Chris Miglino, CEO van Axe Compute – interviewreeks

Chris Miglino is CEO van Axe Compute en heeft meer dan twintig jaar ervaring met het opbouwen en opschalen van technologiebedrijven en het investeren daarin. Hij was medeoprichter van Social Reality en heeft samengewerkt met DNA Fund. Daarmee combineert hij een ondernemersachtergrond met ervaring op de kapitaalmarkten en in infrastructuurinvesteringen. Bij Axe Compute richt hij zich op de operationele en financiële uitdagingen van het opschalen van specifieke AI-rekencapaciteit voor zakelijke klanten.

Axe Compute levert specifieke GPU-infrastructuur op bare metal voor AI-workloads van bedrijven. Met Axe Access krijgen klanten toegang tot beschikbare GPU-capaciteit, terwijl Axe Build infrastructuur ontwikkelt die is afgestemd op de behoeften van klanten op de langere termijn. In dit interview bespreekt Miglino de economie van GPU’s, beperkingen op het gebied van stroomvoorziening, clusterprestaties, partnerschappen voor de implementatie en hoe de verschuiving naar inferentie en AI-agenten de vraag naar bedrijfsinfrastructuur kan veranderen.

Uw loopbaan omvat meer dan twintig jaar ondernemerschap: van de medeoprichting van Social Reality tot het leiden van DNA Fund en nu uw rol als CEO van Axe Compute. Wat trok u aanvankelijk aan in de markt voor AI-infrastructuur, en welke kans zag u waarop traditionele cloudproviders onvoldoende inspeelden?

De kans die ik zag, was eenvoudig: AI ontwikkelt zich sneller dan de infrastructuur die daarvoor nodig is. Ik heb meer dan twintig jaar ervaring met het opbouwen en opschalen van bedrijven en het investeren daarin, en juist in die kloof heb ik de grootste kansen gevonden. Van de medeoprichting van Social Reality tot mijn werk bij DNA Fund: ik ben altijd aangetrokken geweest tot fundamentele problemen waarbij er een duidelijke weg is van nieuwe technologie naar daadwerkelijke commerciële waarde. Bedrijven investeerden miljarden in AI, maar veel ervan konden geen betrouwbare capaciteit krijgen tegen kosten die commercieel haalbaar waren. Traditionele cloudproviders hebben buitengewone bedrijven opgebouwd, maar hun infrastructuur is ontworpen voor flexibele, gedeelde omgevingen, niet voor intensieve AI-workloads die onafgebroken draaien en veel rekenkracht vergen. Ik heb zelf bedrijven opgebouwd, dus ik weet wat bedrijven nodig hebben: voorspelbare kosten, betrouwbare toegang en ruimte om op te schalen. Ik zag een kans om specifieke infrastructuur te bouwen die aansluit op de daadwerkelijke behoeften van AI in bedrijven, zodat die controle krijgen over hun rekenkracht zonder zelf datacenters te hoeven beheren. Daarom werk ik bij Axe Compute. De bedrijven die de infrastructuur achter AI bouwen, bepalen hoe ver en hoe snel de technologie kan opschalen.

Nu bedrijven AI steeds sneller invoeren, is toegang tot krachtige GPU-rekenkracht een cruciale factor geworden. Wat zijn de grootste misvattingen van bedrijven over hun rekenbehoeften, en hoe kunnen ze specifieke GPU-infrastructuur afwegen tegen traditionele clouddiensten?

De grootste misvatting is dat meer GPU’s automatisch betere AI-prestaties opleveren. De architectuur rondom die GPU’s, de continuïteit van de toegang en de kosten om ze te gebruiken zijn minstens zo belangrijk. De tweede misvatting is dat het cloudmodel voor bedrijfssoftware ook het juiste model voor AI is. De publieke cloud is uitstekend voor experimenten, onvoorspelbare vraag en workloads die snel op- of afgeschaald moeten worden. Maar zodra je in productie bent en zware workloads onafgebroken uitvoert, veranderen de kosten. Je betaalt dan niet langer voor incidenteel gebruik van rekenkracht. Je financiert een doorlopende industriële operatie met een prijsmodel op basis van verbruik. Ik raad bedrijven aan te kijken naar het gebruik, de duur van workloads, netwerkbehoeften en de totale kosten over meerdere jaren, in plaats van naar uurtarieven voor GPU’s. Specifieke infrastructuur biedt voorspelbare kosten en controle voor workloads die langdurig draaien, maar de juiste keuze hangt af van hoe je AI daadwerkelijk wilt gebruiken.

