Piotr Tomasik, Co-Fondatore e Presidente di TensorWave – Serie di Interviste

Piotr Tomasik, Co-Fondatore e Presidente di TensorWave, è un veterano imprenditore tecnologico e dirigente di infrastrutture AI con più di due decenni di esperienza che spazia dall’AI, SaaS, cloud computing, fintech e creator economy. Prima di co-fondare TensorWave nel 2023, ha co-fondato Influential, una piattaforma di marketing influencer basata sull’AI successivamente acquisita da Publicis per circa 500 milioni di dollari, dove ha ricoperto il ruolo di CTO prima di passare a un ruolo di consulente.

Nel corso della sua carriera, Tomasik ha anche fondato o diretto aziende come Lets Rolo, On Guard Data e ActiveSide, ricoprendo ruoli senior tecnologici in CARD.com e Marker Trax. Oltre ai suoi ruoli operativi, è un Partner Generale di 1864 Fund e co-fondatore di StartUp Vegas, dove sostiene attivamente l’ecosistema startup di Las Vegas e i talenti emergenti nella tecnologia. Laureato in informatica all’UNLV e riconosciuto leader tecnologico, Tomasik è diventato noto per aver aiutato a posizionare TensorWave come una società di infrastrutture di calcolo AI in rapida crescita, focalizzata su piattaforme cloud GPU di larga scala alimentate da acceleratori AMD.

TensorWave è un’azienda di infrastrutture AI che si concentra sulla fornitura di calcolo cloud ad alte prestazioni alimentato da GPU AMD, posizionandosi come un’alternativa a ecosistemi AI più chiusi. Fondata nel 2023 e con sede a Las Vegas, l’azienda costruisce cluster GPU di larga scala ottimizzati per l’addestramento e la distribuzione di modelli AI avanzati, con un’enfasi su prestazioni, flessibilità e efficienza dei costi. Sfruttando ecosistemi di hardware e software aperti, TensorWave mira ad ampliare l’accesso a risorse di calcolo AI potenti per imprese, ricercatori e sviluppatori, consentendo carichi di lavoro AI scalabili senza le limitazioni della tradizionale blocco del fornitore.

Nvidia (NVDA ) domina la maggior parte del mercato GPU – perché hai deciso di puntare tutto su AMD e quali vantaggi offre questa scelta a TensorWave e ai suoi clienti?

Dopo il lancio di ChatGPT, la domanda di AI è schizzata alle stelle. Le GPU sono state acquistate velocemente e NVIDIA era fondamentalmente l’unica opzione, se si poteva permettersela e se si poteva gestire il costo. Quella scarsità ha scatenato un enorme interesse per le alternative. Ora che siamo oltre l’ipnosi iniziale, c’è una vera opportunità di sfidare la dominanza di Nvidia con soluzioni accessibili, efficienti in termini di costo e facili da usare.

Come startup, abbiamo sempre preso decisioni aziendali con un forte focus e uno scopo. È per questo che non abbiamo sperimentato con Nvidia e abbiamo continuato a costruire le nostre capacità su AMD. La prossima fase della nostra azienda consiste nel concentrarsi su quelle capacità focalizzate in modo che chiunque possa entrare e fare qualcosa di significativo con l’AI. AMD è un’alternativa credibile con una scala di produzione reale, una postura software aperta e una roadmap memory-first per l’AI moderna.

Come si differenzia l’approccio di TensorWave alle infrastrutture AI rispetto ai tradizionali fornitori di cloud GPU?

La nostra differenziazione èstraightforward: siamo l’unico cloud esclusivamente AMD su larga scala, che si propone di ripristinare la scelta nel calcolo AI, rompere la dominanza di Nvidia e democratizzare l’accesso. Ma si tratta anche della nostra etica e del nostro impegno a portare una vera alternativa sul mercato. In primo luogo, vogliamo fornire un’infrastruttura eccezionale basata su AMD su larga scala. Da lì, ci espanderemo in servizi di primo livello sopra di essa – Modelli come servizio, AI come servizio, rendendo tutto più semplice.

