calcolo dipendono strettamente dall’efficienza degli impianti elettrici e di raffreddamento. Per ottimizzarne il funzionamento non basta quindi intervenire sulle GPU: occorre considerare l’intero data center come un unico sistema, nel quale infrastruttura fisica e capacità di elaborazione devono essere progettate e gestite in modo integrato.
È questo l’obiettivo del progetto pilota annunciato da Schneider Electric, Aveva, Nscale e Start Campus, che porta la tecnologia NVIDIA Omniverse DSX Blueprint in un ambiente operativo reale, attraverso la realizzazione di un digital twin end-to-end capace di integrare dati ingegneristici, operativi e simulazioni avanzate.
Denominato Immersive Twin, il progetto rappresenta il passaggio dalla definizione dell’architettura tecnologica, annunciata lo scorso marzo, alla sua applicazione a una concreta infrastruttura destinata all’AI.
La sperimentazione riguarda il data center SIN01 del SINES Data Campus, in Portogallo, dove Nscale gestisce infrastrutture di calcolo dedicate all’intelligenza artificiale. L’obiettivo è ottimizzare le prestazioni dell’impianto, ridurre i rischi associati agli aggiornamenti tecnologici e migliorare l’efficienza energetica, misurata anche attraverso la quantità di token prodotti per unità di energia consumata.
Indice degli argomenti
Un digital twin per governare l’intera AI Factory
La particolarità di Immersive Twin è la capacità di mettere in relazione componenti normalmente gestite attraverso strumenti e sistemi differenti.
Da un lato ci sono i carichi di lavoro AI, con i relativi requisiti di potenza e capacità di elaborazione. Dall’altro ci sono gli impianti elettrici, i sistemi di raffreddamento, le caratteristiche dei rack e le condizioni operative dell’infrastruttura.
Il gemello digitale permette di simulare come una modifica su uno di questi elementi si ripercuota sul funzionamento degli altri, consentendo di valutare scenari alternativi prima di realizzare interventi fisici.
Un esempio concreto riguarda l’aumento della densità computazionale dei rack, determinato dall’introduzione di nuove generazioni di GPU. L’operazione non comporta soltanto una maggiore richiesta di energia, ma modifica anche la quantità di calore da dissipare e le condizioni di funzionamento del sistema di raffreddamento.
Attraverso il digital twin è possibile verificare anticipatamente se l’infrastruttura esistente sia in grado di sostenere la nuova configurazione oppure se siano necessari interventi sulla distribuzione elettrica o sul raffreddamento a liquido.
“Grazie al digital twin possiamo simulare come un aumento della densità dei rack si propaga lungo la catena di alimentazione e il circuito di raffreddamento a liquido prima che diventi realtà fisica”, spiega Robert Dunn, CEO di Start Campus. “Così possiamo testare nuove generazioni di hardware, concordare la configurazione con il cliente e costruire una sola volta”.
L’approccio permette quindi di ridurre i rischi progettuali e operativi, accelerando l’introduzione di nuove tecnologie e limitando la necessità di modifiche successive.
Le tecnologie di Schneider Electric, Aveva ed ETAP integrate con Nvidia Omniverse
Dal punto di vista tecnologico, Immersive Twin si basa su OpenUSD, il framework aperto utilizzato per rappresentare e integrare informazioni relative agli asset all’interno di ambienti tridimensionali.
Il progetto utilizza NVIDIA Omniverse DSX Blueprint, nell’ambito della piattaforma DSX Sim, per collegare modelli digitali, dati ingegneristici e simulazioni fisiche.
All’interno di questa architettura convergono diverse tecnologie del gruppo Schneider Electric.
Aveva mette a disposizione gli strumenti per la gestione delle informazioni ingegneristiche e operative, tra cui CONNECT, PI System, Aveva Unified Engineering, Asset Information Management e Process Simulation. ETAP contribuisce con le capacità di modellazione e simulazione dei sistemi elettrici, mentre le tecnologie Schneider Electric consentono di analizzare le prestazioni dell’infrastruttura energetica e di raffreddamento.
Il risultato è un ambiente condiviso nel quale progettisti, ingegneri e operatori possono lavorare sulle stesse informazioni, utilizzando modelli aggiornabili e strumenti di simulazione interoperabili.
Il valore dell’integrazione non risiede soltanto nella rappresentazione tridimensionale del data center, ma nella possibilità di utilizzare il modello come strumento di valutazione delle decisioni operative.
Nella descrizione tecnica del progetto pubblicata da Nvidia, per esempio, viene illustrato un sistema di ottimizzazione del raffreddamento che, mantenendo costante il carico IT, simula differenti temperature del fluido refrigerante per individuare configurazioni capaci di ridurre l’energia assorbita dagli impianti senza compromettere le condizioni termiche delle apparecchiature.
La soluzione è inoltre progettata per integrare strumenti di simulazione di terze parti, favorendo l’interoperabilità tra piattaforme diverse.
