Piotr Tomasik, Mitgründer und Präsident von TensorWave – Interview-Serie

Piotr Tomasik, Mitgründer und Präsident von TensorWave, ist ein erfahrener Technologie-Unternehmer und AI-Infrastruktur-Executive mit mehr als zwei Jahrzehnten Erfahrung in den Bereichen KI, SaaS, Cloud-Computing, Finanztechnologie und Creator-Ökonomie. Bevor er 2023 TensorWave mitgründete, gründete er Influential, eine KI-gestützte Influencer-Marketing-Plattform, die später von Publicis für etwa 500 Millionen Dollar übernommen wurde, wo er als CTO tätig war, bevor er in eine Beratungsrolle wechselte.

Im Laufe seiner Karriere hat Tomasik auch Unternehmen wie Lets Rolo, On Guard Data und ActiveSide gegründet oder geleitet, während er gleichzeitig Senior-Technologie-Positionen bei CARD.com und Marker Trax innehatte. Neben seinen operativen Rollen ist er auch General Partner bei 1864 Fund und Mitgründer von StartUp Vegas, wo er die Las-Vegas-Start-up-Ökonomie und aufstrebende Technologie-Talente aktiv unterstützt. Als Absolvent der Computer-Wissenschaften an der UNLV und anerkannter Tech-Führer hat Tomasik es geschafft, TensorWave als schnell wachsendes AI-Compute-Infrastruktur-Unternehmen zu positionieren, das sich auf große GPU-Cloud-Plattformen konzentriert, die von AMD-Acceleratoren angetrieben werden.

TensorWave ist ein AI-Infrastruktur-Unternehmen, das sich auf die Bereitstellung von Hochleistungs-Cloud-Computing mit AMD-GPUs konzentriert und sich als Alternative zu geschlosseneren AI-Ökosystemen positioniert. Gegründet im Jahr 2023 und mit Hauptsitz in Las Vegas, baut das Unternehmen große GPU-Cluster, die für die Ausbildung und Bereitstellung von fortschrittlichen AI-Modellen optimiert sind, mit dem Schwerpunkt auf Leistung, Flexibilität und Kosteneffizienz. Durch die Nutzung offener Hardware- und Software-Ökosysteme zielt TensorWave darauf ab, den Zugang zu leistungsstarken AI-Compute-Ressourcen für Unternehmen, Forscher und Entwickler zu erweitern, um skalierbare AI-Workloads ohne die Einschränkungen traditioneller Vendor-Lock-in zu ermöglichen.

Nvidia (NVDA ) dominiert den größten Teil des GPU-Marktes – warum haben Sie sich entschieden, auf AMD zu setzen, und welche Vorteile bringt diese Entscheidung TensorWave und seinen Kunden?

Nach dem Launch von ChatGPT ist die Nachfrage nach KI explosionsartig gestiegen. GPUs wurden schnell aufgesogen, und NVIDIA war praktisch die einzige Option, wenn man sie überhaupt bekommen konnte, und wenn man den Preis bezahlen konnte. Dieser Mangel hat ein enormes Interesse an Alternativen geweckt. Jetzt, da wir die anfängliche Hysterie überwunden haben, gibt es eine echte Chance, Nvidias Dominanz mit Lösungen herauszufordern, die zugänglich, kosteneffizient und einfach zu bedienen sind.

Als Start-up haben wir immer Geschäftsentscheidungen mit einem starken Fokus und Zweck getroffen. Deshalb haben wir nicht mit Nvidia experimentiert und unsere Fähigkeiten auf AMD aufgebaut. Die nächste Phase unseres Unternehmens besteht darin, uns auf diese Fähigkeiten zu konzentrieren, damit jeder mit KI etwas Bedeutungsvolles tun kann. AMD ist eine glaubwürdige Alternative mit echter Fertigungskapazität, einer offenen Software-Haltung und einem memory-first-Roadmap für moderne KI.

Wie unterscheidet sich TensorWaves Ansatz für AI-Infrastruktur von traditionellen GPU-Cloud-Anbietern?

Unsere Differenzierung ist einfach: Wir sind die einzige AMD-exklusive Cloud im großen Maßstab, die sich zum Ziel gesetzt hat, die Wahl in der AI-Compute zu restaurieren, Nvidias Dominanz zu brechen und den Zugang zu demokratisieren. Aber es geht auch um unsere Ethik und unser Engagement, eine wahre Alternative auf den Markt zu bringen. Zunächst möchten wir außergewöhnliche AMD-basierte Infrastruktur im großen Maßstab bereitstellen. Von dort aus werden wir uns auf Top-Tier-Dienste auf dieser Infrastruktur konzentrieren – Models-as-a-Service, AI-as-a-Service, um alles einfacher zu machen.

