Il progetto KNOD non è più soltanto una prova di laboratorio. L'aggiornamento presentato questa settimana alla Linux Plumbers Conference di Praga mostra che il kernel Linux sta prendendo sul serio l'idea di usare le GPU AMD per elaborare i pacchetti di rete direttamente nello spazio kernel, senza passare da hardware di rete specializzato. È un dettaglio che può sembrare tecnico, ma per chi gestisce infrastrutture on-premise ha un peso specifico: la stessa capacità di calcolo già installata per l'elaborazione parallela potrebbe assorbire parte del carico di rete, riducendo la necessità di componenti dedicati.

KNOD nasce come soluzione open source per l'offloading in-kernel dei pacchetti verso le GPU AMD. Il vantaggio dichiarato è duplice: alte prestazioni ed efficienza energetica, sfruttando acceleratori già presenti nei server. In pratica, invece di lasciare alla CPU il compito di ispezionare, instradare o trasformare i pacchetti, il sistema può delegare queste operazioni alla GPU, che dispone di un'architettura massicciamente parallela e di una memoria ad alta banda. Non serve una scheda di rete programmabile o un processore di rete dedicato: il progetto punta a ottenere risultati simili usando hardware general purpose.

Qui sta il punto strutturale. Negli ambienti on-premise e nei cluster che già ospitano GPU per l'inference o il training di modelli, il costo di queste macchine è in gran parte legato all'acquisto dell'acceleratore. Se una parte del traffico di rete può essere gestita dallo stesso silicio, il TCO cambia: si può evitare di aggiungere SmartNIC o DPU dedicate, oppure si può consolidare carichi di lavoro diversi sulla stessa infrastruttura. Non è una questione di nicchia: la rete è spesso il collo di bottiglia silenzioso dei carichi distribuiti, e ogni ciclo di CPU risparmiato sul piano dati è un ciclo che può essere destinato all'orchestrazione o al calcolo applicativo.

Per chi segue AI-RADAR e valuta deployment locali di LLM, il collegamento è meno indiretto di quanto appaia. I cluster che servono modelli self-hosted devono spostare continuamente dati tra nodi, storage e clienti. Se il kernel può scaricare parte del packet processing sulle GPU, l'infrastruttura di rete smette di essere un costo separato e diventa un'estensione del parco acceleratori già ammortizzato. Questo non significa che tutti i carichi di rete debbano migrare sulle GPU, ma cambia gli incentivi: per un team che deve decidere tra un server con GPU e uno con SmartNIC, la presenza di un percorso in-kernel maturo può spostare l'ago della bilancia.

Ci sono anche perdenti potenziali. I produttori di hardware di rete programmabile, che hanno costruito il loro valore sulla capacità di scaricare il piano dati dalla CPU, potrebbero vedere eroso lo spazio per soluzioni specializzate nei segmenti in cui le GPU sono già presenti. Allo stesso tempo, AMD guadagna un argomento in più per posizionare le sue GPU non solo come acceleratori di calcolo, ma come componenti di sistema a tutto tondo. La comunità Linux, dal canto suo, ottiene un banco di prova per spingere più in là i confini del kernel: l'integrazione tra scheduler, memoria e sottosistema di rete diventa più profonda, e questo ha ricadute su affidabilità e manutenibilità.

Resta il fatto che KNOD è ancora un progetto sperimentale: la strada verso un'integrazione stabile nel kernel è lunga e passa da revisioni del codice, gestione della sicurezza e compatibilità con i driver. Ma la direzione è chiara. Il confine tra acceleratore di calcolo e motore di rete si sta assottigliando, e il kernel Linux è il terreno su cui questa convergenza verrà negoziata.