Il sistema di Shenzhen supera “El Capitan” nella classifica TOP500 e mostra una via CPU-only al calcolo exascale, distinta dalla corsa all’AI

La classifica mondiale dei supercomputer torna a essere un indicatore tecnico, industriale e geopolitico. Con LineShine, installato al National Supercomputing Centre in Shenzhen, la Cina ha riconquistato il primo posto della graduatoria TOP500, superando il sistema statunitense El Capitan. La notizia, ripresa anche da Nature, riguarda una macchina capace di oltre due quintilioni di operazioni al secondo sul benchmark tradizionale usato per misurare la potenza dei sistemi ad alte prestazioni.

Il risultato centrale è quello ottenuto sul test High Performance Linpack, o HPL: 2,198 exaflop al secondo, pari a 2.198,40 petaflop al secondo nella scheda ufficiale del sistema. TOP500 indica anche un picco teorico di 2.735,82 petaflop al secondo, 13.789.440 core e un consumo elettrico di 42.220 kilowatt. Sono numeri che collocano LineShine davanti a El Capitan e confermano l’ingresso del calcolo exascale in una fase più distribuita, con macchine di vertice in Asia, Nord America ed Europa.

La particolarità più osservata non è soltanto il primato. LineShine è basato su una soluzione CPU-only, cioè senza acceleratori grafici dedicati. In un momento in cui il calcolo ad alte prestazioni e l’intelligenza artificiale e big data sono spesso associati a GPU, tensor core e chip specializzati per l’addestramento dei modelli, la macchina cinese segue una scelta progettuale diversa. Il sistema usa la base LingKun, processori LX2 a 304 core, interconnessione proprietaria LingQi e sistema operativo Kylin OS.

Una macchina exascale fondata su processori general purpose

Il supercomputer di Shenzhen non nasce come semplice accumulo di nodi di calcolo. Secondo la scheda tecnica ufficiale, la macchina è stata costruita da Shenzhen Cloud Computing Center e installata nel 2025. La configurazione dichiarata comprende processori LX2 304C a 1,55 gigahertz, rete LingQi, compilatore Lclang 1.0.0, libreria matematica OpenBLAS-local e una versione di OpenMPI adattata all’interconnessione del sistema.

La scelta di puntare su CPU ad altissima densità, invece che su acceleratori, è rilevante per la ricerca e sviluppo perché sposta l’attenzione su un equilibrio diverso tra parallelismo, memoria, rete e software. Nei sistemi accelerati, molta della prestazione dipende dalla capacità di trasferire rapidamente dati verso unità specializzate. In una macchina CPU-only, l’efficienza deriva invece dalla scala del disegno complessivo: numero di core, gerarchia di memoria, comunicazione fra nodi e capacità del software scientifico di sfruttare milioni di unità di elaborazione.

Il comunicato TOP500 sottolinea che LineShine è il primo sistema della lista a superare i due exaflop sostenuti in doppia precisione usando soltanto CPU. È un dato tecnico importante, perché la doppia precisione resta essenziale in molte simulazioni scientifiche, dall’ingegneria alla fisica computazionale. Non va però confusa con le metriche che descrivono meglio l’addestramento dei grandi modelli di AI, dove contano soprattutto calcoli in precisione ridotta, acceleratori dedicati e comunicazione rapida fra cluster.

Anche la lettura proposta da Xinhua insiste sulla convergenza fra supercalcolo e calcolo intelligente. Secondo l’agenzia cinese, LineShine incorpora unità di accelerazione matriciale direttamente nei processori progettati in Cina, con l’obiettivo di ridurre il collo di bottiglia del trasferimento dati tipico delle architetture CPU-GPU. È una spiegazione coerente con la strategia tecnica dichiarata, anche se la reale competitività su carichi AI va valutata con benchmark specifici e non solo con il primato HPL.

Perché il primato TOP500 non misura da solo la potenza AI

La distinzione tra high performance computing e sistemi orientati all’AI è decisiva. TOP500 misura soprattutto la capacità di una macchina di eseguire calcolo numerico in doppia precisione. È una metrica ancora centrale per simulazioni scientifiche, modellistica climatica, chimica computazionale, dinamica dei fluidi e progettazione ingegneristica. Non coincide però con la capacità di addestrare grandi modelli linguistici o sistemi generativi, che dipendono da architetture, memoria, rete e software ottimizzati per precisione mista e carichi tensoriali.

