Kris Beevers, Διευθύνων Σύμβουλος και Συνιδρυτής, Netbox Labs – Σειρά Συνεντεύξεων

Kris Beevers, Διευθύνων Σύμβουλος και Συνιδρυτής, NetBox Labs είναι τεχνολογικός επιχειρηματίας και βετεράνος λογισμικού υποδομών με περισσότερα από δύο δεκαετίες εμπειρίας στην δημιουργία εταιρειών και πλατφορμών που εστιάζουν στη δικτύωση, την υποδομή cloud και την αυτοματοποίηση. Πριν ηγηθεί της NetBox Labs, ο Beevers συνίδρυσε την NS1 το 2013 και υπηρέτησε ως Διευθύνων Σύμβουλος για σχεδόν μια δεκαετία, μετατρέποντας την εταιρεία σε εξέχον πάροχο τεχνολογίας αυτοματοποίησης δικτύων και διαχείρισης κυκλοφορίας εφαρμογών πριν την εξαγορά της από την IBM το 2023. Στο πλαίσιο αυτής της συναλλαγής, η NetBox Labs αποσπάστηκε από την NS1 ως ανεξάρτητη εταιρεία με την IBM ως επενδυτή. Στην αρχή της καριέρας του, ο Beevers κατείχε ανώτερες θέσεις μηχανικής και αρχιτεκτονικής στις Internap Network Services και Voxel, και επίσης συνίδρυσε τη SolidJoint Research.

NetBox Labs αναπτύσσει μια πλατφόρμα ευφυίας υποδομών σχεδιασμένη να βοηθά οργανισμούς να μοντελοποιούν, να λειτουργούν, να αυτοματοποιούν και να διαχειρίζονται ολοένα και πιο σύνθετα δίκτυα και υποδομές πληροφορικής. Η εταιρεία είναι η εμπορική φύλακας του NetBox, του ευρέως υιοθετημένου ανοιχτού κώδικα συστήματος καταγραφής δικτύου και υποδομών που χρησιμοποιείται από περισσότερους από 10.000 οργανισμούς. Η πλατφόρμα της συνδυάζει ένα γράφημα υποδομής και πηγή αλήθειας με επιχειρησιακή ευφυΐα, αυτοματοποίηση, ορχήστρωση με υποβοήθηση AI και δυνατότητες διακυβέρνησης που επιτρέπουν τόσο στους μηχανικούς όσο και σε πράκτορες AI να αλληλεπιδρούν με ασφάλεια με την υποδομή. Η NetBox Labs υποστηρίζει εγκαταστάσεις cloud, αυτοδιαχειριζόμενες επιχειρησιακές, υβριδικές και απομονωμένες (air‑gapped), ενώ ενσωματώνεται με εργαλεία όπως το Ansible, το Terraform, το Nornir και αγωγούς συνεχούς ενσωμάτωσης και παράδοσης.

Συνίδρυσες την NS1 το 2013 και πέρασες σχεδόν μια δεκαετία χτίζοντας την εταιρεία πριν την εξαγορά της από την IBM, μετά από την οποία η NetBox Labs εμφανίστηκε ως ανεξάρτητη εταιρεία. Ποια μαθήματα από την κατασκευή της NS1 επηρέασαν το γιατί ίδρυσες τη NetBox Labs, και πώς έχει αλλάξει το πρόβλημα υποδομής που προσπαθείς να λύσεις στην εποχή της AI;

Ένα πράγμα που έμαθα χτίζοντας τη NS1 είναι ότι τα προβλήματα υποδομής σπάνια παραμένουν περιορισμένα. Το DNS ήταν το κομμάτι μας στο stack, αλλά οι πελάτες μας λειτουργούσαν σε αυτά τα εξαιρετικά πολύπλοκα περιβάλλοντα όπου τα δίκτυα, τα κέντρα δεδομένων, οι εφαρμογές και η αυτοματοποίηση εξαρτώνταν το ένα από το άλλο. Όσο περισσότερο περνούσα χρόνο με αυτές τις ομάδες, τόσο πιο σαφές γινόταν ότι η κατανόηση της ίδιας της υποδομής ήταν ένα πολύ μεγαλύτερο πρόβλημα.