Axe Compute biedt twee verschillende modellen, Axe Access en Axe Build, voor zowel directe beschikbaarheid van GPU’s als speciaal ontwikkelde AI-infrastructuur. Kunt u uitleggen hoe deze modellen werken, voor welke typen klanten ze bedoeld zijn en hoe organisaties kunnen bepalen welke aanpak het beste past bij hun AI-workloads?

We hebben Axe Access en Axe Build ontwikkeld omdat bedrijven niet allemaal op hetzelfde punt beginnen en niet gedwongen moeten worden hetzelfde infrastructuurmodel te gebruiken. Axe Access is bedoeld voor organisaties die nu specifieke GPU-capaciteit nodig hebben, of ze nu een bestaande operatie opschalen, een nieuw model lanceren of de grenzen van hun huidige provider bereiken. Axe Build is er voor klanten die specifieke infrastructuur nodig hebben die is ontworpen rond hun behoeften op de lange termijn, van capaciteit en architectuur tot bedrijfsvoering. Het verschil zit in de timing, schaal en mate van maatwerk. Moet je workloads meteen uitvoeren, begin dan met de beschikbare capaciteit. Plan je een meerjarige AI-operatie, bouw dan de infrastructuur daarvoor. Voor mij is het belangrijk dat klanten een praktische weg krijgen van vraag naar operationele capaciteit, want technologie heeft pas waarde als je die kunt inzetten.

Axe Compute heeft contracten gesloten voor AI-infrastructuurprojecten ter waarde van meer dan $3,45 miljard, wat wijst op een aanzienlijke vraag naar specifieke rekenkracht. Wat waren de grootste uitdagingen bij het omzetten van deze toezeggingen in operationele GPU-clusters, en welke lessen hebt u geleerd over het opschalen van infrastructuur in dit tempo?

De belangrijkste les is dat vraag binnenhalen en infrastructuur leveren twee heel verschillende disciplines zijn, en dat je in beide uitzonderlijk goed moet zijn. Met voor meer dan $3.45 miljard aan gecontracteerde projecten telt elke fase: faciliteiten, stroomvoorziening, inkoop, financiering, netwerken en het technische werk om clusters operationeel te maken. Elke fase heeft een eigen tijdpad, en één vertraging kan de hele uitrol ophouden. Stroomvoorziening is de grootste uitdaging. Je kunt toezeggingen hebben, kapitaal en apparatuur klaar hebben staan, maar zonder stroom levert niets daarvan rendement op. We hebben geleerd om gedisciplineerd op te schalen wat betreft de volgorde van projecten, de keuze van partners en de toewijzing van kapitaal. En we vergeten nooit dat de waarde van gecontracteerde projecten niet hetzelfde is als infrastructuur die al is uitgerold en omzet genereert. De winnaars zijn de bedrijven die toezeggingen consequent omzetten in betrouwbare, operationele capaciteit. De uitvoering is het bedrijfsmodel.

Beschikbaarheid van GPU’s staat vaak centraal in gesprekken over AI-infrastructuur, maar elektriciteit, koeling, netwerken en datacentercapaciteit kunnen evenzeer beperkende factoren zijn. Welke van deze knelpunten vormt volgens u op de lange termijn de grootste bedreiging voor de schaalbaarheid van AI, en hoe pakt Axe Compute deze uitdagingen aan?

Elektriciteit. Bijna elk ander onderdeel van AI-infrastructuur kan sneller worden uitgebreid of verbeterd dan de stroomvoorziening waarop het steunt. GPU-technologie ontwikkelt zich snel, kapitaal kan worden ingezet en faciliteiten kunnen worden gebouwd, maar voor transmissielijnen, aansluitingen op het elektriciteitsnet en grootschalige energieopwekking gelden tijdschema’s die vaak veel langer zijn dan de planningscycli van AI-bedrijven. We vragen om een elektriciteitsnet dat is ingericht op voorspelbare vraag en dat grote nieuwe concentraties rekenkracht kan opvangen; dat los je niet op door meer aan hardware uit te geven. Bij Axe Compute stemmen we de ontwikkeling van infrastructuur af op de realistische beschikbaarheid van stroom en werken we samen met partners die verstand hebben van AI-implementaties met een hoge dichtheid. Koeling en netwerken zijn cruciaal, vooral nu de rackdichtheid toeneemt, maar betrouwbare en betaalbare stroom bepaalt waar AI-infrastructuur wordt gebouwd en welke exploitanten winstgevend kunnen opschalen.

