AMD e la Corea del Sud pianificano un'infrastruttura AI aperta con NPU domestiche
AMD ha firmato il 23 luglio un accordo con la Corea del Sud che mette in discussione un presupposto centrale del boom dell'AI: un'unica architettura GPU dovrebbe gestire tutto. La notizia è emersa su Google News dopo che i leader tecnologici coreani hanno sostenuto che i data center debbano combinare CPU, GPU e unità di elaborazione neurale domestiche. Il loro obiettivo non è soltanto l'addestramento. È il crescente costo e fabbisogno energetico della fornitura di agenti AI su larga scala.
L'accordo rappresenta un test per il calcolo eterogeneo, che assegna carichi di lavoro diversi a processori progettati per compiti differenti. AMD contribuirebbe con CPU, GPU, software e competenze tecniche. Le aziende coreane aggiungerebbero unità di elaborazione neurale, o NPU, progettate principalmente per l'inferenza AI. Il governo coreano vuole che i sistemi risultanti siano testati con carichi di lavoro commerciali, non in dimostrazioni protette.
Questo mette sotto pressione la piattaforma a fornitore unico di Nvidia, sebbene Nvidia resti il principale punto di riferimento per l'infrastruttura AI. La competizione non è semplicemente AMD contro Nvidia. È un confronto più ampio tra piattaforme GPU strettamente integrate e sistemi aperti assemblati a partire da componenti specializzati.
Il piano coreano appare convincente perché l'inferenza ha un'economia diversa dall'addestramento dei modelli. L'addestramento premia cluster enormi che completano rapidamente esecuzioni ad alta intensità computazionale. L'inferenza deve rispondere a richieste continue degli utenti rispettando limiti di latenza, elettricità, raffreddamento e costi operativi.
La questione irrisolta è se un sistema misto possa funzionare come un'unica piattaforma affidabile. I chip da soli non creano un data center utilizzabile. Driver, software di orchestrazione, networking, supporto ai modelli, monitoraggio e ripristino dai guasti devono operare insieme sotto traffico reale.
Cosa ha rivelato Google News sull'accordo con AMD
La Corea del Sud sta portando le NPU domestiche dagli esperimenti sostenuti dal governo a una proposta di architettura di calcolo globale.
Il Ministero coreano della Scienza e dell'ICT ha firmato il memorandum con la presidente e CEO di AMD Lisa Su durante AMD Advancing AI 2026 a San Francisco. Il ministero ha datato la firma al 23 luglio 2026, alle 15:00, ora del Pacifico.
Il governo ha descritto il progetto come un impegno a costruire un ecosistema aperto di infrastrutture di calcolo AI. Il suo primo obiettivo tecnico è collegare CPU e GPU AMD con NPU sviluppate in Corea e ottimizzate per l'inferenza.
Questa formulazione è importante. I chip AI coreani sono spesso comparsi come alternative valutate attraverso programmi di sostegno nazionali. L'accordo li tratta invece come potenziali componenti all'interno di un'architettura più ampia che coinvolge un'affermata azienda globale di processori.
L'accordo sul calcolo del ministero copre anche lo sviluppo software, la ricerca congiunta, programmi per i talenti e l'AI fisica. L'AI fisica applica i modelli a sistemi quali robot, fabbriche, veicoli e attrezzature industriali.
AMD ha inoltre affermato che i partner esploreranno infrastrutture nazionali, modelli open source e ricerca avanzata. Il suo piano per l'AI sovrana sottolinea la libertà di scelta tecnologica e una minore dipendenza da un unico fornitore.
Il memorandum non dimostra che AMD e le NPU coreane operino già come un sistema pronto per la produzione. Stabilisce un quadro di cooperazione e identifica l'infrastruttura eterogenea come direzione prevista.
Questa distinzione separa l'annuncio dall'interpretazione più ambiziosa che circola attorno a esso. La discussione originale ha riunito funzionari governativi, AMD Korea, ricercatori e dirigenti coreani del settore dei chip per discutere cosa richiederebbe un'implementazione riuscita.
I partecipanti sono tornati ripetutamente su tre condizioni. Il sistema deve elaborare traffico reale, pubblicare risultati oggettivi su prestazioni e costi e trasformare il lavoro software riuscito in infrastruttura riutilizzabile.
