Niv-AI pozyskał 12 milionów dolarów, aby rozwiązać ukryty problem zasilania w infrastrukturze AI

Nowa spółka wkracza na coraz bardziej zatłoczony rynek infrastruktury AI, koncentrując się na ograniczeniu, które rzadko pojawia się w nagłówkach, ale szybko staje się jednym z najpilniejszych wyzwań branży: zasilania.

Niv-AI wyszedł ze stealth mode z 12 milionami dolarów finansowania od Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward i Aurora. Spółka z siedzibą w Tel Awiwie pozycjonuje się na przecięciu systemów energetycznych i wysokowydajnych obliczeń, koncentrując się na tym, co określa jako “kryzys natychmiastowej pojemności mocy” w nowoczesnych centrach danych.

Problem: Rosnący apetyt AI na moc

W miarę skalowania obciążeń AI, szczególnie z uwzględnieniem coraz bardziej gęstych pod względem mocy GPU, centra danych napotykają na ograniczenie fizyczne, które optymalizacja oprogramowania nie może rozwiązać. Podczas gdy pojemność obliczeniowa nadal rośnie, zdolność do dostarczania stabilnej mocy na poziomie milisekund jest w tyle.

Tradycyjne systemy monitorowania nie zostały zaprojektowane z myślą o szybkich, szczytowych wzorcach zużycia mocy nowoczesnych obciążeń AI. Aby uniknąć uszkodzenia sprzętu lub niestabilności sieci, operatorzy często przeszacowują, ograniczając użytkowanie. W efekcie dochodzi do znacznej niedowładu istniejącej infrastruktury, przy czym aż 30% umownej pojemności mocy jest w zasadzie bezczynne.

Ten brak wydajności ma poważne konsekwencje finansowe. Operatorzy centrów danych płacą za pojemność, której w pełni nie mogą wykorzystać, podczas gdy firmy AI napotykają ograniczenia, które spowalniają wdrożenie i zwiększają koszty.

Nowa warstwa między mocą a obliczeniami

Podejście Niv-AI wprowadza nową warstwę kontrolną, która znajduje się między dostarczaniem energii a obciążeniami obliczeniowymi. Podstawą jego platformy jest to, co spółka nazywa “śladem elektrycznym” — wysokorozdzielczym widokiem, jak obciążenia AI zużywają moc w czasie rzeczywistym.

Wykorzystując specjalistyczne czujniki, system przechwytuje szczegółowe sygnały mocy, których tradycyjne liczniki nie wykrywają. Sygnały te są następnie przetwarzane przez modele AI zaprojektowane do przewidywania krótkoterminowych fluktuacji popytu. Zamiast reagować po wystąpieniu szczytu, platforma proaktywnie dostosowuje czas obciążeń, subtelnie stopniowo wykonywania operacji obliczeniowych, aby wyrównać zużycie mocy.

W praktyce działa to jak system zarządzania ruchem dla prądu wewnątrz centrum danych, pozwalając operatorom na przesunięcie infrastruktury bliżej jej rzeczywistych granic bez wywoływania niestabilności.

Przekroczenie ograniczeń sprzętowych

Większość obecnych prób rozwiązania ograniczeń mocy opiera się na rozwiązaniach fizycznych, takich jak baterie, kondensatory lub zachowawcze ograniczanie obciążeń. Chociaż są one skuteczne do pewnego stopnia, te podejścia dodają koszty, złożoność lub zmniejszają wydajność.

Niv-AI stawia na to, że warstwa orkiestracji oprogramowania może odblokować podobne lub większe zyski bez wymagania dodatkowego sprzętu. Poprzez poprawę widoczności i kontroli na poziomie granularnym spółka ma na celu umożliwienie operatorom wydobycie większej wartości z istniejącej infrastruktury.

Ten trend odzwierciedla szersze trendy w optymalizacji centrów danych, gdzie podejścia zdefiniowane przez oprogramowanie są coraz częściej wykorzystywane do zarządzania ograniczeniami fizycznymi.

Szersze implikacje dla infrastruktury AI

Jeśli ta kategoria technologii okaże się skuteczna, może zmienić sposób, w jaki centra danych są projektowane i eksploatowane w ciągu najbliższej dekady. Zamiast traktować limity mocy jako stałe ograniczenia, operatorzy mogą zacząć je postrzegać jako dynamiczne zmienne, które można aktywnie zarządzać w czasie rzeczywistym.

To ma implikacje wykraczające poza wydajność. Może opóźnić lub zmniejszyć potrzebę kosztownych ulepszeń sieci i nowych budowli, szczególnie w regionach, gdzie dostępność energii jest już wąskim gardłem. Może również wpłynąć na to, jak obciążenia AI są planowane, wyceniane i priorytetowo traktowane, wprowadzając nowy wymiar optymalizacji, który łączy orkiestrację obliczeń z zarządzaniem energią.

Na poziomie systemowym konwergencja kontroli mocy i obliczeń sugeruje przyszłość, w której infrastruktura będzie coraz bardziej koordynowana na warstwach, które historycznie były izolowane. W miarę skalowania AI zdolność do harmonizacji tych warstw może stać się równie ważna jak postępy w architekturze modeli lub projektowaniu chipów.