Бактериальная вспышка, тихо назревающая внутри стойки серверов с жидкостным охлаждением, может показаться узкоспециализированной инженерной проблемой — но для операторов дата-центров, круглосуточно запускающих AI-нагрузки, это напрямую оборачивается миллионами долларов простоя. Именно эту проблему Omen AI решает с помощью нового подхода к мониторингу рабочих жидкостей в дата-центрах, и стартап только что привлёк 31 млн долларов в раунде серии A, чтобы быстро масштабировать решение.
Summary
Ключевые выводы
- Omen AI создала миниатюрный спектрометр, который в реальном времени отслеживает состояние жидкости для жидкостного охлаждения, обнаруживая бактериальное загрязнение до того, как оно вынудит отключить стойку.
- Бактериальное загрязнение в системах охлаждения может вывести стойку дата-центра из строя на пять или шесть часов, что потенциально обходится в миллионы долларов за один инцидент.
- Раунд серии A на 31 млн долларов возглавил фонд Nava Ventures, при участии CRV, Университета Вандербильта, Mann+Hummel, Starhill Holdings, Hard Launch Capital и руководителей из Bridgestone, GM, Johnson Controls и TensorWave.
- С момента основания в 2024 году Omen привлекла в общей сложности 40 млн долларов и сейчас обслуживает около дюжины клиентов из числа дата-центров, включая TensorWave.
- Конкурент Pyxis выпустил сопоставимый продукт для мониторинга охлаждающей жидкости в начале этого месяца, что свидетельствует о растущем внимании отрасли к проблеме.
Скрытая химическая проблема внутри дата-центров с жидкостным охлаждением
Жидкостное охлаждение больше не является опцией для высокоплотной AI-инфраструктуры — оно становится базовым стандартом. Но жидкость, циркулирующая в этих системах, химически гораздо более чувствительна, чем большинство операторов осознаёт.
Охлаждающая жидкость обычно представляет собой смесь воды и вещества, подавляющего рост бактерий. Компромисс прост: увеличиваете содержание воды — улучшаете теплоотвод, что позволяет чипам работать горячее и интенсивнее. Но больше воды также создаёт более благоприятную среду для роста бактерий. Если это загрязнение не обнаружить, оно засоряет поток охлаждающей жидкости, и единственным решением становится полная промывка системы.
Такая промывка обходится дорого. Остановка одной стойки для очистки загрязнённого контура охлаждения может занять пять или шесть часов — время, в течение которого вычислительные мощности просто недоступны. Для операторов, запускающих AI-инференс или обучающие задачи, это не просто неудобство. Это серьёзный финансовый удар.
Работа вслепую с химией рабочей жидкости
До сих пор большинство дата-центров десятилетиями контролировали состояние охлаждающей жидкости одинаково: отбирали пробу, отправляли её по почте в лабораторию и ждали результатов. К моменту получения лабораторного отчёта проблема загрязнения могла уже сильно развиться.
«Жидкость, циркулирующая в этих огромных системах, — это критически важный параметр, по которому большая часть отрасли фактически летит вслепую», — говорит Пётр Томасик (Piotr Tomasik), президент TensorWave, одного из текущих клиентов Omen. TensorWave строит облака AI-вычислений на чипах AMD и стал референсным клиентом для подхода Omen.
Разрыв между моментом, когда проблема возникает, и моментом, когда приходит лабораторный результат, — именно то пространство, в котором Omen AI закрепляется.
Спектрометр Omen AI и чем он отличается
В основе продукта Omen — компактный спектрометр, установленный непосредственно в контур рабочей жидкости — без отбора проб, без задержек на доставку, без ожидания. Он непрерывно считывает химический состав охлаждающей жидкости в реальном времени, рано сигнализируя о росте бактерий, чтобы операторы успели вмешаться до того, как остановка станет неизбежной.
Помимо бактериального загрязнения, устройство может также обнаруживать износ насосов по следам меди или хрома в жидкости и выявлять деградацию уплотнений по частицам кремния. Это даёт операторам дата-центров гораздо более широкое окно видимости состояния их инфраструктуры охлаждения, чем любые периодические лабораторные анализы.
Как выразился генеральный директор и основатель Зак Лаберж (Zach Laberge): «Вы не рискуете огромными простоями только потому, что у вас нет понимания, что происходит на химическом уровне».
