铁芯变压器是支撑电网和AI公司运营的140年历史技术。这些设备虽然笨重但可靠,这也解释了为什么它们至今仍在使用:如果没坏,就不要修理。
然而,随着数据中心电力需求激增,电池和可再生能源在电网中占据更大份额,这项古老技术可能终于到达了极限。幸运的是,它们的电子替代品——固态变压器——可能正迎来发展时机,而且来得正是时候。
在过去几个月中,专注于固态变压器的初创企业已融资2.8亿美元。该技术承诺减少数据中心所需组件数量,提高电网稳定性,并缩小电力转换设备的占地面积。
现在,Hyperscale Power表示可以进一步缩小设备体积。该公司联合创始人兼首席执行官Daniel Rothmund向TechCrunch表示:"我们还没有看到像我们系统这样小的产品。"
为了构建变压器原型,Hyperscale最近完成了由World Fund和Vsquared Ventures领投的500万欧元种子轮融资,该公司独家向TechCrunch透露了这一消息。
在过去几年中,固态变压器市场从几乎不存在发展到近乎拥挤。竞争对手包括由淡马锡早期基金孵化的Amperesand;以工业巨头ABB为投资者的DG Matrix;以及由特斯拉前高管Drew Baglino创立、获得Andreessen Horowitz支持的Heron Power。据PitchBook数据,它们总共融资超过3.3亿美元。
Hyperscale似乎进入市场较晚,但Rothmund和联合创始人Sami Pettersson都已在该技术领域工作了一段时间。特别是Rothmund:他在苏黎世联邦理工学院完成博士学位期间,设计并制造了效率达99.1%的固态变压器。
所有固态变压器都比铁芯等效产品更小,但Hyperscale表示有办法进一步缩小,通过构建能在比竞争对手更高频率下工作的变压器。当电力进入变压器时,会被升频到数万赫兹范围,转换为所需电压,然后降频到必要频率。
随着服务器机架功率密度增加,尺寸在数据中心内越来越重要。最新的英伟达机架消耗超过100千瓦电力,该公司已在准备1兆瓦机架,足以为多达1000户家庭供电。
在这种规模下,为服务器准备电力所需的变压器和整流器体积会急剧增大。Rothmund说:"它们的体积是服务器机架本身的两倍多。"
他表示,AI公司和数据中心开发商制定的激进路线图使固态变压器几乎成为必需品。
Rothmund说:"如果没有足够快地准备好固态变压器,实际上会减慢数据中心扩展的进度。固态变压器的到来不是是否的问题,而是何时到来的问题。"
Q&A
Q1:固态变压器相比传统铁芯变压器有什么优势?
A:固态变压器体积更小,能减少数据中心所需组件数量,提高电网稳定性,并缩小电力转换设备的占地面积。Hyperscale Power的固态变压器效率可达99.1%,工作频率更高。
Q2:为什么数据中心急需固态变压器技术?
A:随着AI发展,服务器功率密度急剧增加,最新英伟达机架消耗超过100千瓦,未来1兆瓦机架足以为1000户家庭供电。传统变压器体积是服务器机架的两倍多,会严重影响数据中心扩展进度。
Q3:Hyperscale Power的技术有什么独特之处?
A:该公司能构建在更高频率下工作的变压器,通过将电力升频到数万赫兹范围进行处理,实现比竞争对手更小的设备体积。公司最近获得500万欧元种子轮融资用于原型开发。
好文章,需要你的鼓励
Converge Bio完成550万美元种子轮融资,由TLV Partners领投。该公司专为生物科技和制药行业打造LLM应用平台,提供数据增强、模型微调及可解释性分析等功能,帮助企业将通用生物基础模型转化为可实际落地的研发工具。以抗体研究为例,平台可将抗体LLM精调至氨基酸级别的结合亲和力预测,并生成优化序列。公司计划用于扩充团队、拓展客户,并发布抗体设计科研论文。
香港大学与哈尔滨工业大学联合发布的这项研究(arXiv:2605.06196)发现,大语言模型在扮演不同社会层级角色时,内部神经网络存在一条清晰的"粒度轴",从普通个人视角延伸至全球机构视角。这条轴是AI角色空间的主导几何方向,可被测量、被跨模型复现,并通过激活引导技术加以操控,为AI社会模拟的可信度评估和角色视角的主动调控提供了新工具。
ChatGPT高级语音模式的创造者Alexis Conneau离开OpenAI后,创办了音频AI初创公司WaveForms AI,并获得由a16z领投的4000万美元种子轮融资。该公司专注于训练自有音频大语言模型,计划于2025年推出与OpenAI、谷歌竞争的AI音频产品。Conneau深受电影《Her》启发,致力于开发具备情感感知能力的语音AI,同时警惕AI伴侣化带来的社会问题,强调技术应服务于人而非取代人际关系。
华盛顿大学研究团队发现,在AI数学推理训练中,将随机拼凑的拉丁文占位词(Lorem Ipsum)添加到题目前,能帮助AI突破"全部答错、训练停滞"的困境,在多个模型上平均提升推理得分2.8至6.2分。研究揭示了有效扰动的两个关键特征:使用拉丁语词汇避免语义干扰,以及保持较低困惑度确保AI能正确理解题目内容。