Als AMD-exklusive Cloud haben wir Software-Erfahrung, die speziell für AMD entwickelt wurde. Diese Konzentration ermöglicht es uns, Silizium, Networking und Software von Anfang an zu optimieren, um sicherzustellen, dass Teams skaliert werden können, wenn sie es benötigen.

Wie spielt Ihre strategische Partnerschaft mit AMD bei TensorWaves Wachstum und Differenzierung eine Rolle?

Es ist grundlegend. AMD hat in TensorWave investiert, uns in die MI300X-Instinct-Launch eingeladen und wir arbeiten eng zusammen an Hardware, Software-Enablement und Ökosystem-Wachstum. Als AMD-exklusive Cloud können wir schnell mit jeder Instinct-Generation vorankommen und als lebendes Labor dienen, das im großen Maßstab Alternativen in unserem Markt bereitstellt. Unsere AMD-exklusive Differenzierung hat es uns ermöglicht, mit einem Tempo zu arbeiten, das in der AI-Infrastruktur-Branche nicht so erreichbar ist. Ihre Partnerschaft ermöglicht es uns, Lücken schnell zu schließen, als Erster auf neue GPUs zu kommen und echte Leistung im großen Maßstab zu veröffentlichen.

Der Zugang zu GPUs bleibt ein großes Hindernis für AI-Teams – wie geht TensorWave dieses Problem an?

Wir gehen dieses Hindernis zunächst durch die Unabhängigkeit von der Versorgung an: Durch den Aufbau auf AMD vermeiden wir die schlimmsten Einschränkungen anderer Chip-Hersteller und geben die Verfügbarkeit an unsere Kunden weiter. Die Unabhängigkeit von der Versorgung durch AMD stellt sicher, dass unsere Kunden nicht im gleichen Wartezimmer wie alle anderen feststecken.

Lücken im AI-Infrastruktur-Ökosystem existieren, weil so viele Spieler ähnliche Lösungen entwickeln, was zu viel Überlappung führt. Das kommt oft von einem Mangel an Bewusstsein darüber, was auf dem Markt passiert. Der erste Schritt, um diese Lücken zu schließen, besteht darin, zu verstehen, wer was tut, wo es Chancen für Zusammenarbeit gibt, wo der Wettbewerb Innovationen antreiben kann und wie das Ökosystem als Ganzes verbessert werden kann. Eine einzigartige Lücke im AI-Infrastruktur-Markt ist die Leistung; selbst wenn GPUs verfügbar sind, gibt es oft nicht genug Energie, um die wachsende Anzahl von KI-Anwendungen zu unterstützen. Die Lösung dieser Ressourcen-Herausforderungen ist unser Schlüssel, um nachhaltiges Wachstum und Innovation in den kommenden Jahren zu ermöglichen.

Wie verbessern Funktionen wie direkte Flüssigkeitskühlung und UEC-fähige Netzwerke (Universal Ethernet Consortium) die Leistung und Kosteneffizienz?

Die direkte Flüssigkeitskühlung und die UEC-fähigen Netzwerke sind grundlegend für das, was eine moderne AI-Cloud wirtschaftlich tragbar im großen Maßstab macht, und beide sind zentral für die Art und Weise, wie wir TensorWave entworfen haben.

Zur DLC: Die neuesten Beschleuniger-Generationen, AMDs MI355X und MI455X, laufen bei thermischen Grenzen, die Luft nicht mehr effizient bewältigen kann. Wir sprechen von 1400W+ TDP pro GPU. Die direkte Flüssigkeitskühlung entfernt die Wärme an der Quelle über eine Kaltplatte oder Immersions-Designs, was drei Dinge für unsere Kunden tut. Erstens ermöglicht es eine wesentlich höhere Rack-Dichte, 120-300kW+ pro Rack anstelle von 30 bis 40kW, was den Fußabdruck komprimiert und die Kosten pro Megawatt für Grundstücke und Stromverteilung reduziert. Zweitens treibt es den PUE auf 1,1, im Vergleich zu 1,4 bis 1,5 für herkömmliche Luft-gekühlte Anlagen; bei unserem Maßstab entspricht das Zehnmillionen Dollar an jährlichen Stromkosten. Drittens und oft unterbewertet, hält die DLC das Silizium bei niedrigeren, stabileren Verbindungs-Temperaturen, was die Aufrechterhaltung von Taktraten während langer Trainingsläufe und die Verlängerung der Lebensdauer der Hardware ermöglicht. Dieser letzte Punkt ist enorm wichtig, wenn man ein sechsjähriges Vermögen ausgibt.

