Chris Miglino, vd för Axe Compute – intervjuserie

Chris Miglino är vd för Axe Compute och har med sig mer än två decenniers erfarenhet av att bygga upp och skala teknikföretag samt investera i dem. Han var med och grundade Social Reality och har arbetat med DNA Fund, vilket förenar en entreprenörsbakgrund med erfarenhet av kapitalmarknader och infrastrukturinvesteringar. På Axe Compute fokuserar han på de operativa och finansiella utmaningarna med att skala upp dedikerad AI-beräkningskapacitet för företagskunder.

Axe Compute tillhandahåller dedikerad GPU-infrastruktur på fysiska servrar för företags AI-arbetslaster. Företagets erbjudande Axe Access ger tillgång till ledig GPU-kapacitet, medan Axe Build utvecklar infrastruktur utifrån kundernas långsiktiga behov. I den här intervjun diskuterar Miglino GPU-ekonomi, begränsningar i elförsörjningen, klusterprestanda, partnerskap kring driftsättning och hur övergången till inferens och AI-agenter kan förändra företagens efterfrågan på infrastruktur.

Din karriär omfattar mer än två decennier av entreprenörskap, från att vara med och grunda Social Reality till att leda DNA Fund och nu vara vd för Axe Compute. Vad lockade dig från början till marknaden för AI-infrastruktur, och vilken möjlighet såg du som traditionella molnleverantörer inte tillgodosåg tillräckligt väl?

Möjligheten jag såg var enkel: AI utvecklas snabbare än den infrastruktur som byggts för att stödja tekniken. Jag har ägnat mer än två decennier åt att bygga upp och skala företag samt investera i dem, och det är i den klyftan jag har hittat de största möjligheterna. Från att vara med och grunda Social Reality till mitt arbete på DNA Fund har jag alltid dragits till grundläggande problem där det finns en tydlig väg från ny teknik till konkret kommersiellt värde. Företag investerade miljarder i AI, men många kunde ändå inte få tillförlitlig kapacitet till en kostnad som var kommersiellt rimlig. Traditionella molnleverantörer har byggt upp enastående verksamheter, men deras infrastruktur utformades för flexibla, delade miljöer, inte för kontinuerliga, beräkningsintensiva AI-arbetslaster som körs dygnet runt. Jag har själv byggt företag och vet därför vad verksamheter behöver: förutsägbara kostnader, tillförlitlig åtkomst och utrymme att skala upp. Jag såg en möjlighet att bygga dedikerad infrastruktur utifrån företags-AI:s faktiska behov, så att företag får kontroll över sin beräkningskapacitet utan att själva behöva bli datacenteroperatörer. Det är därför jag arbetar på Axe Compute. Företagen som bygger infrastrukturen bakom AI kommer att avgöra hur långt och hur snabbt tekniken kan skalas upp.

I takt med att företag påskyndar införandet av AI har tillgång till högpresterande GPU-beräkningar blivit en avgörande fråga. Vilka är de största missuppfattningarna företag har om sina beräkningsbehov, och hur bör de jämföra dedikerad GPU-infrastruktur med traditionella molntjänster?

Den största missuppfattningen är att fler GPU:er automatiskt ger bättre AI-prestanda. Arkitekturen kring GPU:erna, hur tillförlitlig åtkomsten är och kostnaden för att använda dem är minst lika viktiga. Den näst största är antagandet att molnmodellen som byggts för företagsprogramvara också är rätt modell för AI. Det publika molnet är utmärkt för experiment, oförutsägbar efterfrågan och arbetslaster som snabbt skalas upp eller ned. Men när man väl har gått i produktion och kör tunga arbetslaster dygnet runt förändras ekonomin. Då betalar man inte längre för tillfälliga beräkningsbehov. I stället finansierar man en kontinuerlig industriell verksamhet enligt en förbrukningsbaserad prismodell. Jag brukar säga till företag att titta på nyttjandegrad, arbetslasternas varaktighet, nätverksbehov och den totala kostnaden över flera år, inte på timpriser för GPU:er. Dedikerad infrastruktur ger förutsägbara kostnader och kontroll för kontinuerliga arbetslaster, men rätt lösning beror på hur man faktiskt planerar att använda AI.