Secondo la discussione, la convalida pianificata ha tre fasi. I team dovrebbero anzitutto verificare i collegamenti software tra processori AMD e NPU coreane. Applicherebbero poi il sistema a carichi di lavoro di servizio. Infine, renderebbero pubblici risultati oggettivi e contribuirebbero con risorse software agli ecosistemi aperti.
Questi passaggi rendono l'evento più rilevante di un'altra cerimonia di partnership nel settore dei semiconduttori. Mostrano inoltre quanto lavoro resti da fare prima che gli acquirenti possano considerare una NPU coreana un'opzione ordinaria per i data center.
Un MOU esprime un'intenzione, non un impegno d'acquisto vincolante. Non garantisce volumi di implementazione, adozione da parte dei clienti o integrazione con ogni acceleratore coreano. AMD e il ministero non hanno pubblicato un progetto di sistema definitivo né una tempistica di produzione.
L'evento a breve termine è quindi un cambiamento di status. Le NPU coreane vengono prese in considerazione all'interno di un'architettura multinazionale, ma non si sono ancora guadagnate un posto permanente al suo interno.
L'economia dell'inferenza impone un'architettura diversa
L'argomento più forte a favore dei processori misti nasce dall'inferenza, dove potenza, latenza e utenti simultanei contano più di un singolo benchmark da prima pagina.
L'infrastruttura per l'AI generativa è stata inizialmente discussa attraverso la scala dei cluster di addestramento. Modelli più grandi richiedevano più processori, memoria e larghezza di banda di rete. Ciò ha prodotto una logica d'acquisto lineare: acquisire quante più GPU capaci possibile, nei limiti consentiti da potenza e finanziamenti.
Gli agenti AI complicano questo modello. Un agente può effettuare diverse chiamate al modello mentre pianifica, recupera informazioni, utilizza strumenti e verifica il proprio lavoro. Una richiesta visibile può quindi produrre una catena di operazioni di inferenza dietro l'interfaccia.
Questo carico di lavoro cambia l'unità di misura delle prestazioni più importante. I calcoli di picco al secondo restano utili, ma gli operatori devono anche misurare token per watt, utenti per rack, latenza di risposta e costo per attività completata.
Un obiettivo di livello di servizio, o SLO, definisce la prestazione minima che un servizio deve mantenere. Per un modello interattivo, può includere il tempo al primo token e token al secondo sostenuti per ciascun utente.
Le NPU specializzate competono ottimizzando questi obiettivi operativi. Rinunciano a parte della generalità associata alle GPU per migliorare l'efficienza sui carichi di lavoro di reti neurali supportati.
L'acceleratore RNGD di FuriosaAI illustra questa argomentazione. L'azienda coreana ha progettato RNGD per l'inferenza di modelli linguistici di grandi dimensioni e multimodali, anziché per la grafica general purpose o ogni fase dello sviluppo dell'AI.
Furiosa afferma che una scheda RNGD ha una potenza termica di progetto di 180 watt e 48GB di memoria HBM3. La sua architettura utilizza la contrazione tensoriale come operazione centrale, che l'azienda presenta come una corrispondenza più diretta per i calcoli AI multidimensionali.
Il benchmark di inferenza dell'azienda dell'aprile 2026 ha confrontato quattro schede RNGD con quattro schede Nvidia RTX Pro 6000. Ha utilizzato Qwen3-32B a precisione FP8 con lunghezze di input e output uguali.
Furiosa ha riportato che RNGD supportava 1,8, 1,9 e il doppio degli utenti per kilowatt in corrispondenza di tre obiettivi di servizio. Tali obiettivi erano 20, 30 e 40 token al secondo per utente.
L'azienda ha inoltre modellato l'implementazione all'interno di un rack da 15 kilowatt. Ha affermato che cinque server RNGD a otto schede rientrerebbero entro quel limite di potenza, rispetto a due server RTX Pro 6000 equivalenti.
A 30 token al secondo per utente, Furiosa ha stimato che la configurazione RNGD potrebbe servire 474 utenti simultanei. Ha descritto il risultato come 2,5 volte la capacità a livello di rack del sistema di confronto.
Si tratta di risultati prodotti dal fornitore, non di una valutazione indipendente di uno dei due acceleratori. Si applicano a un modello, una versione software, un formato di precisione e un obiettivo di servizio definiti. Modelli o condizioni operative diversi possono cambiare il risultato.