Αυτό ήταν ένα μεγάλο μέρος του τι με τράβηξε στη NetBox. Υπήρχε ήδη αυτό το ευρέως υιοθετημένο έργο ανοιχτού κώδικα και μια κοινότητα μηχανικών που το χρησιμοποιούσαν για να μοντελοποιήσουν ό,τι είχαν, πώς ήταν συνδεδεμένο και πώς έπρεπε να φαίνεται. Είδαμε μια ευκαιρία να χτίσουμε πάνω σε αυτό το θεμέλιο.

Αυτό που έχει αλλάξει με την AI είναι κυρίως ο ρυθμός και η κλίμακα. Οι ομάδες υποδομών καλούνται να χτίζουν τεράστια περιβάλλοντα εξαιρετικά γρήγορα, ενώ η υποκείμενη τεχνολογία αλλάζει εξίσου γρήγορα. Ταυτόχρονα, αρχίζουμε να αυτοματοποιούμε όλο το μεγαλύτερο μέρος της λειτουργίας αυτής της υποδομής, κάτι που αντιπροσωπεύει ένα συναρπαστικό μέλλον. Καθώς η AI εφαρμόζεται στην υποδομή, οι ομάδες IT συνειδητοποιούν ότι πρέπει να έχουν αξιόπιστα, σε πραγματικό χρόνο δεδομένα για την υποδομή τους ώστε να αυτοματοποιούν με βάση αυτά, και χρειάζονται να γνωρίζουν πώς φαίνεται η επιθυμητή κατάσταση ώστε η AI να μπορεί να τους βοηθήσει να εντοπίσουν πότε η λειτουργική υποδομή αποκλίνει από το σχέδιο.

Έτσι, το μάθημα από τη NS1 εξακολουθεί να ισχύει. Πριν μπορέσετε να αυτοματοποιήσετε καλά την υποδομή, πρέπει να την καταλάβετε. Η AI απλώς κάνει το να το κάνετε σωστά πολύ πιο επείγον.

Για μεγάλο μέρος της τελευταίας δεκαετίας, το cloud computing επέτρεψε σε προγραμματιστές και ομάδες υποδομών να αφαιρέσουν την φυσική υλική υποδομή από τις εφαρμογές τους. Γιατί η AI αντιστρέφει αυτή τη τάση και αναγκάζει το DevOps, τη Διαχείριση Αξιοπιστίας Ιστοτόπων (SRE) και τους μηχανικούς δικτύων να σκέφτονται ξανά για την ενέργεια, την ψύξη, τα ράφια, το καλώδιο και τη φυσική δικτύωση;

Το cloud δίδαξε σε πολλούς από εμάς να αντιμετωπίζουμε την υποδομή ως ουσιαστικά άπειρη. Ζητούσες υπολογιστική ισχύ και αυτή εμφανιζόταν. Δεν έπρεπε απαραίτητα να σε ενδιαφέρει πού ήταν ο διακομιστής, πώς τροφοδοτούνταν, πώς ψύχθηκε ή πώς όλα τα φυσικά στοιχεία κάτω από αυτό συγκροτούνταν.

Η υποδομή AI δεν σας επιτρέπει πραγματικά να το κάνετε αυτό.

Όταν χτίζετε αυτά τα περιβάλλοντα, ξεκινάτε με κάποιες πολύ φυσικές ερωτήσεις. Πόση γη έχω; Πόση ενέργεια μπορώ να πάρω; Τι είδους ψύξη μπορώ να υποστηρίξω; Από εκεί προχωράτε στα ράφια, τους διακομιστές GPU, τα διακόπτες, τα οπτικά καλώδια και τελικά στο λογικό επίπεδο, τις IP διευθύνσεις, τις ρυθμίσεις και το λογισμικό.

Αυτά όλα εξαρτώνται το ένα από το άλλο. Δεν μπορείτε να αποφασίσετε πόσα ράφια θα εγκαταστήσετε χωρίς να κατανοήσετε την πυκνότητα ενέργειας και ψύξης. Δεν μπορείτε να σκεφτείτε τα GPU ανεξάρτητα από το δίκτυο που τα συνδέει.

