Niv-AI привлекает $12 млн для решения проблемы скрытых ограничений мощности в инфраструктуре ИИ

Новый стартап выходит на рынок инфраструктуры ИИ, фокусируясь на ограничении, которое редко попадает в заголовки, но быстро становится одной из наиболее насущных проблем отрасли: мощность.

Niv-AI выходит из режима скрытности с $12 млн финансирования от Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward и Aurora. Тель-авивская компания позиционирует себя на пересечении энергетических систем и высокопроизводительных вычислений, нацеливаясь на то, что она описывает как “кризис мгновенной мощности” внутри современных центров обработки данных.

Проблема: растущий аппетит ИИ к мощности

По мере того, как нагрузки ИИ увеличиваются, особенно с принятием все более мощных GPU, центры обработки данных сталкиваются с физическим ограничением, которое нельзя решить только с помощью оптимизации программного обеспечения. Хотя вычислительная мощность продолжает расти, способность обеспечить стабильную мощность на уровне миллисекунд отстает.

Традиционные системы мониторинга не были разработаны для быстрого, пикового потребления мощности современных нагрузок ИИ. Чтобы избежать повреждения оборудования или нестабильности сети, операторы часто перекомпенсируют, ограничивая использование. В результате значительная часть существующей инфраструктуры, до 30% договорной мощности, фактически простаивает.

Эта неэффективность имеет финансовые последствия. Операторы центров обработки данных платят за мощность, которую они не могут полностью использовать, а компании ИИ сталкиваются с ограничениями, которые замедляют развертывание и увеличивают затраты.

Новый слой между мощностью и вычислениями

Подход Niv-AI вводит новый слой управления, который располагается между поставкой энергии и вычислительными нагрузками. В основе своей платформы лежит то, что компания называет “электрическим отпечатком” — высокоразрешающий вид того, как нагрузки ИИ потребляют мощность в реальном времени.

Используя специализированные датчики, система захватывает подробные сигналы мощности, которые традиционные счетчики пропускают. Эти сигналы затем обрабатываются моделями ИИ, предназначенными для прогнозирования краткосрочных колебаний спроса. Вместо реакции после возникновения скачка платформа проактивно регулирует время нагрузки, тонко сдвигая операции вычислений, чтобы сгладить потребление мощности.

На практике это работает как система управления движением для электричества внутри центра обработки данных, позволяя операторам приблизить инфраструктуру к ее истинным пределам без вызывания нестабильности.

Выход за пределы аппаратных решений

Большинство текущих попыток решить проблемы мощности полагаются на физические решения, такие как батареи, конденсаторы или консервативное ограничение нагрузок. Хотя эти подходы эффективны до определенной степени, они добавляют стоимость, сложность или снижают производительность.

Niv-AI делает ставку на то, что программно-ориентированный слой оркестровки может разблокировать подобные или большие выгоды без необходимости дополнительного оборудования. Улучшая видимость и контроль на детальном уровне, компания стремится позволить операторам извлечь больше ценности из существующей инфраструктуры.

Этот сдвиг отражает более широкие тенденции в оптимизации центров обработки данных, где программно-определенные подходы все чаще используются для управления физическими ограничениями.

Более широкие последствия для инфраструктуры ИИ

Если эта категория технологий окажется эффективной, она может изменить то, как центры обработки данных проектируются и эксплуатируются в течение следующего десятилетия. Вместо того, чтобы рассматривать ограничения мощности как фиксированные ограничения, операторы могут начать рассматривать их как динамические переменные, которые можно активно управлять в реальном времени.

Это имеет последствия, выходящие за рамки эффективности. Это может задержать или уменьшить необходимость дорогостоящих модернизаций сетей и строительства новых объектов, особенно в регионах, где доступность энергии уже является узким местом. Это также может повлиять на то, как планируются, цениваются и приоритезируются нагрузки ИИ, вводя новый измерение оптимизации, которое сочетает оркестровку вычислений с управлением энергией.

На уровне систем сходимость управления мощностью и вычислениями предполагает будущее, в котором инфраструктура будет все больше координироваться на уровнях, которые исторически были изолированы. По мере того, как ИИ продолжает расти, способность гармонизировать эти уровни может стать так же важной, как достижения в архитектуре моделей или проектировании чипов.