Oriole развернула первую чисто фотонную сеть ИИ, утверждая, что это сократит затраты на 81%.

      TL;DRUK стартап Oriole Networks разворачивает первую в мире чисто фотонную AI-сеть в масштабах, утверждая о снижении потребления энергии на 81% и времени простоя GPU менее 1%. Система работает с аппаратным обеспечением AMD в рамках лаборатории ARIA Scaling Inference Lab стоимостью 50 миллионов фунтов стерлингов в Великобритании.

      На протяжении десятилетий сети внутри дата-центров работали на электрических переключателях. Они требуют много энергии, генерируют огромное количество тепла и становятся все более узким местом, ограничивающим скорость обработки и обмена данными AI-системами. Oriole Networks, стартап из Великобритании, утверждает, что у него есть решение: заменить каждый электрический переключатель в основной сети на оптические схемы с наносекундной задержкой, которые передают данные в виде фотонов вместо электронов.

      В понедельник Oriole объявила, что развернет то, что она описывает как первую в мире крупномасштабную AI-систему, работающую на чисто фотонной сети, в рамках лаборатории ARIA Scaling Inference Lab в Великобритании. Система сочетает платформу сетевого взаимодействия PRISM от Oriole с GPU AMD Instinct и CPU AMD EPYC. Это первый коммерческий развертывание компании, с более широким внедрением в индустрии, запланированным на 2027 год.

      Что делает PRISM

      PRISM полностью исключает электронные пакетные переключатели из ядра сети. В обычном дата-центре электрические переключатели находятся между GPU и вводят задержки, потребляют энергию и генерируют тепло. Oriole заменяет их оптическим переключением на наносекундной скорости, позволяя фотонам перемещаться непосредственно от чипа к чипу.

      Компания утверждает, что это снижает потребление энергии основной сети на 81%. Она также утверждает, что время простоя GPU падает с примерно 60% в текущих системах до менее 1%, потому что сеть больше не является ограничением. Результат, по словам Oriole, — это увеличение пропускной способности вывода на порядок, что означает больше токенов в секунду и больше пользователей, обслуживаемых одновременно с одного и того же оборудования.

      Это значительные утверждения. Снижение потребления энергии на 81% и время простоя GPU менее 1% еще не были независимо оценены на производственном уровне. Развертывание ARIA станет первым реальным тестом того, переводится ли лабораторная производительность в коммерческие нагрузки.

      Лаборатория ARIA Scaling Inference

      Развертывание происходит в рамках лаборатории ARIA Scaling Inference Lab, тестовой площадки стоимостью 50 миллионов фунтов стерлингов (68 миллионов долларов), финансируемой правительством Великобритании через Агентство передовых исследований и изобретений для решения узких мест в крупномасштабном AI-выводе. ARIA была создана актом парламента и спонсируется Департаментом науки, инноваций и технологий. Лаборатория размещена в CommonAI и предназначена для тестирования и оптимизации AI-систем в реальных условиях.

      Вывод, операционная фаза, в которой обученные модели предоставляют прогнозы и генерируют выходные данные, составляет основную часть затрат на вычисления AI и потребление энергии. Это фаза, в которой глобальное строительство AI-инфраструктуры наиболее ограничено производительностью сети.

      “AMD рада сотрудничать с Oriole в кластере лаборатории ARIA Scaling Inference Lab,” сказал Мадху Рангараджан, корпоративный вице-президент по вычислениям и корпоративному AI в AMD. “Сетевое взаимодействие AI Oriole с оптическим переключением на наносекундах представляет собой принципиально новый способ подключения ускорителей в масштабах.”

      От НИОКР до развертывания за три года

      Oriole была основана в Великобритании и на сегодняшний день привлекла около 35 миллионов долларов от инвесторов, включая Plural, UCL Technology Fund, Clean Growth Fund, XTX Ventures и Dorilton Ventures. Компания прошла путь от исследований до коммерческого развертывания за три года, что является необычно быстрым сроком для фотонного оборудования.

      Генеральный директор Джеймс Риган охарактеризовал объявление как переход от физического доказательства к коммерческому доказательству. “Год назад мы доказывали физику; сегодня мы доказываем бизнес,” сказал он. “Вот как выглядит ситуация, когда фотонные сети перестают быть исследовательской любопытством и начинают быть основой для построения серьезной AI-инфраструктуры.”

      Критически важно, что PRISM разработан как независимый от чипов. Он работает на любой платформе ускорителей, а не только на AMD, предоставляя операторам дата-центров путь к улучшению производительности сети без привязки к проприетарному стеку. Более широкое внедрение в 2027 году проверит, сохраняется ли этот независимый подход в масштабах на различных аппаратных конфигурациях.

      Почему это важно

      Потребление энергии в AI дата-центрах, как ожидается, удвоится к 2030 году. Охлаждение само по себе составляет примерно 40% потребления энергии дата-центра. Сети добавляют еще один уровень потерь: каждый электрический переключатель, который находится между GPU, сжигает энергию, преобразуя фотоны в электроны и обратно, нагревая при этом помещение.

      Если PRISM оправдает свои утверждения, последствия выходят за рамки экономии энергии. Более быстрая связь между чипами означает более эффективное использование дорогой емкости GPU, что означает более низкие затраты на вывод на токен. На рынке, где предприятия уже сталкиваются с неуправляемыми счетами за AI, сеть, которая позволяет существующему оборудованию производить больше выходных данных без покупки нового оборудования, имеет очевидный коммерческий смысл.

      Предостережение заключается в расстоянии между тестовой площадкой, финансируемой государством, и коммерческим дата-центром в гипермасштабе. Развертывание ARIA от Oriole реально, но оно еще не работает на уровне кластера Meta или Google. Развертывание в 2027 году определит, сможет ли PRISM пережить переход от лаборатории, поддерживаемой 50 миллионами фунтов государственных средств, к производственным площадкам компаний, тратящих сотни миллиардов на AI-инфраструктуру. Это разрыв, в котором большинство стартапов в области оборудования терпят неудачу.