Il benchmark chiarisce comunque perché gli operatori stiano esaminando hardware specializzato. Un data center spesso raggiunge un limite di potenza, raffreddamento o densità del rack prima di esaurire la domanda teorica di servizi AI.
L'aggiunta di un'altra GPU ad alta potenza può richiedere aggiornamenti elettrici, raffreddamento a liquido o un nuovo edificio. Un acceleratore a consumo inferiore può talvolta aggiungere capacità di servizio all'interno di una struttura esistente.
L'inferenza premia anche la specializzazione dei carichi di lavoro. Un cluster GPU può restare l'ambiente preferito per l'addestramento e la ricerca in rapido cambiamento. Un'NPU può gestire attività di erogazione stabili e ad alto volume, dove l'efficienza determina i margini.
Questo produce il meccanismo centrale alla base della proposta coreana. I processori AMD non scompaiono. Si coordinano con NPU coreane che gestiscono carichi di lavoro di inferenza selezionati.
Il data center diventa un portafoglio di processori anziché una sala riempita con una sola classe di acceleratori. Il software deve decidere dove debbano essere eseguiti ogni modello, richiesta o fase.
Questa architettura somiglia ai sistemi di calcolo esistenti, che già dividono il lavoro tra CPU, GPU, processori di storage e dispositivi di rete. L'inferenza AI rende questa divisione più importante perché le sue richieste di risorse sono persistenti e rivolte agli utenti.
Il vantaggio di Nvidia è il sistema, non solo la GPU
L'hardware eterogeneo può ridurre la dipendenza da un unico fornitore di chip, ma deve competere con la piattaforma software e di networking integrata di Nvidia.
La posizione di Nvidia nell'infrastruttura AI si basa su più delle prestazioni degli acceleratori. CUDA offre agli sviluppatori un ambiente di programmazione maturo, mentre Nvidia fornisce librerie, networking, server e strumenti di implementazione attorno alle proprie GPU.
Questa integrazione riduce l'incertezza per gli acquirenti. Un team può assumere ingegneri con esperienza pertinente, utilizzare framework familiari e trovare un'ampia documentazione per i modelli comuni.
Un sistema misto aperto ribalta questa comodità. Offre una maggiore scelta di fornitori, ma ogni processore aggiuntivo introduce un altro compilatore, runtime, set di driver e relazione di supporto.
La compatibilità dei modelli rappresenta un test immediato. Le architetture AI cambiano rapidamente e gli operatori non possono attendere mesi affinché un fornitore di acceleratori supporti un modello diventato improvvisamente importante.
La quantizzazione aggiunge un'altra complicazione. La quantizzazione riduce la precisione numerica per risparmiare memoria e lavoro di elaborazione. Può migliorare il throughput, ma un'implementazione deve preservare una qualità del modello accettabile.
Gli operatori hanno inoltre bisogno del parallelismo tensoriale, che divide un modello tra più processori quando non può essere eseguito efficientemente su un solo dispositivo. Questa funzionalità deve rimanere stabile sotto carico e attraverso gli aggiornamenti software.
Il monitoraggio non può fermarsi all'utilizzo dell'hardware. I team necessitano di telemetria coerente per tempi di coda, generazione di token, pressione sulla memoria, richieste non riuscite e utilizzo energetico tra diverse famiglie di processori.
Il ripristino dai guasti è altrettanto importante. Se un server NPU va offline, il software di orchestrazione deve reindirizzare il lavoro senza violare gli obiettivi di latenza dei clienti. Il sistema deve inoltre gestire gli aggiornamenti senza compromettere il comportamento delle applicazioni.
Ecco perché la discussione coreana si è concentrata fortemente sulla proprietà dell'architettura. L'organizzazione che realizza il progetto completo determina se componenti separati si comportano come un unico servizio.
AMD offre una base credibile per questo lavoro. Le sue CPU sono già presenti in numerosi data center e le sue GPU utilizzano la piattaforma software ROCm per l'AI e il calcolo ad alte prestazioni.
L'accordo offre ai fornitori coreani di NPU un possibile ponte verso sistemi in cui AMD fornisce già componenti principali. Offre inoltre ad AMD un modo per presentare l'apertura come un vantaggio architetturale.
Tuttavia, l'apertura non produce automaticamente interoperabilità. Un repository software può essere pubblico, mentre l'installazione, il debug e le operazioni restano difficili.
