液冷サーバーラック内部で静かに進行する細菌性の異常発生は、ニッチなエンジニアリング上の頭痛の種のように聞こえるかもしれない。しかし、AIワークロードを24時間体制で稼働させているデータセンター事業者にとっては、それがそのまま数百万ドル規模のダウンタイムにつながる。まさにその問題に対して、Omen AI が取り組んでいるのが、新しいアプローチによるデータセンター用冷却液モニタリングであり、同社はこの仕組みを一気に拡大するために3,100万ドルのシリーズA資金調達を獲得した。
Summary
主なポイント
- Omen AI は、液冷用冷却液の状態をリアルタイムで監視し、ラックの停止に至る前に細菌汚染を検知できる小型分光計を開発した。
- 冷却システム内の細菌汚染により、データセンターの1ラックが5〜6時間オフラインになる可能性があり、1件あたり数百万ドルの損失につながり得る。
- 3,100万ドルのシリーズAラウンドはNava Venturesが主導し、CRV、ヴァンダービルト大学、Mann+Hummel、Starhill Holdings、Hard Launch Capital、そしてブリヂストン、GM、Johnson Controls、TensorWave の経営幹部が参加した。
- Omen は2024年の創業以来、累計で4,000万ドルを調達しており、現在は TensorWave を含む約10社のデータセンター顧客にサービスを提供している。
- 競合の Pyxis は今月初めに同等の冷却液モニタリング製品をリリースしており、この問題に対する業界の関心が高まっていることを示している。
液冷データセンター内部に潜む化学的課題
高密度なAIインフラにとって、液冷はもはやオプションではなく、標準になりつつある。しかし、これらのシステムを循環する冷却液は、多くの運用者が認識している以上に化学的にデリケートだ。
冷却液は通常、水と細菌の増殖を抑える物質との混合液である。トレードオフは単純だ。水分量を増やせば熱吸収が向上し、チップをより高温・高負荷で動作させられる。しかし水が増えるほど、細菌が繁殖しやすい環境にもなる。検知されずに放置されると、その汚染が冷却液の流れを詰まらせ、唯一の対処法はシステム全体のフラッシングとなる。
このフラッシングには多大なコストがかかる。汚染された冷却ループを洗浄するために1ラックを停止すると、作業には5〜6時間かかることがある。その間、計算リソースは完全に失われる。AI推論や学習ワークロードを運用している事業者にとって、これは単なる不便ではなく、深刻な金銭的損失だ。
冷却液の化学状態を「見えないまま」運用している現状
これまで、ほとんどのデータセンターは何十年も同じ方法で冷却液の状態を管理してきた。サンプルを採取し、研究所に郵送し、結果を待つというやり方だ。ラボのレポートが戻ってくる頃には、汚染問題はすでにかなり進行している可能性がある。
「これら巨大なシステムを循環している冷却液は、業界の大半が実質的に『何も見えない状態』で扱っている重要な変数だ」と、Omen の現顧客の一社である TensorWave の社長、Piotr Tomasik 氏は語る。TensorWave は AMD チップ上に AI コンピュートクラウドを構築しており、Omen のアプローチにおけるリファレンス顧客となっている。
問題が発生し始めてからラボ結果が届くまでのギャップこそ、Omen AI が旗を立てている領域だ。
Omen AI の分光計と、その違い
Omen の製品の中核は、冷却液システム内に直接設置されるコンパクトな分光計だ。サンプル採取も、発送による遅延も、結果待ちも不要である。冷却液の化学組成をリアルタイムで継続的に読み取り、細菌の増殖を早期に検知して、ラック停止が避けられなくなる前に運用者が対処できるようにする。
細菌汚染だけでなく、この装置は冷却液中の銅やクロムの痕跡を検出することでポンプの摩耗を、シリコン粒子を検出することでシールの劣化を見分けることもできる。これによりデータセンター事業者は、定期的なラボ検査では得られないレベルで、冷却インフラ全体の健全性を把握できる。
CEO 兼創業者のZach Laberge 氏は次のように述べている。「化学的に何が起きているのか全く見えないせいで、莫大なダウンタイムリスクを抱える必要はなくなる。」
この技術が今になって実現可能になった理由
Omen のアプローチのタイミングは偶然ではない。小型で手頃な価格のオンプレミス分光計を実現可能にしたのは、光学技術の最新の進歩と、信号処理ソフトウェアの改善という2つの要因が収束したためだ。
