Niv-AI samler 12 millioner dollars for at løse det skjulte effektbottleneck i AI-infrastruktur

En ny startup træder ind i det stadigt mere overfyldte marked for AI-infrastruktur med fokus på en begrænsning, der sjældent får opmærksomhed, men hurtigt bliver en af industrens mest presserende udfordringer: effekt.

Niv-AI er kommet ud af stealth-modus med 12 millioner dollars i finansiering fra Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward og Aurora. Det Tel Aviv-baserede selskab positionerer sig ved skæringen af energisystemer og højtydende beregninger, og retter sig mod, hvad de beskriver som en “øjeblikkelig effektkapacitetskrise” inde i moderne datacentre.

Problemet: AI’s voksende appetit på effekt

Da AI-arbejdsbyrder skalerer, især med adoptionen af stadigt mere effektdense GPU’er, møder datacentre en fysisk begrænsning, som softwareoptimering alene ikke kan løse. Mens beregningskapaciteten fortsætter med at vokse, er evnen til at levere stabil effekt på millisekundniveau tilbage.

Traditionelle overvågningsystemer var ikke designede til de hurtige, spidse effektfornyelsesmønstre for moderne AI-arbejdsbyrder. For at undgå udstyrsbeskadigelse eller netinstabilitet begrænser operatører ofte brugen. Resultatet er en betydelig underudnyttelse af eksisterende infrastruktur, hvor op til 30% af den kontraherede effektkapacitet effektivt sidder inaktiv.

Denne ineffekt har økonomiske implikationer. Datacenteroperatører betaler for kapacitet, de ikke fuldt ud kan bruge, mens AI-selskaber står over for begrænsninger, der langsomer udviklingen og øger omkostningerne.

Et nyt lag mellem effekt og beregning

Niv-AI’s tilgang introducerer et nyt kontrollag, der sidder mellem energilevering og beregningsarbejdsbyrder. I kernen af deres platform er, hvad selskabet kalder en “elektrisk fingeraftryk” – en højopløst visning af, hvordan AI-arbejdsbyrder forbruger effekt i realtid.

Med specialiserede sensorer fanger systemet detaljerede effektsignaler, som traditionelle målere ikke fanger. Disse signaler behandles derefter af AI-modeller, der er designet til at forudsige kortfristede fluktuationer i efterspørgsel. I stedet for at reagere efter, en spids opstår, justerer platformen proaktivt arbejdsbyrdets timing, og staggarer subtilt beregningsoperationer for at jævne effektforbruget ud.

I praksis fungerer dette som et trafikstyringssystem for elektricitet inde i datacentret, og giver operatørerne mulighed for at presse infrastrukturen tættere på dens sande grænser uden at udløse instabilitet.

At gå ud over hårdvareløsninger

De fleste nuværende forsøg på at løse effektbegrænsninger afhænger af fysiske løsninger som batterier, kondensatorer eller konservative begrænsninger af arbejdsbyrder. Selv om disse tilgange er effektive til en vis grad, tilføjer de omkostninger, kompleksitet eller reducerer ydelsen.

Niv-AI satser på, at et software-drevet orkestreringslag kan låse lignende eller større gevinster op uden at kræve ekstra hårdvara. Ved at forbedre synligheden og kontrollen på et detaljeret niveau sigter selskabet mod at give operatørerne mulighed for at udtrække mere værdi fra eksisterende infrastruktur.

Denne skift spejler bredere tendenser i datacenteroptimering, hvor softwaredefinerede tilgange stadigt mere bruges til at styre fysiske begrænsninger.

De bredere implikationer for AI-infrastruktur

Hvis denne kategori af teknologi viser sig at være effektiv, kan det omforme, hvordan datacentre designes og opereres over de næste ti år. I stedet for at behandle effektbegrænsninger som faste begrænsninger, kan operatørerne begynde at se dem som dynamiske variable, der kan styres i realtid.

Dette har implikationer ud over effektivitet. Det kan udsætte eller reducere behovet for dyre netopgraderinger og ny bygning af faciliteter, især i regioner, hvor energitilgængelighed allerede er en flaskehals. Det kan også påvirke, hvordan AI-arbejdsbyrder planlægges, prissættes og prioriteres, og introducere en ny dimension af optimering, der kombinerer beregningsorkestrering med energistyring.

På et systemniveau antyder konvergens af effekt- og beregningskontrol en fremtid, hvor infrastrukturen stadigt mere koordineres på tværs af lag, der historisk har været adskilte. Da AI fortsætter med at skale, kan evnen til at harmonisere disse lag blive lige så vigtig som fremskridt i modelarkitektur eller chipdesign.