Per Huawei, l’intelligenza artificiale sta smettendo rapidamente di essere una tecnologia collocata sopra l’infrastruttura per diventare invece il principio architetturale che ne governa direttamente l’evoluzione. Non si tratta semplicemente di aggiungere acceleratori GPU o di ospitare modelli linguistici all’interno del data center: secondo l’azienda, networking, storage, computing ed edge infrastructure stanno convergendo verso un modello operativo nel quale l’AI modifica dinamicamente il comportamento dell’intero stack tecnologico, influenzando routing, gestione dei dati, allocazione delle risorse, consumi energetici, resilienza e sicurezza.
Nel modello delineato da Huawei, networking, storage e computing smettono progressivamente di essere layer separati dell’infrastruttura enterprise e iniziano a comportarsi come componenti coordinate di un’unica architettura adattiva. La rete utilizza AI e machine learning per ottimizzare dinamicamente routing, QoS e resilienza operativa; lo storage evolve invece verso piattaforme persistenti capaci di sostenere inferenza, knowledge base aziendali e memoria di lungo periodo per gli agenti AI.
È in questo contesto che Alexandre Grandeaux, CTO di Huawei Italia, descrive le due direttrici strategiche che Huawei sta sviluppando parallelamente e che, secondo il manager, tenderanno progressivamente a convergere. La prima riguarda la costruzione di piattaforme complete progettate specificamente per ospitare sistemi AI, integrando networking, computing e storage all’interno di stack infrastrutturali unificati basati su middleware e sistemi operativi open source. La seconda segue invece la direzione opposta, incorporando capacità di intelligenza artificiale direttamente nei sistemi di rete e storage per renderli capaci di ottimizzare autonomamente il proprio comportamento operativo.
“Adottiamo l’AI per ottimizzare le prestazioni delle reti a tutti i livelli”, spiega Grandeaux. “Sia nella parte di networking che nelle reti ottiche e nello storage. L’obiettivo è offrire servizi più performanti, con una manutenzione molto snella, e in alcuni casi prevedere eventuali colli di bottiglia o attivare meccanismi di autoriparazione in caso di guasti hardware o software.”
Il punto centrale della visione Huawei è che queste due direttrici non vengano considerate indipendenti. Le piattaforme AI beneficiano dell’ottimizzazione intelligente della rete sulla quale operano, mentre la rete stessa può essere gestita e orchestrata attraverso modelli AI eseguiti all’interno dell’infrastruttura. Ne emerge un ecosistema nel quale networking, storage e compute smettono progressivamente di comportarsi come layer separati e iniziano invece a operare come componenti coordinate di un’unica architettura adattiva, capace di modificare continuamente il proprio stato operativo in funzione del carico applicativo, delle condizioni di rete e delle richieste provenienti dai workload AI.
Networking AI-driven: il WiFi 7 diventa una piattaforma distribuita di analisi e automazione
Uno degli esempi più concreti di questa trasformazione riguarda gli access point WiFi 7 di Huawei, che integrano modelli di machine learning direttamente nel firmware. L’aspetto interessante, nel racconto di Grandeaux, è che l’intelligenza non risiede più in un controller centrale ma viene distribuita direttamente sugli apparati di rete, trasformando il networking in una piattaforma computazionale diffusa capace di prendere decisioni operative localmente.
Il primo ambito applicativo è il roaming intelligente. In ambienti coperti da più access point, il sistema monitora continuamente gli spostamenti dei dispositivi mobili – smartphone, tablet o endpoint IoT – e garantisce che il passaggio da un punto di accesso all’altro avvenga senza degradazione della qualità della connessione. Grandeaux sottolinea però che la continuità del segnale rappresenta soltanto una parte del problema: il sistema analizza infatti anche il tipo di applicazione in esecuzione in quel momento e cerca di mantenere livelli coerenti di banda e latenza mentre l’utente attraversa consecutivamente differenti aree di copertura nella stessa sessione operativa.
Questo significa che il comportamento della rete viene continuamente adattato alle esigenze applicative reali e non più semplicemente ai parametri statici configurati a priori dall’amministratore.
La seconda applicazione descritta dal CTO mostra ancora più chiaramente l’obiettivo di Huawei di trasformare la rete in una piattaforma di elaborazione distribuita. Attraverso l’analisi della radiazione di frequenza nell’area coperta, gli access point sono infatti in grado di rilevare la presenza o l’assenza di persone negli ambienti e utilizzare questa informazione per attivare automaticamente sistemi di illuminazione, riscaldamento o raffrescamento senza ricorrere a sensori esterni dedicati.
Il dato interessante, dal punto di vista architetturale, è che tutta questa elaborazione avviene direttamente sull’access point, grazie ai moduli software integrati nel sistema operativo del dispositivo. In altre parole, il networking smette progressivamente di essere soltanto un layer di trasporto e inizia a comportarsi come un’infrastruttura edge distribuita capace di raccogliere dati ambientali, interpretarli e prendere decisioni operative in tempo reale.
