AI sacīkstes saskaras ar ierobežojumu, ko lielāki modeļi un ātrākas mikroshēmas nevar atrisināt atsevišķi: elektrība.
Velaura AI der, ka risinājums sākas mikroshēmas iekšpusē. Silīcija ielejas mākslīgā intelekta infrastruktūras starta uzņēmums otrdien paziņoja, ka ir piesaistījis 110 miljonus ASV dolāru A sērijas finansējumam, novērtējot vairāk nekā 1 miljardu ASV dolāru, ienesot uzņēmumu vienradža teritorijā, datu centru operatoriem meklējot veidus, kā izspiest vairāk skaitļošanas jaudu no ierobežotām enerģijas piegādēm.
Sarunu vadīja Seligman Ventures, kam pievienojās jauni investori Capricorn Investment Group un Prosperity7 Ventures. Piedalījās esošie atbalstītāji Mayfield, Maverick Silicon, MARA, Premji Invest, Samsung Catalyst Fund un StepStone Group.
Finansējums finansēs Velaura AI skaitļošanas portfeļa attīstību un komercializāciju, tostarp nesen paziņoto Titan Core silīcija platformu. Uzņēmums plāno paplašināt savas inženieru un klientu komandas un padziļināt darbu ar uzņēmumiem, kas veido AI infrastruktūru un fiziskās AI sistēmas.
Velauras piķa centrā ir vienkārša tēze: mākslīgā intelekta nozares nākamais vājais kakls var būt nevis piekļuve skaitļošanai, bet gan piekļuve pietiekamam elektroenerģijas apjomam, lai tos palaistu.
Hiperskalori iegulda simtiem miljardu dolāru AI infrastruktūrai, tomēr jaunie datu centri arvien vairāk saskaras ar ierobežojumiem, kas saistīti ar tīkla savienojumiem, ražošanas jaudu, dzesēšanu un laiku, kas nepieciešams jaunas elektriskās infrastruktūras ieviešanai tiešsaistē. Tas maina AI sacensību ekonomiku. Noderīgāku aprēķinu iegūšana no katra vata var kļūt gandrīz tikpat vērtīga kā vairāku paātrinātāju pievienošana.
Velaura saka, ka tā Titan Core patentētā digitālā mikroshēma IP un dizaina platforma var nodrošināt 2x līdz 4x veiktspējas uzlabojumus uz vatu matemātiskajām operācijām, ko izmanto AI paātrinātāji, nezaudējot veiktspēju. Uzņēmums saka, ka pamatā esošā tehnoloģija jau ir izvietota vairāk nekā 30 miljonos ASIC.
Šī ražošanas vēsture sniedz Velaura to, ko daudziem jauniem pusvadītāju jaunizveidotiem uzņēmumiem pietrūkst: pierādījumus tam, ka tā galvenā inženierija var pāriet ārpus laboratorijas demonstrācijām un komerciālā mērogā ražotās mikroshēmās.
No hipermēroga datu centriem līdz fiziskajam AI
Velaura ir vērsta uz abiem topošā AI skaitļošanas tirgus galiem.
Viens no tiem ir datu centrs, kur elektroenerģijas patēriņš ir kļuvis par galveno ekonomikas un infrastruktūras problēmu. Otrs ir fiziskais AI, tostarp roboti, droni, autonomas mašīnas un citas sistēmas, kurām jāveic arvien lielākas AI darba slodzes, ievērojot stingrus enerģijas un siltuma ierobežojumus.
Uzņēmums saka, ka tas jau sadarbojas ar vadošajiem hiperskaloriem, lai iekļautu savu tehnoloģiju nākotnes XPU ceļvežos. Ja šīs saistības pārvērtīsies par liela mēroga izvietošanu, Velaura varētu atrasties AI daļā, kas saņem daudz vairāk uzmanības, pieaugot infrastruktūras izmaksām.
Tās vadība šajos centienos sniedz ievērojamu pieredzi pusvadītāju jomā. Velaura vadītājiem un inženieriem ir pieredze Apple, Nvidia, Google, Qualcomm un Marvell. Uzņēmumu vada līdzdibinātājs un izpilddirektors Rajiv Khemani ar komandu, kurā ietilpst veterānu mikroshēmu vadītāji, kuri iepriekš ir izveidojuši pusvadītāju uzņēmumus un piegādājuši produktus plašā mērogā.
“Katrs AI progress, sākot no spriešanas modeļiem līdz iemiesotam intelektam, rada pieprasījumu pēc lielāka skaitļošanas un galu galā vairāk jaudas,” sacīja Khemani. “Nākamo AI laikmetu noteiks ne tikai labāki modeļi, bet arī principiāli labāka skaitļošanas ekonomika. Velaura veido īpaši mazjaudas silīcija un programmatūras pamatu, kas nepieciešams, lai AI mērogotu no hipermēroga datu centriem līdz viedām iekārtām, kas darbojas fiziskajā pasaulē.”
1 miljarda dolāru plus novērtējums atspoguļo investoru cerības, ka energoefektivitāte kļūs par lielāku AI infrastruktūras ekonomikas daļu. Tā joprojām ir ambicioza likme. Pusvadītāju izstrāde ir dārga, hiperskalera kvalifikācijas cikli var būt gari, un apgalvotajiem efektivitātes uzlabojumiem ir jāatbilst reālai darba slodzei un ražošanas vidēm.
Tomēr laiku ir grūti ignorēt. AI nozare pēdējos vairākus gadus ir jautājusi, cik GPU tā varētu iegūt. Nākamais jautājums arvien biežāk var būt par to, cik daudz no šīm mikroshēmām elektrotīkls var atļauties turpināt darboties.
