Runware Sonic Inference Pod: Pusat Data AI Mudah Alih Yang Boleh Beroperasi Dalam Tiga Minggu

Konsepnya mudah tetapi besar implikasinya: bukannya menunggu bertahun-tahun untuk mendapatkan permit, membina kemudahan dan menaik taraf sambungan grid, pod ini tiba dengan trak dan hanya memerlukan tapak, bekalan elektrik serta sambungan rangkaian untuk mula menjalankan beban kerja inferens .

Apa itu Sonic Inference Pod?

Sonic Inference Pod ialah unit pengkomputeran inferens yang lengkap dan dibina khas untuk menjalankan model AI. Setiap pod menyediakan kira-kira 1 MW kapasiti pengkomputeran IT dalam sebuah kontena 20 kaki, dengan unit penyejuk atau chiller diletakkan di atasnya .

Di dalamnya terdapat kira-kira 1,200 GPU yang disusun dalam nod mengandungi antara dua hingga lapan GPU. NVIDIA RTX PRO 6000 menjadi GPU utama, manakala siri B200 dan B300 digunakan untuk beban kerja yang lebih besar . Runware turut menggunakan pelayan tanpa sarung, rak tersuai, suis PCIe proprietari, CPU berfrekuensi tinggi dan storan NVMe setempat untuk memaksimumkan kepadatan serta prestasi .

Pod ini menggunakan sistem penyejukan cecair gelung tertutup. Kira-kira 1.5 meter padu air diedarkan semula secara berterusan dalam sistem yang sama, tanpa penggunaan air baharu, air buangan atau pencemaran menurut Runware . Suhu pula dikekalkan dalam julat dua darjah Celsius ketika sistem beroperasi pada beban berterusan .

Spesifikasi dan kelebihan utama

• Kepadatan pengkomputeran: kira-kira 1,200 GPU bagi setiap pod, dengan kapasiti IT 1 MW
• Kos inferens: 30–80% lebih rendah berbanding penyedia awan tradisional, menurut dakwaan Runware; sesetengah bahan syarikat menyebut penjimatan sehingga 90%
• Kelajuan penggunaan: kira-kira tiga minggu dari pesanan hingga beroperasi, berbanding bertahun-tahun untuk pusat data konvensional
• Penyejukan: sistem cecair gelung tertutup yang tidak menggunakan air secara berterusan
• Rangkaian: semua pod disatukan sebagai satu kumpulan kapasiti yang menghala permintaan inferens kepada kapasiti terdekat yang tersedia dalam masa nyata

Dalam erti kata lain, Runware mahu mengubah cara infrastruktur AI dibina: bukan menghantar semua permintaan ke pusat data gergasi yang jauh, tetapi meletakkan kuasa pengkomputeran lebih dekat kepada lokasi tenaga dan pengguna .

Berapa banyak pod yang sudah digunakan?

Ketika pelancaran pada Ogos 2026, Runware melaporkan bahawa 10 pod telah digunakan di Amerika Syarikat, Eropah dan Asia-Pasifik . Syarikat itu turut mengenal pasti 160 lokasi untuk peluasan pada separuh kedua 2026 . Eropah sudah mula mengendalikan trafik, manakala penggunaan di Pantai Barat Amerika Syarikat sedang dimulakan .

Sasaran peluasan Runware adalah seperti berikut:

• 10,000 nod inferens untuk diaktifkan sepanjang separuh kedua 2026
• Lebih 1 GW kapasiti pengkomputeran inferens menjelang 2027

Satu pod boleh dipasang dalam kira-kira sehari selepas tiba di lokasi. Namun, tempoh kira-kira tiga minggu yang diumumkan Runware merujuk kepada tempoh keseluruhan daripada pesanan hingga operasi langsung .

Traction pelanggan sebelum Sonic Pod

Sebelum membina infrastruktur pod sendiri, Runware sudah mengendalikan platform API untuk pembangun yang mahu mengakses model AI bagi penjanaan imej, video, audio dan aplikasi lain.

Syarikat itu berkata platformnya telah mengendalikan lebih 10 bilion penjanaan AI untuk lebih 200,000 pembangun dan lebih 300 juta pengguna akhir . Antara pelanggan yang dinamakan ialah Wix, Together.ai, ImagineArt, Quora, OpenArt, Freepik dan Higgsfield AI, selain puluhan penggunaan perusahaan persendirian .

Pada pertengahan 2026, laman web Runware pula memaparkan lebih 20 bilion permintaan telah diservis, lebih 500 juta pengguna akhir, lebih 1 juta pembangun dan lebih 400,000 model di platformnya .

Latar belakang pembiayaan

Runware mengumpulkan dua pusingan pembiayaan utama:

• AS$13 juta dalam pusingan benih pada September 2025, diketuai Insight Partners dengan penyertaan a16z Speedrun, Begin Capital dan Zero Prime .
• AS$50 juta dalam pusingan Siri A, diketuai Dawn Capital dengan penyertaan Comcast Ventures, Speedinvest, Insight Partners dan a16z Speedrun . Pusingan itu pertama kali dilaporkan pada 11 Disember 2025 dan diumumkan secara rasmi oleh Runware pada 29 Januari 2026 .

Berdasarkan angka yang diberikan Runware dalam bahan pelancaran, jumlah dana yang telah dikumpulkan syarikat ialah AS$63 juta .

Mengapa reka bentuk ini dikaitkan dengan alam sekitar?

Runware mengetengahkan beberapa sebab alam sekitar dan operasi bagi pendekatan podnya:

• Tiada penggunaan air berterusan: Sistem penyejukan gelung tertutup mengitar semula cecair yang sama, berbeza daripada sistem penyejatan yang boleh menggunakan air dengan banyak .
• Kurang kehilangan penghantaran: Pod boleh ditempatkan di pencawang elektrik atau tapak industri berhampiran pengguna, sekali gus mengurangkan kebergantungan pada infrastruktur penghantaran jarak jauh .
• Menggunakan kapasiti elektrik sedia ada: Unit ini boleh disambungkan di taman perindustrian, kampus pusat data atau pencawang yang sudah mempunyai kapasiti tenaga, tanpa semestinya menunggu pembinaan kapasiti grid baharu atau peningkatan utiliti yang panjang .
• Pemasangan pantas: Selepas dihantar, pod memerlukan tapak, elektrik dan rangkaian sebelum boleh dipasang dalam kira-kira sehari .

Walaupun begitu, angka kos, kecekapan dan kesan alam sekitar tersebut ialah tuntutan Runware berdasarkan reka bentuk serta operasi yang diumumkan syarikat. Prestasi sebenar akan bergantung pada jenis model AI, sumber tenaga, lokasi dan corak penggunaan.

Kesimpulan

Sonic Inference Pod mencadangkan pendekatan yang berbeza terhadap infrastruktur AI: pusat data tidak semestinya perlu berupa kompleks besar yang mengambil masa bertahun-tahun untuk dibina. Dengan memasukkan kira-kira 1,200 GPU ke dalam kontena 20 kaki, Runware mahu membawa kapasiti inferens ke lokasi yang sudah mempunyai tenaga dan berhampiran pengguna.

Dengan 10 pod telah digunakan, 160 lokasi dalam perancangan, sasaran 10,000 nod pada 2026 dan lebih 1 GW kapasiti pada 2027, Runware sedang menguji sama ada pusat data modular dan mudah alih boleh menjadi asas seterusnya untuk pertumbuhan inferens AI.