“Riunendo alimentazione, raffreddamento e infrastruttura in un unico ambiente, gli operatori possono simulare aggiornamenti, espansioni e progetti greenfield, ottimizzando in continuo le operazioni fisiche al variare delle condizioni”, sottolinea Caspar Herzberg, CEO di Aveva.
L’obiettivo è produrre più token con la stessa energia
Il progetto si inserisce in una trasformazione più ampia del settore dei data center, determinata dalla crescente domanda di capacità di calcolo per l’addestramento e soprattutto per l’inferenza dei modelli AI.
Con l’aumento delle dimensioni delle infrastrutture, la disponibilità di energia sta diventando uno dei principali vincoli alla loro espansione. La capacità di trasformare ogni megawatt disponibile nella maggiore quantità possibile di elaborazioni assume quindi un’importanza economica crescente.
In questo contesto acquista rilievo il concetto di token efficiency, ossia l’efficienza con cui l’infrastruttura trasforma l’energia consumata in output dei modelli AI.
Il tema non riguarda soltanto il rendimento delle GPU. Anche l’energia assorbita dai sistemi ausiliari, come il raffreddamento, incide infatti sulla quantità di potenza effettivamente disponibile per il calcolo.
Una gestione più efficiente dell’infrastruttura fisica può quindi liberare capacità energetica da destinare ai carichi di lavoro AI, aumentando la produttività dell’impianto senza necessariamente incrementarne la potenza complessiva.
Un altro parametro fondamentale è il time to token, ossia il tempo necessario per portare una nuova infrastruttura alla produzione effettiva di output AI. La possibilità di anticipare attraverso la simulazione le criticità progettuali dovrebbe contribuire a ridurre questo intervallo.
“Insieme a Start Campus, Schneider Electric e NVIDIA, utilizziamo i digital twin per modellare il funzionamento reale dei data center AI, dall’alimentazione al raffreddamento fino alla distribuzione dei token”, spiega David Power, Chief Technology Officer di Nscale. “Questo ci offre una visione più chiara di dove sia possibile realizzare ottimizzazioni full-stack prima di intervenire sul campo”.
Per il momento, tuttavia, non sono stati comunicati risultati quantitativi relativi ai risparmi energetici o all’incremento di produttività ottenuti attraverso il progetto pilota. I benefici indicati dalle aziende rappresentano quindi gli obiettivi dell’implementazione.
Il banco di prova del SINES Data Campus
Il progetto assume particolare rilevanza anche per le dimensioni dell’infrastruttura coinvolta.
Il SINES Data Campus, sviluppato da Start Campus in Portogallo, è progettato per raggiungere una potenza complessiva di 1,2 GW, configurandosi come uno dei principali poli europei per le infrastrutture di calcolo AI.
Il campus è destinato a ospitare anche una delle maggiori installazioni europee di GPU Nvidia di nuova generazione. Nscale ha annunciato a maggio un piano per l’implementazione di oltre 66.000 GPU NVIDIA Rubin, con avvio previsto dalla fine del 2027, nell’ambito della collaborazione con Microsoft.
Il continuo aggiornamento tecnologico di un’infrastruttura di queste dimensioni rende particolarmente importante la capacità di prevedere gli effetti dell’introduzione di nuovi sistemi di calcolo.
Il digital twin dovrà quindi dimostrare la propria utilità non soltanto nella progettazione iniziale, ma anche nella gestione del ciclo di vita dell’AI Factory, accompagnando gli aggiornamenti delle tecnologie e delle configurazioni impiantistiche.
Secondo il caso applicativo illustrato da Nvidia, il team di sviluppo Aveva ha realizzato in sei mesi una prima versione funzionante end-to-end di Immersive Twin, integrando il modello OpenUSD con differenti strumenti di simulazione e fonti dati. Si tratta dunque di una sperimentazione concreta, ma ancora da sviluppare verso un impiego operativo più esteso.
Dal software industriale alle infrastrutture dell’intelligenza artificiale
L’iniziativa rappresenta anche un esempio di come le tecnologie nate per la progettazione e la gestione degli impianti industriali stiano trovando nuove applicazioni nelle infrastrutture digitali.
Il digital twin, le simulazioni ingegneristiche, la gestione degli asset e l’integrazione tra IT e OT sono strumenti già utilizzati nel manifatturiero, nell’energia e nei processi industriali. La loro applicazione alle AI Factory riflette la crescente complessità fisica di infrastrutture che, pur essendo destinate all’elaborazione digitale, dipendono da impianti energetici e termici sempre più sofisticati.
Il progetto di Schneider Electric, Aveva, Nvidia, Nscale e Start Campus mostra quindi una possibile evoluzione del modello di gestione dei data center: non più infrastrutture nelle quali sistemi informatici e impianti vengono ottimizzati separatamente, ma vere e proprie fabbriche nelle quali energia, capacità di calcolo e operazioni sono governate come un sistema integrato.
