Tag: infrastrutture AI

  • Mount Thor: 45 milioni per potenziare i data center Mac dedicati all’AI

    Mount Thor: 45 milioni per potenziare i data center Mac dedicati all’AI

    In Breve

    Quanto ha raccolto Mount Thor?
    Mount Thor ha raccolto 45 milioni di dollari.
    Qual è l'obiettivo di Mount Thor?
    L'obiettivo è gestire rack di computer Apple per carichi di lavoro legati all'intelligenza artificiale.
    Chi ha guidato il finanziamento?
    CRV e Conviction hanno guidato il round di Serie A.

    La startup Mount Thor ha recentemente annunciato di aver raccolto 45 milioni di dollari in due tornate di finanziamento, con l’obiettivo di gestire rack di computer Apple destinati a carichi di lavoro legati all’intelligenza artificiale. L’azienda ha dichiarato di aver distribuito il primo data center in meno di sei mesi e prevede di aumentare la capacità per soddisfare la crescente domanda dei clienti.

    Mount Thor propone infrastrutture che rendono disponibili a distanza ambienti macOS completi, ideali per i compiti degli agenti AI che richiedono applicazioni specifiche della piattaforma Apple. I casi d’uso includono laboratori di ricerca che creano ambienti di test per valutare modelli in grado di controllare software tramite interfaccia visiva, piattaforme agent che forniscono workspace macOS persistenti e sviluppatori che necessitano di costruire, verificare compatibilità e simulare programmi nell’ecosistema Apple.

    Per finanziare l’espansione, CRV e Conviction hanno guidato il round di Serie A, mentre Chad Byers e Offline Ventures hanno co-condotto il seed. Hanno partecipato anche CSC Leasing, Enea Capital, Long Journey Ventures, Upper90 e investitori individuali. Mount Thor ha inoltre ricevuto finanziamenti non diluitivi per l’acquisto dell’hardware necessario.

    L’azienda prevede di utilizzare il capitale per ampliare l’infrastruttura di calcolo e reclutare nuovo personale, con particolare attenzione alla ricerca sull’inferenza e allo sviluppo di modelli open source ottimizzati per i processori Apple. Il team fondatore proviene da realtà come Cerebras, CoreWeave, Fluidstack, Nebius, OpenAI e xAI.

    Peter Voell, amministratore delegato di Mount Thor, ha definito «una massiccia opportunità non sfruttata nell’infrastruttura AI» la disponibilità a scala di sistema operativo e silicio Apple. Voell ha sottolineato come l’investimento di Apple in accessibilità e interazione uomo-computer renda macOS particolarmente adatto per agenti che operano sotto supervisione umana. Inoltre, i nuovi processori Apple possono gestire l’inferenza di produzione con maggiore efficienza energetica.

    Brittany Walker, general partner di CRV, ha evidenziato un aumento della domanda per sistemi di calcolo in grado di supportare agenti autonomi, collocando Mount Thor all’intersezione di questa evoluzione tecnologica.

  • L’evoluzione dell’Intelligenza Artificiale: dal Modello all’Infrastruttura

    L’evoluzione dell’Intelligenza Artificiale: dal Modello all’Infrastruttura

    In Breve

    Qual è il focus attuale nell'adozione dell'AI?
    Il focus si sposta dalle sole capacità dei modelli alle infrastrutture e ai processi che li supportano.
    Cosa si intende per 'harness' nell'AI?
    'Harness' si riferisce al contesto, accesso a dati e strumenti, e controlli necessari per rendere un modello utilizzabile e governabile.
    Qual è l'importanza della governance nell'AI?
    La governance è fondamentale per garantire conformità e gestione del rischio, specialmente in settori regolamentati.

    L’evoluzione dell’Intelligenza Artificiale: dal Modello all’Infrastruttura

    Negli ultimi anni, il vantaggio competitivo nell’adozione dell’intelligenza artificiale (AI) ha subito un cambiamento significativo. Non si tratta più solo di migliorare le capacità dei modelli, ma di considerare anche le infrastrutture e i processi che li circondano. Con l’evoluzione delle tecnologie e l’aumento dei costi di implementazione, le organizzazioni sono sempre più orientate a trasformare l’AI in un lavoro affidabile, piuttosto che concentrarsi esclusivamente su piccoli miglioramenti delle performance.

    Il concetto di ‘Harness’

    Per generare un reale valore operativo, un modello di AI richiede un contesto adeguato, accesso a dati e strumenti aziendali, memoria, controlli e guardrail che lo rendano utilizzabile e governabile. La qualità di questo insieme di elementi è fondamentale e può spiegare le sostanziali differenze nei risultati ottenuti da realtà che utilizzano lo stesso modello.

    Dal Prompt-Risposta ai Loop Governati

    Un altro aspetto cruciale è il passaggio da singole interazioni prompt-risposta a loop governati di lavoro. Questi loop devono includere obiettivi, verifiche, correzioni e criteri di completamento. Tali processi producono tracce operative e registri di performance che sono essenziali per valutare i risultati, correggere i flussi di lavoro e migliorare l’apprendimento del sistema attraverso l’uso.