Bei UEC: Die Ultra-Ethernet-Consortium-Spezifikation, die AMD half, zu gründen und die 2025 die Version 1.0 erreichte, gibt uns ein offenes, merchant-silicon-Fabric, das die Metriken, die für verteiltes Training wirklich wichtig sind, erfüllt oder übertrifft. Tail-Latenz bei Kollektiven, effektive Bandbreite unter Konkurrenz und Skalierungsverhalten über die 100.000-GPU-Schwelle hinaus. Die Kosten-Geschichte ist strukturell. Ethernet hat ein halbes Dutzend glaubwürdiger Merchant-Silicon-Hersteller, die auf Preis konkurrieren, im Vergleich zu einer Single-Source-Alternative, die einen gut dokumentierten Aufpreis mit sich bringt. Für eine 100-MW-Anlage ist die Wahl von UEC-fähigen Netzwerken anstelle von proprietären Fabric typischerweise eine neunstellige CAPEX-Entscheidung, und die operativen Vorteile kumulieren, da unsere Netzwerk-Ingenieure bereits Ethernet kennen.

Wenn man diese Entscheidungen zusammenfasst, ermöglichen sie es uns, bessere Trainings-Ökonomie als herkömmliche Clouds zu liefern. Kunden sehen höhere effektive FLOPs pro Dollar, vorhersehbarere Schrittzeiten bei großen Aufträgen und eine klare Spur, wenn Modelle skaliert werden. Für uns bedeuten sie eine defensivere Kostenstruktur und die Flexibilität, wirklich wettbewerbsfähige Rate-Karten anzubieten.

Können Sie Beispiele dafür nennen, wie Kunden TensorWave nutzen, um große KI-Modelle auszubilden?

TensorWave-Kunden benötigen Hochleistungs-KI-Compute ohne GPU-Engpässe, Vendor-Lock-in oder unkontrollierte Kosten. TensorWave bietet exklusive AMD-Cloud – offen, memory-optimiert und produktionsreif, was Teams skalierbare KI-Infrastruktur bietet, die zugänglich, flexibel und kosteneffizient ist.

Beispielsweise hat Modular sich entschieden, seinen MAX-Inferenz-Stack auf TensorWaves AMD-GPU-Infrastruktur zu betreiben, da TensorWave wesentlich bessere Kosten-Leistungs-Ökonomie für große KI-Inferenz bietet. Durch den Betrieb von Modulars MAX auf TensorWaves AMD-Compute erreichen sie bis zu 70% geringere Kosten pro Million Token, 57% schnellere Durchsatzraten und geringere Gesamtkosten im Vergleich zu anderen GPU-Stacks.

Wo sehen Sie die größten Chancen für Herausforderer wie TensorWave, angesichts von Nvidias anhaltender Dominanz?

In einem KI-Compute-Raum, der von einigen großen Spielern dominiert wird, sind die größten Herausforderungen die Erreichung von Marktreife, die Bereitstellung der neuesten Technologie und die Bereitstellung von außergewöhnlichem Support. Hyperscaler bieten oft eine breite Palette von Optionen, aber kämpfen darum, den Fokus oder die personalisierte Anleitung zu bieten, die Kunden benötigen. Um durch diesen dominierten Raum zu brechen, konzentriert sich TensorWave auf unsere Stärken, während wir zusammenarbeiten, um die beste Technologie möglich zu machen und sicherzustellen, dass Kunden alternative Optionen haben.

Die beiden größten Chancen für Herausforderer von Nvidias KI-Infrastruktur-Dominanz liegen in offenen Ökosystemen und Speicher. Offene Ökosysteme eliminieren Lock-in auf jeder Ebene (Hardware, Interconnect und Software). Zusätzlich flippt der Speicher in Kombination mit netzwerk-optimiertem Training/Inferenz die Kosten-Kurve.

Wie sehen Sie die Zukunft der KI-Infrastruktur und die Rolle von TensorWave darin in fünf Jahren?

Über Jahre hinweg war das Ziel in der KI-Infrastruktur, sie gut zu machen, stabil zu machen und einfach zu bedienen. Die nächste Phase wird darin bestehen, was man auf dieser Basis liefern kann – Managed Services, KI-as-a-Service, alles, was Kunden hilft, einfacher zu deployen und zu skalierten.

Wir stehen am Anfang einer großen Transformation. KI-Technologie macht weiterhin Fortschritte, und Alternativen wie AMD werden immer viabler. Wenn dies passiert, werden Kunden immer mehr damit komfortabel, sie im großen Maßstab zu deployen, und das gesamte Ökosystem wird beginnen, sich zu öffnen und zu wachsen.

Vielen Dank für das großartige Interview. Jeder, der mehr über dieses innovative KI-Infrastruktur-Unternehmen erfahren möchte, sollte TensorWave besuchen.