Αυτό αναγκάζει τις ειδικότητες που πέρασαν χρόνια μακριά από το φυσικό επίπεδο να επανασυμμετάσχουν σε αυτό. Η αφαίρεση δεν έχει εξαφανιστεί, αλλά οι φυσικοί περιορισμοί που βρίσκονται από κάτω ξαφνικά γίνονται πολύ πιο σημαντικοί.

Τα κέντρα δεδομένων AI συζητιούνται όλο και περισσότερο σε κλίμακα gigawatt. Τι αλλάζει θεμελιωδώς λειτουργικά όταν η υποδομή μετακινείται από συμβατικά επιχειρησιακά ή cloud περιβάλλοντα σε εγκαταστάσεις σχεδιασμένες γύρω από τεράστιους συγκεντρωτές GPU;

Η κλίμακα gigawatt είναι απολύτως αστρονομική. Αλλά ενώ η κλίμακα είναι προφανώς διαφορετική, νομίζω ότι η πιο ενδιαφέρουσα διαφορά είναι η ποσότητα του συντονισμού που απαιτείται.

Σκεφτείτε τι πρέπει να συμβεί για να τεθεί σε λειτουργία ένα κέντρο δεδομένων 300 μεγαβάτ. Χρειάζεστε γη και ενέργεια. Στη συνέχεια πρέπει να σχεδιάσετε την εγκατάσταση και να προμηθευτείτε ράφια, διακομιστές GPU, διακόπτες, οπτικές ίνες, υποδομές ενέργειας και εξοπλισμό ψύξης, συχνά από εντελώς διαφορετικούς προμηθευτές με εντελώς διαφορετικούς τρόπους παρουσίασης των προϊόντων τους. Όλος αυτός ο εξοπλισμός πρέπει να φτάσει, να ληφθεί, να τοποθετηθεί σε ράφια, να καλωδιωθεί, να διαμορφωθεί, να δοκιμαστεί και τελικά να παραδοθεί για εκπαίδευση ή εκτέλεση.

Και το έδαφος κινείται κάτω από τα πόδια σας ενώ το κάνετε. Οι αρχιτεκτονικές GPU αλλάζουν. Το δίκτυο αλλάζει. Οι απαιτήσεις ψύξης αλλάζουν. Τα εξαρτήματα που θα είναι διαθέσιμα σε έξι μήνες μπορεί να μην είναι τα ίδια με αυτά που σχεδιάσατε σήμερα.

Έτσι, μικρές αναποτελεσματικότητες συντίθενται πολύ γρήγορα. Πρόσφατα πέρασα χρόνο με έναν από τους μεγαλύτερους κατασκευαστές οπτικών ινών στον κόσμο, και μου είπαν ότι ένα από τα μεγαλύτερα επιχειρηματικά τους προβλήματα είναι οι επιστροφές επειδή οι πελάτες παραγγέλνουν λανθασμένα μήκη καλωδίων. Αυτό ακούγεται σχεδόν τετριμμένο μέχρι που παραγγέλνετε εκατοντάδες χιλιάδες καλώδια.

Σε αυτήν την κλίμακα, οι λειτουργίες υποδομής γίνονται ένα τεράστιο πρόβλημα εφοδιαστικής αλυσίδας και ικανοποίησης περιορισμών. Οι εταιρείες που το κάνουν καλά είναι αυτές που γίνονται πολύ καλές στο να μεταφέρουν ακριβή δεδομένα σχεδίασης καθ’ όλη τη διαδικασία προμηθειών, υλοποίησης και λειτουργίας.

Έχετε πει ότι ουσιαστικά δεν υπάρχει καθιερωμένο εγχειρίδιο ή δίκτυο ταλέντων για τη λειτουργία υποδομής σε αυτήν την κλίμακα. Ποιες δεξιότητες είναι αυτή τη στιγμή οι πιο δύσκολες στην εύρεση και πού αναμένετε να εμφανιστούν οι μεγαλύτερες ελλείψεις ταλέντων καθώς η υποδομή AI επεκτείνεται;

Πιθανώς υπάρχουν μόνο μερικές εκατοντάδες άνθρωποι στον κόσμο αυτή τη στιγμή που πραγματικά ξέρουν πώς να χτίσουν αυτό το είδος υποδομής με αυτήν την ταχύτητα και κλίμακα. Και οι περισσότεροι από αυτούς είναι ήδη πολύ απασχολημένοι κάνοντάς το.