Essendo un cloud esclusivamente AMD, abbiamo un’esperienza software costruita specificamente per AMD fin dal primo giorno. Questa focalizzazione ci consente di ottimizzare silicio, networking e software dall’inizio alla fine, assicurando che i team possano scalare quando ne hanno bisogno.

Qual è il ruolo della partnership strategica con AMD nel crescita e differenziazione di TensorWave?

È fondamentale. AMD ha investito in TensorWave, ci ha invitati nel lancio di MI300X Instinct e continuiamo a collaborare strettamente su hardware, abilitazione software ed espansione dell’ecosistema. Essere un cloud esclusivamente AMD significa che possiamo muoverci rapidamente con ogni generazione di Instinct e servire come un laboratorio vivente che fornisce, su larga scala, alternative nel nostro mercato. La nostra differenziazione esclusivamente AMD ci ha permesso di lavorare a un ritmo che non è altrettanto raggiungibile nel mercato delle infrastrutture AI. La loro partnership ci consente di colmare le lacune rapidamente, di essere i primi a spedire nuove GPU e di pubblicare prestazioni reali su larga scala.

L’accesso alle GPU rimane un grande collo di bottiglia per i team AI – come sta affrontando TensorWave questa sfida?

Stiamo affrontando questi collo di bottiglia in primo luogo attraverso l’indipendenza dell’offerta: costruendo su AMD, evitiamo il peggio delle limitazioni di offerta degli altri produttori di chip e passiamo la disponibilità ai clienti. L’indipendenza dell’offerta attraverso AMD assicura che i nostri clienti non siano bloccati in attesa nella stessa coda di tutti gli altri.

Le lacune nell’ecosistema delle infrastrutture AI esistono perché molti giocatori stanno costruendo soluzioni simili, creando molta sovrapposizione. Ciò deriva spesso da una mancanza di consapevolezza su ciò che sta accadendo in tutto il mercato. Il primo passo per colmare queste lacune è capire chi sta facendo cosa, dove ci sono opportunità di collaborazione, dove la concorrenza può guidare l’innovazione e, infine, come l’ecosistema possa migliorare nel suo complesso. Una lacuna unica nel mercato delle infrastrutture AI è il potere; anche se le GPU sono disponibili, spesso non c’è abbastanza energia per supportare il crescente numero di applicazioni AI. Risolvere queste sfide di risorse sono la chiave per abilitare una crescita e un’innovazione sostenibili negli anni a venire.

Come caratteristiche come il raffreddamento liquido diretto e la rete pronta UEC (Universal Ethernet Consortium) migliorano le prestazioni e l’efficienza dei costi?

Il raffreddamento liquido diretto e la rete pronta UEC sono fondamentali per ciò che rende un cloud AI moderno economicamente sostenibile su larga scala e sono centrali nel modo in cui abbiamo progettato TensorWave.

Sul DLC: le nuove generazioni di acceleratori, AMD MI355X e MI455X, funzionano a involucri termici che l’aria non può gestire efficientemente. Stiamo parlando di 1400W+ TDP per GPU. Il raffreddamento liquido diretto rimuove il calore alla fonte tramite progetti di piastra fredda o immersione, il che fa tre cose per i nostri clienti. In primo luogo, consente una densità di rack sostanzialmente più alta, 120-300kW+ per rack invece di 30 a 40kW, il che comprime l’impronta e taglia i costi di real estate e distribuzione di energia per megawatt. In secondo luogo, spinge il PUE verso 1,1, rispetto a 1,4 a 1,5 per le strutture raffreddate ad aria legacy; alla nostra scala, ciò si traduce in decine di milioni di dollari di risparmi annuali sui costi delle utility. In terzo luogo, e spesso sottovalutato, il DLC mantiene il silicio a temperature di giunzione più basse e più stabili, il che preserva i tassi di clock sostenuti durante le lunghe sessioni di addestramento e prolunga la vita utile del hardware. Quel punto è enormemente importante quando si è sotto garanzia di un asset di sei anni.

