Niv-AI Samlar In 12 Miljoner Dollar För Att Tackla Den Dolda Effektknuten I AI-Infrastruktur

En ny startup går in i den alltmer trånga AI-infrastrukturmarknaden med fokus på en begränsning som sällan hamnar i rubrikerna men snabbt blir en av branschens mest pressande utmaningar: effekt.

Niv-AI har kommit ut ur stealth-läget med 12 miljoner dollar i finansiering från Glilot Capital, Grove Ventures, Arc VC, Encoded VC, Leap Forward och Aurora. Det Tel Aviv-baserade företaget positionerar sig vid skärningspunkten mellan energisystem och högpresterande datorer, med fokus på vad de beskriver som en “ögonblicklig effektkapacitetskris” inom moderna datacenter.

Problemet: AI:s Ökande Aptit För Effekt

När AI-arbetsbelastningar skalar upp, särskilt med antagandet av alltmer effekttäta GPU:er, möter datacenter en fysisk begränsning som inte kan lösas enbart med programvaruoptimering. Medan beräkningskapaciteten fortsätter att växa, halkar förmågan att leverera stabil effekt på millisekundnivå efter.

Traditionella övervakningssystem var inte utformade för de snabba, toppiga effektförbrukningsmönster som moderna AI-arbetsbelastningar kräver. För att undvika skador på utrustningen eller obalans i nätet, begränsar operatörerna ofta användningen. Resultatet är en betydande underutnyttjande av befintlig infrastruktur, där så mycket som 30% av den avtalade effektkapaciteten i princip står still.

Denna ineffektivitet har ekonomiska konsekvenser. Datacenteroperatörer betalar för kapacitet som de inte kan utnyttja fullt ut, medan AI-företag möter begränsningar som sakta ner distributionen och ökar kostnaderna.

En Ny Lager Mellan Effekt Och Beräkning

Niv-AI:s tillvägagångssätt introducerar ett nytt kontrollskikt som sitter mellan energileverans och beräkningsarbetsbelastningar. I kärnan av dess plattform finns vad företaget kallar en “elektrisk fingeravtryck” – en högupplöst vy av hur AI-arbetsbelastningar förbrukar effekt i realtid.

Med hjälp av specialiserade sensorer fångar systemet detaljerade effektsignaler som traditionella mätare missar. Dessa signaler bearbetas sedan av AI-modeller som är utformade för att förutsäga kortfristiga fluktuationer i efterfrågan. Istället för att reagera efter att en topp inträffat, justerar plattformen proaktivt arbetsbelastningstiderna, finjusterar beräkningsoperationer för att jämna ut effektförbrukningen.

I praktiken fungerar detta som ett trafikledningssystem för el inom datacentret, vilket tillåter operatörer att driva infrastrukturen närmare dess verkliga gränser utan att utlösa instabilitet.

Att Gå Utanför Hårdvarulösningar

De flesta nuvarande försök att tackla effektbegränsningar förlitar sig på fysiska lösningar som batterier, kondensatorer eller konservativa begränsningar av arbetsbelastningar. Medan dessa tillvägagångssätt är effektiva till en viss grad, lägger de till kostnader, komplexitet eller reducerar prestanda.

Niv-AI satsar på att ett programvaru-drivet orkestreringsskikt kan låsa upp liknande eller större vinster utan att kräva extra hårdvara. Genom att förbättra synligheten och kontrollen på en granulär nivå, syftar företaget till att möjliggöra för operatörer att utvinna mer värde från befintlig infrastruktur.

Denna förändring speglar bredare trender inom datacenteroptimering, där programvarudefinierade tillvägagångssätt alltmer används för att hantera fysiska begränsningar.

De Vidare Implikationerna För AI-Infrastruktur

Om denna typ av teknik visar sig vara effektiv, kan den omforma hur datacenter designas och drivs under de kommande åren. Istället för att se effektbegränsningar som fasta begränsningar, kan operatörer börja se dem som dynamiska variabler som kan hanteras i realtid.

Detta har implikationer utöver effektivitet. Det kan försena eller minska behovet av dyra elnätsuppgraderingar och ny anläggningskonstruktion, särskilt i regioner där energitillgänglighet redan är en flaskhals. Det kan också påverka hur AI-arbetsbelastningar schemaläggs, prissätts och prioriteras, och introducera en ny dimension av optimering som kombinerar beräkningsorkestrering med energihantering.

På ett systemnivå antyder konvergensen av effekt- och beräkningskontroll en framtid där infrastrukturen alltmer samordnas över lager som historiskt sett varit isolerade. När AI fortsätter att skala upp, kan förmågan att harmonisera dessa lager bli lika viktig som framsteg inom modellarkitektur eller chipdesign.