Partnerskap

Nexalus och RENDA lanserar Nova8, en vätskekyld AI-server för uppgradering av datacenter

Nexalus och RENDA presenterar Nova8, en fristående vätskekyld AI-server för befintliga datacenter, med prestandauppgifter som behöver testas med faktiska arbetsbelastningar.

Theo Nash
Lägg till Unite.AI bland dina föredragna källor på Google
Official overhead product photograph of the RENDA Nova8 server showing its integrated cooling system
Viktiga punkterNova8 siktar på praktisk eftermontering genom att anpassa vätskekylning till…
Visa mer
  • Nova8 siktar på praktisk eftermontering genom att anpassa vätskekylning till standardrack utan rörledningar på byggnadsnivå.
  • Nexalus hävdar upp till 20 % högre AI-genomströmning än jämförbara luftkylda system, men siffrorna är fortfarande overifierade.
  • Köpare bör validera genomströmningen mot sina egna arbetsbelastningar i stället för att enbart lita på benchmarkspecifikationer.

Nexalus och RENDA har lanserat RENDA Nova8, en vätskekyld AI-server för organisationer som vill ha mer beräkningskapacitet utan att bygga om kylinfrastrukturen kring sina rack. Systemet presenterades den 17 november och riktar sig mot en alltmer praktisk fråga vid AI-implementering: hur mycket användbar prestanda kan en befintlig anläggning hantera?

Företagen beskriver Nova8 som ett fristående system utformat för driftsättning i befintliga luftkylda datacenter. I ett pressmeddelande som distribuerats av ICR uppger Nexalus att systemet kan leverera upp till 20 % högre AI-genomströmning och upp till 22 % bättre energieffektivitet än jämförbara luftkylda system. Siffrorna är företagets egna uppgifter, inte resultat som har verifierats oberoende, och ska inte tolkas som garanterade förbättringar för alla arbetsbelastningar.

En strategi för uppgradering av AI-infrastruktur

Enligt lanseringsmeddelandet integrerar Nova8 åtta NVIDIA RTX PRO 6000 Blackwell-GPU:er i ett 4U-chassi som passar i ett standardrack på 19 tum. Varje GPU är konstruerad för att köras med sin fulla effekt på 600 watt. Kylsystemet kräver inte att operatörerna installerar vätskeledningar i byggnaden.

Konstruktionen använder Nexalus jetimpingementkylning för GPU:erna och processorn. I stället för att enbart förlita sig på kylvätska som flödar genom kanaler riktar systemet strålar mot en platta ovanför de hetaste delarna av ett chip. Samarbetspartnerna uppger att de utvecklade beräknings- och värmekomponenterna tillsammans och utformade kylningen som en del av serverarkitekturen, inte som ett tillbehör.

För den som köper in infrastruktur är skillnaden viktig, eftersom det är två skilda beslut att köpa acceleratorer och att kunna använda dem produktivt. En server som rent fysiskt passar i ett befintligt rack måste fortfarande uppfylla anläggningens krav på elförsörjning, värmehantering, nätverk och service. En fristående kylkrets kan förenkla en del av bedömningen, men undanröjer inte behovet av en genomgång av anläggningen.

Vad prestandauppgifterna visar – och inte visar

I lanseringsmeddelandet redovisas interna tester med Llama 3.3 som uppnådde 55 000 token per sekund samt en effektivitet på 8,6 token per watt. Där beskrivs också redundant kylutrustning med 10 pumpar och 16 fläktar. Dessa specifikationer ger potentiella kunder konkreta frågor att undersöka, men ersätter inte tester med deras egna applikationer.

En genomströmningssiffra räcker inte i sig för att fastställa vilken upplevelse en produktionsapplikation kommer att ge. Köpare bör fråga vilken modellkonfiguration, precision, indatalängd, utdatalängd, samtidighet och serveringsprogramvara som användes. De bör också ta reda på om en redovisad effektmätning omfattar servern, en delmängd av komponenterna eller en större del av infrastrukturen. Att jämföra olika mätgränser kan göra en till synes enkel effektivitetsprocent missvisande.

Den mest användbara utvärderingen skulle väga samman genomströmning och latensmål. En organisation som hanterar interaktiva förfrågningar kan värdera en förutsägbar svarstid annorlunda än en organisation som kör stora batchjobb över natten. Båda kan använda samma hårdvara men ändå komma fram till olika slutsatser om kostnad och kapacitet. Detta är ett ramverk för utvärdering, inte belägg för att Nova8 har klarat eller misslyckats med något av kraven.

Testa systemet med verkliga arbetsbelastningar

Företagen erbjuder kvalificerade potentiella kunder fjärråtkomst genom programmet Test Drive och global support efter försäljning via UNICOM Engineering. Det ger intresserade organisationer möjlighet att undersöka produkten innan de drar slutsatser enbart utifrån de offentliggjorda specifikationerna.

För att genomföra ett meningsfullt test kan en operatör återskapa en representativ arbetsbelastning, hålla programvaruinställningarna oförändrade och jämföra resultaten med sin befintliga driftsmiljö. Om effektförbrukning, latens, genomströmning och uthållig drift registreras tillsammans blir det lättare att skilja en användbar infrastrukturförbättring från en benchmarkfördel som inte omsätts i den avsedda applikationen.

Servicevänlighet är också värd att uppmärksamma. Operatörer som utvärderar ett vätskekylt system bör förstå hur komponenter byts ut, hur fel upptäcks, vilka underhållsuppgifter deras egna team kan utföra och hur supportarrangemangen motsvarar deras krav på drifttid. Sådana detaljer är särskilt relevanta när en produkt positioneras som en uppgradering av en befintlig anläggning snarare än som en lösning för en ny anläggning.

Nova8:s erbjudande handlar därför om mer än att sätta in fler GPU:er i ett rack. Målet är att göra vätskekyld AI-beräkningskapacitet användbar i den infrastruktur som organisationer redan driver. Om lösningen ger den utlovade fördelen beror på kundernas arbetsbelastningar och validering på plats, men lanseringen sätter möjligheten att uppgradera befintliga anläggningar i centrum för köpbeslutet.

Theo Nash är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker AI‑infrastruktur, beräkning och hårdvarusystemen som driver modern artificiell intelligens. Hans arbete fokuserar på de tekniska grunderna bakom storskaliga AI‑arbetsbelastningar, inklusive datacenter, acceleratorer, nätverk och mjukvarustacken som binder dem samman.

Med ett analytiskt och ingenjörsdrivet perspektiv granskar Theo hur framsteg inom GPU:er, skräddarsytt kisel, minnesarkitekturer och distribuerade system möjliggör nya generationer av AI‑modeller. Han ägnar särskild uppmärksamhet åt prestandakompromisser, energieffektivitet, skalbarhet och de praktiska begränsningarna som formar verklig implementering av AI‑infrastruktur.

Artiklar skrivna av Theo Nash är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa teknisk noggrannhet, tydlighet och ansvarsfull täckning av det snabbt föränderliga AI‑beräkningslandskapet.