QoS dinamica, AI routing e reti che si autoriconfigurano in tempo reale
La stessa logica viene applicata alla rete cablata enterprise. Nei sistemi di switching ad alta capacità, Huawei utilizza AI e machine learning per monitorare continuamente il traffico e modificare dinamicamente il comportamento della rete in funzione delle condizioni operative istantanee.
Grandeaux parte da un problema classico delle infrastrutture enterprise: garantire livelli adeguati di banda e latenza a workload differenti all’interno di ambienti nei quali il traffico cambia continuamente. Tradizionalmente questo veniva gestito attraverso regole statiche di QoS configurate manualmente. Huawei aggiunge invece uno strato di machine learning che analizza continuamente il rapporto tra capacità disponibile e domanda di rete in tempo reale, cercando il percorso migliore disponibile per ciascun flusso dati.
“I limiti sono sempre predefiniti secondo uno SLA”, precisa Grandeaux, “ma quello che viene effettuato in tempo reale grazie all’AI è la ricerca del percorso migliore disponibile, che non diventa mai fisso ma rimane in costante analisi e aggiornamento.”
Il comportamento della rete viene quindi modificato dinamicamente in funzione del tipo di traffico. Un flusso audio-video real-time riceve priorità e requisiti di latenza differenti rispetto a trasferimenti bulk o operazioni di sincronizzazione in background, con l’infrastruttura che cerca continuamente il “best available path” rispetto alle condizioni operative del momento.
Grandeaux evidenzia però anche un limite architetturale molto preciso: il massimo livello di ottimizzazione intelligente è ottenibile soltanto in reti completamente omogenee Huawei. In ambienti multi-vendor rimane la compatibilità standard di routing, ma le capacità di orchestrazione AI-driven si interrompono nel momento in cui il traffico attraversa apparati di terze parti.
“La componente intelligente del nostro sistema operativo non può attuare su un sistema terzo”, osserva il CTO. “In quel caso si garantisce la compatibilità a livello di routing tradizionale, ma non si può raggiungere il massimo delle prestazioni intelligenti. La parte intelligente richiede che la rete sia omogenea.”
Ethernet, zero packet loss e protezione firmware-level: il data center AI-native secondo Huawei
La stessa trasformazione viene estesa anche all’interno del data center. Huawei sta puntando su architetture completamente Ethernet anche per workload AI e HPC, sostenendo che rappresentino il miglior equilibrio tra prestazioni, costo e semplicità operativa rispetto a tecnologie tradizionalmente utilizzate negli ambienti high-performance come InfiniBand o Fibre Channel.
In questo contesto, l’AI viene utilizzata per implementare meccanismi di zero packet loss, ottimizzando continuamente priorità e instradamento del traffico tra server, switch e storage subsystem. L’obiettivo è eliminare la perdita di pacchetti all’interno del data center attraverso un comportamento adattivo della rete che opera in tempo reale sui percorsi di trasmissione.
Parallelamente, Huawei sta integrando capacità di protezione AI-driven direttamente nello storage subsystem. I sistemi implementano monitoraggio continuo a livello hardware e firmware, indipendentemente dal sistema operativo, dall’hypervisor o dal software applicativo residente sui server. L’idea è identificare comportamenti anomali compatibili con ransomware o accessi non autorizzati e attivare automaticamente meccanismi di isolamento prima che la minaccia raggiunga i sistemi produttivi.
“L’intelligenza, più che nell’archiviazione vera e propria, è nel predire che qualcosa di anomalo è in corso”, spiega Grandeaux. “Si attivano meccanismi di protezione che vanno a isolare i sistemi di archiviazione finché la minaccia non sia neutralizzata.”
La caratteristica distintiva di questo approccio è che la protezione opera direttamente a livello firmware dello storage subsystem, rimanendo indipendente dalla superficie d’attacco del sistema operativo sovrastante e riducendo la dipendenza dai tradizionali agent software installati sui server.
Edge computing, manufacturing e il passaggio verso un’infrastruttura distribuita
Per Huawei, il futuro dell’AI enterprise sarà inevitabilmente distribuito. Alcuni workload continueranno a essere elaborati nei data center centrali, ma le applicazioni più sensibili alla latenza richiederanno capacità computazionale vicina al punto in cui il dato viene generato.
Grandeaux individua nel manufacturing uno dei verticali più rappresentativi di questa trasformazione. Gli ambienti industriali presentano infatti caratteristiche molto specifiche: necessità di bassa latenza, presenza di macchinari legacy spesso non aggiornabili e forte esigenza di mantenere il dato vicino alla linea produttiva.
