Wannie Park, grundare och VD för PADO AI – Intervjuserie

Wannie Park, grundare och VD för PADO AI, är en veteran inom teknik och energi med mer än två decenniers erfarenhet av att bygga företag vid skärningspunkten mellan programvara, ren energi och ansluten infrastruktur. Innan han startade PADO AI hade han ledande roller, inklusive SVP för partnerskap och företagsutveckling på Bidgely, VD för Zen Ecosystems och SVP för företags- och affärsutveckling på Inspire. Tidigare i sin karriär arbetade han med företagsutveckling och strategiska investeringsroller på företag som Belkin och Intel (INTC ) Capital, vilket hjälpte till att driva innovation inom ny teknik, IoT och energihantering.

PADO AI är ett företag som specialiserar sig på energiorkestrering med hjälp av AI och fokuserar på att hjälpa AI-datacenter och stora anläggningar att hantera elförbrukning på ett mer effektivt sätt. Plattformen använder AI för att analysera energibehov i realtid, förutsäga belastningar och optimera användningen av el, kylning och distribuerade energiresurser. Genom att förbättra hur energiinfrastruktur används syftar företaget till att hjälpa operatörer att öka datorkapaciteten, sänka driftskostnaderna och stödja en mer hållbar energianvändning.

Du har byggt din karriär vid skärningspunkten mellan energiinnovation, företagsutveckling och AI – från Intel Capital och Belkin till att leda renenergiprojekt på CEIVA, Inspire, Zen Ecosystems och LG NOVA innan du startade PADO AI. Vad inspirerade dig att starta PADO AI, och hur har din tidigare erfarenhet format din vision för AI-driven energiorkestrering i datacenter?

Under min karriär har jag upplevt hype, krasch och återhämtning av några intressanta tekniktrender. Detta inkluderar internetbubblan 2000, tillväxten av nätverk som levererar IoT i stor skala och moderniseringen av den nordamerikanska elnätet i slutet av 2000-talet. För mig har dessa tre marknadsförändrande tekniktrender kulminerat i den enorma möjlighet som är det nuvarande ekosystemet kring AI-datacenter, och det är därför PADO startades: en programvarulösning som drivs av AI och född ur konvergensen av kraft, beräkning och moln.

TotalEnergies (TTE ) meddelade nyligen att de kommer att använda avtal om elköp (PPA) för att leverera förnybar el till ett Google-datacenter. Hur ser du på denna bredare trend mot långsiktiga förnybara energikontakter för hyperskaleinfrastruktur?

Jag ser detta som en stor seger för förnybara energikällor. Men jag skulle inte kalla det för en bredare trend mot förnybara energikällor. Det är snarare en reflektion av tillgång till kraft och tid till kraft. I det här fallet fungerade siffrorna. Med varje sådant tillkännagivande kommer du förmodligen att se 10 som är gasdrivna bakom måttet.

När AI-arbetsbelastningar snabbt ökar elförbrukningen, ser du en grundläggande förändring i hur datacenteroperatörer närmar sig integration av förnybara energikällor?

Vad jag ser är en mer samordnad insats för att distribuera energilagringssystem som är anpassade till mer effektiva och hållbara kylsystem. Detta balanserar några av de intermittentaproblem som finns kring förnybara energikällor. Att bygga och distribuera hållbara lagringsstrategier möjliggör en ökad integration av förnybara energikällor samtidigt som datacenter kan upprätthålla drifttid.

Vilka är de största strukturella eller operativa hindren som äldre datacenter står inför när de försöker integrera förnybara energikällor som solenergi i befintliga system?

De primära hindren är infrastrukturkomplexitet och brist på realtidsmätning. Äldre system byggdes för konstanta och förutsägbara belastningar och saknar ofta den programvarulag som behövs för att hantera solenergins intermittens utan att riskera drifttid. Och jag skulle lägga till, baserat på mina kommentarer i fråga 3, att ett BESS-system skulle vara en kraftmultiplikator när det gäller att fatta beslut om att integrera förnybara energikällor som solenergi.

Från din erfarenhet av att ge råd till operatörer och elbolag, varför har många datacenter svårt att balansera strikta tillförlitlighetskrav med avkarboniseringsmål?

Från datacenterperspektivet ses tillförlitlighet och avkarbonisering ofta som ett nollsummespel – för att få en, offrar man den andra. Datacenter prioriterar naturligt “fem-nior” tillförlitlighet ovan allt annat, så avkarboniseringsmål prioriteras ofta lägre.

Energiorketreringsplattformar som drivs av AI och maskinlärande får alltmer uppmärksamhet. Hur förändrar realtidsorketrering ekonomin och tillförlitligheten för distribuerade energiresurser i kritiska miljöer?

Datacenter opererar under en befintlig effektomfång med fast datorkapacitet.

Orkestrering förvandlar energi från en fast kostnad till en dynamisk tillgång som ger mer produktivitet, antingen det är intäkter, tokenproduktion osv. Orkestrering med olika distribuerade energiresurser möjliggör en ökad påverkan, antingen det är avkarbonisering, intäkter, tokenproduktion osv.

Hur kan orkestreringsprogramvara läggas till på befintlig infrastruktur utan att kräva stora kapitalintensiva ombyggnader?

Orkestreringsprogramvara kan och bör utformas för att vara en intelligent programvarulag som integrerar via API med befintliga system, antingen det är ett BMS, ett DCIM eller distribuerade energiresurser. Detta skulle minimera eventuella stora ombyggnader.

När operatörer väger tillförlitlighet, kostnad och avkarbonisering, vad bör prioriteras först – och vilka kompromisser är ofta missförstådda?

I dag, som operatör, är deras främsta prioritet tillförlitlighet. Och om man dubbelklickar på tillförlitlighet, innebär det “fem-nior” drifttid. Vilket innebär stabil, tillförlitlig kraft. Givet de enorma multiplarna mellan energikostnader och det värde som AI-fabriker genererar från det, är kostnadsbesparingar inte ett problem. Man ser detta med elbolag som försöker införa flexibilitet på datacentermarknaden utan alltför många köpare. Om man gräver djupare, bortom kostnad, hamnar avkarbonisering, såvida den inte är tvingad, på botten av prioritetslistan.

Vilka mått bör datacenteroperatörer spåra om de vill förbättra den förnybara energianvändningen på ett meningsfullt sätt samtidigt som de upprätthåller drifttid?

På en hög nivå bör man spåra och mäta utsläpp av scope 1/2/3 på anläggningsnivå för att etablera en baslinje. I linje med den standard som används för PUE (Power Usage Effectiveness) bör operatörer spåra kolintensitet per arbetsbelastning och den förnybara användningsfaktorn (RUF). Slutligen bör datacenter spåra strandsatt kraft – den mängd kraftkapacitet som betalas för men inte används på grund av ineffektiv lasthantering.

När man ser framåt, hur ser du på den framtida relationen mellan elbolag, datacenteroperatörer och AI-drivna energiplattformar under de kommande fem åren?

Jag ser två silor av relationer. På ena sidan ser jag dessa tre intressenter närma sig en samarbetsinriktad elnät. Där datacenter blir en elnätsresurs som kan minska eller flytta belastning för att stabilisera elnätet. AI-drivna plattformar kommer att vara limmet som möjliggör kommunikation och samordning i realtid mellan dessa två stora industrier. På andra sidan ser jag många datacenter som överger elnätet och själv genererar och är helt bakom måttet. Givet kostnaden och den totala investeringen i dessa typer av projekt är det osannolikt att de skulle återvända till elnätet.

Tack för den utmärkta intervjun, läsare som vill lära sig mer kan besöka PADO AI.