Αυτό είναι μέρος του τι κάνει αυτή τη στιγμή το γεγονός ασυνήθιστο. Δεν υπάρχει μια ώριμη βάση γνώσεων που μπορείτε απλώς να μελετήσετε. Οι άνθρωποι που το κάνουν μαθαίνουν ο ένας από τον άλλο και βρίσκουν λύσεις σε πραγματικό χρόνο. Και επειδή η τεχνολογία αλλάζει τόσο γρήγορα, μερικά από αυτά τα μαθήματα γίνονται παρωχημένα αρκετά γρήγορα.

Πιστεύω ότι η έλλειψη είναι επομένως μεγαλύτερη από οποιοδήποτε συγκεκριμένο τίτλο εργασίας. Χρειαζόμαστε άτομα που κατανοούν το δίκτυο, την υπολογιστική ισχύ και τον αυτοματισμό, αλλά όλο και περισσότερο και το φυσικό περιβάλλον στο οποίο ζουν αυτά τα συστήματα. Η ενέργεια, η ψύξη, ο σχεδιασμός εγκαταστάσεων, η εφοδιαστική αλυσίδα και οι λειτουργίες πεδίου γίνονται μέρος της ίδιας συζήτησης.

Οι άνθρωποι που μπορούν να διασχίσουν μερικά από αυτά τα όρια θα είναι εξαιρετικά πολύτιμοι. Αλλά δεν νομίζω ότι έχουμε ακόμη καθορίσει πώς θα μοιάζουν όλοι αυτοί οι ρόλοι. Το μοντέλο ταλέντων χτίζεται παράλληλα με την υποδομή.

Καθώς τα όρια μεταξύ λογισμικού, δικτύωσης, εγκαταστάσεων, ενέργειας και μηχανικής κέντρων δεδομένων αρχίζουν να θολώνουν, ποιους νέους τεχνικούς ρόλους ή υβριδικές δεξιότητες αναμένετε να εμφανιστούν;

Δεν νομίζω ότι ξέρουμε ακόμη πώς θα μοιάζουν όλοι αυτοί οι ρόλοι. Αυτό που ξέρουμε είναι ότι οι άνθρωποι που χτίζουν αυτήν την υποδομή πρέπει να σκέφτονται ένα πολύ ευρύτερο σύνολο προβλημάτων από ό,τι πριν.

Δεν σκέφτεστε μόνο την υπολογιστική ισχύ ή τη δικτύωση απομονωμένα. Η ενέργεια, η ψύξη, ο φυσικός σχεδιασμός, η εφοδιαστική αλυσίδα, η δικτύωση και ο αυτοματισμός πρέπει να συνδυαστούν για να τεθούν αυτά τα περιβάλλοντα σε λειτουργία και να παραμείνουν ενεργά.

Πιστεύω ότι θα χρειαστούμε ακόμη άτομα με βαθιά εξειδίκευση σε κάθε έναν από αυτούς τους τομείς. Αλλά όλο και περισσότερο, θα πρέπει επίσης να κατανοούν πώς οι αποφάσεις στον τομέα τους επηρεάζουν την υπόλοιπη υποδομή. Και επειδή τόσο πολύ από αυτή τη δουλειά πρέπει να γίνεται πιο γρήγορα, η ικανότητα αυτοματοποίησης θα γίνει σημαντική σε περισσότερους από αυτούς τους κλάδους.

Οι AI πράκτορες αρχίζουν να διαγωνίζουν προβλήματα, να δημιουργούν διαμορφώσεις και να αυτοματοποιούν μέρη των λειτουργιών υποδομής. Ποιες ευθύνες νομίζετε ότι η AI θα αναλάβει ρεαλιστικά από τους μηχανικούς υποδομής, και ποιες θα γίνουν ακόμη πιο εξαρτημένες από βαθιά ανθρώπινη εξειδίκευση;

Πιστεύω ότι πολλές από τις εργασίες όπου οι είσοδοι, το επιθυμητό αποτέλεσμα και τα όρια είναι σαφή, θα γίνονται όλο και περισσότερο από AI. Η δημιουργία διαμορφώσεων είναι ένα προφανές παράδειγμα. Το ίδιο ισχύει για τη διάγνωση κοινών προβλημάτων, τον έλεγχο εάν η υποδομή ταιριάζει με το σχεδιασμένο σχέδιο, ή τελικά την επιδιόρθωση ορισμένων ζητημάτων όταν υπάρχει αρκετή εμπιστοσύνη για το τι πήγε στραβά και ποια είναι η ασφαλής αντίδραση.