AMD e il governo coreano devono quindi definire interfacce stabili tra i processori. Tali interfacce devono coprire il posizionamento dei modelli, il movimento dei dati, la pianificazione, l'osservabilità e la sicurezza.
Il movimento dei dati merita particolare attenzione. L'invio di tensori tra dispositivi consuma tempo ed energia. Un guadagno teorico derivante dal calcolo specializzato può svanire se i processori trasferiscono costantemente grandi volumi di dati.
La memoria ad alta larghezza di banda e le interconnessioni veloci riducono questa penalità, ma non eliminano la complessità del software. Gli ingegneri devono mantenere le operazioni correlate vicine ai dati che utilizzano e ridurre al minimo i trasferimenti non necessari.
La partnership menziona anche l'AI fisica, in cui i requisiti di latenza e affidabilità possono essere più rigorosi. Un robot di fabbrica o un sistema di sicurezza non può tollerare gli stessi ritardi di un'attività di elaborazione documentale in background.
La Corea del Sud offre ambienti di implementazione rilevanti nella produzione manifatturiera, nella robotica, nella mobilità, nella cantieristica navale e nell'automazione industriale. Questi settori possono creare test impegnativi per sistemi di calcolo misti.
Tuttavia, aumentano anche il costo del fallimento. Un prototipo che ottiene buoni risultati in un benchmark può comunque non soddisfare i requisiti di certificazione, sicurezza, manutenzione o disponibilità.
La pressione su Nvidia è quindi strategica piuttosto che immediata. La Corea sta cercando di creare un percorso di approvvigionamento alternativo prima che la prossima ondata di infrastrutture per l'inferenza si consolidi attorno a un'unica piattaforma.
Anche AMD è sotto pressione. Deve dimostrare che il suo messaggio di piattaforma aperta produce sistemi che i clienti possono effettivamente gestire, non soltanto un catalogo più ampio di componenti compatibili.
Le aziende coreane di NPU affrontano il test più difficile. Devono offrire un'efficienza misurabile, rispettando al contempo le aspettative software create dalle piattaforme GPU consolidate.
Il divario nei benchmark è il vero rischio
Il piano della Corea riuscirà solo se test indipendenti su scala produttiva confermeranno costi inferiori senza trasferire la complessità su sviluppatori e operatori.
I benchmark dei fornitori rispondono a domande circoscritte in condizioni controllate. Le implementazioni commerciali ne pongono di più ampie nell'arco di mesi, con traffico, modelli e software in evoluzione.
I risultati di Furiosa sono rilevanti perché misurano gli utenti concorrenti entro un limite di potenza per rack. Questa metrica assomiglia più da vicino al vincolo reale di un operatore rispetto al picco di throughput isolato.
Tuttavia, il confronto non dimostra una superiorità universale rispetto alle GPU Nvidia. Valuta hardware specifico, un solo modello, una precisione definita, dimensioni di batch selezionate e il software ottimizzato di Furiosa.
Anche i miglioramenti software hanno contribuito in larga misura al risultato riportato. Furiosa ha dichiarato che un mese di ottimizzazione dell'SDK ha aumentato la capacità di servizio da 5,8 a 47,5 utenti in una configurazione specificata.
Questo miglioramento di 8,2 volte dimostra il valore del lavoro software. Rivela inoltre quanto le prestazioni degli acceleratori possano essere sensibili alla maturità del runtime e alle impostazioni del benchmark.
Un acquirente deve sapere se un'ottimizzazione simile esiste per ogni modello importante. Supportare bene un benchmark è diverso dal mantenere un'ampia copertura dei modelli in un portafoglio applicativo.
I test di terze parti dovrebbero riprodurre i risultati di throughput, latenza, potenza e qualità. Dovrebbero pubblicare configurazioni di sistema, versioni software, lunghezze dei prompt, comportamento dei batch e metodi di misurazione.
I test dovrebbero includere anche traffico irregolare. Le richieste di produzione arrivano con lunghezze di input, lunghezze di output, priorità e schemi di chiamata degli strumenti differenti. Raramente formano un batch perfettamente efficiente.
I carichi di lavoro degli agenti rendono la variabilità più grave. Alcune richieste si concludono dopo una risposta. Altre avviano diverse chiamate al modello, recuperano documenti, eseguono codice o attendono servizi esterni.
