Il networking scale-across si scontra con il muro dei costi dei data center per l'AI
Google News ha portato alla luce un conflitto cruciale l'11 agosto: i cluster AI richiedono più spazio e più energia, ma collegare più siti può annullarne i vantaggi economici.
Il dibattito di fondo proveniva da Data Center Dynamics e da un panel di settore sull'interconnessione tra data center, o DCI, che trasporta il traffico fra strutture. Google, Meta, Nokia, Lumen Technologies e Zayo hanno partecipato alla sessione del marzo 2026. Il problema condiviso era più rilevante di un ulteriore aumento della larghezza di banda nominale.
Gli sviluppatori AI vogliono sempre più spesso che più edifici si comportino come un unico sistema di calcolo. Questo approccio, chiamato networking scale-across, può superare i limiti fisici di una singola struttura. Tuttavia, espone anche preziosi acceleratori a guasti della fibra, congestione, distanza e ritardi di sincronizzazione.
La sfida centrale è quindi tra costo e prestazioni. Gli operatori possono collocare capacità di calcolo vicino all'energia disponibile e distribuirla su più siti. Devono quindi realizzare una rete ottica sufficientemente veloce e affidabile da mantenere produttivi processori costosi.
Google e Meta stanno già descrivendo architetture che superano i confini degli edifici. I fornitori di apparecchiature promuovono ottiche coerenti più veloci, che codificano i dati sulla luce per trasmetterli su distanze maggiori. Nulla di tutto questo garantisce che l'addestramento distribuito rimanga economico su scala produttiva.
Google News evidenzia un'architettura di rete che entra in produzione
Il networking scale-across sta passando da proposta di settore a requisito progettuale per i più grandi cluster AI.
Il programma del panel OFC ha descritto il DCI come il segmento di rete in più rapida crescita, con una crescita annua superiore al 50 percento. Ha inoltre identificato lo scale-across come un caso d'uso distinto per il back-end, anziché come normale traffico tra siti.
Il DCI tradizionale trasporta traffico applicativo, di storage, replica e clienti tra strutture. Questi flussi possono richiedere capacità elevata, ma in genere tollerano una maggiore variabilità rispetto all'addestramento AI sincronizzato.
Una rete AI di back-end collega gli acceleratori mentre lavorano sullo stesso compito di addestramento o inferenza. Ogni processore scambia ripetutamente parametri del modello, risultati intermedi e messaggi di sincronizzazione. Il traffico in ritardo può lasciare i processori in attesa anche quando le risorse di calcolo locali rimangono disponibili.
Lo scale-across estende quella fabric di back-end oltre un singolo edificio. Le strutture partecipanti formano un dominio di calcolo più ampio, anche se sono separate da fibra e distanza geografica.
Questa distinzione conta perché gli operatori non collegano più data center indipendenti soltanto per la resilienza o lo spostamento dei dati. Stanno cercando di coordinare acceleratori tra siti come componenti di un'unica macchina.
Il resoconto di Nokia sul panel ha separato la connettività AI in tre dimensioni. Lo scale-up collega i processori all'interno di un rack, lo scale-out collega i rack all'interno di una struttura e lo scale-across unisce cluster oltre una singola struttura.
Queste categorie comportano requisiti ingegneristici diversi. Le connessioni corte in rame restano comuni all'interno dei rack, mentre i collegamenti ottici dominano i percorsi più lunghi. Lo scale-across aggiunge trasmissione coerente, sistemi di linea, percorsi in fibra e controlli operativi alla fabric AI.
L'ingegnere di Google Kevin Croussore ha partecipato al panel con rappresentanti di Meta, Zayo, Lumen Technologies e Nokia. La loro presenza ha mostrato che il problema coinvolge operatori cloud, carrier di rete e fornitori di apparecchiature.
Anche la tempistica è importante. Nell'aprile 2026, Google ha presentato Virgo Network, la sua nuova fabric scale-out per l'AI Hypercomputer. Google ha dichiarato che i requisiti di addestramento ora superano l'energia e lo spazio disponibili nei singoli data center.
L'architettura Virgo utilizza una topologia piatta a due livelli e domini di controllo indipendenti. Google l'ha progettata per ridurre i livelli di rete, offrendo al contempo latenza prevedibile e isolamento dei guasti.