    La Necessità di Orchestrazione

    Poiché le imprese operano in domini diversi, è necessaria un’ulteriore sovrastruttura di orchestrazione. Questa deve instradare i compiti verso il giusto ‘harness’, decidere quando è necessaria la supervisione umana e coordinare attività attraverso sistemi distinti. Questa funzione è particolarmente critica in settori regolamentati, dove la governance e l’assicurazione non devono essere viste come mera conformità, ma come componenti operative fondamentali.

    Governance e Assurance

    La governance deve includere policy enforcement, controlli di autorizzazione, gestione degli asset, monitoraggio dei costi, servizi di valutazione e audit, osservabilità e gestione del rischio. Questi elementi diventano ancora più importanti quando si utilizzano sistemi autonomi o semi-autonomi.

    Un Ecosistema Integrato

    In sintesi, ‘harness’, orchestrazione e governance, insieme a modelli, dati e infrastrutture di calcolo, formano un ambiente operativo governato. Questo ecosistema integrato è dove il valore viene creato non solo nel possedere il modello, ma nel saperlo operare e governare in modo efficace.

    Il Futuro della Competizione Aziendale

    Di conseguenza, il prossimo terreno di competizione aziendale si sposterà sulla capacità di integrare, governare e gestire l’AI come un sistema operativo responsabile e scalabile, piuttosto che sulla scelta del singolo modello. Le aziende che sapranno adattarsi a questo nuovo paradigma saranno quelle che avranno successo nel panorama tecnologico in continua evoluzione.

  • Il ruolo cruciale del ‘time to power’ nelle infrastrutture AI

    Il ruolo cruciale del ‘time to power’ nelle infrastrutture AI

    In Breve

    Qual è l'importanza del 'time to power' nelle infrastrutture AI?
    Il 'time to power' è cruciale per garantire che l'energia necessaria raggiunga i data center in modo rapido e affidabile.
    Come influisce il gas naturale sulle infrastrutture AI?
    Il gas naturale è visto come una fonte ponte per garantire una generazione continua di energia per le infrastrutture AI.
    Quali sono le sfide nella realizzazione delle infrastrutture AI?
    Le sfide includono la deliverability del gas, la disponibilità di permessi e la competizione per risorse industriali.

    Con l’evoluzione delle tecnologie AI, la disponibilità rapida e affidabile di energia è diventata un fattore decisivo per l’implementazione delle infrastrutture dedicate. Non basta generare elettricità; è cruciale che l’energia programmabile raggiunga i data center nel momento e nel luogo giusti. Questi centri, sempre più grandi e concentrati, tollerano pochissimo le interruzioni, rendendo la capacità di alimentazione un elemento chiave per il loro funzionamento.

    In questo contesto, il gas naturale emerge come una fonte ponte in grado di garantire una generazione continua. Secondo analisi di scenario, la domanda di gas legata all’AI potrebbe aumentare da circa 1,6 Bcf/d (miliardi di piedi cubi al giorno) attuali a 5,2 Bcf/d entro il 2030, e tra 7,6 e 11,5 Bcf/d entro il 2035. Tuttavia, avere gas disponibile non è sufficiente; il vero vincolo è la deliverability, ovvero la capacità di produrre, trasportare, immagazzinare e consegnare combustibile alla pressione richiesta attraverso le infrastrutture connesse.

    Fattori come permessi, diritti di passaggio delle condotte e manodopera specializzata possono allungare i tempi di sviluppo. La competizione per equipaggiamenti e capacità industriale influisce sulla valutazione tra opzioni più economiche ma più lente da realizzare e soluzioni già pronte logisticamente. Pertanto, la selezione dei siti e la pianificazione devono considerare la capacità di garantire energia affidabile nei tempi richiesti, non solo la disponibilità futura.

    Per rispondere a queste esigenze, stanno emergendo modelli innovativi. La generazione behind-the-meter consente di accoppiare impianti a gas on-site o nelle vicinanze a forniture ferme. Inoltre, configurazioni con pipeline dedicate e soluzioni integrate che connettono fornitura, trasporto, stoccaggio e carico dei data center stanno guadagnando terreno. Si stima che oltre il 30% della domanda di gas legata all’AI potrebbe essere soddisfatta con impianti behind-the-meter entro il 2035.

    La costruzione della prossima generazione di infrastrutture AI richiederà una collaborazione più stretta tra hyperscaler, sviluppatori di data center, utility, fornitori di gas e operatori di pipeline. Le aziende più competitive saranno quelle che considerano l’approvvigionamento energetico come una capacità strategica e riconoscono il ruolo critico del gas nel rendere disponibili e mantenere operative le capacità AI. In sintesi, nel confronto per scalare l’AI, il ‘time to power’ può determinare il ‘time to value’.