Почему технология стала жизнеспособной именно сейчас
Тайминг подхода Omen не случаен. Два сходящихся фактора сделали миниатюрный, доступный по цене спектрометр на площадке заказчика реальностью: недавние достижения в области оптических технологий и улучшения в программном обеспечении для обработки сигналов.
«Аппаратное обеспечение стало достаточно дешёвым, чтобы имело смысл масштабироваться, а обработка сигналов позволяет нам лучше отделять полезный сигнал от шума», — объяснил Лаберж. Без этих двух составляющих создание устройства, достаточно маленького и недорогого, чтобы развернуть его на десятках стоек, было бы экономически нереалистичным.
Это технологическое «разблокирование» важно не только для самой истории Omen. Оно помогает объяснить, почему рынок аналитики охлаждающих жидкостей в реальном времени в целом начинает разогреваться — Pyxis, давно работающая в области мониторинга воды компания, в этом месяце запустила собственный продукт для мониторинга охлаждающей жидкости в дата-центрах. Схождение стоимости оптического «железа» и возможностей софта, по-видимому, открывает рынок сразу для нескольких игроков.
Рост компании, финансирование и стратегические партнёрства
Путь Omen AI к дата-центрам был не прямым. Зак Лаберж основал свою первую компанию в 2020 году в возрасте 14 лет, привлёк 3 млн долларов для установки датчиков на строительную технику — и, как известно, бросил школу ради этого, с поддержкой родителей. После сворачивания того стартапа он запустил Omen в 2024 году с более широкой концепцией: рассматривать системы с рабочими жидкостями как диагностический слой для промышленного оборудования.
От дилерских центров Caterpillar к дата-центрам
Поворот к дата-центрам был продиктован существующими клиентами компании. Дилерские центры Caterpillar были среди самых ранних клиентов Omen в сегменте тяжёлой техники. Caterpillar также является крупным поставщиком газовых турбин и генераторов, используемых для локального электроснабжения дата-центров, что вывело Omen на прямой контакт с операторами, управляющими крупной инженерной инфраструктурой зданий.
Около шести месяцев назад дилеры начали спрашивать, можно ли применить датчики Omen к инфраструктуре зданий — турбинам, системам HVAC и контурам охлаждения чипов внутри дата-центров. Omen быстро поняла, что эти здания наполнены системами с рабочими жидкостями, которым нужен ровно тот же тип мониторинга, который компания уже создала для строительной техники.
Раунд на 31 млн долларов и кто в нём участвовал
Раунд серии A на 31 млн долларов возглавил фонд Nava Ventures при участии CRV, Университета Вандербильта, Mann+Hummel, Starhill Holdings и Hard Launch Capital. Руководители из Bridgestone, GM, Johnson Controls и TensorWave также вложили средства лично. С учётом более раннего капитала Omen привлекла 40 млн долларов с момента основания.
Кори Реллас (Cory Rellas), партнёр Nava Ventures, который теперь входит в совет директоров Omen, дал показательный сигнал о том, как формировался раунд: «В случае с Omen значительная часть нашей проверки проходила через знакомства с крупными клиентами, которые очень быстро подтвердили их подход». Такой цикл «инвестор — клиент» — когда корпоративные заказчики фактически снижают риски инвестиционной гипотезы — является сильным признаком реальной коммерческой тяги, а не только технического потенциала.
В настоящее время Omen работает примерно с дюжиной клиентов из числа дата-центров, развивая свой продукт. TensorWave — самый заметный по имени клиент, но широта круга инвесторов — от автопрома и промышленности до вычислительной инфраструктуры — говорит о том, что компания уже соединяет несколько секторов.
Почему этот момент важен для AI-инфраструктуры
Давление, чтобы чипы AI работали горячее и эффективнее, не ослабевает. По мере роста спроса на вычисления операторы дата-центров будут продолжать подводить системы охлаждения всё ближе к их химическим и механическим пределам. Это давление делает компромисс между теплоотводом и риском загрязнения постоянным инженерным ограничением, а не временным.