Virgo non rende ogni data center distante equivalente a un rack locale. Dimostra però che Google ora tratta un campus come un unico ambiente di calcolo, anziché come una raccolta di edifici isolati.
Questo cambiamento architetturale crea la tensione centrale dell'articolo. Suddividere un cluster in più strutture può liberare potenza e spazio a pavimento. Introduce però anche una rete il cui costo e comportamento incidono direttamente sull'output di calcolo utile.
Gli operatori non possono più valutare il DCI soltanto in base alla capacità grezza. Devono chiedersi quanto tempo degli acceleratori la rete preservi, quanto rapidamente si riprenda e quanta energia consumi ogni bit trasportato.
La scarsità di energia sta spingendo i cluster AI oltre i confini degli edifici
La pressione deriva da uno squilibrio tra la domanda concentrata di calcolo e l'espansione più lenta della capacità dei data center pronti dal punto di vista energetico.
I grandi sistemi AI concentrano migliaia di acceleratori, dispositivi di memoria, switch, componenti di raffreddamento e sistemi di conversione dell'energia. Aggiungere processori aumenta anche l'infrastruttura di supporto necessaria per alimentarli, raffreddarli e collegarli.
Un singolo edificio raggiunge infine limiti imposti dalla fornitura delle utility, dalle sottostazioni, dai sistemi di raffreddamento, dai tempi di costruzione e dalle autorizzazioni locali. Gli operatori possono progettare rack più densi, ma la densità non crea capacità aggiuntiva della rete elettrica.
Spostare dati è spesso più pratico che spostare energia elettrica su lunghe distanze. La fibra diventa quindi uno strumento per combinare strutture alimentate separatamente in un pool di risorse più ampio.
Google ha descritto direttamente questo principio nel maggio 2026. L'azienda ha dichiarato di collocare i data center vicino alle risorse energetiche, distribuendo poi i carichi di lavoro AI tra i campus attraverso la propria rete.
La sua infrastruttura globale riflette la scala di quell'investimento. Google afferma che la larghezza di banda della propria rete geografica è aumentata di sette volte tra il 2020 e il 2025. Questa rete supporta servizi per i consumatori, traffico cloud, dati di addestramento e risorse di calcolo AI.
Meta affronta lo stesso vincolo fisico su una scala diversa. Il suo cluster Prometheus è progettato per un gigawatt di capacità distribuito su almeno cinque edifici di data center.
Prometheus incorpora anche spazi di colocation adiacenti e strutture temporanee resistenti alle intemperie, secondo il resoconto infrastrutturale di Meta. Questa configurazione rende la rete parte del piano costruttivo di base del cluster.
Si prevede che il più grande progetto Hyperion di Meta inizi a entrare in funzione nel 2028. L'azienda afferma che il cluster completato supporterà fino a cinque gigawatt.
Questi dati dimostrano perché lo scale-across sta attirando attenzione ora. Strutture di tali dimensioni non possono dipendere da una sola sala dati convenzionale o da una sola fabric di switching locale.
Il sistema di aggregazione back-end di Meta, noto come BAG, collega più fabric AI tra le strutture. BAG è un livello super-spine Ethernet centralizzato, ossia collega i livelli superiori di fabric di rete separate.
L'azienda afferma che l'aggregazione back-end aiuterà a interconnettere decine di migliaia di GPU utilizzate da Prometheus. Dovrà inoltre collegare due diverse progettazioni di fabric Meta.
Questo approccio mette sotto pressione qualcosa di più degli hyperscaler. I provider cloud necessitano di capacità tra siti sufficiente per offrire grandi pool di acceleratori. I carrier hanno bisogno di percorsi con latenza prevedibile, diversità fisica e installazione più rapida.
I fornitori di ottica devono aumentare la capacità senza far crescere allo stesso ritmo il consumo energetico, il costo dei moduli o i tassi di guasto. Gli sviluppatori di data center devono inoltre pianificare i percorsi in fibra prima dell'apertura degli edifici.
Gli acquirenti enterprise affrontano una conseguenza indiretta. I costi dei loro servizi AI dipendono in parte dall'efficienza con cui i provider utilizzano gli acceleratori. Un cluster distribuito con scarsa utilizzazione della rete può sprecare costosa capacità di calcolo.
