Chris Miglino, administrerende direktør for Axe Compute – interviewserie

Chris Miglino er administrerende direktør for Axe Compute og har mere end to årtiers erfaring med at opbygge, skalere og investere i teknologivirksomheder. Han var med til at grundlægge Social Reality og har arbejdet med DNA Fund, hvor han har kombineret en iværksætterbaggrund med erfaring inden for kapitalmarkeder og infrastrukturinvesteringer. Hos Axe Compute fokuserer han på de driftsmæssige og finansielle udfordringer ved at skalere dedikeret AI-computerkapacitet til erhvervskunder.

Axe Compute leverer dedikeret bare-metal-GPU-infrastruktur til virksomheders AI-arbejdsbelastninger. Med tilbuddet Axe Access får kunder adgang til den tilgængelige GPU-kapacitet, mens Axe Build udvikler infrastruktur, der imødekommer kundernes langsigtede behov. I dette interview taler Miglino om GPU-økonomi, strømbegrænsninger, klyngers ydeevne, partnerskaber om implementering og om, hvordan skiftet mod inferens og AI-agenter kan ændre efterspørgslen efter virksomhedsinfrastruktur.

Din karriere spænder over mere end to årtiers iværksætteri, fra medgrundlæggelsen af Social Reality til ledelsen af DNA Fund og nu rollen som administrerende direktør for Axe Compute. Hvad tiltrak dig i første omgang ved markedet for AI-infrastruktur, og hvilken mulighed så du, som de traditionelle cloududbydere ikke i tilstrækkelig grad imødekom?

Muligheden, jeg så, var enkel: AI udvikler sig hurtigere end den infrastruktur, der er bygget til at understøtte teknologien. Jeg har brugt mere end to årtier på at opbygge, skalere og investere i virksomheder, og det gab er dér, jeg har fundet de største muligheder. Fra medgrundlæggelsen af Social Reality til mit arbejde hos DNA Fund har jeg altid været tiltrukket af grundlæggende problemstillinger, hvor der er en klar vej fra ny teknologi til reel kommerciel værdi. Virksomheder investerede milliarder i AI, men mange kunne ikke få adgang til pålidelig kapacitet til en pris, der gav kommerciel mening. Traditionelle cloududbydere har opbygget enestående virksomheder, men deres infrastruktur er designet til fleksible, delte miljøer – ikke til vedvarende, beregningstunge AI-arbejdsbelastninger, der kører døgnet rundt. Jeg har selv opbygget virksomheder, så jeg ved, hvad virksomheder har brug for: forudsigelige omkostninger, pålidelig adgang og plads til at skalere. Jeg så en mulighed for at opbygge dedikeret infrastruktur, der imødekommer virksomheders reelle AI-behov, så de får kontrol over deres computerkapacitet uden selv at skulle drive datacentre. Derfor er jeg hos Axe Compute. De virksomheder, der opbygger infrastrukturen bag AI, vil afgøre, hvor langt og hvor hurtigt teknologien kan skaleres.

I takt med at virksomheder fremskynder indførelsen af AI, er adgang til højtydende GPU-computerkraft blevet en afgørende faktor. Hvilke misforståelser om deres computerbehov har virksomheder typisk, og hvordan bør de vurdere dedikeret GPU-infrastruktur i forhold til traditionelle cloudtjenester?

Den største misforståelse er, at flere GPU’er automatisk giver bedre AI-ydeevne. Arkitekturen omkring GPU’erne, den stabile adgang til dem og økonomien i at drive dem er lige så vigtige. Den næststørste misforståelse er at antage, at cloudmodellen, der er udviklet til virksomhedssoftware, også er den rette model til AI. Offentlig cloud er velegnet til eksperimenter, uforudsigelig efterspørgsel og arbejdsbelastninger, der hurtigt kan skaleres op eller ned. Men når man først sætter løsninger i produktion og kører krævende arbejdsbelastninger døgnet rundt, ændrer økonomien sig. Man betaler ikke længere for lejlighedsvis computerkraft. Man finansierer en kontinuerlig industriel drift med en forbrugsbaseret prismodel. Jeg råder virksomheder til at se på udnyttelsesgraden, arbejdsbelastningernes varighed, netværksbehov og de samlede omkostninger over flere år – ikke på GPU-priser pr. time. Dedikeret infrastruktur giver forudsigelige omkostninger og kontrol ved vedvarende arbejdsbelastninger, men det rigtige valg afhænger af, hvordan man faktisk planlægger at bruge AI.