Όπου οι άνθρωποι γίνονται πιο σημαντικοί είναι όταν η απάντηση δεν είναι προφανής.

Η υποδομή αποτυγχάνει με παράξενους τρόπους. Μια οπτική ίνα κόβεται. Μια συσκευή αρχίζει να συμπεριφέρεται διαφορετικά από ό,τι προβλέπει ο σχεδιασμός. Μια αλλαγή έχει απρόσμενη επίδραση κάπου αλλού στο περιβάλλον. Η AI μπορεί να βοηθήσει έναν μηχανικό να κατανοήσει αυτές τις καταστάσεις πολύ πιο γρήγορα, αλλά εξακολουθεί να χρειάζονται άνθρωποι που κατανοούν το σύστημα σε βάθος ώστε να αποφασίσουν τι πρέπει να συμβεί στη συνέχεια.

Πιστεύω ότι αυτή είναι η ενδιαφέρουσα αλλαγή. Οι μηχανικοί πιθανότατα θα περάσουν λιγότερο χρόνο κάνοντας επαναλαμβανόμενες διαμορφώσεις και εντοπισμό σφαλμάτων και περισσότερο χρόνο ορίζοντας πρόθεση, σχεδιάζοντας συστήματα, θέτοντας τα όρια για αυτοματοποίηση και αντιμετωπίζοντας τα πραγματικά καινοτόμα προβλήματα. Όλη αυτή η εργασία θα ενισχυθεί από AI, αλλά θα καθοδηγείται από ανθρώπους.

Αυτό κάνει την εξειδίκευση πιο πολύτιμη, όχι λιγότερη. Ο μηχανικός που καταλαβαίνει πραγματικά γιατί η υποδομή λειτουργεί όπως λειτουργεί θα είναι εξαιρετικά σημαντικός όταν η αυτοματοποίηση δεν έχει προφανή απάντηση.

Η NetBox Labs υποστηρίζει ότι τα συστήματα AI που διαχειρίζονται υποδομές χρειάζονται ένα αυθεντικό μοντέλο συσκευών, συνδέσεων, εξαρτήσεων και άλλων φυσικών και λογικών σχέσεων. Γιατί είναι τόσο σημαντικό αυτό το είδος πλαισίου υποδομής όταν περνάμε από βοηθούς AI που κάνουν συστάσεις σε πράκτορες που μπορούν πραγματικά να αναλάβουν δράση;

Η μεγάλη διαφορά είναι ότι μόλις ένας πράκτορας μπορεί να ενεργήσει, το λάθος έχει πραγματικές συνέπειες.

Ένας πράκτορας υποδομής χρειάζεται κάτι περισσότερο από μια στιγμιαία εικόνα του τι κάνει μια συσκευή αυτή τη στιγμή. Πρέπει να κατανοεί το περιβάλλον γύρω της: τι υπάρχει, πώς είναι συνδεδεμένα τα στοιχεία, τι άλλαξε πρόσφατα και, κυρίως, πώς πρέπει να φαίνεται η υποδομή.

Πάρτε για παράδειγμα την αντιμετώπιση ενός προβλήματος συνδεσιμότητας. Δεν αρκεί να γνωρίζετε ότι μια συσκευή είναι μη προσβάσιμη. Θέλετε ο πράκτορας να μπορεί να εντοπίσει τη διαδρομή του καλωδίου, να κατανοήσει τις εξαρτήσεις γύρω από τη συσκευή, να εξετάσει τις πρόσφατες αλλαγές και να προσδιορίσει τι άλλο μπορεί να επηρεαστεί πριν προτείνει τι να κάνει στη συνέχεια.