La risposta imposta è di lungo termine. Gli operatori devono coordinare la selezione dei siti, l'approvvigionamento energetico, i percorsi in fibra, l'architettura di calcolo e il software dei carichi di lavoro anni prima che un grande cluster entri in servizio.
Il networking scale-across offre loro un'altra opzione progettuale, ma non elimina la scarsità. Sostituisce un vincolo energetico concentrato con un problema di sistemi distribuiti.
Il networking scale-across economicamente efficace dipende dal tempo utile delle GPU
Il componente di rete meno costoso non è necessariamente quello che produce il costo di addestramento più basso.
L'addestramento AI procede attraverso calcolo e comunicazione ripetuti. Gli acceleratori calcolano risultati localmente, scambiano informazioni e attendono gli altri partecipanti prima di continuare.
Questo comportamento rende la latenza di coda insolitamente importante. La latenza di coda misura le risposte più lente all'interno di un gruppo, non il tempo di risposta medio su tutto il traffico.
Un singolo collegamento in ritardo, un percorso congestionato o un nodo in difficoltà può rallentare un lavoro molto più ampio. Il costo si manifesta come tempo inattivo degli acceleratori, anziché come un semplice addebito di rete.
Ecco perché la larghezza di banda grezza offre una misura incompleta dell'economia dello scale-across. Un collegamento ad alta capacità può comunque fornire tempi di completamento incoerenti, recupero debole dai guasti o consumo energetico eccessivo.
Google ha progettato Virgo attorno a latenza deterministica, elevata larghezza di banda di bisezione e isolamento dei guasti hardware. La larghezza di banda di bisezione misura quanto traffico può attraversare simultaneamente le due metà di una rete.
Queste caratteristiche mirano a far procedere i compiti distribuiti in modo prevedibile. Illustrano inoltre come il networking AI differisca dal traffico applicativo best-effort.
Meta sta affrontando il problema mediante modifiche alla rete e al software. Il suo lavoro su Prometheus include Twine e MAST, sistemi destinati a supportare l'addestramento tra data center geograficamente distribuiti.
La pianificazione diventa cruciale perché non tutti i carichi di lavoro dovrebbero attraversare ogni distanza. Un operatore può collocare compiti strettamente sincronizzati all'interno di una singola località, distribuendo al contempo fasi meno sensibili su una regione più ampia.
Le ottiche coerenti rendono possibili connessioni ad alta capacità su distanze maggiori. La tecnologia utilizza modulazione e elaborazione del segnale sofisticate per preservare i dati lungo collegamenti in fibra che vanno oltre le normali distanze dei data center.
I moderni moduli coerenti possono adattarsi a formati pluggable rivolti agli switch. Ciò riduce, per alcune applicazioni, la dipendenza da shelf di trasporto separati e può semplificare le implementazioni.
Tuttavia, il costo di acquisto del modulo è solo una parte dell'economia della rete. Gli operatori devono considerare disponibilità della fibra, sistemi di linea, amplificazione, monitoraggio, manodopera per le sostituzioni, sicurezza e capacità di riserva.
La rete consuma inoltre energia che altrimenti potrebbe supportare il calcolo. Un progetto che aumenta la larghezza di banda richiedendo più apparecchiature ottiche e di switching può intensificare il vincolo energetico originario del sito.
Ciena pubblicizza sistemi a 400G, 800G e 1.6T nel proprio portafoglio DCI. Marvell ha analogamente descritto moduli coerenti da 1.6T destinati a emergenti implementazioni scale-across.
Queste roadmap segnalano una crescita sostanziale della capacità. Non dimostrano che ogni carico di lavoro AI possa utilizzare tale capacità in modo efficiente tra più strutture.
Il software deve coordinare collocamento, instradamento, controllo della congestione, checkpointing e ripristino. Gli operatori necessitano inoltre di visibilità sui livelli di calcolo e trasporto, in precedenza gestiti come sistemi separati.
Un percorso ottico guasto non dovrebbe costringere un grande lavoro di addestramento a ripartire dall'inizio. La rete e il pianificatore dei carichi di lavoro necessitano di strategie di ripristino coordinate che limitino il lavoro perso.
Questo requisito cambia il modo in cui gli acquirenti dovrebbero confrontare i progetti. Il costo per bit trasportato resta utile, ma il costo per fase di addestramento completata è più vicino al risultato aziendale.
