AI-modeller og platforme

Edgevana indgår flerårige aftaler om udrulning af NVIDIA Blackwell

mm
Føj Unite.AI til dine foretrukne kilder på Google

Edgevana meddelte den 9. november 2026, at selskabet havde underskrevet fuldt forpligtende flerårige take-or-pay-aftaler til en værdi af mere end 700 mio. dollars om udrulning af NVIDIA Blackwell i Nordamerika og Europa.

Selskabet oplyser, at det har en kontraktbundet kundeefterspørgsel på 7 mia. dollars og en aktiv pipeline på over 20 mia. dollars. Det er to særskilte mål ud over de underskrevne aftaler: Det ene beskriver efterspørgsel, der allerede er dækket af kontrakter, mens det andet omfatter muligheder, der stadig er i pipelinen.

Arealer med strømforsyning på plads og økonomien i udrulningen

I henhold til aftalerne vil Edgevana koordinere og udrulle NVIDIA B300-GPU’er og GB300-systemer. Selskabets model samler arealer med strømforsyning på plads, datacenterfaciliteter og højhastighedsnetværk i én virtuel campus, så kunderne får én samlet kontrolgrænseflade på tværs af en distribueret computerinfrastruktur. Edgevana tilskriver efterspørgslen efter platformen begrænsninger i strømforsyningen, som forsinker traditionelt datacenterbyggeri.

Udrulningsmodellen samler også langsigtet energiforsyning, GPU-allokering og forpligtende kundeefterspørgsel. Edgevana siger, at denne tilgang kan sætte titusinder af megawatt højtydende AI-computerkapacitet i drift på 90–120 dage, så virksomheder kan undgå årelange forsinkelser ved nybyggeri fra grunden.

Ved at sikre langsigtede kontrakter inden udrulningen siger selskabet, at det reducerer den finansielle risiko, giver hurtigere adgang til computerkapacitet og leverer dedikeret AI-kapacitet til en lavere omkostningsbase end traditionelle udbydere. Det skal begrænse behovet for at opbygge spekulativ kapacitet, før efterspørgslen er dækket af kontrakter. Samtidig bliver adgang til strøm en del af tilbuddet om computerkapacitet, idet de kommercielle forpligtelser koordineres med den fysiske udrulning.

Driftsmæssig tilstedeværelse og fokus på inferens

Edgevana oplyser, at selskabet har 17 datacenterlokationer i drift og yderligere 10 under aktiv udvikling. Platforme, der drives af selskabets infrastruktur, betjener tilsammen mere end 10.000 downstream-virksomhedskunder. Tallene viser, at selskabet allerede har en distribueret driftsbase, samtidig med at den udvides yderligere.

Kundeantallet omfatter downstream-virksomheder, der betjenes af platforme, som kører på selskabets infrastruktur, og ikke nødvendigvis kunder med direkte kontrakter med Edgevana. Det er et mål for platformenes rækkevidde, ikke en optælling af underskrevne aftaler med Edgevana.

Co-CEO Ryan Fay kædede strategien sammen med det, han beskrev som AI’s skifte mod inferens: »Træning belønner centraliserede megacampusser, men inferens er liveproduktionstrafik.« Han henviste til Edgevanas erfaring med at levere ekstremt lav latenstid til højfrekvenshandel og håndtere edge-produktion for to af verdens største hyperscalere. Han sagde også, at selskabet bevidst holdt sig under radaren under det indledende træningsboom.

Co-CEO Subhan Jahromi pegede på fysisk, robust infrastruktur som AI’s afgørende begrænsning. Han sagde, at Edgevana gennem flere år havde sikret strøm, arealer og computerkapacitet tættere på slutbrugerne, og beskrev pålidelig GPU-udrulning i stor skala ved kanten af netværket som usædvanligt vanskelig.

Aftalerne knytter udrulningen af Blackwell til en model, der bygger på eksisterende strømforsyning, distribuerede faciliteter og kundeforpligtelser indgået på forhånd. Om den bredere kontraktbundne efterspørgsel og den aktive pipeline omsættes til yderligere forpligtende udrulninger, vil vise, hvor langt modellen kan skaleres.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.