Αυτή είναι πραγματικά η βάση που έχουμε χτίσει για χρόνια στη NetBox Labs, παρέχοντας στις ομάδες ένα ακριβές μοντέλο τόσο της φυσικής όσο και της λογικής υποδομής, μαζί με την πρόθεση για το πώς πρέπει να λειτουργεί.

Αλλά τα δεδομένα μόνο δεν αρκούν. Πρέπει επίσης να αποφασίσετε τι επιτρέπεται να κάνει ο πράκτορας αυτόνομα, τι απαιτεί έγκριση από άνθρωπο και πώς κάθε ενέργεια παρακολουθείται και επικυρώνεται.

Η υποδομή δεν είναι όπως ο κώδικας, όπου μια κακή αλλαγή μπορεί πάντα να επανέλθει καθαρά. Μια κακή αλλαγή μπορεί να καταρρίψει μια λειτουργία. Έτσι, καθώς προχωράμε από AI που λέει σε έναν μηχανικό τι πιστεύει σε AI που μπορεί πραγματικά να εκτελέσει τη δουλειά, τόσο το πλαίσιο όσο και ο έλεγχος γίνονται πολύ πιο σημαντικά.

Στο πρόσφατο άρθρο CIO, «Γιατί εγώ, ο Διευθύνων Σύμβουλος, δημιουργώ προσωπικά τη στρατηγική AI μας», υποστήριξες ότι η AI είναι υπερβολικά σημαντική για τους ηγέτες των εταιρειών ώστε να την αναθέτουν και περιέγραψες την προσωπική σου πρωτοτυπία με εργαλεία AI. Πώς έχει αλλάξει η πρακτική σου με αυτά τα συστήματα τη σκέψη σου για το τι μπορεί ρεαλιστικά να αυτοματοποιηθεί στις λειτουργίες υποδομής;

Η πρακτική εμπειρία σε κάνει πολύ λιγότερο ενδιαφερόμενο για τη θεωρητική συζήτηση.

Πέρασα πολύ χρόνο χτίζοντας πραγματικά με αυτά τα εργαλεία, κυρίως τα τελευταία χρόνια πρωτοτυπώντας ή ακόμη και δημιουργώντας ολοκληρωμένα προϊόντα με το Claude Code. Μαθαίνεις γρήγορα ότι υπάρχει τεράστια διαφορά μεταξύ του να βλέπεις μια εντυπωσιακή επίδειξη και του να χτίζεις κάτι στο οποίο πραγματικά εμπιστεύεσαι για χρήσιμη εργασία.

Αναπτύσσεις επίσης μια αίσθηση για το πού κινείται η τεχνολογία πολύ πιο γρήγορα από ό,τι μπορείς να το διαβάσεις. Πράγματα που θα θεωρούσα δύσκολα να αυτοματοποιηθούν πριν έξι μήνες μπορούν ξαφνικά να γίνουν αρκετά απλά. Ταυτόχρονα, βλέπεις πολύ καθαρά πού λείπουν ακόμη το πλαίσιο, η κρίση και η δομή.

Αυτό επηρέασε τον τρόπο που σκέφτομαι τις λειτουργίες υποδομής. Είμαι πολύ αισιόδοξος για το πόση λειτουργική εργασία μπορούμε να αυτοματοποιήσουμε, αλλά θεωρώ ότι είμαστε μακριά από την απόλυτη αυτονομία ως τελικό στόχο.

Το ερώτημα που με απασχολεί είναι πολύ πιο βασικό. Μας βοηθά αυτό να λειτουργούμε την υποδομή πιο γρήγορα, πιο αξιόπιστα ή πιο αποτελεσματικά; Αν ναι, τέλεια. Αν όχι, δεν έχει σημασία πόσο εξελιγμένη είναι η AI που την υποστηρίζει.

Καθώς τα κέντρα δεδομένων AI γίνονται όλο και πιο περιορισμένα από τη διαθεσιμότητα ηλεκτρικής ενέργειας και τις απαιτήσεις ψύξης, θα μπορούσε η μηχανική υποδομής να εξελιχθεί από τη διαχείριση κυρίως υπολογιστικών πόρων σε ενεργό συντονισμό φορτίων εργασίας με την ενέργεια και τη φυσική χωρητικότητα;

Ναι, και το βλέπουμε ήδη. Έχουμε μια φράση εσωτερικά, «τουρμπίνες στο χώρο στάθμευσης», που προήλθε από μια πραγματική συζήτηση με μία από τις ομάδες που χτίζουν υποδομές AI υπερκλίμακας. Έφερναν την υποδομή σε λειτουργία τόσο γρήγορα που το δίκτυο δεν μπορούσε να το ακολουθήσει, οπότε αγόραζαν κυριολεκτικά τουρμπίνες και τις έβαζαν στο χώρο στάθμευσης για να έχουν επαρκή ενέργεια.

