ترفع Niv-AI 12 مليون دولار لتحديد العائق الخفي في بنية تحتية الذكاء الاصطناعي

تدخل شركة ناشئة جديدة إلى سوق بنية تحتية الذكاء الاصطناعي المزدحم، مع التركيز على تقييد نادراً ما يظهر في العناوين الرئيسية ولكنه يصبح أحد أكبر تحديات الصناعة: الطاقة.

Niv-AI ظهرت من التخفي مع 12 مليون دولار في التمويل من Glilot Capital، Grove Ventures، Arc VC، Encoded VC، Leap Forward، وAurora. وتضع الشركة نفسها في تقاطع أنظمة الطاقة والحوسبة عالية الأداء، تستهدف ما تصفه بأزمة “سعة طاقة لحظية” داخل مراكز البيانات الحديثة.

المشكلة: شهية الذكاء الاصطناعي المتزايدة للطاقة

随着 توسع حمولات الذكاء الاصطناعي، خاصة مع اعتماد وحدات معالجة الرسومات الكثيفة بشكل متزايد، تواجه مراكز البيانات حداً جسدياً لا يمكن أن تحله تحسينات البرمجيات وحدها. في حين يستمر نمو سعة الحوسبة، فإن القدرة على تقديم طاقة مستقرة على مستوى الألفية من الثانية تتراجع عن ذلك.

لم تكن أنظمة المراقبة التقليدية مصممة للنماذج السريعة والمتقطعة لاستهلاك الطاقة للحمولات الحديثة للذكاء الاصطناعي. لتفادي تلف المعدات أو عدم استقرار الشبكة، غالباً ما يفرط مشغلوها في التحديد، مما يؤدي إلى إعاقة استخدام البنية التحتية الحالية، مع حدوث ما يصل إلى 30٪ من سعة الطاقة المتعاقد عليها بشكل فعال غير مستخدم.

تكون هذه عدم الكفاءة لها عواقب مالية. مشغلو مراكز البيانات يدفعون مقابل سعة لا يستطيعون استخدامها بالكامل، في حين تواجه شركات الذكاء الاصطناعي قيوداً تبطئ نشرها وزيادة تكاليفها.

طبقة جديدة بين الطاقة والحوسبة

يعرض подход Niv-AI طبقة تحكم جديدة تقع بين توصيل الطاقة وحمولات الحوسبة. في قلب منصتها ما تسميه “البصمة الكهربائية” — وهي نظرة عالية الدقة لاستهلاك حمولات الذكاء الاصطناعي للطاقة في الوقت الفعلي.

باستخدام حساسات متخصصة، تقوم النظام بتقاط إشارات طاقة مفصلة التي تفقدها العدادات التقليدية. ثم يتم معالجة هذه الإشارات بواسطة نماذج الذكاء الاصطناعي المصممة للتنبؤ بالتقلبات القصيرة الأجل في الطلب. بدلاً من الاستجابة بعد حدوث زيادة، تعمل المنصة على تعديل توقيت الحمل بشكل استباقي، مما يؤدي إلى تقليل عمليات الحوسبة لتنعيم استهلاك الطاقة.

في الممارسة، يعمل هذا مثل نظام إدارة حركة المرور للكهرباء داخل مركز البيانات، مما يسمح للمشغلين بالدفع بقرب البنية التحتية من حدودها الحقيقية دون أن يؤدي ذلك إلى عدم استقرار.

الانتقال بعيداً عن حلول الأجهزة

تعتمد معظم المحاولات الحالية لمعالجة قيود الطاقة على حلول فيزيائية مثل البطاريات أو المكثفات أو خفض حمولات العمل. و虽然 هذه النهج فعالة إلى درجة ما، إلا أنها تزيد من التكلفة أو تعقيد أو تقليل الأداء.

تتوقع Niv-AI أن طبقة التوجيه البرمجية يمكن أن تفتح مكاسب مماثلة أو أكبر بدون الحاجة إلى أجهزة إضافية. من خلال تحسين الرؤية والتحكم على مستوى دقيق، تهدف الشركة إلى تمكين المشغلين من استخراج قيمة أكبر من البنية التحتية الحالية.

يتوافق هذا التحول مع الاتجاهات الأوسع في تحسين مراكز البيانات، حيث يتم استخدام نهج البرمجيات المتعرف على تحديد مواقع الأجهزة بشكل متزايد لإدارة القيود الفيزيائية.

الآثار الأوسع لبنية تحتية الذكاء الاصطناعي

إذا أثبتت هذه الفئة من التكنولوجيا فعاليتها، فقد تغير من كيفية تصميم وoperation مراكز البيانات وتشغيلها على مدى العقد القادم. بدلاً من معاملة حدود الطاقة على أنها قيود ثابتة، قد يبدأ المشغلون في النظر إليها على أنها متغيرات ديناميكية يمكن إدارتها في الوقت الفعلي.

لهذا عواقب تتجاوز الكفاءة. قد يؤخر أو يقلل من الحاجة إلى ترقيات شبكة باهظة التكلفة وبناء مرافق جديدة، خاصة في المناطق حيث توفر الطاقة已经 هو عائق. قد يؤثر أيضاً على كيفية جدولة حمولات الذكاء الاصطناعي وتسعيرها وأولوياتها، مما ي introduces بعداً جديداً من التحسين الذي يجمع بين توجيه الحوسبة وإدارة الطاقة.

على مستوى النظام، يشير التلاقي بين تحكم الطاقة والحوسبة إلى مستقبل حيث يتم تنسيق البنية التحتية بشكل متزايد عبر طبقات كانت تاريخياً معزولة.随着 استمرار توسع الذكاء الاصطناعي، قد يصبح القدرة على تناغم هذه الطبقات مهمة مثل التقدم في هندسة النماذج أو تصميم الرقاقات.