CScale parādījās slepenā trešdienā ar 145 miljonu dolāru C sērijas finansējumu un atbalstu no Nvidia un Intel Capital, liekot cerēt, ka nākamais šķērslis milzu AI datu centros nebūs vairāk mikroshēmu atrašana. Tas ļaus tūkstošiem šo mikroshēmu sarunāties savā starpā, kad tīkla daļas neizbēgami neizdosies.
Uzsācējs Palo Alto izstrādā optisko starpsavienojumu tehnoloģiju tam, ko nozare sauc par AI mēroga palielināšanu, savienojot lielu skaitu paātrinātāju starp statīviem, lai tie varētu darboties kā viena cieši savienota skaitļošanas sistēma.
Jaunā kārta palielina CScale kopējo finansējumu līdz 188 miljoniem USD. Atreides Management, Valor Equity Partners un Premji Invest kopīgi vadīja finansējumu. Ilggadējais atbalstītājs Sutter Hill Ventures piedalījās kopā ar Maverick Silicon. Nvidia un Intel Capital pievienojās kā CScale pirmie stratēģiskie investori.
Laika dēļ CScale atrodas viena no lielākajām AI radītajām infrastruktūras pārmaiņām. Lielākie plānotie AI datu centri virzās uz gigavatu mēroga izvietošanu, kur tūkstošiem paātrinātāju var būt nepieciešams apmainīties ar milzīgu datu apjomu ar ārkārtīgi zemu latentumu.
Tas rada problēmu, kas kļūst grūtāka, jo kopas aug. Lāzera vai optiskā saite var neizdoties komponentu līmenī. Simtiem tūkstošu komponentu kļūmes kļūst par normālu darbības stāvokli.
CScale saka, ka tā arhitektūra tiek veidota, lai optisko kļūmi varētu novērst, neapturot pievienoto aprēķinu.
“Tā kā mākslīgā intelekta palielināšanas domēni sniedzas pāri desmitiem plauktu, optiskais savienojums kļūst būtisks,” sacīja CScale izpilddirektors Martins Lunds. “Tādā mērogā uzticama, paredzama komunikācija ir sistēmas ekonomikas pamats. Vieglāka detaļu nomaiņa uzlabo apkalpojamību, nevis nepārtrauktību. Mēs veidojam starpsavienojumu nepārtrauktībai. Lāzeri neizdosies. Aprēķinot nevajadzētu.”
AI sašaurinājums pārsniedz GPU
Šis pēdējais teikums attiecas uz CScale prezentācijas būtību.
AI infrastruktūras izdevumi lielā mērā ir vērsti uz Nvidia, AMD un citu mikroshēmu ražotāju paātrinātājiem. Vairāk akseleratoru iesaiņošana datu centrā atrisina tikai daļu no problēmas. Šiem procesoriem ir pietiekami ātri jāpārvieto dati savā starpā, lai tie būtu produktīvi.
Tā kā mākslīgā intelekta kopas izplatās vairākos plauktos, tradicionālie elektriskie savienojumi saskaras ar lielāku spiedienu no joslas platuma, attāluma, latentuma un enerģijas pieprasījuma. Optiskais tīkls kļūst par lielāku atbildes daļu.
CScale izstrādā integrētu gaismas dzinēju, lai padarītu šos optiskos savienojumus izturīgākus. Uzņēmums apgalvo, ka nomaināmie lāzeri risina apkopi pēc tam, kad kaut kas sabojājas, nevis nodrošina skaitļošanas sistēmas darbību pašas kļūmes dēļ.
“AI infrastruktūra vairs nav tikai skaitļošanas problēma. Tā ir sistēmu problēma,” sacīja Atreides vadošais partneris Gevins Beikers. “Tā kā mērogošanas sistēmas virzās uz gigavatu klases izvietošanu, starpsavienojumu joslas platums neko nenozīmē bez sistēmas uzticamības. Katra optiskā kļūme ir skaitļošanas kļūme. Šādā mērogā kļūmes nav hipotētiskas — tās ir neizbēgamas.”
CScale aiz šīs likmes ir dažas pieredzējušas rokas.
Lunda iepriekš izveidoja Broadcom maiņas biznesu miljardu dolāru operācijā un vēlāk ieņēma vadošus amatus Microsoft, Cadence un Cisco. Uzņēmumā Cisco viņš vadīja Common Hardware Group, kas atbild par silīciju, aparatūras sistēmām un optiku, tostarp par Silicon One.
Dibinātājs un CTO Sanjai Kolli ir pavadījis gadu desmitus, veidojot sakaru tehnoloģijas. Viņš līdzdibināja SiRF — pusvadītāju uzņēmumu, kas palīdzēja ieviest GPS lielapjoma ierīcēs, un vēlāk nodibināja Inovi, kuru Facebook iegādājās 2014. gadā.
Kohli nodibināja uzņēmumu CScale 2023. gadā. Tagad uzņēmums nodarbina aptuveni 85 cilvēkus visā pasaulē.
CScale lielāka iespēja balstās uz vienkāršu priekšnoteikumu: milzīgo AI klasteru ekonomija ir vairāk atkarīga no tā, cik akseleratorus operatori var uzstādīt. Tie ir atkarīgi no tā, cik liela daļa no šī dārgā skaitļošanas paliek darboties.
Gigavatu mērogā neliels atteices līmenis var kļūt par ikdienas problēmu. CScale sola, ka šo kļūmju izplatīšanās novēršana varētu kļūt par vienu no AI izveides infrastruktūras galvenajiem izaicinājumiem.