Voor de bouw van een krachtige AI-cluster is aanzienlijk meer nodig dan het samenstellen van duizenden GPU’s. Welke invloed hebben factoren als de netwerkarchitectuur, de opslagdoorvoer, de orkestratie van workloads en de benutting van GPU’s op de prestaties in de praktijk, en waar onderschatten bedrijven de technische complexiteit het vaakst?

Alle aandacht gaat naar de GPU, maar de prestaties ervan hangen af van alles eromheen. Juist daar onderschatten bedrijven de complexiteit. Je kunt uiterst krachtige processors inzetten, maar als je netwerk gegevens niet efficiënt tussen die processors kan verplaatsen of je opslag ze niet snel genoeg van gegevens kan voorzien, betaal je voor capaciteit die je niet benut. Dit speelt vooral bij grootschalige training, waarbij de communicatie tussen GPU’s een grote invloed kan hebben op hoe snel een model klaar is met trainen. Orkestratie voegt daar nog een extra laag aan toe, omdat je de planning, toewijzing van middelen, storingen en veranderende vraag moet beheren zonder capaciteit onbenut te laten. Ik beoordeel prestaties op basis van nuttige output, niet van theoretische specificaties, omdat een goed benutte cluster veel efficiënter kan zijn dan een grotere cluster die inefficiënt draait. AI-infrastructuur vereist voortdurende optimalisatie van hardware, software en bedrijfsvoering. Het is geen eenmalige aanschaf van apparatuur.

Axe Compute heeft onlangs een strategisch partnerschap met Penguin Solutions aangekondigd om de uitrol van grootschalige AI-infrastructuur te versnellen. Welke specifieke technische en operationele mogelijkheden brengt dit partnerschap met zich mee, en hoe helpt het de uitroltermijnen te verkorten zonder in te leveren op betrouwbaarheid en prestaties?

Penguin brengt drie dingen mee: door experts geleide implementatie- en operationele diensten op aangewezen locaties voor GPU-clusters, de software ClusterWareAI voor het beheer van clusteractiviteiten op grote schaal, en 24×7-dekking vanuit een netwerkoperationscentrum door een Penguin-team dat met ons samenwerkt. Dat is belangrijk omdat de volgende groeifase van AI-infrastructuur afhangt van hoe efficiënt bedrijven complexe omgevingen op grote schaal kunnen implementeren en beheren. Een AI-cluster implementeren betekent rekenkracht, netwerken, opslag en beheersystemen integreren in een omgeving die onder zware workloads betrouwbaar functioneert. De specialisten van Penguin vergroten onze uitvoeringscapaciteit, zodat we sneller kunnen implementeren, meer projecten kunnen uitvoeren en uitvoeringsrisico’s kunnen beperken. Het doel is de implementatie herhaalbaarder en voorspelbaarder te maken zonder de prestaties aan te tasten, want een project versnellen levert alleen waarde op als de infrastructuur na ingebruikname betrouwbaar functioneert.

Nu AI zich verder ontwikkelt, van grootschalige modeltraining naar inferentie, autonome agents en realtime toepassingen, hoe verwacht u dat de computerbehoeften van bedrijven zullen veranderen? Zal deze verschuiving de manier waarop GPU-clusters worden ontworpen, uitgerold en geografisch verspreid fundamenteel veranderen?

Inferentie zal uiteindelijk een enorm onderdeel vormen van de commerciële markt voor AI-infrastructuur, vooral wanneer bedrijven overstappen van het bouwen van modellen naar het integreren van AI in producten, bedrijfsprocessen en diensten voor klanten. Training vindt plaats in geconcentreerde pieken. Bij inferentie draait het om beschikbaarheid, latentie, doorvoercapaciteit en het continu verwerken van miljoenen verzoeken. Agents voegen daar nog een laag aan toe: ze voeren meerdere taken uit en roepen tijdens een workflow herhaaldelijk modellen aan. Elk verzoek afzonderlijk kan klein zijn, maar de totale vraag loopt snel op. Ik verwacht dat grote, gecentraliseerde clusters veeleisende workloads blijven verwerken, terwijl meer geografisch verspreide capaciteit toepassingen bedient waarbij responstijden en de locatie van gegevensopslag van belang zijn. Bedrijven zullen ook beter worden in het afstemmen van workloads op de juiste hardware, in plaats van ervan uit te gaan dat alles de krachtigste GPU nodig heeft. Wat mij enthousiast maakt, is dat de vraag veel diverser zal worden. Dat speelt aanbieders in de kaart die de juiste capaciteit kunnen bieden, op de juiste locaties en tegen de juiste kosten.

