La risposta breve
Cornelis Networks ha raccolto 205 milioni di dollari e ha consegnato una rete che calcola, non si limita a spostare byte — puntando dritto alle GPU inattive che attendono i dati. Annunciato il 14 settembre 2026 e guidato da IAG Capital Partners, il round sostiene Active Compute Fabric, che integra core programmabili RISC-V in schede di rete e switch. Cornelis, nata da uno spin-off di Intel nel 2020, afferma che i cluster IA fanno spesso girare le GPU solo al 42–54 % di utilizzo, e che gestire il lavoro nella rete può alzare quel valore di cinque-dieci punti.
Il segnale più ampio: l'interconnessione è ora una componente di primo piano di prestazioni e costi dell'IA, e una rete aperta e indipendente dalla GPU emerge come alternativa allo stack strettamente integrato di Nvidia. Per i team che costruiscono su cloud e DevOps, ciò rimette al centro una domanda che i più avevano esternalizzato — il modo in cui i vostri acceleratori si parlano decide sempre più quanto ne ricavate davvero.
Cosa ha annunciato Cornelis
Cornelis Networks, azienda della Pennsylvania nata da uno spin-off di Intel nel 2020, ha usato il TechCrunch Disrupt per svelare un round di finanziamento da 205 milioni di dollari guidato da IAG Capital Partners e per lanciare ciò che chiama Active Compute Fabric. Il denaro e il prodotto puntano allo stesso bersaglio: il divario crescente tra quante GPU le organizzazioni acquistano e quanto lavoro utile quelle GPU svolgono davvero. Cornelis afferma che gli acceleratori nei cluster IA reali girano spesso solo al 42–54 % di utilizzo, restando inattivi mentre attendono i dati da altri nodi.
Invece di trattare la rete come un impianto muto che si limita a spostare byte tra endpoint, Active Compute Fabric colloca calcolo programmabile — core RISC-V licenziati da terze parti — direttamente nelle schede di rete e negli switch. Ciò consente ad alcune operazioni di avvenire mentre i dati sono in movimento. «Vi restituiamo le vostre GPU», ha dichiarato la CEO Lisa Spelman a proposito dell'approccio, sostenendo che una rete con calcolo al suo interno può «spingere l'utilizzo delle GPU su di cinque punti, dieci punti». Su un cluster in cui ogni acceleratore costa decine di migliaia di dollari, pochi punti di utilizzo recuperati sono denaro reale e throughput reale.
Il lancio poggia su hardware che Cornelis già distribuisce. La piattaforma di prima generazione, la CN5000, è stata consegnata nel 2025, e la nuova CN6000 è una SuperNIC da 800 gigabit che funziona in due modalità — l'Omni-Path proprietario, derivato dall'HPC, e l'Ethernet RoCEv2 standard — e può abbinarsi agli switch Broadcom Tomahawk o a quelli di Cornelis. Questo design multimodale e indipendente dalla GPU è il nucleo strategico: una scommessa sul fatto che gli acquirenti vogliano un'interconnessione aperta utilizzabile con una gamma di acceleratori, e non lo stack end-to-end di un singolo fornitore.
Come funziona il calcolo nella rete
L'idea del calcolo nella rete è antica nel calcolo ad alte prestazioni, ma nuovamente urgente per l'IA. In un cluster normale, ogni byte di cui una GPU ha bisogno viaggia attraverso la rete fino all'acceleratore, viene elaborato e torna indietro. Quando migliaia di GPU addestrano un unico modello, trascorrono gran parte del tempo su operazioni collettive — all-reduce, all-gather e simili — in cui ogni nodo deve scambiare e combinare risultati parziali prima del passo successivo. Durante questo scambio le GPU sono ferme. Questo stallo è gran parte del motivo per cui l'utilizzo misurato si attesta sui 40 e 50 punti percentuali anziché vicino al 100 %.
