Le GPU NVIDIA Blackwell GB300 continuano a macinare record nel mondo dell’intelligenza artificiale, e sorprende che a farlo sia una piattaforma già ampiamente diffusa e non l’ultima arrivata. Mentre molti si aspetterebbero che l’attenzione dell’azienda si spostasse tutta sulle nuove Rubin, la realtà è diversa. Blackwell è dentro innumerevoli data center in giro per il mondo e, proprio come era successo con Hopper prima di lei, continua a ricevere ottimizzazioni. Al punto che GB300 firma ancora prestazioni da primato nei carichi di lavoro AI.
NVIDIA GB300 Blackwell: ottimizzazioni continue e un salto enorme nell’efficienza
Il punto interessante è che questi miglioramenti non arrivano da nuovo hardware, ma da un lavoro paziente sul software. In appena tre mesi, NVIDIA ha quadruplicato il valore di throughput per megawatt sulla stessa configurazione GB200 NVL72 che gira DeepSeek R1 0528 con setup 1K/1K. Stessa scheda, stesso rack, prestazioni per watt moltiplicate per quattro. Non è poco.
Dietro questo risultato c’è una mole di lavoro davvero notevole. Nel corso di questi mesi sono state introdotte 38 ottimizzazioni importanti sulla piattaforma Blackwell, frutto di oltre 250.000 configurazioni simulate, per un totale che arriva a 1,4 milioni di ore GPU dedicate solo al collaudo. E la cosa più utile è che oltre il 90 per cento di questi interventi si applica anche ad altri modelli di intelligenza artificiale, non solo a un caso specifico. Un segnale chiaro che l’azienda continua a investire sulle sue piattaforme anche mentre ne lancia di nuove.
GB300 domina l’addestramento e la scalabilità
Sul fronte dell’addestramento, il GB300 Blackwell Ultra non lascia molto spazio agli altri. Con il modello DeepSeek-V3 671B fatto girare su 256 GPU, Megatron Core ha raggiunto la cifra record di 1.648 TFLOP per GPU, tre volte i 606 TFLOP di GB200. Tradotto in pratica, lo stesso lavoro di addestramento arriva agli stessi risultati usando molto meno hardware rispetto alla generazione precedente. E anche qui le ottimizzazioni pesano, visto che lo stesso sistema GB300 NVL72 offre oggi un miglioramento di 1,5 volte rispetto a sei mesi fa.
C’è poi il capitolo della collaborazione con le community di PyTorch e JAX, che porta benefici concreti su tutto il portafoglio AI. Usando TorchTitan, lo stack di addestramento nativo di PyTorch, sempre su DeepSeek-V3 671B, il rack Blackwell Ultra restituisce prestazioni sei volte superiori rispetto alla configurazione di base senza alcuna ottimizzazione. JAX fa ancora meglio, arrivando a 1.025 TFLOP per GPU e fino a 4.082 token al secondo per GPU, dieci volte in più rispetto alle ottimizzazioni di gennaio 2026.
Interessante anche il comportamento in fase di scalabilità nel pre-addestramento, da 256 fino a 1.024 GPU. Con 1.024 GPU, Megatron Core mantiene un’efficienza fino al 98,5 per cento, mentre TorchTitan e JAX si fermano intorno al 97 per cento. Il merito principale va al chip di rete Scale-Out da 800 Gb/s presente in ogni rack NVL72, il vero elemento che tiene insieme tutto il sistema. Dall’addestramento all’inferenza, NVIDIA continua a fissare risultati che gli altri faticano a raggiungere, proprio mentre la piattaforma Vera Rubin comincia a muovere i primi passi con guadagni ancora più marcati rispetto a Blackwell.