Axe Compute tilbyder to forskellige modeller, Axe Access og Axe Build, som giver adgang til både tilgængelige GPU’er med det samme og specialudviklet AI-infrastruktur. Kan du forklare, hvordan modellerne fungerer, hvilke typer kunder de henvender sig til, og hvordan organisationer kan afgøre, hvilken løsning der passer bedst til deres AI-arbejdsbelastninger?

Vi udviklede Axe Access og Axe Build, fordi virksomheder ikke alle befinder sig på samme stadie, og de bør ikke tvinges ind i den samme infrastrukturmodel. Axe Access er til organisationer, der har brug for dedikeret GPU-kapacitet nu – uanset om de skalerer en eksisterende drift, lancerer en ny model eller er vokset fra deres nuværende udbyder. Axe Build er til kunder, der har brug for dedikeret infrastruktur, der er udformet efter deres langsigtede behov, fra kapacitet og arkitektur til drift. Forskellen handler om tidspunkt, omfang og tilpasning. Hvis du skal køre arbejdsbelastninger med det samme, kan du begynde med den tilgængelige kapacitet. Hvis du planlægger AI-drift over flere år, skal du bygge infrastrukturen til formålet. Det vigtigste for mig er at give kunderne en praktisk vej fra efterspørgsel til fungerende kapacitet, for teknologien har først værdi, når man kan tage den i brug.

Axe Compute har annonceret indgåede kontrakter om AI-infrastrukturprojekter til en værdi af mere end 3,45 milliarder dollars, hvilket afspejler en betydelig efterspørgsel efter dedikeret computerkapacitet. Hvad har været de største udfordringer ved at omsætte disse forpligtelser til GPU-klynger i drift, og hvilke erfaringer har I gjort jer om at skalere infrastruktur i dette tempo?

Den vigtigste lære er, at det er to vidt forskellige discipliner at tiltrække efterspørgsel og levere infrastruktur, og man skal være usædvanligt dygtig til begge dele. Med kontraktindgåede projekter til en værdi af mere end 3,45 milliarder dollar er hvert trin vigtigt: faciliteter, strømforsyning, indkøb, finansiering, netværk og det tekniske arbejde med at sætte klyngerne i drift. Hvert trin følger sin egen tidsplan, og én forsinkelse kan forsinke hele udrulningen. Strømforsyningen er den største udfordring. Man kan have tilsagn, kapital og udstyr på plads, men uden strøm giver intet af det et afkast. Vi har lært at skalere disciplineret, når det gælder rækkefølgen af projekter, valg af partnere og fordeling af kapital. Og vi glemmer aldrig, at værdien af projekter, der er indgået kontrakt om, ikke er det samme som infrastruktur, der allerede er etableret og genererer omsætning. Vinderne bliver de virksomheder, der konsekvent omsætter tilsagn til pålidelig, driftsklar kapacitet. Gennemførelse er forretningsmodellen.

Tilgængeligheden af GPU’er fylder ofte mest i diskussioner om AI-infrastruktur, men elektricitet, køling, netværk og datacenterkapacitet kan være lige så væsentlige begrænsninger. Hvilken af disse flaskehalse mener du udgør den største langsigtede trussel mod AI’s skalerbarhed, og hvordan håndterer Axe Compute disse udfordringer?

Elektricitet. Næsten alle andre dele af AI-infrastrukturen kan udvides eller opgraderes hurtigere end de bagvedliggende elsystemer. GPU-teknologien udvikler sig hurtigt, kapital kan investeres, og faciliteter kan opføres, men transmissionslinjer, tilslutninger til forsyningsnettet og storskala elproduktion følger tidsplaner, der ofte rækker langt ud over AI-virksomhedernes planlægningshorisonter. Vi beder om et elnet, der er tilpasset en forudsigelig efterspørgsel, så det kan håndtere store nye koncentrationer af regnekraft, og det problem løses ikke ved at bruge flere penge på hardware. Hos Axe Compute tilpasser vi udviklingen af infrastrukturen til den realistiske adgang til strøm og samarbejder med partnere, der forstår udrulning af AI i stor skala med høj tæthed. Køling og netværk er afgørende, især i takt med at racktætheden stiger, men pålidelig og økonomisk overkommelig strøm afgør, hvor AI-infrastrukturen bliver opført, og hvilke operatører der kan skalere rentabelt.