Active Compute Fabric affronta lo stallo svolgendo parte di quel lavoro nella rete. Poiché ora NIC e switch portano core programmabili, operazioni come la combinazione di risultati parziali, lo spostamento della cache chiave-valore tra nodi per l'inferenza e il routing di token per i modelli mixture-of-experts possono essere gestite in transito invece di tornare alla GPU. Cornelis inquadra l'inferenza — dove dominano movimento di memoria e routing — come opportunità primaria, benché gli stessi offload aiutino anche i grandi addestramenti. L'effetto netto rivendicato dall'azienda sono meno cicli inattivi: tenete alimentati gli acceleratori e l'utilizzo effettivo sale.
L'inquadramento competitivo conta quanto il meccanismo. Nvidia vende uno stack verticalmente integrato — GPU, NVLink per lo scale-up nel rack e InfiniBand o Spectrum-X Ethernet per lo scale-out —, tutto ottimizzato per il proprio software, il che rende lo stack completo facile da adottare e difficile da abbandonare. Cornelis propone l'opposto: una rete aperta allineata a standard emergenti come UALink ed ESUN, così che le organizzazioni possano mischiare acceleratori ed evitare il lock-in su un unico fornitore. Si unisce a un'ondata di aziende di infrastruttura, dal silicio su misura ai consorzi Ethernet aperti, che cercano di scardinare il dominio di Nvidia uno strato alla volta.
Cosa significa per i team software italiani
Per la maggior parte dei team la lezione diretta non è «comprate Cornelis». È che la rete è ora una variabile di primo piano nelle prestazioni e nei costi dell'IA, e trattarla come un dettaglio spreca silenziosamente budget. Se possedete o noleggiate un cluster, la differenza tra 45 % e 65 % di utilizzo è la differenza tra dover aggiungere un nodo costoso e non doverlo fare. Prima di approvare altro hardware, conviene verificare se le vostre GPU siano davvero limitate dal calcolo o semplicemente affamate da comunicazione e movimento di dati — una distinzione che cambia su cosa dovreste spendere.
Se consumate GPU tramite un provider cloud, non scegliete la rete, ma ne ereditate l'economia. In una carenza di capacità, tutto ciò che spreme più lavoro utile dallo stesso silicio si riflette su prezzi per token e disponibilità delle istanze. Significa anche che le vostre scelte architetturali — località dei dati, quanto è intenso di comunicazione il vostro pattern di addestramento, quale famiglia di istanze e quale interconnessione scegliete — determinano sempre più il throughput reale. Il modello di GPU in fattura non è più tutta la storia, e i provider che pubblicano i dettagli su interconnessione e prestazioni collettive meritano più attenzione di prima.
C'è anche un aspetto di portabilità, e va nella direzione che gli acquirenti europei e italiani dovrebbero apprezzare. Una rete aperta e basata su standard è una copertura contro il lock-in: più il vostro stack gira su UALink, Ethernet e astrazioni neutre rispetto al fornitore, più mantenete la libertà di cambiare acceleratori quando prezzo, approvvigionamento e requisiti di sovranità cambiano. Questa flessibilità si preserva più facilmente quando è pensata fin dall'inizio — nel modo di scrivere il codice collettivo, scegliere i framework e strutturare i deployment — anziché aggiunta dopo che lo stack di un solo fornitore è diventato silenziosamente portante.
Cosa fare adesso
- Misurate l'utilizzo reale delle GPU. Strumentate i vostri job di addestramento e inferenza e scoprite se gli acceleratori sono limitati dal calcolo o bloccati su comunicazione e I/O. Non si corregge — né si giustifica una spesa per — un collo di bottiglia che non si è misurato.
- Correggete il software prima di comprare hardware. Batching, pipeline di dati e pattern di comunicazione migliori recuperano spesso più utilizzo di nuovi nodi, a una frazione del costo. Esauritene prima le possibilità.
- Chiedete dell'interconnessione. Nel valutare istanze cloud o un cluster on-prem, chiedete di banda, prestazioni collettive ed eventuale offload nella rete — non solo tipo e numero di GPU.