Axe Compute erbjuder två olika modeller, Axe Access och Axe Build, som ger både omedelbar tillgång till GPU-kapacitet och specialbyggd AI-infrastruktur. Kan du förklara hur modellerna fungerar, vilka typer av kunder de riktar sig till och hur organisationer kan avgöra vilket alternativ som passar deras AI-arbetslaster bäst?

Vi byggde Axe Access och Axe Build eftersom företag befinner sig i olika skeden och inte ska behöva använda samma infrastrukturmodell. Axe Access riktar sig till organisationer som behöver dedikerad GPU-kapacitet nu, oavsett om de skalar upp en befintlig verksamhet, lanserar en ny modell eller har vuxit ur sin nuvarande leverantör. Axe Build är till för kunder som behöver dedikerad infrastruktur utformad efter sina långsiktiga behov, från kapacitet och arkitektur till drift. Skillnaden handlar om tidsplan, omfattning och anpassning. Om du behöver köra arbetslaster omedelbart börjar du med tillgänglig kapacitet. Om du planerar en flerårig AI-verksamhet bygger du för den. För mig är det viktiga att ge kunderna en praktisk väg från efterfrågan till fungerande kapacitet, eftersom tekniken har ett värde först när den kan användas.

Axe Compute har tillkännagett kontrakterade AI-infrastrukturprojekt till ett värde av mer än 3,45 miljarder dollar, vilket speglar en betydande efterfrågan på dedikerad beräkningskapacitet. Vilka har varit de största utmaningarna med att omsätta dessa åtaganden i driftsatta GPU-kluster, och vilka lärdomar har ni dragit om att skala upp infrastrukturen i den här takten?

Den viktigaste lärdomen är att säkra efterfrågan och leverera infrastruktur är två helt olika discipliner, och att man måste vara exceptionellt bra på båda. Med kontrakterade projekt till ett värde av mer än 3,45 miljarder dollar är varje steg viktigt: anläggningar, elförsörjning, upphandling, finansiering, nätverk och det tekniska arbetet med att driftsätta kluster. Varje steg har sin egen tidsplan, och en enda försening kan försena hela driftsättningen. Elförsörjningen är den största utmaningen. Man kan ha åtaganden, kapital och utrustning på plats, men utan elförsörjning ger inget av detta någon avkastning. Vi har lärt oss att skala upp disciplinerat när det gäller projektens ordningsföljd, valet av partner och kapitalallokeringen. Och vi glömmer aldrig att värdet av kontrakterade projekt inte är detsamma som infrastruktur som redan har driftsatts och genererar intäkter. Vinnarna blir de företag som konsekvent omvandlar åtaganden till tillförlitlig, driftsatt kapacitet. Genomförandet är själva affärsmodellen.

Tillgången på GPU:er dominerar ofta diskussionerna om AI-infrastruktur, men elförsörjning, kylning, nätverk och kapacitet i datacenter kan vara lika betydande begränsningar. Vilken av dessa flaskhalsar tror du utgör det största långsiktiga hotet mot AI:s skalbarhet, och hur hanterar Axe Compute dessa utmaningar?

Elförsörjningen. Nästan alla andra delar av AI-infrastrukturen kan byggas ut eller uppgraderas snabbare än de kraftsystem som försörjer dem. GPU-tekniken utvecklas snabbt, kapital kan investeras och anläggningar kan byggas, men överföringsledningar, anslutningar till elnätet och storskalig elproduktion följer tidsplaner som ofta sträcker sig långt bortom AI-företagens planeringscykler. Vi behöver ett elnät som är utformat för att hantera förutsägbar efterfrågan och ta emot stora, nya koncentrationer av beräkningskapacitet, och det går inte att lösa genom att lägga mer pengar på hårdvara. På Axe Compute anpassar vi infrastrukturutvecklingen efter den realistiskt tillgängliga elförsörjningen och samarbetar med partner som förstår driftsättning av AI-system med hög effekttäthet. Kylning och nätverk är avgörande, särskilt när racktätheten ökar, men en tillförlitlig och prisvärd elförsörjning kommer att avgöra var AI-infrastruktur byggs och vilka operatörer som kan skala upp lönsamt.