Una valutazione utile deve misurare la latenza di coda, che cattura la porzione più lenta delle richieste. Le prestazioni medie possono sembrare accettabili mentre un gruppo significativo di utenti riceve risposte ritardate.
La misurazione dell'energia richiede analoga attenzione. La potenza a livello di chip non include tutti i componenti del server. Gli acquirenti necessitano di dati a livello di struttura che coprano memoria, rete, processori host, raffreddamento e perdite di conversione dell'alimentazione.
Il costo totale di proprietà deve includere il tempo di ingegneria. Un acceleratore meno costoso può diventare oneroso se i team trascorrono mesi ad adattare modelli o a mantenere percorsi di implementazione personalizzati.
L'approvvigionamento è un'altra questione irrisolta. I clienti enterprise hanno bisogno di capacità produttiva prevedibile, unità sostitutive, supporto firmware e roadmap di prodotto pluriennali.
I fornitori coreani di chip devono inoltre convincere i clienti che gli investimenti software sopravvivranno alle future generazioni hardware. Le applicazioni non possono essere ricostruite da zero ogni volta che arriva un nuovo acceleratore.
La sicurezza introduce ulteriori requisiti. I sistemi misti ampliano il numero di driver, pacchetti firmware, servizi di gestione e canali di aggiornamento di cui gli operatori devono fidarsi.
Queste preoccupazioni non invalidano il modello eterogeneo. Definiscono le prove necessarie per convalidarlo.
La progressione proposta dal ministero, dall'integrazione software ai servizi reali e alle metriche pubbliche, affronta il problema corretto. Il progetto perderà credibilità se si fermerà dopo un breve progetto pilota.
Un test di produzione dovrebbe assegnare alle NPU coreane un carico di lavoro centrale anziché un compito secondario puramente cerimoniale. Dovrebbe ricevere traffico reale ed esporre l'hardware a guasti, eventi di ripristino e aggiornamenti dei modelli.
I risultati dovrebbero mostrare prestazioni per watt, costo per richiesta, disponibilità del servizio e sforzo di sviluppo. Dovrebbero confrontare il sistema misto con una moderna configurazione GPU a parità di obiettivi di servizio.
Un valutatore neutrale rafforzerebbe i risultati. Le università possono contribuire a progettare la metodologia, mentre i clienti possono verificare che i carichi di lavoro riflettano le condizioni commerciali.
Il rapporto finale dovrebbe pubblicare i risultati deludenti oltre ai successi. Le debolezze nel supporto dei modelli o nell'orchestrazione indicherebbero dove ulteriori investimenti contano maggiormente.
Il governo sudcoreano deve resistere alla tentazione di usare gli appalti come unica misura dell'adozione. Gli acquisti governativi possono creare temporaneamente domanda, ma sono gli operatori privati a decidere se una piattaforma ha valore duraturo.
Il forum originale ha colto chiaramente questa tensione. Il sostegno governativo può far guadagnare tempo ai fornitori nazionali e creare una base per la valutazione. Non può indurre i clienti a preferire un sistema che costa di più o fallisce più spesso.
Tre segnali mostreranno se il piano funziona
I prossimi elementi di prova saranno uno stack software funzionante, un'implementazione commerciale e dati operativi verificabili in modo indipendente.
Il primo segnale è un'integrazione riuscita tra CPU e GPU AMD e almeno una NPU coreana. Questa deve andare oltre il semplice riconoscimento del dispositivo o l'esecuzione di una dimostrazione preparata.
Un'integrazione utile dovrebbe installarsi tramite strumenti documentati ed eseguire modelli supportati senza un esteso intervento manuale. Gli sviluppatori dovrebbero poter ispezionare i guasti e misurare il comportamento dei dispositivi in modo coerente.
La pianificazione fornirà un'indicazione precoce della maturità. La piattaforma deve collocare i carichi di lavoro in base alle capacità, alla memoria disponibile, agli obiettivi di latenza e ai vincoli energetici.
L'integrazione dovrebbe anche spiegare come le applicazioni si spostano tra i processori. Se gli sviluppatori devono riscrivere ampie parti di un servizio di inferenza, la piattaforma faticherà ad attrarre utenti.
Questo segnale rafforzerebbe l'argomento a favore dell'eterogeneità se il software apparisse in un repository aperto e mantenuto, con istruzioni di installazione ripetibili. Dimostrazioni chiuse lo indebolirebbero.
