Niv-AI samler inn 12 millioner dollar for å løse det skjulte effektknappen i AI-infrastruktur

En ny startup går inn i det stadig mer crowdet AI-infrastrukturrommet med fokus på en begrensning som sjelden får oppmerksomhet, men raskt blir en av bransjens mest presserende utfordringer: effekt.

Niv-AI har kommet ut av stealth-modus med 12 millioner dollar i finansiering fra Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward og Aurora. Selskapet med hovedkontor i Tel Aviv stiller seg i skjæringspunktet mellom energisystemer og høy-ytelsesdatamaskiner, og retter seg mot det de beskriver som en “øyeblikkelig effektkapasitetskrisen” inne i moderne datacenter.

Problemet: AI sin voksende appetitt på effekt

Ettersom AI-arbeidsbelastninger skalerer, spesielt med tilgangen på stadig mer effekttette GPU-er, møter datacenter en fysisk begrensning som software-optimering alene ikke kan løse. Mens beregningskapasiteten fortsatt vokser, er evnen til å levere stabil effekt på millisekundnivå med på å bli liggende etter.

Tradisjonelle overvåkningssystemer var ikke designet for de raske, spisse effektfornyingsmønstrene til moderne AI-arbeidsbelastninger. For å unngå skade på utstyr eller grid-instabilitet, begrenser operatørene ofte bruken. Resultatet er en betydelig underutnyttelse av eksisterende infrastruktur, med opptil 30% av kontrahert effektkapasitet som i realiteten står ubrukt.

Denne ineffekten har økonomiske implikasjoner. Datacenter-operatører betaler for kapasitet de ikke kan bruke fullt ut, mens AI-selskaper møter begrensninger som sakter ned utrullinger og øker kostnadene.

Et nytt lag mellom effekt og beregning

Niv-AI sin tilnærming introduserer et nytt kontrollag som sitter mellom energilevering og beregningsarbeidsbelastninger. I kjernen av deres plattform ligger det de kaller en “elektrisk fingeravtrykk” — en høyoppløst visning av hvordan AI-arbeidsbelastninger forbruker effekt i sanntid.

Med spesialiserte sensorer fanger systemet detaljerte effektsignaler som tradisjonelle målere missar. Disse signalene prosesseres deretter av AI-modeller designet for å forutsi kortvarige fluktuasjoner i etterspørsel. I stedet for å reagere etter at en topp forekommer, justerer plattformen proaktivt arbeidsbelastningstid, og staggar subtelt beregningsoperasjoner for å jevne ut effektfornyingsmønsteret.

I praksis fungerer dette som et trafikkhåndteringssystem for elektrisitet inne i datacenteret, og lar operatørene trykke infrastrukturen nærmere dens egentlige grenser uten å utløse ustabilitet.

Ut over hårdvaruløsninger

De fleste forsøk på å løse effektbegrensninger baserer seg på fysiske løsninger som batterier, kondensatorer eller konservative begrensninger av arbeidsbelastninger. Mens disse tilnærmingene er effektive til en viss grad, legger de til kostnader, kompleksitet eller reduserer ytelse.

Niv-AI satser på at et programvare-drevet orkestreringslag kan låse opp lignende eller større gevinster uten å kreve ekstra hårdvara. Ved å forbedre synlighet og kontroll på et detaljert nivå, sikter selskapet på å muliggjøre for operatørene å trekke ut mer verdi fra eksisterende infrastruktur.

Denne skiftet speiler bredere trender i datacenter-optimering, hvor programvare-definerte tilnærmingene stadig mer brukes til å håndtere fysiske begrensninger.

De bredere implikasjonene for AI-infrastruktur

Hvis denne kategorien av teknologi viser seg å være effektiv, kan den omforme hvordan datacenter designes og opereres over de neste ti årene. I stedet for å behandle effektbegrensninger som faste begrensninger, kan operatørene begynne å se på dem som dynamiske variabler som kan håndteres i sanntid.

Dette har implikasjoner utover effisiens. Det kan forsinke eller redusere behovet for dyre grid-opgraderinger og nytt anleggsbygging, spesielt i regioner hvor energitilgjengelighet allerede er en flaskehals. Det kan også påvirke hvordan AI-arbeidsbelastninger planlegges, prises og prioriteres, og introdusere en ny dimensjon av optimering som kombinerer beregningsorkestrering med energihåndtering.

På et systemsnivå antyder konvergens av effekt- og beregningskontroll en fremtid hvor infrastruktur stadig mer koordineres på tvers av lag som historisk har vært adskilte. Ettersom AI fortsatt skalerer, kan evnen til å harmonisere disse lagene bli like viktig som fremgang i modellarkitektur eller chipdesign.