Voor de ontwikkeling van AI-infrastructuur is aanzienlijk startkapitaal nodig, terwijl GPU-technologie zich snel blijft ontwikkelen. Hoe pakt Axe Compute de financiering en exploitatie van speciale GPU-clusters economisch aan, en hoe kunnen bedrijven voorkomen dat ze vast komen te zitten aan dure hardware die mogelijk verouderd raakt voordat de levensduur ervan is verstreken?

Je begint bij de vraag van klanten, niet bij de hardware. Dure apparatuur aanschaffen en hopen dat die vervolgens goed wordt benut, is de verkeerde aanpak. Dit is geen softwarebedrijf: je werkt met zware fysieke activa, lange bouwtermijnen en technologie die in korte tijd enorme vooruitgang boekt. Bij Axe Compute is onze aanpak gebaseerd op contractueel vastgelegde vraag, een gedisciplineerde uitrol en infrastructuur die is afgestemd op klanten die langdurig capaciteit nodig hebben. Veroudering is een reëel risico, maar een GPU die niet meer de nieuwste is, heeft daarom nog niet geen commerciële waarde. Niet elke inferentietoepassing of elk AI-systeem voor bedrijven heeft de nieuwste generatie hardware nodig, en met een slimme verdeling van workloads kun je de productieve levensduur van bestaande infrastructuur verlengen. Klanten moeten de economische aspecten over de volledige looptijd van het contract beoordelen: de benutting, de prestatiebehoeften en de flexibiliteit naarmate de technologie zich verder ontwikkelt. Het doel is ervoor te zorgen dat de infrastructuur gedurende haar economische levensduur voldoende waarde oplevert om het geïnvesteerde kapitaal te rechtvaardigen, niet om een bedrijfsmodel op te zetten dat ervan afhankelijk is dat de hardware voor altijd haar oorspronkelijke waarde behoudt.

Waar ziet u de komende drie tot vijf jaar de grootste kansen voor innovatie en investeringen in AI-infrastructuur? Verwacht u dat de markt geconcentreerd blijft bij hyperscalers en grote GPU-aanbieders, of kunnen gespecialiseerde infrastructuurbedrijven de manier waarop ondernemingen toegang krijgen tot AI-rekenkracht fundamenteel veranderen?

Een markt van deze omvang en complexiteit kan niet efficiënt worden bediend door een handvol aanbieders die allemaal hetzelfde infrastructuurmodel hanteren. De hyperscalers blijven enorm belangrijk, maar ik ben erg optimistisch over gespecialiseerde aanbieders voor de komende drie tot vijf jaar. We staan nog maar aan het begin van de omzetting van AI-investeringen in de infrastructuur waarop bedrijven dagelijks vertrouwen. Bedrijven hebben uiteenlopende behoeften op het gebied van prestaties, datasoevereiniteit, kosten, tijdschema’s en geografische locatie. Daardoor is er volop ruimte voor aanbieders zoals wij. De investeringskansen die ik het interessantst vind, liggen bij stroomvoorziening, efficiëntere koeling, geavanceerde netwerktechnologie en software die de benutting van GPU’s verbetert, omdat die rechtstreeks bepalend zijn voor de economische haalbaarheid van AI. Ook de financiering zal zich verder ontwikkelen naarmate investeerders meer vertrouwen krijgen in de activa en de kasstromen uit contractueel vastgelegde capaciteit. Voor Axe Compute ligt de kans erin deze markt te helpen opbouwen door speciale AI-capaciteit toegankelijker, voorspelbaarder en schaalbaarder te maken voor organisaties die AI serieus in productie willen nemen. Dat bedoelen we met rekenkracht zonder compromissen.

Hartelijk dank voor het fijne interview. Lezers die meer willen weten over speciale GPU-capaciteit en AI-infrastructuur voor bedrijven, kunnen terecht bij Axe Compute.