Bawa pusat data ke rumah Anda! SPAN menyerukan penggunaan 80.000 node untuk membangun jaringan komputasi AI terdesentralisasi

Startup asal San Francisco, SPAN, mengumumkan peluncuran solusi "pusat data terdistribusi" XFRA, yang berencana memasang node berpendingin cairan yang dilengkapi dengan GPU Nvidia RTX Pro 6000 Blackwell di samping rumah-rumah di Amerika Serikat, dengan imbalan subsidi listrik dan internet. (Konteks: Kelangkaan daya komputasi GPU terulang kembali: Raksasa seperti OpenAI dan Anthropic memakan pasokan, startup AI harus mengantre hingga akhir tahun) (Latar belakang: Melepas opsi saham senilai jutaan dolar untuk mengundurkan diri, eksekutif Riot kabur mengungkap titik nyeri transformasi perusahaan tambang ke perang daya komputasi AI) Pusat data tidak harus dibangun di lahan kosong pinggiran kota? Startup asal San Francisco, SPAN, memberikan jawaban lain: memecahnya menjadi puluhan ribu kotak kecil dan memasangnya di halaman atau di samping jalan masuk rumah-rumah di Amerika Serikat. Solusi ini disebut XFRA, yang pada dasarnya adalah node komputasi tepi (edge compute node) berpendingin cairan dengan GPU Nvidia RTX Pro 6000 Blackwell Server Edition bawaan. Pemilik rumah yang memasangnya bisa mendapatkan subsidi listrik dan internet berkecepatan tinggi, ditambah satu set baterai cadangan. SPAN telah menyelesaikan uji coba awal dan diperkirakan akan memulai uji coba skala 100 rumah tahun ini. Logika pembangunan pusat data besar tradisional sangat jelas: semakin besar skalanya, semakin rendah biaya per unit daya komputasi. Namun, logika ini sedang menghadapi beberapa hambatan keras. Pertama adalah lahan. Pusat data 100 MW membutuhkan puluhan hektar lahan dan harus dekat dengan sumber listrik yang stabil. Banyak negara bagian di Amerika Serikat telah melihat gelombang penolakan dari warga setempat terhadap masuknya pusat data, dengan alasan kebisingan, kenaikan biaya listrik, dan penggunaan air yang berlebihan. Kedua adalah air. Pusat data umumnya menggunakan sistem pendingin evaporatif, di mana fasilitas berukuran sedang dapat mengonsumsi jutaan liter air per hari, yang memicu kontroversi terutama di daerah kering. Terakhir adalah waktu. Dari pemilihan lokasi, persetujuan, hingga konstruksi infrastruktur, pusat data baru sering kali membutuhkan waktu tiga hingga lima tahun untuk beroperasi, sementara permintaan daya komputasi AI tidak bisa menunggu selama itu. Solusi SPAN mencoba menghindari ketiga hambatan tersebut. Node XFRA dipasang di samping rumah, tidak memerlukan lahan terpisah; sistem pendingin cairan lebih efisien daripada pendingin udara dan tidak bergantung pada sumber air yang besar; node dapat disebarkan bersamaan dengan pembangunan rumah, dan kecepatan ekspansi secara teoritis jauh lebih cepat daripada pusat data tradisional. Angka adalah argumen terkuat dari solusi SPAN. Menurut pernyataan perusahaan dalam wawancara dengan CNBC, biaya penyebaran 8.000 node XFRA hanya setara dengan seperlima dari biaya pembangunan pusat data tradisional 100 MW yang menyediakan daya komputasi yang sama. Node itu sendiri dilengkapi dengan Nvidia RTX Pro 6000 Blackwell, kartu grafis profesional yang dirancang khusus oleh Nvidia untuk beban kerja server, mendukung komputasi paralel skala besar, dan cocok untuk tugas inferensi AI. Desain pendingin cairan menjaga kebisingan tetap dalam kisaran yang dapat diterima oleh lingkungan perumahan. Rencana ekspansi SPAN cukup agresif: mulai tahun 2027, skala node XFRA akan ditingkatkan menjadi 80.000 unit, membangun jaringan komputasi terdistribusi lebih dari 1 GW di Amerika Serikat. Apa konsep 1 GW? Kira-kira setara dengan daya output pembangkit listrik tenaga nuklir berukuran sedang. Namun, SPAN juga dengan jelas mendefinisikan batas penerapan jaringan ini. XFRA menargetkan inferensi AI (inference), game cloud, dan streaming konten, bukan pelatihan model AI. Melatih model bahasa besar membutuhkan ribuan GPU kelas atas seperti H100 atau B200 yang bekerja sama dalam waktu lama, yang merupakan ranah operator cloud skala besar seperti Google dan Microsoft. XFRA mengisi kebutuhan daya komputasi "setelah pelatihan": mengambil model yang sudah dilatih untuk dijalankan dan menanggapi permintaan dunia nyata. Tentu saja, model ini bukannya tanpa tantangan. Pertama adalah stabilitas jaringan. Node yang tersebar di area perumahan menghadapi lingkungan jaringan kelas konsumen, di mana konsistensi bandwidth dan latensi jauh lebih rendah daripada jaringan tulang punggung pusat data. Untuk beberapa aplikasi inferensi AI yang membutuhkan latensi rendah, ini adalah hambatan teknis yang jelas. Kedua adalah keamanan siber. Data tingkat perusahaan yang diproses pada node di samping rumah melibatkan keamanan fisik, kedaulatan data, dan persyaratan kepatuhan yang lebih kompleks daripada pusat data tradisional. SPAN belum menjelaskan secara terbuka bagaimana menangani risiko ini. Ket