DG Matrix och InfraPartners samarbetar om AI-infrastrukturplattform för att hantera effektbottleneck

Såsom efterfrågan på AI-infrastruktur ökar över hela världen, är en av branschens största begränsningar inte längre tillgången till GPU:er, utan förmågan att leverera tillräckligt med effekt och fysisk infrastruktur tillräckligt snabbt för att stödja nästa generations AI-arbetsbelastningar. Mot denna bakgrund har DG Matrix och InfraPartners meddelat ett samarbete som fokuserar på att bygga en integrerad plattform som syftar till att accelerera distributionen av AI-klara datacenter och “AI-fabriker”.

Samarbetet kombinerar DG Matrix Interport 360 effektarkitektur med InfraPartners RapidNode prefabricerade AI-datacenterplattform. Tillsammans säger företagen att de skapar en enhetlig “grid-to-rack”-infrastrukturmodell som syftar till att minska distributions tidslinjer samtidigt som de förbereder anläggningar för framtida generationer av AI-hårdvara.

AI:s tillväxt ökar trycket på effektinfrastruktur

Samarbetet uppstår vid en tidpunkt då hyperscalers, molnleverantörer och AI-infrastrukturoperatörer står inför växande förseningar kopplade till gridanslutning och traditionella datacenterbyggnadstidslinjer. Enligt företagens vitbok kan gridanslutningsköer i vissa marknader sträcka sig över år, medan konventionella datacenterprojekt kan kräva två till tre år att bygga efter att effekt har säkrats.

Den här obalansen blir allt viktigare när AI-träningskluster fortsätter att öka i densitet och effektåtgång. NVIDIA (NVDA ):s VD Jensen Huang har tidigare varnat för att framtida datacenter kommer att bli grundläggande effektbegränsade, med infrastrukturtillgänglighet som direkt påverkar intäktsgenerering.

Företagen hävdar att lösningen på denna utmaning kräver en tätare integration mellan beräkningsinfrastruktur och energisystem, snarare än att behandla dem som separata lager.

Kombinera prefabricerade AI-fabriker med programdefinierad effekt

InfraPartners har fokuserat sitt företag på prefabricerade, uppgraderbara AI-datacenter som är konstruerade specifikt för GPU-intensiva arbetsbelastningar. Företagets RapidNode-system använder en standardiserad referensdesign där mycket av infrastrukturen är fabriksbyggd innan distribution. Enligt vitboken tillverkas och integreras cirka 80 % av systemet utanför webbplatsen innan det anländer till distributionsplatserna.

Den bredare idén bakom prefabricerad AI-infrastruktur är att minska de långa förseningarna och den tekniska variabiliteten som är förknippad med traditionella fältbyggda anläggningar. InfraPartners beskriver sin metod som att möjliggöra skalbara, uppgraderbara datacenter som är utformade kring utvecklande GPU-arkitekturer och högre hylldensiteter.

DG Matrix bidrar med energiinfrastrukturen genom sin Interport-plattform, en fast tillståndstransformatorarkitektur som är utformad för att hantera flera effektinmatningar och utmatningar samtidigt. Företaget beskriver Interport som en programkonfigurerbar effektfabric som kan integrera likströms- och växelströmskällor, batterier, generatorer, förnybar energi och AI-arbetsbelastningar inom ett enhetligt system.

Plattformen är också utformad kring den framväxande 800-VDC-arkitekturen som många inom branschen förväntar sig att framtida AI-datacenter kommer att anta. Vitboken anger att Interport 360 är utformad för både likströms- och växelströmsfördelningssystem, vilket gör det möjligt för infrastrukturoperatörer att gå över till nya effektarkitekturer utan att behöva ersätta befintliga system.

Flytta mot “AI-fabriker” istället för konventionella datacenter

En återkommande tema i samarbetsmeddelandet är idén att AI-infrastruktur utvecklas bort från traditionella datacentermodeller till högt specialiserade “AI-fabriker”.

Till skillnad från konventionella företagsdatacenter måste AI-fabriker hantera snabbt förändrade GPU-generationer, högre termiska belastningar, allt tätare hyllor och fluktuerande effektbehov som skapas av AI-träningsarbetsbelastningar. Vitboken betonar “AI-pulslasthantering” som en av plattformens kärnfunktioner, vilket hänvisar till den intensiva och högt variabla energibehov som genereras av storskaliga AI-träningsystem.

Företagen hävdar att deras integrerade arkitektur är utformad för att absorbera och stabilisera dessa effektfluktuationer samtidigt som den fungerar som en mer flexibel grid-deltagare. Detta inkluderar stöd för bakom-mätare-energisystem, gridbalansfunktioner och energioptimeringsprogramvara som är avsedd att hantera både beräkning och effektanvändning i realtid.

DG Matrix har alltmer positionerat sig runt denna bredare infrastrukturövergång. Företaget har nyligen samlat in 60 miljoner dollar i serie A-finansiering för att skala distributionen av sin fast tillståndstransformator-teknik för AI-infrastruktur och elektrifieringsmarknader.

Standardisering blir en strategisk prioritet

En av de mest anmärkningsvärda aspekterna av samarbetet är dess betoning på standardisering och återanvändbara distributionsmodeller. Företagen beskriver plattformen som programkonfigurerbar för flera geografiska regioner, spänningsklasser, frekvenser och gridkrav utan att kräva fullständiga omkonstruktioner för varje distribution.

Den här metoden återspeglar en bredare förändring som sker inom AI-infrastrukturbranschen. När efterfrågan ökar letar operatörer alltmer efter sätt att industrialisera distributionen snarare än att förlita sig på högt anpassade projekt för varje anläggning.

Vitboken hävdar också att uppgraderbarhet blir allt viktigare när AI-hårdvarucykler förkortas. Anläggningar som ursprungligen var utformade för betydligt lägre hylldensiteter pressas nu mot betydligt högre effektnivåer, vilket tvingar operatörer att omvärdera hur länge infrastruktur kan förbli livskraftig utan stora ombyggnader.

InfraPartners har upprepat denna koncept offentligt, beskrivande AI-infrastruktur som något som måste utvecklas kontinuerligt tillsammans med förändringar i kisel, kylning och effektleveranskrav.

AI-infrastrukturs framtid kan bero på effektflexibilitet

Samarbetet mellan DG Matrix och InfraPartners belyser en växande verklighet inom AI-branschen: att skala AI alltmer blir en energi- och infrastrukturutmaning snarare än bara ett beräkningsproblem.

När AI-modeller fortsätter att växa i storlek och distributionen expanderar globalt kan framtida konkurrensfördelar bero på hur snabbt operatörer kan säkra effekt, distribuera infrastruktur och anpassa anläggningar till snabbt förändrade hårdvarukrav.

Företagen tror att integrerade system som kombinerar modulära AI-fabriker, programdefinierade effektarkitekturer och flexibel energihantering kan bli en grundläggande del av nästa generations AI-distributionsstrategier. Om den här modellen blir mainstream återstår att se, men trycket på elbolag, elnät och konventionella byggtidslinjer tvingar redan branschen att omvärdera hur AI-infrastruktur byggs från grunden.