Det kræver betydeligt mere end at samle tusindvis af GPU’er at opbygge en højtydende AI-klynge. Hvordan påvirker faktorer som netværksarkitektur, lagergennemstrømning, orkestrering af arbejdsbelastninger og GPU-udnyttelse ydeevnen i praksis, og hvor undervurderer virksomheder oftest den tekniske kompleksitet?

GPU’en får al opmærksomheden, men dens ydeevne afhænger af alt det, der omgiver den, og det er her, virksomheder undervurderer kompleksiteten. Man kan installere ekstremt kraftige processorer, men hvis netværket ikke kan flytte data effektivt mellem dem, eller lageret ikke kan levere data hurtigt nok, betaler man for kapacitet, man ikke udnytter. Det har især betydning ved træning i stor skala, hvor kommunikationen mellem GPU’er kan påvirke, hvor hurtigt træningen af en model bliver færdig. Orkestrering tilføjer endnu et kompleksitetslag, fordi man skal håndtere planlægning, ressourceallokering, fejl og skiftende efterspørgsel uden at lade kapacitet stå ubrugt. Jeg vurderer ydeevne ud fra det nyttige output, ikke de teoretiske specifikationer, fordi en klynge, der udnyttes godt, kan give langt bedre økonomi end en større klynge, der kører ineffektivt. AI-infrastruktur kræver løbende optimering af hardware, software og drift. Det er ikke et engangskøb af udstyr.

Axe Compute har for nylig annonceret et strategisk partnerskab med Penguin Solutions for at fremskynde udrulningen af AI-infrastruktur i stor skala. Hvilke konkrete tekniske og driftsmæssige kompetencer tilfører partnerskabet, og hvordan vil det bidrage til at forkorte udrulningstiden uden at gå på kompromis med pålidelighed og ydeevne?

Penguin bidrager med tre ting: ekspertledede udrulnings- og driftstjenester på udvalgte GPU-klyngesteder, deres ClusterWareAI-software til styring af klyngedrift i stor skala samt netværksdriftscenter-dækning 24×7 fra et Penguin-team, der arbejder side om side med vores. Det er vigtigt, fordi næste fase af væksten inden for AI-infrastruktur afhænger af, hvor effektivt virksomheder kan udrulle og drive komplekse miljøer i stor skala. Udrulning af en AI-klynge indebærer, at regnekraft, netværk, lager og styringssystemer integreres i et miljø, der fungerer pålideligt under krævende arbejdsbelastninger. Penguins specialister øger vores leveringskapacitet, så vi kan udrulle hurtigere, påtage os flere opbygninger og mindske risikoen for problemer med gennemførelsen. Målet er at gøre udrulningen mere ensartet og forudsigelig uden at gå på kompromis med ydeevnen, for et projekt skaber kun værdi ved at blive fremskyndet, hvis infrastrukturen fungerer pålideligt, når den sættes i drift.

Efterhånden som AI bevæger sig videre fra modeltræning i stor skala til inferens, autonome agenter og realtidsapplikationer, hvordan forventer du så, at virksomhedernes behov for regnekraft ændrer sig? Vil dette skifte grundlæggende ændre, hvordan GPU-klynger designes, udrulles og fordeles geografisk?

