Jane Streets AI-labb började inte i det stora. Handelsföretagets forskningsteam körde en gång sina arbetsbelastningar på sex Dell-servrar. Idag har den installationen ersatts av ett vätskekylt GPU-datacenter – en förändring som visar hur långt företaget har drivit sin infrastruktur för att hålla jämna steg med beräkningsbehoven.
Från sex lådor till en dedikerad anläggning
Labbet förlitade sig ursprungligen på en handfull standard-Dell-maskiner. Dessa servrar hanterade tidiga maskininlärningsexperiment, men teamet nådde snabbt gränser. När modellerna blev mer komplexa och datamängderna växte kunde den gamla hårdvaran inte hålla jämna steg.
Istället för att bara lägga till fler rack omdesignade Jane Street hela angreppssättet. Det nya datacentret använder vätskekylning för att hantera värmen som genereras av högpresterande GPU:er. Enbart luftkylning skulle inte räcka för tätheten av chips som packats in i utrymmet.
Varför vätskekylning är viktig
GPU:er blir varma. När man klustrar dem för AI-träning skjuter temperaturerna i höjden. Standardfläktar och luftbehandlingsenheter har svårt att hålla komponenterna stabila, särskilt i en kompakt layout. Jane Streets byte till vätskekylning låter labbet pressa hårdvaran hårdare utan termisk strypning eller frekventa fel.
Vätskekylning minskar också energianvändningen. Att flytta bort värme via vätska är effektivare än att blåsa kall luft genom rummet. För ett företag som kör handelsalgoritmer dygnet runt spelar lägre elräkningar och färre hårdvarubyten roll.
Resursallokering som ett strategiskt drag
Utvecklingen från sex Dell-lådor till ett specialbyggt vätskekylt center handlar inte bara om hastighet. Det handlar om hur företaget tänker kring resursallokering. Varje watt och varje kvadratmeter används nu mer medvetet.
Jane Street avslöjade inte kostnaden för det nya datacentret eller dess exakta kapacitet. Men flytten signalerar att företaget behandlar AI-infrastruktur som en konkurrensfördel – inte bara en IT-utgift. Effektiv allokering av beräkning, kylning och utrymme frigör budget för mer forskning och snabbare iteration.
Labbets övergång från en handfull standardmaskiner till en toppmodern anläggning understryker infrastrukturens växande roll inom AI-forskning. Det är en påminnelse om att även de smartaste modellerna inte kan köras bra utan rätt hårdvara under.