Мониторинг рабочих жидкостей в реальном времени закрывает пробел, который в инфраструктурной дискуссии в значительной степени оставался невидимым. Вычислительное «железо», подача питания и пропускная способность сети получают огромное внимание. Химия охлаждающей жидкости, циркулирующей в системе, почти не обсуждается — хотя один инцидент загрязнения может вывести стойку из строя почти на полный рабочий день. Ставка Omen в том, что по мере того как жидкостное охлаждение станет повсеместным в AI-дата-центрах, химическая прозрачность станет таким же стандартным требованием, как мониторинг доступности или управление энергопотреблением.
С выходом Pyxis на тот же рынок примерно в то же время конкурентная динамика, вероятно, ускорит и развитие продуктов, и осведомлённость клиентов. Для операторов дата-центров, которые всё ещё полагаются на периодические лабораторные анализы, вопрос уже не в том, станет ли аналитика охлаждающей жидкости в реальном времени стандартной практикой, а в том, какой поставщик первым окажется встроен в их инфраструктуру.
FAQ
Какую проблему решает спектрометр Omen AI для дата-центров?
Он в реальном времени контролирует состояние жидкости для жидкостного охлаждения с помощью миниатюрного спектрометра на площадке заказчика, обнаруживая бактериальное загрязнение достаточно рано, чтобы предотвратить дорогостоящие остановки стоек, которые могут длиться пять или шесть часов.
Почему загрязнение представляет риск в системах жидкостного охлаждения дата-центров?
Увеличение содержания воды в охлаждающей жидкости улучшает теплоотвод и позволяет чипам работать горячее, но также создаёт условия, благоприятные для роста бактерий. Такое загрязнение может засорить поток охлаждающей жидкости и вынудить операторов промывать контур и останавливать целые стойки.
Кто входит в число ключевых партнёров и клиентов Omen AI?
Раунд серии A на 31 млн долларов для Omen AI включал инвесторов, таких как Nava Ventures и CRV, а также личные инвестиции руководителей из Bridgestone, GM, Johnson Controls и TensorWave. Клиентская база включает дилерские центры Caterpillar и TensorWave, которая строит облака AI-вычислений на чипах AMD.
Как технология Omen AI улучшает традиционные методы тестирования рабочих жидкостей?
Традиционные методы требуют от операторов отбора проб охлаждающей жидкости и отправки их во внешнюю лабораторию, что вносит значительные задержки. Спектрометр Omen обеспечивает непрерывный, в реальном времени химический анализ непосредственно в контуре рабочей жидкости, устраняя разрыв между возникновением проблемы и моментом, когда оператор получает сигнал.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»Какую проблему решает спектрометр Omen AI для дата-центров?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Он в реальном времени контролирует состояние жидкости для жидкостного охлаждения с помощью миниатюрного спектрометра на площадке заказчика, обнаруживая бактериальное загрязнение достаточно рано, чтобы предотвратить дорогостоящие остановки стоек, которые могут длиться пять или шесть часов.»}},{«@type»:»Question»,»name»:»Почему загрязнение представляет риск в системах жидкостного охлаждения дата-центров?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Увеличение содержания воды в охлаждающей жидкости улучшает теплоотвод и позволяет чипам работать горячее, но также создаёт условия, благоприятные для роста бактерий. Такое загрязнение может засорить поток охлаждающей жидкости и вынудить операторов промывать контур и останавливать целые стойки.»}},{«@type»:»Question»,»name»:»Кто входит в число ключевых партнёров и клиентов Omen AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Раунд серии A на 31 млн долларов для Omen AI включал инвесторов, таких как Nava Ventures и CRV, а также личные инвестиции руководителей из Bridgestone, GM, Johnson Controls и TensorWave. Клиентская база включает дилерские центры Caterpillar и TensorWave, которая строит облака AI-вычислений на чипах AMD.»}},{«@type»:»Question»,»name»:»Как технология Omen AI улучшает традиционные методы тестирования рабочих жидкостей?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Традиционные методы требуют от операторов отбора проб охлаждающей жидкости и отправки их во внешнюю лабораторию, что вносит значительные задержки. Спектрометр Omen обеспечивает непрерывный, в реальном времени химический анализ непосредственно в контуре рабочей жидкости, устраняя разрыв между возникновением проблемы и моментом, когда оператор получает сигнал.»}}]}
Статья подготовлена при содействии искусственного интеллекта и проверена редакционной командой.
