Piotr Tomasik, Co-Founder dan Presiden TensorWave – Seri Wawancara

Piotr Tomasik, Co-Founder dan Presiden TensorWave, adalah seorang wirausaha teknologi veteran dan eksekutif infrastruktur AI dengan lebih dari dua dekade pengalaman yang meliputi AI, SaaS, komputasi awan, fintech, dan ekonomi kreator. Sebelum menjadi co-founder TensorWave pada 2023, ia menjadi co-founder Influential, sebuah platform pemasaran influencer yang ditenagai AI yang kemudian diakuisisi oleh Publicis seharga sekitar $500 juta, di mana ia menjabat sebagai CTO sebelum beralih ke peran penasihat.

Di sepanjang karirnya, Tomasik juga mendirikan atau memimpin perusahaan seperti Lets Rolo, On Guard Data, dan ActiveSide, sambil memegang posisi teknologi senior di CARD.com dan Marker Trax. Selain peran operasionalnya, ia adalah Mitra Umum di 1864 Fund dan co-founder StartUp Vegas, di mana ia secara aktif mendukung ekosistem startup Las Vegas dan bakat teknologi yang muncul. Sebagai lulusan ilmu komputer UNLV dan pemimpin teknologi yang diakui, Tomasik telah menjadi dikenal karena membantu memposisikan TensorWave sebagai perusahaan infrastruktur komputasi AI yang tumbuh cepat yang berfokus pada platform cloud GPU skala besar yang ditenagai oleh akselerator AMD.

TensorWave adalah perusahaan infrastruktur AI yang berfokus pada menyediakan komputasi cloud berkinerja tinggi yang ditenagai oleh GPU AMD, memposisikan diri sebagai alternatif dari ekosistem AI yang lebih tertutup. Didirikan pada 2023 dan berkantor pusat di Las Vegas, perusahaan ini membangun klaster GPU skala besar yang dioptimalkan untuk pelatihan dan penerapan model AI lanjutan, dengan penekanan pada kinerja, fleksibilitas, dan efisiensi biaya. Dengan memanfaatkan ekosistem perangkat keras dan perangkat lunak yang terbuka, TensorWave bertujuan untuk memperluas akses ke sumber daya komputasi AI yang kuat untuk perusahaan, peneliti, dan pengembang, memungkinkan beban kerja AI yang dapat diskalakan tanpa keterbatasan kunci vendor tradisional.

Nvidia (NVDA ) mendominasi sebagian besar pasar GPU—mengapa Anda memutuskan untuk fokus pada AMD, dan apa keuntungan yang diberikan oleh pilihan ini kepada TensorWave dan pelanggannya?

Mengikuti peluncuran ChatGPT, permintaan akan AI melonjak. GPU cepat terjual habis, dan NVIDIA hampir menjadi satu-satunya pilihan jika Anda bisa mendapatkannya, dan jika Anda bisa menangani biayanya. Kekurangan itu memicu minat besar pada alternatif. Sekarang bahwa kita telah melewati hiruk pikuk awal, ada kesempatan nyata untuk menantang dominasi Nvidia dengan solusi yang dapat diakses, efektif biaya, dan mudah digunakan.

Sebagai startup, kita selalu membuat keputusan bisnis dengan fokus yang kuat dan tujuan. Itulah mengapa kita tidak bereksperimen dengan Nvidia, dan kita terus membangun kemampuan kita di AMD. Fase berikutnya dari perusahaan kita adalah tentang memanfaatkan kemampuan yang terfokus ini sehingga siapa pun dapat melompat dan melakukan sesuatu yang bermakna dengan AI. AMD adalah alternatif yang kredibel dengan skala manufaktur nyata, postur perangkat lunak yang terbuka, dan roadmap memori-terlebih-dahulu untuk AI modern.

Bagaimana pendekatan TensorWave terhadap infrastruktur AI berbeda dari penyedia cloud GPU tradisional?

Pembeda kita sangat sederhana: kita adalah cloud AMD eksklusif skala besar, yang bertujuan untuk mengembalikan pilihan dalam komputasi AI, memecahkan dominasi Nvidia, dan mendemokratisasikan akses. Tapi itu juga tentang etos dan komitmen kita untuk membawa alternatif yang sebenarnya ke pasar. Pertama dan terutama, kita ingin menyediakan infrastruktur AMD yang luar biasa di skala besar. Dari sana, kita akan memperluas ke layanan kelas atas di atasnya–Model-sebagai-Layanan, AI-sebagai-Layanan, membuat semuanya lebih sederhana.