Tempo di completamento del job, utilizzo degli acceleratori, potenza ottica e durata del ripristino devono rientrare nella stessa analisi. Trattarli come metriche di approvvigionamento separate può nascondere il costo reale.
Lo scale-across diventa economicamente sostenibile solo quando la rete preserva sufficiente tempo produttivo dei processori da compensare l'infrastruttura aggiuntiva. Ottiche più veloci supportano questo obiettivo, ma sono l'architettura e le operazioni a determinarne il risultato.
L'Ethernet aperto affronta la pressione delle prestazioni proprietarie
Il networking scale-across intensifica la competizione tra sistemi Ethernet interoperabili e fabric di acceleratori strettamente controllati.
Ethernet dispone di un'enorme base installata, di un ampio mercato di fornitori e di strumenti operativi maturi. Questi vantaggi possono ridurre la concentrazione dei fornitori e offrire agli operatori più opzioni tra i componenti.
Il design BAG di Meta usa Ethernet per aggregare diversi fabric di back-end. Questa decisione mostra come un hyperscaler possa mantenere un livello comune di interconnessione sviluppando al contempo sistemi specializzati al di sotto di esso.
Google costruisce inoltre verticalmente su chip, sistemi, fabric di rete, software e servizi cloud. Il controllo verticale consente all'azienda di ottimizzare diversi livelli per i propri carichi di lavoro, anche quando le singole interfacce utilizzano standard consolidati.
Nvidia offre un diverso punto di riferimento con NVLink, InfiniBand, Spectrum-X Ethernet e i suoi sistemi rack-scale. Il suo portafoglio collega acceleratori, switch, hardware di interfaccia e software all'interno di un'architettura coordinata.
Un'integrazione più stretta può migliorare la prevedibilità delle prestazioni e ridurre l'incertezza di implementazione. Può anche limitare la sostituibilità dei componenti e concentrare le decisioni sulla roadmap presso un unico fornitore.
I sistemi aperti promettono flessibilità, ma l'interoperabilità non garantisce un addestramento distribuito efficiente. Dispositivi di fornitori diversi possono supportare la stessa velocità nominale del collegamento, pur comportandosi diversamente in presenza di congestione o guasti.
Gli operatori affrontano quindi una difficile decisione di acquisto. Un'architettura più integrata può ridurre lo sforzo ingegneristico, mentre un design aperto può migliorare la flessibilità di approvvigionamento e il potere negoziale nel lungo periodo.
Il dibattito si estende alle interfacce ottiche. I moduli pluggable consentono sostituzione e scelta del fornitore, mentre le ottiche co-packaged collocano i motori ottici più vicino al silicio di switching.
Le ottiche co-packaged possono ridurre la distanza elettrica tra un chip switch e la sua connessione ottica. Percorsi elettrici più brevi possono migliorare l'integrità del segnale e l'efficienza energetica ad alte velocità di trasmissione.
La manutenibilità diventa più difficile quando le ottiche e l'hardware di switching sono integrati più strettamente. Sostituire un piccolo modulo guasto è più semplice che intervenire su un motore ottico collegato a un costoso package di switch.
Le ottiche pluggable lineari rimuovono un processore di segnale digitale dal modulo. Questo approccio può ridurre consumi e latenza, ma attribuisce più responsabilità di elaborazione del segnale alle apparecchiature host.
Data Center Dynamics ha identificato l'affidabilità delle ottiche e la latenza di coda come vincoli emergenti nella sua analisi della complessità di rete. Ha inoltre osservato che cicli di aggiornamento più rapidi aumentano la pressione sui team di progettazione e installazione.
Il livello fisico rimane facile da trascurare. Più fibra crea fasci di cavi più grandi, pannelli più densi, budget di perdita più ristretti e procedure di test più impegnative.
Un diagramma logico di rete può mostrare due siti collegati da percorsi ridondanti. In pratica, entrambi i percorsi possono condividere condotti, ponti, sistemi elettrici o rischi di costruzione, a meno che gli operatori non verifichino la diversità fisica.
Gli standard possono ridurre i costi creando mercati di componenti più grandi. Possono anche maturare più lentamente rispetto ai sistemi proprietari sviluppati secondo il calendario di un singolo fornitore.
Per questo la competizione principale resta tra costo e prestazioni, non tra Ethernet e un singolo concorrente nominato. La strategia dei fornitori sostiene tale competizione senza sostituirla.