Sulla UEC: la specifica del consorzio Ethernet Ultra, che AMD ha contribuito a fondare e che ha raggiunto la versione 1.0 nel 2025, ci dà un tessuto di merchant silicon aperto che soddisfa o supera InfiniBand sulle metriche che contano realmente per l’addestramento distribuito. La latenza della coda sui collettivi, la larghezza di banda effettiva sotto contesa e il comportamento di scalabilità oltre la soglia di 100.000 GPU. La storia dei costi è strutturale. L’Ethernet ha una mezza dozzina di vendor di silicio merchant credibili che competono sul prezzo, rispetto a un’alternativa a fonte singola che porta un premium ben documentato. Per un sito da 100MW, scegliere una rete pronta UEC rispetto a un tessuto proprietario è tipicamente una decisione di CAPEX a nove cifre e i vantaggi operativi si accumulano perché i nostri ingegneri di rete già conoscono l’Ethernet.

Prese insieme, queste scelte ci consentono di offrire una migliore economia di addestramento rispetto ai cloud legacy. I clienti vedono un maggior numero di FLOPs effettivi per dollaro, tempi di passo più prevedibili per lavori di grandi dimensioni e una chiara corsia di scalabilità man mano che i modelli crescono. Per noi, significano una struttura di costo più difendibile e la flessibilità di offrire tariffe competitive.

Puoi condividere esempi di come i clienti stanno utilizzando TensorWave per addestrare modelli AI di larga scala?

I clienti di TensorWave necessitano di calcolo AI ad alte prestazioni senza scarsità di GPU, blocco del fornitore o costi fuori controllo. TensorWave fornisce un cloud AMD esclusivo – aperto, ottimizzato per la memoria e pronto per la produzione – che dà ai team un’infrastruttura AI scalabile che è accessibile, flessibile e efficiente in termini di costo.

Ad esempio, Modular ha scelto di eseguire il suo stack di inferenza MAX su infrastrutture GPU AMD di TensorWave perché TensorWave offre un’economia di costo-prestazione significativamente migliore per l’inferenza AI di larga scala. Eseguendo MAX di Modular su calcolo AMD di TensorWave, raggiungono un costo per milione di token inferiore del 70%, un throughput più veloce del 57% e un costo complessivo inferiore rispetto ad altri stack GPU.

Con la continua dominanza di Nvidia, dove vedi le maggiori opportunità per i concorrenti come TensorWave?

In uno spazio di calcolo AI dominato da pochi grandi giocatori, le sfide più grandi sono raggiungere la velocità di mercato, consegnare la tecnologia più recente e offrire un supporto eccezionale. I hyperscaler spesso offrono una vasta gamma di opzioni, ma lottano per fornire la concentrazione o la guida personalizzata di cui i clienti hanno bisogno. Per rompere questo spazio dominato, TensorWave si concentra sulle nostre forze, collaborando per fornire la tecnologia migliore possibile e assicurando che i clienti abbiano opzioni alternative.

Le due maggiori opportunità per i concorrenti della dominanza di NVIDIA nelle infrastrutture AI sono negli ecosistemi aperti e nella memoria. Gli ecosistemi aperti eliminano il blocco a ogni livello (hardware, interconnessione e software). Inoltre, la memoria abbinata a un addestramento/inferenza ottimizzato per la rete capovolge la curva dei costi.

Guardando cinque anni avanti, come ti immagini il futuro delle infrastrutture AI e il ruolo di TensorWave in esso?

Per anni, l’obiettivo nelle infrastrutture AI è stato quello di renderle buone, stabili e facili da usare. La prossima fase sarà su ciò che puoi consegnare sopra di esse – servizi gestiti, AI come servizio, qualsiasi cosa aiuti i clienti a distribuire e scalare più facilmente.

Siamo all’inizio di una grande trasformazione. La tecnologia AI continua ad avanzare e alternative come AMD stanno diventando sempre più valide. Mentre ciò accade, i clienti diventeranno più a loro agio nel distribuirle su larga scala e l’intero ecosistema inizierà ad aprirsi e crescere.

Grazie per la grande intervista, chiunque voglia saperne di più su questa innovativa azienda di infrastrutture AI può visitare TensorWave.