Lo conferma un altro dato della stessa classifica. Sul benchmark HPL-MxP, più vicino ai carichi in precisione mista, LineShine si colloca al quarto posto con 7,92 exaflop al secondo e un’accelerazione di 3,6 volte rispetto all’HPL tradizionale. El Capitan resta invece primo su questo test, seguito da Aurora e Frontier. La lettura è chiara: la macchina cinese domina il calcolo numerico CPU-only, ma non è il sistema più forte nella misura che si avvicina di più ad alcune esigenze dell’AI contemporanea.

La stessa cautela emerge nell’analisi di Reuters, che ricorda come molti grandi sistemi sviluppati da Microsoft, Amazon, Google o xAI non partecipino alla graduatoria TOP500. Si tratta spesso di infrastrutture private progettate per addestramento e inferenza di modelli, non per competere pubblicamente sul benchmark HPL. Per questo il risultato di LineShine misura una prestazione reale, ma dentro un perimetro tecnico definito.

“Se gli hyperscaler presentassero i loro sistemi, questo ‘più veloce al mondo’ non entrerebbe tra i primi cinque”,

ha dichiarato Jimmy Goodrich, senior fellow presso l’Institute for Global Conflict and Cooperation dell’Università della California, a Reuters

La frase di Jimmy Goodrich aiuta a delimitare il significato del primato. LineShine è oggi il sistema più potente tra quelli presentati alla lista TOP500 sul test HPL. Non significa automaticamente che sia la più grande infrastruttura globale per l’AI. Il confronto con gli hyperscaler è rilevante proprio perché una parte crescente della capacità computazionale mondiale non è più concentrata nei soli centri nazionali o universitari, ma in cluster privati ottimizzati per modelli generativi, precisione mista e carichi tensoriali.

Per imprese, centri di ricerca e decisori pubblici, la differenza non è accademica. Acquistare, progettare o usare capacità di calcolo richiede di collegare l’architettura al problema da risolvere. Nel calcolo scientifico servono accuratezza numerica, stabilità, memoria, scalabilità e capacità di eseguire molte simulazioni parallele. Nel deep learning industriale pesano invece throughput in precisione ridotta, disponibilità di acceleratori, maturità dello stack software e gestione dei dati.

Chip, sovranità tecnologica e ritorno della Cina nella lista

Il dato tecnico si intreccia con una dimensione politica. Reuters sottolinea che la Cina aveva interrotto le presentazioni alla classifica nel 2023, dopo anni di controlli statunitensi sull’export di chip avanzati e strumenti collegati al computing ad alte prestazioni. Il ritorno con un sistema al primo posto assume quindi anche il valore di segnale industriale: Pechino mostra la capacità di progettare e integrare un ambiente complesso composto da processori, rete, sistema operativo, librerie matematiche e strumenti di comunicazione.

“Ciò che mi sorprende è che lo abbiano presentato e vogliano ottenerne riconoscimento”.

ha dichiarato Addison Snell, amministratore delegato di Intersect360 Research, a Reuters

La dichiarazione di Addison Snell sposta l’attenzione dal primato in sé alla sua esposizione pubblica. Il risultato non dimostra autonomia completa sull’intera catena dei semiconduttori, né risolve il problema dell’accesso agli acceleratori più avanzati per l’AI. Indica però che la Cina ha voluto rendere visibile una capacità nazionale nel supercalcolo general purpose, in un momento in cui le infrastrutture computazionali sono sempre più legate a politica industriale, sicurezza tecnologica e competizione scientifica.

Goodrich, nella stessa analisi Reuters, collega la lettura anche ai controlli all’export, sostenendo che Pechino voglia presentare il risultato come prova della loro inefficacia. È un’interpretazione da maneggiare con prudenza. LineShine non risulta basato su chip AI avanzati paragonabili agli acceleratori più richiesti per i modelli generativi, e il suo quarto posto in HPL-MxP conferma che la prestazione in precisione mista resta meno competitiva rispetto alle architetture accelerate. La macchina mostra forza nel supercalcolo general purpose, non la fine delle dipendenze tecnologiche nel comparto AI.

