Lingqu UnifiedBus, la rete con cui Huawei vuole far crescere i cluster AI

Per far crescere un sistema di intelligenza artificiale non basta aggiungere acceleratori: i processori devono scambiarsi dati rapidamente e poter accedere al contesto necessario durante l’inferenza, cioè la generazione delle risposte. A Huawei Connect 2026, l’azienda ha presentato Lingqu UnifiedBus come il collegamento centrale dei suoi SuperPoD — sistemi che riuniscono più server — e dei cluster più grandi destinati all’AI agentica. L’obiettivo è far cooperare elaborazione, memoria e storage oltre i confini del singolo server. 81921

Un collegamento comune tra server

Secondo Huawei, UnifiedBus riunisce oltre dieci protocolli di interconnessione in un protocollo comune con semantica di memoria. L’architettura prevede collegamenti diretti tra risorse e accesso alla memoria attraverso server fisici diversi: CPU, NPU — i processori dedicati all’AI — e altri componenti non devono operare come isole separate. Huawei indica un passaggio da una banda nell’ordine di 100 GB/s a una nell’ordine dei TB/s e una riduzione della latenza di andata e ritorno da circa 7 a 2 microsecondi. Sono dati dichiarati per l’interconnessione, non misure dell’accelerazione ottenuta dalle applicazioni. 271923

Una comunicazione rapida è importante anche per la proposta di separare il lavoro di Attention da quello della rete feed-forward, due parti dei modelli Transformer: assegnarle a risorse diverse conviene solo se trasferire i risultati intermedi non annulla il vantaggio. Il materiale disponibile descrive questa scelta architetturale, ma non ne quantifica il beneficio complessivo. 78

La memoria di contesto è un problema diverso

Nell’insieme di prodotti descritto da Huawei, Kunpeng 950 è destinato all’elaborazione generale, Ascend 960 al calcolo AI e OceanStor M900 alla memoria di contesto per l’inferenza. M900 usa UnifiedBus per condividere la cache KV, che conserva dati utili a riutilizzare il contesto durante la generazione, distribuendola su più livelli: dalla memoria sul chip e dalla DRAM fino agli SSD. L’intento è ampliare il contesto disponibile ai SuperPoD senza affidarsi soltanto alla memoria degli acceleratori. 421

I due problemi restano distinti: comunicazioni più veloci affrontano i tempi di trasferimento; una cache condivisa e multilivello affronta i limiti di capacità. Quando i dati si trovano nello storage, le prestazioni dipendono dall’intero percorso di accesso, non dalla sola latenza dichiarata per UnifiedBus. 721

Dagli armadi ai cluster ottici

Huawei descrive dispositivi UnifiedBus per i collegamenti all’interno degli armadi server, tra armadi e tra cluster. Per uno di questi dispositivi vengono riportate 176 porte da 1,6 Tbit/s, pari a circa 280 Tbit/s di capacità aggregata delle porte: non è la banda disponibile per un singolo processore o carico AI. 719

Su scala maggiore entrano in gioco i collegamenti ottici. L’Atlas 960E SuperPoD integra ottiche collocate vicino ai componenti di calcolo; secondo Huawei, una configurazione UnifiedBus interamente ottica del TaiShan 950 SuperPoD supporta fino a 4.096 NPU. L’architettura prospettata dall’azienda arriva a cluster da un milione di NPU, ma si tratta di un obiettivo di scala, non di un benchmark pubblicato su un’installazione di quelle dimensioni. 2519

Che cosa non è ancora dimostrato

Le informazioni disponibili collocano anche dispositivi di interconnessione, tra cui il livello UBG citato nella copertura della conferenza, nel progetto che va dagli armadi ai cluster. Non chiariscono però il ruolo preciso o lo stato di installazione dell’Atlas 650E, né sostengono una cifra verificabile sul risparmio di rame. Mancano inoltre benchmark indipendenti di un cluster completo che dimostrino come latenza, banda e scala dichiarate si traducano in vantaggi sostenuti nell’addestramento o nell’inferenza. UnifiedBus va quindi letto, per ora, come un’architettura integrata accompagnata da specifiche dichiarate da Huawei, non come un risultato prestazionale verificato dall’inizio alla fine. 7819