Il secondo segnale è l'implementazione in un carico di lavoro commerciale. La dimostrazione su larga scala pianificata dalla Corea dovrebbe coinvolgere un'organizzazione che serve clienti reali o gestisce un importante servizio interno.
Un chatbot da solo non risolverebbe la questione, a meno che il suo traffico e i suoi obiettivi di servizio non assomiglino alla domanda di produzione. Candidati migliori combinerebbero il servizio dei modelli, il recupero delle informazioni, le azioni degli agenti e schemi di richiesta variabili.
L'implementazione dovrebbe funzionare abbastanza a lungo da incontrare aggiornamenti e guasti. Gli operatori hanno bisogno di prove su affidabilità, ripristino, requisiti di personale e tempi di risposta del supporto.
La continuazione commerciale conta più di una cerimonia di lancio. Se il cliente amplia l'implementazione dopo il progetto pilota, ciò indica che il sistema ha fornito valore misurabile.
Una decisione di riportare il carico di lavoro alle GPU indebolirebbe la tesi, anche se il benchmark iniziale apparisse favorevole. Un tale risultato mostrerebbe che la complessità operativa ha superato i guadagni di efficienza.
Il terzo segnale è la pubblicazione di dati comparabili su prestazioni e costi. I partecipanti coreani hanno già sostenuto la necessità di numeri verificabili da terze parti, rendendo la divulgazione uno standard ragionevole per giudicare i progressi.
Il rapporto dovrebbe includere token per watt, utenti per rack, latenza di coda, uptime e potenza totale del sistema. Dovrebbe inoltre divulgare versioni dei modelli, precisione, lunghezze dei prompt e build software.
La rendicontazione dei costi dovrebbe separare hardware, energia, raffreddamento, rete e lavoro di ingegneria. Altrimenti, una minore potenza dell'acceleratore può nascondere spese in altre parti del sistema.
Il confronto dovrebbe utilizzare obiettivi identici di qualità e servizio. Un output più veloce ha valore limitato se la quantizzazione riduce materialmente la qualità delle risposte o genera un comportamento del modello inaccettabile.
Un risultato trasparente aiuterebbe più di una dichiarazione di vittoria senza riserve. Gli acquirenti devono sapere quali carichi di lavoro favoriscono le NPU, quali restano migliori sulle GPU e dove le CPU svolgono ancora un ruolo centrale.
Questi tre segnali dovrebbero apparire in sequenza. L'integrazione software consente un'implementazione commerciale, mentre l'implementazione genera dati operativi credibili.
La tempistica rivelerà anche se il memorandum ha peso istituzionale. Il governo coreano ha dichiarato di stare preparando una grande dimostrazione come nuovo progetto di bilancio per l'anno successivo.
La sola approvazione del bilancio non dimostrerà l'adozione. Mostrerà se il governo ha trasformato l'accordo di luglio in un programma di implementazione finanziato.
La partecipazione privata sarà l'indicatore più forte. I fornitori cloud, le imprese e le aziende industriali devono vedere abbastanza valore da contribuire con carichi di lavoro e continuare ad acquistare dopo la riduzione del sostegno governativo.
Google News ha dato alla tesi originale una cornice capace di attirare l'attenzione: l'era dei data center riempiti con un solo tipo di GPU sta finendo. Oggi le prove sostengono una conclusione più circoscritta.
L'economia dell'inferenza sta creando una ragione credibile per combinare diversi tipi di processori. La Corea dispone anche di aziende nazionali di NPU, notevole competenza nella memoria, carichi di lavoro industriali e un partner globale disposto a esplorare l'integrazione.
Nulla di tutto ciò dimostra l'esistenza di un'alternativa completa alla piattaforma di Nvidia. Il sistema aperto necessita ancora di maturità software, affidabilità commerciale ed economie riprodotte in modo indipendente.
Osservate ciò che viene implementato, non ciò che viene firmato. Se i processori AMD e le NPU coreane gestiranno traffico reale con guadagni pubblicati in termini di costi e potenza, l'infrastruttura eterogenea diventerà un'opzione di acquisto.
Se il progetto resterà un pilota con benchmark selettivi, il data center a fornitore unico manterrà il suo vantaggio più forte: funziona già come sistema.