Sebagai cloud AMD semua, kita memiliki pengalaman perangkat lunak yang dibangun khusus untuk AMD sejak hari pertama. Fokus ini memungkinkan kita untuk mengoptimalkan silikon, jaringan, dan perangkat lunak dari ujung ke ujung, memastikan bahwa tim dapat menskalakan ketika mereka membutuhkannya.

Apa peran kemitraan strategis Anda dengan AMD dalam pertumbuhan dan diferensiasi TensorWave?

Ini adalah fondasi. AMD berinvestasi di TensorWave, mengundang kami ke peluncuran MI300X Instinct, dan kami terus berkolaborasi erat pada perangkat keras, pengaktifan perangkat lunak, dan pertumbuhan ekosistem. Sebagai cloud AMD semua, kita dapat bergerak cepat dengan setiap generasi Instinct, dan berfungsi sebagai laboratorium hidup yang menyediakan, dalam skala, alternatif dalam pasar kami. Diferensiasi AMD-khusus kami telah memungkinkan kita untuk bekerja dengan kecepatan yang tidak dapat dicapai di pasar infrastruktur AI. Kemitraan mereka memungkinkan kita untuk menutup kesenjangan dengan cepat, mengirimkan pertama pada GPU baru, dan menerbitkan kinerja nyata dalam skala.

Akses GPU masih menjadi hambatan besar bagi tim AI—bagaimana TensorWave menangani tantangan ini?

Kita menangani hambatan ini pertama melalui kemandirian pasokan: dengan membangun di atas AMD, kita menghindari keterbatasan pasokan yang parah dari produsen chip lain, dan meneruskan ketersediaan ke pelanggan. Kemandirian pasokan melalui AMD memastikan bahwa pelanggan kita tidak terjebak menunggu di antrean yang sama dengan orang lain.

Gap dalam ekosistem infrastruktur AI ada karena banyak pemain membangun solusi yang sama, menciptakan banyak tumpang tindih. Ini sering berasal dari kurangnya kesadaran tentang apa yang terjadi di seluruh pasar. Langkah pertama untuk menutup kesenjangan ini adalah memahami siapa yang melakukan apa, di mana ada peluang untuk kolaborasi, di mana persaingan dapat memacu inovasi, dan bagaimana ekosistem secara keseluruhan dapat ditingkatkan. Salah satu kesenjangan unik di pasar infrastruktur AI adalah daya; bahkan jika GPU tersedia, seringkali tidak ada cukup energi untuk mendukung jumlah aplikasi AI yang tumbuh. Menyelesaikan tantangan sumber daya ini adalah kunci kita untuk memungkinkan pertumbuhan dan inovasi yang berkelanjutan di masa depan.

Bagaimana fitur seperti pendinginan cair langsung dan jaringan UEC-siap (Universal Ethernet Consortium) meningkatkan kinerja dan efisiensi biaya?

Pendinginan cair langsung dan jaringan UEC-siap adalah fondasi dari apa yang membuat cloud AI modern secara ekonomis layak dalam skala, dan keduanya sentral untuk bagaimana kita merancang TensorWave.

Tentang DLC: generasi akselerator terbaru, AMD’s MI355X dan MI455X, berjalan pada amplop termal yang udara tidak dapat menangani secara efisien. Kita berbicara tentang 1400W+ TDP per GPU. Pendinginan cair langsung menghilangkan panas di sumber melalui desain pelat dingin atau imersi, yang melakukan tiga hal untuk pelanggan kita. Pertama, ini memungkinkan kepadatan rak yang jauh lebih tinggi, 120-300kW+ per rak bukan 30 hingga 40kW, yang mengompresi footprint dan memotong biaya real estat dan distribusi daya per megawatt. Kedua, ini mendorong PUE menuju 1,1, versus 1,4 hingga 1,5 untuk fasilitas yang didinginkan udara warisan; pada skala kita, ini diterjemahkan menjadi puluhan juta dolar dalam penghematan utilitas tahunan. Ketiga, dan sering kali kurang dihargai, DLC menjaga silikon pada suhu junction yang lebih rendah dan lebih stabil, yang melestarikan laju clock yang berkelanjutan selama pelatihan panjang dan memperpanjang umur panjang perangkat keras. Poin terakhir sangat penting ketika Anda sedang membiayai aset enam tahun.