- Privilegiate gli standard aperti dove potete. Preferite acceleratori, reti e framework allineati a standard di interconnessione aperti, così da mantenere la libertà di cambiare fornitore in seguito.
- Monitorate lo strato della rete, non solo i modelli. Interconnessione e calcolo nella rete stanno diventando decisivi per l'economia dell'IA. Inseriteli nella pianificazione dell'infrastruttura come già seguite le roadmap delle GPU.
Domande frequenti
Cosa ha annunciato Cornelis Networks il 14 settembre 2026?
Un round di finanziamento da 205 milioni di dollari guidato da IAG Capital Partners, svelato al TechCrunch Disrupt, insieme al lancio di Active Compute Fabric — un'architettura di rete che integra core di calcolo programmabili RISC-V nelle schede di rete e negli switch, così che parte del lavoro avvenga mentre i dati attraversano la rete, e non solo sulle GPU. Cornelis è nata da uno spin-off di Intel nel 2020 e distribuisce già i prodotti di prima generazione (CN5000).
Cos'è il calcolo nella rete e perché aumenta l'utilizzo delle GPU?
Esegue determinate operazioni su silicio programmabile all'interno di NIC e switch mentre i dati sono in transito, invece di riportare ogni byte a una GPU. Cornelis afferma che le GPU per l'IA girano spesso solo al 42–54 % di utilizzo perché attendono dati da altri nodi. Gestire compiti come la comunicazione collettiva, il routing mixture-of-experts e lo spostamento della cache chiave-valore nella rete tiene le GPU alimentate e può, secondo la CEO Lisa Spelman, alzare l'utilizzo di cinque-dieci punti — un guadagno diretto di costo e throughput su un grande cluster.
In cosa Cornelis è diversa dalla rete di Nvidia?
Nvidia vende uno stack integrato — GPU, NVLink per lo scale-up e InfiniBand o Spectrum Ethernet per lo scale-out —, ottimizzato per il proprio software. Cornelis è indipendente dalla GPU e aperta: la sua SuperNIC multimodale CN6000 da 800 gigabit usa sia l'Omni-Path proprietario sia l'Ethernet RoCEv2 standard, funziona con gli switch Broadcom Tomahawk e punta a standard di scale-up aperti come UALink ed ESUN. Il software ottimizzato di Nvidia rende lo stack completo più facile da adottare; una rete aperta offre agli acquirenti scelta hardware e minore vincolo.
È rilevante se noleggiamo GPU nel cloud?
Sì, indirettamente. Non scegliete la rete del vostro provider, ma la sua economia vi raggiunge. Se il calcolo nella rete alza l'utilizzo effettivo delle GPU, i provider ottengono più lavoro utile dallo stesso silicio durante una carenza, il che incide su prezzi per token e disponibilità delle istanze. Convalida inoltre un cambiamento più ampio: la rete è ora parte attiva delle prestazioni IA, così località dei dati, pattern di addestramento ad alta comunicazione e scelta del provider determinano sempre più il throughput reale — non solo il modello di GPU in fattura.
Cosa dovrebbero fare ora i team di ingegneria?
Trattate la rete come una variabile di prestazione di primo piano. Profilate dove i job trascorrono davvero il tempo e verificate se le GPU sono affamate dalla comunicazione anziché dal calcolo. Nel valutare istanze o cluster, chiedete di banda di interconnessione, prestazioni collettive e offload nella rete, non solo di tipo e numero di GPU. Mantenete lo stack portabile privilegiando gli standard aperti. Per la maggior parte dei team i guadagni più redditizi restano software: batching, pipeline di dati e pattern di comunicazione migliori che tengono occupati gli acceleratori costosi.
Fonti
TechCrunch — AI infrastructure company Cornelis raises $205M to chip away at Nvidia's dominance (14 settembre 2026)
Network World — Cornelis lands $205M to make AI networks compute, not just connect