Una rete aperta che lascia inattivi i processori è costosa. Anche una rete proprietaria che vincola gli acquirenti ad aggiornamenti sfavorevoli può diventare costosa.
L'approccio vincente offrirà prestazioni dei job prevedibili mantenendo requisiti gestibili in termini di energia, manutenzione e approvvigionamento. Nessuna singola specifica di interfaccia dimostra da sola tale risultato.
La roadmap ottica deve ancora superare il test dell'affidabilità
La maggiore incertezza è se i sistemi ottici emergenti possano offrire la capacità dichiarata con carichi di lavoro AI continui senza creare nuovi costi operativi.
I collegamenti ottici trasportano già traffico all'interno e tra grandi data center. Lo scale-across modifica il modello di traffico, la sensibilità ai guasti e l'utilizzo atteso di tali collegamenti.
Il traffico AI di back-end può essere continuo e sincronizzato. Può saturare i collegamenti per lunghi periodi, lasciando meno margine per interventi di manutenzione o prestazioni imprevedibili.
Velocità di segnalazione più elevate riducono inoltre i margini ingegneristici. I componenti devono preservare la qualità del segnale operando in ambienti densi, caldi e vincolati dalla potenza disponibile.
Il settore sta passando da 400G verso pluggable coerenti da 800G, mentre i fornitori preparano prodotti da 1.6T. Ogni transizione interessa switch, moduli, apparecchiature di test, design della fibra e pratiche operative.
IEEE Spectrum ha riferito che i fornitori di ottica stanno sviluppando anche il multiplexing a divisione di lunghezza d'onda densa per connessioni AI più brevi. DWDM invia diverse lunghezze d'onda ottiche attraverso una singola fibra.
Un design del 2026 distribuisce il traffico su otto canali a velocità inferiore e punta a velocità aggregate fino a 1,6 terabit al secondo. I suoi sviluppatori prevedono una produzione più ampia prima delle implementazioni attese nel 2028.
La roadmap della scalabilità ottica è promettente, ma gli obiettivi dei fornitori non sono una prova di produzione. Resa produttiva, comportamento termico, tassi di errore e affidabilità nel lungo periodo richiedono ancora validazione sul campo.
La stessa cautela vale per le dichiarazioni dei fornitori sulle prestazioni. Una minore potenza del modulo non riduce automaticamente la potenza totale del sistema se l'architettura richiede più collegamenti o capacità di riserva.
Una maggiore larghezza di banda non garantisce tempi di completamento dei job inferiori. Il controllo della congestione, il posizionamento dei carichi di lavoro e il ripristino software possono dominare i risultati durante i guasti.
La distanza crea un altro vincolo fisso. La luce viaggia rapidamente, ma il ritardo di propagazione non può essere eliminato tramite software o una modulazione migliore.
Switch aggiuntivi, conversioni ottiche, code e correzione degli errori aggiungono ulteriore ritardo. Gli operatori possono ridurre queste penalità, ma non possono fare in modo che una struttura distante si comporti esattamente come un rack adiacente.
Ciò limita i carichi di lavoro adatti allo scale-across. Alcuni job di addestramento possono tollerare una distribuzione più ampia, soprattutto con software progettato attorno alla località e ai checkpoint.
Altre attività richiedono sincronizzazioni estremamente frequenti. La loro economia può peggiorare quando la distanza di rete blocca ripetutamente i processori.
Anche l'affidabilità assume un significato diverso alla scala del cluster. Un componente con un basso tasso di guasto individuale può comunque generare incidenti frequenti quando è distribuito su un'enorme popolazione di collegamenti.
Il tempo di riparazione diventa quindi importante quanto la frequenza dei guasti. I tecnici potrebbero dover individuare la fibra danneggiata, sostituire moduli, pulire connettori e ritestare i percorsi in diverse strutture.
Le competenze operative possono diventare un collo di bottiglia. Gli impianti ottici ad alta densità richiedono pratiche specializzate di installazione, documentazione, misurazione e risoluzione dei problemi.
Le catene di approvvigionamento introducono ulteriore incertezza. L'adozione accelerata di moduli coerenti, laser, connettori e apparecchiature in fibra può creare carenze o qualità disomogenea.