Per gli Stati Uniti, il sorpasso ha comunque un valore simbolico. El Capitan, installato al Lawrence Livermore National Laboratory, mantiene 1,809 exaflop al secondo su HPL, 11.340.000 core e una efficienza energetica di 60,94 gigaflop per watt. È una macchina costruita su architettura HPE Cray EX255a con processori AMD EPYC e acceleratori AMD Instinct MI300A. LineShine la supera nella misura principale, ma consuma più potenza assoluta e segue un disegno molto diverso.

Anche l’Unione Europea resta dentro la partita. Nella stessa graduatoria compare JUPITER Booster, installato al Jülich Supercomputing Centre in Germania, indicato da TOP500 come primo sistema europeo sopra la soglia exascale su HPL. Al sesto posto entra HPC7 di Eni, segnale della crescente presenza di grandi utilizzatori industriali nel calcolo avanzato. L’Italia, con infrastrutture scientifiche e industriali come Leonardo e HPC7, resta quindi parte della geografia europea del supercalcolo.

Dal clima alle simulazioni, dove la scala produce valore

Un esempio applicativo arriva dal preprint scientifico collegato all’articolo di Nature, pubblicato su arXiv. Il lavoro descrive CAPES, un sistema ibrido numerico-AI per le previsioni stagionali delle piogge estive in Asia orientale. Gli autori indicano un flusso di calcolo con 174 membri numerici e 1.600 membri generati da AI, per un totale di 1.774 membri, usato per ricostruzioni annuali dal 2016 al 2025.

Secondo l’abstract del paper, l’intera macchina LineShine completa dieci hindcast annuali in 14,6 ore e migliora il punteggio medio di previsione da 71,8 a 75,9 rispetto al riferimento ECMWF indicato dagli autori. Il sistema lavora a 15 chilometri di risoluzione per gli hindcast decennali e dichiara una capacità a 1 chilometro per simulazioni più dettagliate dei tifoni. Trattandosi di un preprint, i risultati vanno letti come materiale scientifico in fase di discussione e non come conclusione definitiva sottoposta a peer review formale.

Il caso è comunque utile per capire perché il supercalcolo exascale conserva un ruolo specifico anche nell’era dei modelli generativi. Le previsioni climatiche e meteorologiche ad alta risoluzione richiedono molte simulazioni parallele, assimilazione di dati, accoppiamento fra atmosfera, oceano e superficie terrestre, oltre a metodi statistici per valutare l’incertezza. In questo ambito, l’ibridazione fra modelli fisici e machine learning può ridurre tempi di calcolo e ampliare il numero di scenari analizzati.

Le ricadute potenziali non riguardano solo la ricerca. Previsioni più robuste su piogge intense, tifoni o eventi stagionali possono influenzare gestione delle dighe, agricoltura, assicurazioni, logistica, protezione civile e pianificazione urbana. Il collegamento non è automatico: servono validazione, accesso ai dati, competenze operative e capacità istituzionale di usare le informazioni prodotte. Ma il caso mostra come una grande infrastruttura computazionale possa diventare uno strumento per decisioni pubbliche e industriali ad alta intensità di dati.

Resta poi il tema energetico. Un assorbimento di 42,22 megawatt equivale a un’infrastruttura con esigenze paragonabili a quelle di un grande impianto industriale. Il dato non dice da solo quale sia l’impatto ambientale, che dipende dal mix elettrico, dal raffreddamento, dal tasso di utilizzo e dal ciclo di vita dei componenti. Indica però che la crescita del supercalcolo richiede politiche di data center, pianificazione energetica e strategie di efficienza delle risorse sempre più integrate.

Il primato di LineShine va quindi letto come una notizia tecnica con implicazioni industriali ampie. Segna il ritorno della Cina al vertice pubblico della classifica TOP500, conferma l’allargamento della competizione exascale e ricorda che la potenza di calcolo è ormai una componente della politica industriale. La prossima fase si giocherà meno sul titolo di “più veloce” e più sulla capacità di trasformare queste macchine in risultati verificabili: modelli climatici più utili, simulazioni affidabili, software portabile, infrastrutture energeticamente sostenibili e competenze distribuite tra ricerca, industria e amministrazioni pubbliche.

Ecco tre approfondimenti che potrebbero interessarti:

JUPITER porta l’Europa nell’era del supercalcolo exascale
HPC6, il supercomputer più avanzato per la transizione energetica
Bologna quantica: nasce il primo supercomputer ibrido italiano