Partnerskap

Nexalus og RENDA lanserer den væskekjølte AI-serveren Nova8 for oppgradering av datasentre

Nexalus og RENDA presenterer Nova8, en selvstendig, væskekjølt AI-server utviklet for eksisterende datasentre, med ytelsespåstander som må testes med representative arbeidsbelastninger.

Theo Nash
Legg til Unite.AI blant dine foretrukne kilder på Google
Official overhead product photograph of the RENDA Nova8 server showing its integrated cooling system
Viktige punkterNova8 tar sikte på praktisk ettermontering ved å tilpasse væskekjøling til standardrack…
Vis mer
  • Nova8 tar sikte på praktisk ettermontering ved å tilpasse væskekjøling til standardrack uten rørføring på bygningsnivå.
  • Nexalus hevder opptil 20 % høyere AI-gjennomstrømning enn sammenlignbare luftkjølte systemer, men tallene er fortsatt ikke verifisert.
  • Kjøpere bør validere gjennomstrømningen mot sine egne arbeidsbelastninger i stedet for å stole blindt på benchmarkspesifikasjoner.

Nexalus og RENDA har lansert RENDA Nova8, en væskekjølt AI-server for organisasjoner som ønsker større datakapasitet uten å bygge om kjøleinfrastrukturen rundt serverrackene sine. Systemet ble annonsert 17. november og retter seg mot et stadig mer praktisk spørsmål ved utrulling av AI: Hvor mye nyttig ytelse kan et eksisterende anlegg håndtere?

Selskapene beskriver Nova8 som et selvstendig system utviklet for bruk i eksisterende luftkjølte datasentre. I en pressemelding distribuert av ICR sier Nexalus at systemet kan levere opptil 20 % høyere AI-gjennomstrømning og opptil 22 % bedre energieffektivitet enn sammenlignbare luftkjølte systemer. Dette er selskapenes egne påstander, ikke resultater som er uavhengig verifisert, og de bør ikke oppfattes som garanterte forbedringer for alle arbeidsbelastninger.

En tilnærming til oppgradering av AI-infrastruktur

Ifølge lanseringskunngjøringen integrerer Nova8 åtte NVIDIA RTX PRO 6000 Blackwell-GPU-er i et 4U-kabinett som passer i et standardrack på 19 tommer. Hver GPU er konstruert for å kunne brukes på sitt fulle effektnivå på 600 watt. Kjølesystemet krever ikke at driftsansvarlige installerer væskerør på bygningsnivå.

Konstruksjonen bruker Nexalus’ kjøling med direkte jetstråler på GPU-ene og CPU-en. I stedet for bare å basere seg på kjølevæske som strømmer gjennom kanaler, retter systemet jetstråler mot en plate over de varmeste delene av en brikke. Partnerne sier at de utviklet beregnings- og varmehåndteringskomponentene sammen, og behandlet kjøling som en del av serverarkitekturen snarere enn som ekstrautstyr.

For en innkjøper av infrastruktur er forskjellen viktig, fordi det å kjøpe akseleratorer og det å kunne bruke dem effektivt er to separate beslutninger. En server som fysisk passer i et eksisterende rack, må fortsatt oppfylle kravene til strøm, varmehåndtering, nettverk og service på stedet. En selvstendig kjølekrets kan gjøre én del av vurderingen enklere, men fjerner ikke behovet for en gjennomgang av anlegget.

Hva ytelsespåstandene viser – og ikke viser

Lanseringsmeldingen oppgir at intern testing med Llama 3.3 oppnådde 55 000 tokener per sekund, og at effektiviteten var 8,6 tokener per watt. Den beskriver også redundant kjøleutstyr bestående av 10 pumper og 16 vifter. Disse spesifikasjonene gir potensielle kunder konkrete spørsmål å undersøke, men kan ikke erstatte testing av deres egne applikasjoner.

Et tall for gjennomstrømning alene sier ikke noe om hvilken brukeropplevelse en produksjonsapplikasjon vil gi. Kjøpere bør spørre hvilken modellkonfigurasjon, presisjon, inndatalengde, utdatalengde, samtidighet og serveringsprogramvare som ble brukt. De bør også avklare om den rapporterte effektmålingen omfatter serveren, et utvalg komponenter eller en bredere del av infrastrukturen. Hvis målegrensene ikke er sammenlignbare, kan en tilsynelatende enkel effektivitetsprosent være misvisende.

Den mest nyttige evalueringen vil sammenholde gjennomstrømning med mål for forsinkelse. En organisasjon som håndterer interaktive forespørsler, kan vektlegge forutsigbar responstid annerledes enn en som kjører store batchjobber om natten. Begge kan bruke samme maskinvare og likevel komme til ulike konklusjoner om kostnader og kapasitet. Dette er et rammeverk for evaluering, ikke dokumentasjon på at Nova8 har bestått eller ikke bestått noen av kravene.

Slik tester du systemet med reelle arbeidsbelastninger

Selskapene tilbyr kvalifiserte potensielle kunder fjerntilgang gjennom Test Drive-programmet, med global ettersalgsstøtte fra UNICOM Engineering. Dermed får interesserte organisasjoner mulighet til å undersøke produktet før de trekker slutninger basert utelukkende på de annonserte spesifikasjonene.

For å gjennomføre en meningsfull prøve kan en operatør gjenskape en representativ arbeidsbelastning, holde programvareinnstillingene konstante og sammenligne resultatene med den eksisterende utrullingen. Ved å registrere strømforbruk, forsinkelse, gjennomstrømning og vedvarende drift samlet blir det enklere å skille en nyttig infrastrukturforbedring fra en fordel i en referansetest som ikke gir utslag i den tiltenkte applikasjonen.

Det er også viktig å undersøke hvor enkelt systemet er å vedlikeholde. De som vurderer et væskekjølt system, bør sette seg inn i hvordan komponenter skiftes ut, hvordan feil oppdages, hvilke vedlikeholdsoppgaver egne team kan utføre, og hvordan støtteordningene samsvarer med kravene til oppetid. Dette er særlig relevant når produktet markedsføres som en oppgradering av eksisterende infrastruktur snarere enn som en løsning for et nytt anlegg.

Nova8 handler derfor om mer enn å plassere flere GPU-er i et rack. Målet er å gjøre væskekjølt AI-databehandling brukbar i infrastrukturen organisasjoner allerede drifter. Om denne tilnærmingen gir den annonserte fordelen, avhenger av kundenes arbeidsbelastninger og validering på det enkelte anlegget, men lanseringen setter hvor praktisk løsningen er å ettermontere, i sentrum for kjøpsbeslutningen.

Theo Nash er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-infrastruktur, beregning og maskinvaresystemene som driver moderne kunstig intelligens. Arbeidet hans fokuserer på de tekniske grunnlagene bak AI-arbeidsbelastninger i stor skala, inkludert datasentre, akseleratorer, nettverk og programvarestablene som binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøker Theo hvordan fremskritt innen GPU-er, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger særlig vekt på ytelsesavveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former implementeringen av AI-infrastruktur i den virkelige verden.

Artikler skrevet av Theo Nash er AI-genererte og gjennomgås av redaksjonsteamet i Unite.AI for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av det raskt utviklende AI-beregningslandskapet.