Αυτό είναι το είδος του περιβάλλοντος στο οποίο λειτουργούν αυτές οι ομάδες. Όταν η ενέργεια γίνεται ένας από τους κύριους περιορισμούς, πρέπει να γίνετε πολύ πιο έξυπνοι σχετικά με το πώς χρησιμοποιείτε ό,τι είναι διαθέσιμο. Η ανταπόκριση στη ζήτηση, όπου οι χειριστές συντονίζουν ενεργά τα φορτία εργασίας AI ως αντίδραση σε αλλαγές του ηλεκτρικού δικτύου, συμβαίνει ήδη και γίνεται όλο και πιο σημαντική δυνατότητα για τις ομάδες που διαχειρίζονται υποδομές με υψηλή κατανάλωση ενέργειας.

Δεν κάθε φορτίο εργασίας έχει τις ίδιες απαιτήσεις. Η inference που είναι ευαίσθητη στην καθυστέρηση μπορεί να χρειάζεται να παραμένει online, ενώ κάποιες εργασίες εκπαίδευσης ή batch μπορούν να μετακινηθούν ή να διακοπούν όταν η ενέργεια είναι περιορισμένη. Πιστεύω ότι θα δούμε όλο και περισσότερο τις ομάδες υποδομής να διαχειρίζονται υπολογιστική ισχύ, ενέργεια και φυσική χωρητικότητα ως μέρη του ίδιου λειτουργικού προβλήματος.

Κοιτάζοντας μπροστά, πιστεύετε ότι το μεγαλύτερο εμπόδιο στην κλιμάκωση της AI θα είναι τελικά οι GPU και η ανάπτυξη μοντέλων, ή το πολύ ευρύτερο ζήτημα της εύρεσης επαρκούς ενέργειας, φυσικής υποδομής, χωρητικότητας δικτύου, αυτοματοποίησης και εξειδικευμένων μηχανικών για τη λειτουργία όλων αυτών;

Δεν νομίζω ότι θα υπάρχει ένα μόνο εμπόδιο.

Η κατασκευή υποδομής AI με την ταχύτητα και την κλίμακα που απαιτεί η αγορά αυτή τη στιγμή είναι ουσιαστικά ένα πρόβλημα ικανοποίησης περιορισμών. Σε κάθε δεδομένη στιγμή, κάτι είναι ο κύριος περιορισμός.

Για κάποιο χρονικό διάστημα, όλοι μιλούσαν για τις GPU. Η ισχύς είναι προφανώς ένα τεράστιο εμπόδιο τώρα. Αλλά μπορεί επίσης να είναι εξοπλισμός δικτύωσης, ψύξη, γη, ίνα, προμήθειες, κατασκευή ή απλώς η εύρεση αρκετών ανθρώπων που ξέρουν πώς να συνδυάσουν όλα αυτά.

Και μόλις λύσετε ένα εμπόδιο, ένα άλλο γίνεται πιο εμφανές. Αυτό συμβαίνει όταν η ζήτηση είναι πολύ μεγαλύτερη από την προσφορά.

Άρα δεν θα στοιχηματίζα σε ένα μόνιμο εμπόδιο. Νομίζω ότι η πιο σημαντική ικανότητα είναι η δυνατότητα προσαρμογής καθώς το εμπόδιο μετατοπίζεται.

Αυτός είναι επίσης ο λόγος που δεν πιστεύω ότι κάποιος έχει το οριστικό εγχειρίδιο για την υποδομή AI αυτή τη στιγμή. Οι άνθρωποι που την χτίζουν το ανακαλύπτουν ενώ την κλιμακώνουν, και το κάνουν και τα δύο εξαιρετικά γρήγορα.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν NetBox Labs.