Inferens vil i sidste ende udgøre en enorm del af markedet for kommerciel AI-infrastruktur, især i takt med at virksomheder går fra at bygge modeller til at integrere AI i produkter, drift og kundevendte tjenester. Træning foregår i koncentrerede perioder. Inferens handler om tilgængelighed, latenstid, gennemløb og om at håndtere millioner af forespørgsler løbende. Agenter tilføjer endnu et lag: De udfører flere opgaver og kalder gentagne gange på modeller i løbet af en arbejdsgang. Hver forespørgsel kan være lille, men den samlede efterspørgsel vokser hurtigt. Jeg forventer, at store, centraliserede klynger fortsat vil håndtere krævende arbejdsbelastninger, mens en større geografisk spredning af kapaciteten vil betjene applikationer, hvor svartider og krav til datalokalitet er vigtige. Virksomhederne bliver også bedre til at vælge den rette hardware til de enkelte arbejdsbelastninger i stedet for at gå ud fra, at alt kræver den kraftigste GPU. Det, der begejstrer mig, er, at efterspørgslen bliver langt mere forskelligartet, og det er en fordel for udbydere, der kan tilbyde den rette kapacitet på de rette steder og med den rette økonomi.

Det kræver betydelig startkapital at opbygge AI-infrastruktur, samtidig med at GPU-teknologien fortsat udvikler sig hurtigt. Hvordan griber Axe Compute økonomien i finansieringen og driften af dedikerede GPU-klynger an, og hvordan kan virksomheder undgå at blive bundet til dyr hardware, der kan blive forældet, før dens brugbare levetid er udløbet?

Man tager udgangspunkt i kundernes efterspørgsel, ikke i hardwaren. Det er omvendt at købe dyrt udstyr og håbe på, at udnyttelsesgraden følger med. Det her er ikke en softwarevirksomhed: Man arbejder med tunge fysiske aktiver, lange byggetider og teknologi, der forbedres markant på kort tid. Hos Axe Compute bygger vores tilgang på efterspørgsel sikret gennem kontrakter, disciplineret udrulning og infrastruktur, der er tilpasset kunder med behov for vedvarende kapacitet. Forældelse er en reel risiko, men en GPU, der ikke længere er den nyeste, er ikke uden kommerciel værdi. Ikke alle inferensapplikationer eller AI-systemer til virksomheder kræver den nyeste hardwaregeneration, og man kan forlænge den eksisterende infrastrukturs produktive levetid ved at fordele arbejdsbelastningerne hensigtsmæssigt. Kunderne bør se på økonomien gennem hele kontraktperioden: udnyttelsesgrad, ydelsesbehov og fleksibilitet i takt med den teknologiske udvikling. Målet er at sikre, at infrastrukturens brugbare økonomiske levetid står mål med den investerede kapital – ikke at opbygge en forretningsmodel, der afhænger af, at hardwaren bevarer sin oprindelige værdi for altid.

Når du ser frem mod de næste tre til fem år, hvor ser du de største muligheder for innovation og investering i AI-infrastruktur? Forventer du, at markedet fortsat vil være koncentreret omkring hyperscalere og store GPU-udbydere, eller kan specialiserede infrastrukturselskaber grundlæggende ændre den måde, virksomheder får adgang til AI-computerkraft på?

Et så stort og komplekst marked kan ikke betjenes effektivt af en håndfuld udbydere, der alle bruger den samme infrastrukturmodel. Hyperscalerne vil fortsat spille en enormt vigtig rolle, men jeg har stor tiltro til specialiserede operatører i de næste tre til fem år. Vi er stadig kun i begyndelsen af at omsætte AI-investeringer til den infrastruktur, virksomhederne er afhængige af hver dag. Virksomheder har forskellige behov, når det gælder ydeevne, datasuverænitet, omkostninger, tidsplaner og geografi, og det giver operatører som os reelle muligheder. De investeringsmuligheder, jeg finder mest interessante, er inden for strømforsyningsinfrastruktur, mere effektiv køling, avanceret netværksteknologi og software, der forbedrer udnyttelsen af GPU’er, fordi disse områder direkte påvirker økonomien i AI. Finansieringen vil også udvikle sig, efterhånden som investorerne bliver mere trygge ved aktiverne og pengestrømmene fra kontraktbaseret kapacitet. For Axe Compute består muligheden i at være med til at opbygge dette marked ved at gøre dedikeret AI-kapacitet mere tilgængelig, forudsigelig og skalerbar for organisationer, der mener det alvorligt med at sætte AI i produktion. Det er det, vi mener med computerkraft uden kompromiser.

Tak for et godt interview. Læsere, der ønsker at udforske dedikeret GPU-kapacitet og AI-infrastruktur til virksomheder, bør besøge Axe Compute.