QumulusAI osigurao više od 124 milijuna dolara pretplata za Blackwell GPU klastere

Neocloud pružatelj QumulusAI objavio je da je osigurao više od 124 milijuna dolara korisničkih pretplata na rok od tri godine, u ugovorima s Hyperbolicom i još jednom vodećom platformom za AI inferenciju. Riječ je o deploymentsima koji obuhvaćaju ukupno 1.280 Nvidia Blackwell GPU-ova, isporučenih kroz 160 Lenovo i Supermicro bare-metal poslužitelja povezanih Cisco Nexus mrežom kako bi se stvorili klasteri visokog protoka i niske latencije.

QumulusAI navodi i da je gotovo 21,9 milijuna dolara vrijednosti unaprijed ugovoreno kroz zajedničke početne obveze kupaca, što tvrtki osigurava obrtna sredstva. Strukturno, riječ je o pretplatama na GPU kao uslugu, a ne o jednokratnim hardverskim poslovima, pa su prihodi QumulusAI-ja raspoređeni kroz vrijeme, dok su troškovi za korisnike predvidljivi tijekom trajanja ugovora.

Tvrtka se, kako navodi, pokušava pozicionirati kao pružatelj AI infrastrukture koji smanjuje troškove inferencije i širi njezinu dostupnost. Umjesto općih referentnih arhitektura, QumulusAI gradi pristup koji usklađuje broj CPU jezgri, količinu sistemske memorije i lokalnu pohranu s ponašanjem velikih open-source inferencijskih opterećenja, deep-research agenata, sustava za automatizirano programiranje i drugih asinkronih aplikacija. Prema vlastitoj analizi tvrtke, takav pristup može smanjiti troškove AI inferencije za oko 20% u odnosu na standardne konfiguracije, ponajviše zbog manjeg rasipanja CPU i pohrambenih resursa.

Kerravala u kolumni ističe da se prva faza generativne AI-ja temeljila na nestašici GPU-ova, dok se tržište sada pomiče prema pitanju koliko se ti GPU-ovi mogu kontinuirano ekonomski koristiti. U tom okviru QumulusAI-jeva arhitektura spaja Blackwell GPU-ove s Lenovo i Supermicro bare-metal sustavima te Cisco Nexus mrežom, a naglasak stavlja na to da ostatak infrastrukture bude precizno dimenzioniran uz GPU, umjesto da bude generički i prevelik. U članku se to opisuje kao prijelaz prema infrastrukturi u kojoj se uspjeh mjeri troškom po upitu i iskorištenošću, a ne samo vršnim performansama.

QumulusAI također navodi da inferencija postaje zasebna kategorija AI infrastrukture, odvojena od treniranja, s drugačijim dizajnom i metrikama uspjeha. Dok su okruženja za treniranje usmjerena na kratke i intenzivne valove obrade, inferencijska okruženja optimizirana su za stalan promet zahtjeva, predvidivu latenciju i stabilne ekonomske uvjete tijekom višegodišnjih razdoblja. Tvrtka pritom naglašava model s pretplatama, višegodišnjim ugovorima i distribuiranom implementacijom koja računalnu snagu približava krajnjim korisnicima umjesto koncentriranja u nekoliko velikih regija.