Att bygga ett högpresterande AI-kluster innebär betydligt mer än att sätta samman tusentals GPU:er. Hur påverkar faktorer som nätverksarkitektur, lagringskapacitet, arbetsflödesorkestrering och GPU-utnyttjande den faktiska prestandan, och var underskattar företag oftast den tekniska komplexiteten?

GPU:n får all uppmärksamhet, men dess prestanda beror på allt runt omkring den, och det är där företag underskattar komplexiteten. Man kan driftsätta extremt kraftfulla processorer, men om nätverket inte kan överföra data effektivt mellan dem, eller om lagringen inte kan förse dem med data tillräckligt snabbt, betalar man för kapacitet som inte utnyttjas. Det här är särskilt viktigt vid storskalig träning, där kommunikationen mellan GPU:er kan påverka avsevärt hur snabbt en modell tränas färdigt. Orkestrering innebär ytterligare ett lager av komplexitet, eftersom man måste hantera schemaläggning, resursfördelning, fel och förändringar i efterfrågan utan att låta kapacitet stå outnyttjad. Jag bedömer prestanda utifrån användbara resultat, inte teoretiska specifikationer, eftersom ett välutnyttjat kluster kan vara betydligt mer kostnadseffektivt än ett större kluster som körs ineffektivt. AI-infrastruktur behöver optimeras kontinuerligt inom hårdvara, programvara och drift. Det handlar inte om ett engångsköp av utrustning.

Axe Compute har nyligen tillkännagett ett strategiskt partnerskap med Penguin Solutions för att påskynda storskalig driftsättning av AI-infrastruktur. Vilken konkret teknisk och operativ kapacitet tillför partnerskapet, och hur kommer det att bidra till kortare driftsättningstider utan att tillförlitlighet och prestanda försämras?

Penguin tillför tre saker: expertledd driftsättning och operativt stöd vid angivna GPU-klusteranläggningar, programvaran ClusterWareAI för hantering av klusterdrift i stor skala och 24×7-bevakning från ett nätverksdriftcenter, där ett Penguin-team arbetar tillsammans med vårt. Det är viktigt eftersom nästa fas av AI-infrastrukturens tillväxt beror på hur effektivt företag kan driftsätta och driva komplexa miljöer i stor skala. Att driftsätta ett AI-kluster innebär att integrera beräkningskapacitet, nätverk, lagring och hanteringssystem i en miljö som fungerar tillförlitligt under krävande arbetsbelastningar. Penguins specialister ökar vår leveranskapacitet, så att vi kan driftsätta snabbare, genomföra fler byggen och minska genomföranderisken. Målet är att göra driftsättningen mer repeterbar och förutsägbar utan att kompromissa med prestandan, eftersom ett snabbare projekt bara skapar värde om infrastrukturen fungerar tillförlitligt när den tas i drift.

När AI utvecklas bortom storskalig modellträning mot inferens, autonoma agenter och realtidsapplikationer, hur tror du att företagens behov av beräkningskapacitet kommer att förändras? Kommer den här omställningen att förändra hur GPU-kluster utformas, driftsätts och geografiskt distribueras?

Inferens kommer så småningom att utgöra en mycket stor del av marknaden för kommersiell AI-infrastruktur, särskilt i takt med att företag går från att bygga modeller till att integrera AI i produkter, verksamheter och kundnära tjänster. Träning sker i koncentrerade omgångar. Inferens handlar om tillgänglighet, svarstid, genomströmning och att kontinuerligt hantera miljontals förfrågningar. Agenter tillför ytterligare ett lager: de utför flera uppgifter och anropar modeller upprepade gånger under ett arbetsflöde. Varje förfrågan kan vara liten, men den sammanlagda efterfrågan växer snabbt. Jag tror att stora centraliserade kluster även fortsättningsvis kommer att hantera krävande arbetsbelastningar, medan mer geografiskt distribuerad kapacitet används för applikationer där svarstider och var data lagras spelar roll. Företag kommer också att bli bättre på att matcha arbetsbelastningar med rätt hårdvara, i stället för att utgå från att allt kräver den mest kraftfulla grafikprocessorn. Det som entusiasmerar mig är att efterfrågan kommer att bli betydligt mer varierad, vilket gynnar leverantörer som kan erbjuda rätt kapacitet, på rätt platser och med rätt kostnadseffektivitet.