Tentang UEC: spesifikasi Konsorsium Ethernet Ultra, yang AMD membantu mendirikan dan yang mencapai 1,0 pada 2025, memberi kita kain khusus yang terbuka, merchant-silikon yang memenuhi atau melebihi InfiniBand pada metrik yang benar-benar penting untuk pelatihan terdistribusi. Keterlambatan kolektif, bandwidth efektif di bawah konten, dan perilaku penskalaan melewati ambang batas 100.000 GPU. Cerita biaya adalah struktural. Ethernet memiliki setengah lusin vendor silikon merchant yang kredibel yang bersaing pada harga, versus alternatif sumber tunggal yang membawa premi yang terdokumentasi dengan baik. Untuk situs 100MW, memilih jaringan UEC-siap daripada kain proprietary adalah keputusan CAPEX yang biasanya berjumlah sembilan angka, dan keuntungan operasionalnya berkompilasi karena insinyur jaringan kita sudah mengenal Ethernet.

Diambil bersama, pilihan ini memungkinkan kita untuk menyediakan ekonomi pelatihan yang lebih baik daripada cloud warisan. Pelanggan melihat FLOPs efektif per dolar yang lebih tinggi, waktu langkah yang lebih dapat diprediksi pada pekerjaan besar, dan landasan yang jelas saat model berskala. Bagi kita, ini berarti struktur biaya yang lebih dapat dipertahankan dan fleksibilitas untuk menawarkan kartu tarif yang benar-benar kompetitif.

Apakah Anda dapat membagikan contoh tentang bagaimana pelanggan menggunakan TensorWave untuk melatih model AI skala besar?

Pelanggan TensorWave membutuhkan komputasi AI berkinerja tinggi tanpa kekurangan GPU, kunci vendor, atau biaya yang tidak terkendali. TensorWave menyediakan cloud AMD eksklusif – terbuka, dioptimalkan memori, dan siap produksi, yang memberikan tim infrastruktur AI yang dapat diskalakan yang dapat diakses, fleksibel, dan efektif biaya.

Sebagai contoh, Modular memilih untuk menjalankan tumpukan inferensi MAX pada infrastruktur GPU AMD TensorWave karena TensorWave menyediakan ekonomi kinerja yang jauh lebih baik untuk inferensi AI skala besar. Dengan menjalankan MAX Modular pada komputasi AMD TensorWave, mereka mencapai biaya per juta token yang 70% lebih rendah, throughput 57% lebih cepat, dan biaya secara keseluruhan lebih rendah daripada tumpukan GPU lainnya.

Dengan dominasi Nvidia yang terus berlanjut, di mana Anda melihat peluang terbesar bagi tantangan seperti TensorWave?

Di ruang komputasi AI yang didominasi oleh beberapa pemain besar, tantangan terbesar adalah mencapai kecepatan pasar, mengirimkan teknologi terbaru, dan menyediakan dukungan yang luar biasa. Hyperscalers sering menawarkan berbagai pilihan, tetapi berjuang untuk menyediakan fokus atau bimbingan yang dipersonalisasi yang dibutuhkan pelanggan. Untuk memecahkan ruang yang didominasi ini, TensorWave fokus pada kekuatan kita, sambil berkolaborasi untuk menyediakan teknologi terbaik yang mungkin dan memastikan pelanggan memiliki pilihan alternatif.

Dua peluang terbesar bagi tantangan dominasi infrastruktur AI Nvidia adalah ekosistem terbuka dan memori. Ekosistem terbuka menghilangkan kunci pada setiap lapisan (perangkat keras, interkoneksi, dan perangkat lunak). Selain itu, memori yang dipasangkan dengan pelatihan/jangka panjang yang dioptimalkan jaringan membalik kurva biaya.

Memandang lima tahun ke depan, bagaimana Anda membayangkan masa depan infrastruktur AI dan peran TensorWave di dalamnya?

Selama bertahun-tahun, tujuan dalam infrastruktur AI adalah membuatnya baik, membuatnya stabil, dan membuatnya mudah digunakan. Fase berikutnya akan tentang apa yang dapat Anda sediakan di atas itu—layanan yang dikelola, AI-sebagai-Layanan, apa pun yang membantu pelanggan mengirimkan dan menskalakan lebih mudah.

Kita berada di awal transformasi besar. Teknologi AI terus berkembang, dan alternatif seperti AMD menjadi lebih dan lebih layak. Ketika itu terjadi, pelanggan akan menjadi lebih nyaman mengirimkannya dalam skala, dan seluruh ekosistem akan mulai terbuka dan tumbuh. Terima kasih atas wawancara yang luar biasa, siapa pun yang ingin mempelajari lebih lanjut tentang perusahaan infrastruktur AI inovatif ini harus mengunjungi TensorWave.