La conclusione scettica non è che lo scale-across fallirà. Google, Meta e i loro fornitori hanno motivi chiari per investirvi.
La questione irrisolta è se i cluster distribuiti possano mantenere un elevato utilizzo tenendo conto di guasti reali, manutenzione e overhead software. Le specifiche pubbliche di capacità non rispondono a questa domanda.
Gli acquirenti dovrebbero considerare le dichiarazioni di riduzione dei costi come specifiche dell'architettura. Un risultato ottenuto dalla rete personalizzata di un hyperscaler potrebbe non trasferirsi a un operatore più piccolo che utilizza strutture, percorsi in fibra e software diversi.
Cosa dovrebbero osservare i lettori di Google News
Tre segnali indicheranno se il networking scale-across sta diventando un modello di produzione economico anziché una costosa soluzione di ripiego.
Il primo segnale è l'utilizzo misurato di cluster operativi distribuiti su più edifici. L'implementazione Prometheus di Meta offre un test particolarmente rilevante perché la sua capacità pianificata di un gigawatt si estende su diverse strutture.
Meta ha spiegato la propria topologia di rete, ma la prova decisiva arriverà dalle prestazioni sostenute dei carichi di lavoro. Informazioni utili includerebbero tempo di completamento dei job, utilizzo degli acceleratori, durata del ripristino e interruzioni legate alla rete.
Un forte utilizzo in più edifici sosterrebbe l'argomento secondo cui la fibra può sbloccare potenza inutilizzata senza sprecare risorse di calcolo. Frequenti stalli di sincronizzazione lo indebolirebbero.
Il secondo segnale è l'arrivo in produzione di moduli coerenti da 1.6T. I fornitori hanno annunciato prodotti e calendari di campionamento, ma gli operatori necessitano di disponibilità in volume e affidabilità sul campo.
Occorre osservare la qualificazione da parte degli hyperscaler, le implementazioni degli operatori di telecomunicazioni, i test di interoperabilità e le misurazioni della potenza a livello di sistema completo. Le sole specifiche dei moduli rivelano poco sul costo di implementazione.
Una qualificazione riuscita da parte di diversi fornitori migliorerebbe le opzioni di capacità e approvvigionamento. Ritardi, rese basse o alti tassi di guasto conserverebbero più a lungo l'economia dei sistemi 800G.
Il terzo segnale è il modo in cui Google, Meta e Nvidia distribuiscono i carichi di lavoro tra i domini di rete. Le loro scelte software riveleranno dove lo scale-across aggiunge valore e dove la località fisica resta necessaria.
Google afferma che la sua rete comprende il fabric all'interno dell'AI Hypercomputer, il fabric che lo attraversa e la sua dorsale globale. Meta collega fabric di addestramento distinti attraverso BAG.
Nvidia continua a sviluppare sistemi integrati per ambienti scale-up, scale-out e scale-across. I confini tra questi domini conteranno quanto le loro velocità massime.
Un passaggio verso una pianificazione consapevole della località confermerebbe che la distanza resta un vincolo di progettazione rigido. Un'ampia distribuzione di job sincronizzati tra strutture indicherebbe che i miglioramenti di rete e software stanno riducendo tale penalità.
Google News è utile come canale di scoperta, non come prova tecnica. I lettori dovrebbero seguire le pubblicazioni ingegneristiche sottostanti, i report di implementazione e i test indipendenti.
Per gli sviluppatori, il cambiamento influisce sulla capacità di acceleratori disponibile e sul comportamento delle piattaforme di addestramento distribuito. Per gli acquirenti aziendali, può influenzare l'affidabilità del servizio, la disponibilità regionale e il costo del calcolo AI.
Gli architetti di rete dovrebbero valutare i risultati completi dei carichi di lavoro invece di confrontare le velocità di collegamento isolatamente. I team di approvvigionamento dovrebbero inoltre richiedere evidenze su ripristino dai guasti, potenza e interoperabilità.
La domanda più importante è pratica: un altro edificio collegato produce valore computazionale proporzionale dopo aver incluso costi e ritardi di rete?
Seguite questi tre segnali prima di accettare le affermazioni secondo cui lo scale-across ha risolto il problema dei costi dei data center AI. La rete deve dimostrare che la potenza distribuita diventa calcolo produttivo, non capacità inutilizzata collegata da fibra costosa.