Att bygga AI-infrastruktur kräver betydande kapital i ett tidigt skede, samtidigt som GPU-tekniken fortsätter att utvecklas snabbt. Hur hanterar Axe Compute de ekonomiska aspekterna av att finansiera och driva dedikerade GPU-kluster, och hur kan företag undvika att låsa sig vid dyr hårdvara som riskerar att bli föråldrad innan dess livslängd är över?

Man börjar med kundernas efterfrågan, inte med hårdvaran. Att köpa dyr utrustning och hoppas att den ska tas i bruk i tillräcklig omfattning är bakvänt. Det här är ingen mjukvaruverksamhet: det handlar om tunga fysiska tillgångar, långa byggtider och teknik som förbättras dramatiskt på kort tid. På Axe Compute bygger vår strategi på avtalad efterfrågan, disciplinerad driftsättning och infrastruktur som utformas för kunder med behov av varaktig kapacitet. Föråldring är en realitet, men en GPU som inte längre är den senaste modellen saknar inte automatiskt kommersiellt värde. Alla inferensapplikationer och AI-system för företag behöver inte den senaste hårdvarugenerationen, och den befintliga infrastrukturens produktiva livslängd kan förlängas genom en genomtänkt fördelning av arbetsbelastningar. Kunder bör bedöma ekonomin under hela avtalsperioden: kapacitetsutnyttjande, prestandabehov och flexibilitet i takt med att tekniken utvecklas. Målet är att säkerställa att infrastrukturens ekonomiska livslängd motsvarar det investerade kapitalet, inte att bygga en affärsmodell som förutsätter att hårdvaran behåller sitt ursprungliga värde för alltid.

Om vi blickar framåt de kommande tre till fem åren, var ser du de största möjligheterna till innovation och investeringar i AI-infrastruktur? Tror du att marknaden även fortsättningsvis kommer att domineras av hyperskalare och stora GPU-leverantörer, eller kan specialiserade infrastrukturbolag i grunden förändra hur företag får tillgång till AI-beräkningskraft?

En så stor och komplex marknad kan inte betjänas effektivt av ett fåtal leverantörer som använder samma infrastrukturmodell. Hyperskalarna kommer även fortsättningsvis att vara oerhört viktiga, men jag är mycket optimistisk när det gäller specialiserade operatörer under de kommande tre till fem åren. Vi har fortfarande bara kommit en bit på vägen mot att omsätta AI-investeringar i den infrastruktur som företag förlitar sig på varje dag. Företag har olika behov när det gäller prestanda, datasuveränitet, kostnader, tidsramar och geografisk placering, vilket skapar ett reellt utrymme för operatörer som vi. De investeringsmöjligheter jag tycker är mest intressanta finns inom kraftinfrastruktur, effektivare kylning, avancerade nätverk och programvara som förbättrar GPU-utnyttjandet, eftersom dessa faktorer direkt påverkar AI-ekonomin. Finansieringen kommer också att utvecklas i takt med att investerare blir tryggare med tillgångarna och kassaflödena från avtalad kapacitet. För Axe Compute ligger möjligheten i att bidra till att bygga upp den här marknaden genom att göra dedikerad AI-kapacitet mer tillgänglig, förutsägbar och skalbar för organisationer som satsar seriöst på att ta AI i produktion. Det är det vi menar med beräkningskraft utan kompromisser.

Tack för en givande intervju. Läsare som vill utforska dedikerad GPU-kapacitet och AI-infrastruktur för företag bör besöka Axe Compute.