Un cavo apparentemente normale, ma con il nucleo vuoto. Non vetro pieno, ma un canale d’aria attraversato dalla luce. Da lì sono passati, senza appoggiarsi a ripetitori intermedi, 51,3 Terabit al secondo per 206 chilometri. Il trial cinese, pensato per aggredire i colli di bottiglia delle reti nell’era dell’intelligenza artificiale, non è uno sfoggio da laboratorio fine a sé stesso: tocca il punto dolente di chiunque faccia correre modelli su decine o centinaia di GPU, specialmente fuori dai cloud iperscalabili.

La fibra cava: perché è diversa

Le fibre ottiche convenzionali guidano la luce attraverso un nucleo di vetro drogato, con un indice di rifrazione più alto del rivestimento. Funziona, ma la luce viaggia più lentamente che nell’aria e accumula latenza. La fibra a nucleo cavo (hollow‑core) sfrutta invece una microstruttura a cristallo fotonico per confinare oltre il 99% del segnale in un foro centrale pieno d’aria. Il vantaggio immediato è la velocità di propagazione: la luce è più rapida del 30–40% rispetto al vetro, tagliando millisecondi preziosi sulla tratta. Inoltre il segnale subisce meno dispersione e minori effetti non lineari, il che riduce la necessità di rigenerazione lungo il percorso. Nell’esperimento cinese, il fatto di coprire 128 miglia senza ripetitori è la cartina di tornasole di questa robustezza.

Il tallone d’Achille dell’AI distribuita

L’addestramento di Large Language Models su larga scala è una bestia affamata di banda e intollerante alla latenza. Quando migliaia di GPU collaborano su un singolo job, lo scambio di gradienti e parametri deve essere fulmineo. Nelle architetture on‑premise, il networking tra i nodi è spesso il vero limite: una dorsale da 100 GbE o 400 GbE può strozzare il throughput se il modello cresce. Non è un caso che si parli di «bisonti della rete» anche per l’inference distribuita, dove la somma dei token generati da più repliche richiede sincronia. Il record di 51,3 Tb/s – l’equivalente di oltre 6400 flussi video 8K contemporanei – suggerisce che la fibra cava potrebbe spostare l’asticella della connettività tra rack, rendendo più efficiente il tessuto di comunicazione di un cluster locale.

Cosa cambia per chi gestisce infrastruttura on‑premise

Per un’organizzazione che valuta deployment self‑hosted di LLM, la scelta del networking è spesso un ripensamento. Si comprano GPU con decine di gigabyte di VRAM, si progetta lo storage, ma l’interconnessione rimane affidata a cavi standard. Il trial cinese ricorda che una rete più veloce e con meno hop intermedi modifica i trade‑off fra CapEx e prestazioni reali: meno tempo sprecato in attesa della sincronizzazione significa modelli addestrati prima, o inference più responsiva. In chiave sovereignty, la possibilità di costruire fabric a bassa latenza su centinaia di chilometri senza dipendere da ripetitori attivi può anche estendere il raggio dei data center distribuiti geograficamente, mantenendo i dati sotto il proprio controllo.

Dove porta questa strada

La tecnicia hollow‑core è ancora in fase di maturazione industriale: i costi di produzione e la compatibilità con l’installato di fibra tradizionale restano ostacoli concreti. Tuttavia, il fatto che la Cina spinga così apertamente su una soluzione pensata per i carichi di lavoro AI indica che il networking sta diventando un campo di battaglia competitivo, al pari dei chip. Non è fantascienza immaginare dorsali inter‑rack basate su fibra cava, capaci di snellire l’addestramento federato o di connettere siti on‑premise lontani senza cedere alla latenza. Per chi oggi fatica a far parlare i server AI alla massima velocità, il segnale è chiaro: il cavo non è più un accessorio banale.