Niv-AI haalt 12 miljoen dollar op om het verborgen stroomverbruiksprobleem in AI-infrastructuur aan te pakken

Een nieuwe startup komt de steeds drukker wordende AI-infrastructuurmarkt op met een focus op een beperking die zelden in het nieuws komt, maar snel een van de meest urgente uitdagingen van de industrie wordt: stroom.

Niv-AI is uit de stealth-modus gekomen met 12 miljoen dollar aan financiering van Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward en Aurora. Het in Tel Aviv gevestigde bedrijf positioneert zich op het snijvlak van energiesystemen en high-performance computing, met als doel een “instantaneous power capacity”-crisis in moderne datacenters aan te pakken.

Het probleem: de groeiende honger van AI naar stroom

Naarmate AI-workloads schalen, met name met de adoptie van steeds krachtigere en stroomdichtere GPUs, komen datacenters een fysieke beperking tegen die door software-optimalisatie alleen niet kan worden opgelost. Terwijl de rekenkracht blijft groeien, blijft de mogelijkheid om stabiele stroom op millisecondeniveau achter.

Traditionele monitortools waren niet ontworpen voor de snelle, piekende stroomverbruikspatronen van moderne AI-workloads. Om apparatuurschade of netwerkinstabiliteit te voorkomen, compenseren operators vaak door het gebruik te beperken. Het resultaat is een aanzienlijke onderbenutting van de bestaande infrastructuur, waarbij tot 30% van de gecontracteerde stroomcapaciteit effectief stil staat.

Deze inefficiëntie heeft financiële gevolgen. Datacenter-operatoren betalen voor capaciteit die ze niet volledig kunnen gebruiken, terwijl AI-bedrijven te maken krijgen met beperkingen die de implementatie vertragen en de kosten verhogen.

Een nieuwe laag tussen stroom en rekenkracht

Niv-AI’s aanpak introduceert een nieuwe controlelaag die tussen energielevering en rekenwerklasten zit. De kern van het platform is wat het bedrijf een “elektrische vingerafdruk” noemt – een hoogwaardige weergave van hoe AI-workloads stroom verbruiken in real-time.

Met behulp van gespecialiseerde sensoren vangt het systeem gedetailleerde stroomsignalen op die traditionele meters missen. Deze signalen worden vervolgens verwerkt door AI-modellen die zijn ontworpen om korte-termijnfluctuaties in de vraag te voorspellen. In plaats van te reageren nadat een piek is opgetreden, past het platform de timing van de workload proactief aan, door compute-operaties subtiel te vertragen om het stroomverbruik te gladstellen.

In de praktijk functioneert dit als een verkeersmanagementsysteem voor elektriciteit binnen het datacenter, waardoor operators de infrastructuur dichter bij de echte limieten kunnen brengen zonder instabiliteit te veroorzaken.

Verder gaan dan hardware-oplossingen

De meeste huidige pogingen om stroombeperkingen aan te pakken, zijn gebaseerd op fysieke oplossingen zoals batterijen, condensatoren of conservatieve beperking van workloads. Hoewel deze benaderingen tot op zekere hoogte effectief zijn, voegen ze kosten, complexiteit of prestatiebeperkingen toe.

Niv-AI wedt dat een software-gedreven orkestratielaag soortgelijke of grotere voordelen kan bieden zonder extra hardware te vereisen. Door de zichtbaarheid en controle op een granulair niveau te verbeteren, beoogt het bedrijf operators in staat te stellen om meer waarde uit de bestaande infrastructuur te halen.

Deze verschuiving weerspiegelt bredere trends in datacenter-optimalisatie, waarbij software-gedefinieerde benaderingen steeds vaker worden gebruikt om fysieke beperkingen te beheren.

De bredere implicaties voor AI-infrastructuur

Als deze categorie technologie effectief blijkt te zijn, kan het de manier waarop datacenters worden ontworpen en geëxploiteerd de komende tien jaar veranderen. In plaats van stroomlimieten als vaste beperkingen te behandelen, kunnen operators ze gaan zien als dynamische variabelen die in real-time kunnen worden beheerd.

Dit heeft implicaties die verder gaan dan efficiëntie. Het kan de noodzaak voor dure netwerkupgrades en de bouw van nieuwe faciliteiten vertragen of verminderen, met name in regio’s waar de beschikbaarheid van energie al een bottleneck is. Het kan ook van invloed zijn op de manier waarop AI-workloads worden gepland, geprijsd en geprioriteerd, en een nieuwe dimensie van optimalisatie introduceren die compute-orchestratie met energiemanagement combineert.

Op systeemniveau suggereert de convergentie van stroom- en rekenkrachtbeheer een toekomst waarin de infrastructuur steeds meer gecoördineerd wordt over lagen die historisch gesproken afgescheiden waren. Naarmate AI blijft schalen, kan de mogelijkheid om deze lagen te harmoniseren even belangrijk worden als vooruitgang in modelarchitectuur of chipontwerp.