Per rispondere a queste esigenze, Huawei propone piattaforme edge integrate all-in-one che incorporano networking, firewall, compute e storage all’interno di un singolo chassis, permettendo alle aziende di costruire sistemi AI privati completamente on-premise senza dipendere dal cloud pubblico.
Le applicazioni citate dal CTO spaziano dai chatbot di primo livello per il customer service fino ai sistemi di ottimizzazione dei processi produttivi interni, tutti alimentati da data lake proprietari mantenuti all’interno del perimetro IT aziendale.
Secondo Grandeaux, il nodo architetturale fondamentale dei prossimi anni sarà proprio la distribuzione intelligente dei workload tra data center centrali ed edge infrastructure.
“Quello che vediamo già avvenire in mercati più evoluti è un ecosistema di data center”, osserva il CTO. “Centralizzati per determinate applicazioni, distribuiti verso l’edge per quelle che richiedono latenza minima o che hanno necessità di mantenere il dato vicino a dove viene generato e utilizzato.”
L’esempio estremo citato da Grandeaux è la guida autonoma, che richiede tempi di risposta incompatibili con un’elaborazione completamente centralizzata. Ma il principio vale per qualsiasi applicazione industriale o di servizio nella quale latenza e prossimità del dato diventino vincoli architetturali. Il punto chiave, secondo il CTO, è che questa differenziazione non rappresenta una scelta stilistica ma un requisito imposto direttamente dai workload: applicazioni differenti richiedono infrastrutture differenti, e le aziende dovranno iniziare a progettare le proprie architetture pensando fin dall’inizio in termini di distribuzione centro-periferia.
Scalabilità, POD AI e il ruolo crescente dei managed service provider
All’interno di questa strategia, Huawei sta cercando di costruire un modello infrastrutturale capace di scalare dalle PMI fino ai grandi managed service provider, mantenendo però una continuità architetturale comune lungo tutta la gamma. Grandeaux insiste molto su questo aspetto perché, secondo il CTO, il mercato europeo – e in particolare quello italiano – continuerà a essere dominato da realtà che hanno bisogno di infrastrutture relativamente compatte, ma allo stesso tempo capaci di crescere progressivamente senza obbligare le aziende a ridisegnare completamente il proprio stack tecnologico a ogni salto dimensionale.
Le configurazioni entry-level possono essere espanse progressivamente attraverso upgrade incrementali di storage e capacità computazionale, mentre i sistemi più grandi arrivano a infrastrutture multi-rack con migliaia di CPU, GPU e unità storage. Al vertice della gamma si trovano i POD AI con raffreddamento a liquido presentati al Mobile World Congress di Barcellona, progettati per costruire veri e propri performance optimized data center dedicati ai workload AI ad alta intensità computazionale.
Grandeaux sottolinea anche il ruolo crescente degli MSP, che potranno utilizzare queste infrastrutture per offrire AI-as-a-service a clienti privi delle dimensioni o delle competenze necessarie per gestire internamente sistemi AI complessi. La scalabilità, in questa prospettiva, non riguarda soltanto la crescita tecnica dell’infrastruttura ma anche il modello operativo con cui l’AI verrà consumata dal mercato enterprise europeo.
Europa, Asia e il tema della velocità di adozione
Secondo Grandeaux, l’Italia non si trova in ritardo rispetto agli altri principali paesi europei nell’adozione dell’AI, ma l’Europa nel suo complesso continua a scontare un gap strutturale rispetto ai mercati asiatici. Il CTO contesta però apertamente l’idea che il problema principale sia la regolamentazione, interpretazione che considera troppo semplicistica rispetto alla reale dinamica competitiva internazionale.
A suo avviso, il vero elemento differenziante è la velocità di adozione tecnologica. Grandeaux cita il caso di Singapore come esempio emblematico di mercato capace di accelerare rapidamente la trasformazione digitale pur non essendo un produttore diretto di tecnologie AI. Il paese asiatico, spiega il CTO, ha compreso molto rapidamente che l’adeguamento infrastrutturale digitale rappresenta una condizione indispensabile per mantenere competitività economica e capacità di attrazione internazionale.
“Singapore ha capito che adeguarsi dal punto di vista infrastrutturale digitale è condizione fondamentale per rimanere competitivi sul mercato”, osserva Grandeaux, sottolineando come dinamiche simili siano visibili anche in altri mercati asiatici caratterizzati da modelli regolatori molto differenti tra loro. Proprio questa eterogeneità normativa, secondo il CTO, smentirebbe la tesi secondo cui il ritardo europeo sarebbe imputabile soprattutto alla regolamentazione.
Il messaggio implicito è che il vantaggio competitivo si costruirà soprattutto a livello infrastrutturale: le aziende e i paesi che riusciranno a portare rapidamente l’AI in produzione – non più come semplice POC o sperimentazione ma come sistema operativo reale – avranno maggiore capacità competitiva nei prossimi anni.