「ハードウェアが十分に安くなったことでスケールで展開する意味が生まれ、信号処理によってノイズの中からより多くの意味を引き出せるようになった」と Laberge 氏は説明する。これら2つの要素がなければ、数十ラックに展開できるほど小型かつ低コストの装置を作ることは、経済的に現実的ではなかっただろう。
この技術的ブレイクスルーは、Omen 自身のストーリーを超えた意味を持つ。リアルタイム冷却液アナリティクス分野がより広く活性化している理由の一端を説明しているからだ。水質モニタリングの老舗企業である Pyxis は、今月になってデータセンター向け冷却液モニタリング製品をリリースしたばかりである。光学ハードウェアコストとソフトウェア能力の収束により、複数のプレーヤーが同時に市場へ参入しやすくなっているようだ。
企業成長、資金調達、戦略的パートナーシップ
Omen AI がデータセンターにたどり着くまでの道のりは一直線ではなかった。Zach Laberge 氏は2020年、14歳のときに最初の会社を創業し、建設機械にセンサーを取り付ける事業で300万ドルを調達した。両親の支援を受けて高校を中退したことでも知られている。そのスタートアップが幕を閉じた後、彼は2024年に Omen を立ち上げ、産業機械の診断レイヤーとして流体システムに着目する、より広いビジョンを掲げた。
キャタピラーのディーラーからデータセンターへ
データセンターへのピボットは、既存顧客によって後押しされた。重機セグメントにおける Omen の初期顧客の中には、キャタピラーのディーラーが含まれていた。キャタピラーは、データセンターのオンプレミス電源として使われるガスタービンや発電機の大手サプライヤーでもあり、そのことが Omen を大規模ビルインフラを管理する運用者と直接つなげることになった。
約半年前から、ディーラー各社は、Omen のセンサーを建物側、つまりデータセンター施設内で稼働するタービン、空調（HVAC）システム、チップ冷却ループに適用できないかと問い合わせるようになった。Omen はすぐに、これらの建物が、建設機械向けにすでに構築していたモニタリングをそのまま必要としている流体システムで満ちていることに気づいた。
3,100万ドルのラウンドと、その出資者
3,100万ドルのシリーズAラウンドは Nava Ventures が主導し、CRV、ヴァンダービルト大学、Mann+Hummel、Starhill Holdings、Hard Launch Capital が参加した。ブリヂストン、GM、Johnson Controls、TensorWave の経営幹部も個人として出資している。これまでの資金と合わせると、Omen は創業以来4,000万ドルを調達したことになる。
現在 Omen の取締役を務める Nava Ventures のパートナー、Cory Rellas 氏は、このラウンドの組成について示唆的なコメントを残している。「Omen に関しては特に、大口顧客への紹介を通じたデューデリジェンスが大きな役割を果たし、彼らのアプローチがすぐに検証されました。」このように、エンタープライズ顧客が投資仮説のリスクを事実上下げる「投資家と顧客の検証ループ」は、単なる技術的な有望性ではなく、実際の商業的な牽引力を示す強いシグナルだ。
Omen は現在、プロダクト提供を拡充しながら、約10社のデータセンター顧客と取引している。TensorWave が最も著名な顧客として名指しされているが、自動車、産業、コンピュートインフラの経営幹部にまたがる幅広い投資家構成から、同社がすでに複数のセクターを橋渡ししていることがうかがえる。
このタイミングがAIインフラにとって重要な理由
AIチップをより高温かつ効率的に稼働させたいというプレッシャーは弱まっていない。計算需要が拡大するにつれ、データセンター事業者は冷却システムを化学的・機械的な限界に近づけて運用し続けるだろう。このプレッシャーにより、熱吸収能力と汚染リスクのトレードオフは、一時的ではなく恒常的なエンジニアリング上の制約となる。
リアルタイムの流体モニタリングは、これまでインフラ議論の中でほとんど可視化されてこなかったギャップを埋める。コンピュートハードウェア、電力供給、ネットワーク帯域には大きな注目が集まる一方で、システムを循環する冷却液の化学状態にはほとんど注目が向けられてこなかった。しかし、たった一度の汚染イベントで、1ラックがほぼ丸一日分の稼働時間を失う可能性がある。Omen が賭けているのは、AIデータセンターで液冷が一般化するにつれ、化学的な可視性が、稼働監視や電力管理と同じくらい標準的な要件になるという点だ。
Pyxis がほぼ同時期に同じ分野へ参入したことで、競争環境は製品開発と顧客の認知を加速させる可能性が高い。依然として定期的なラボ検査に頼っているデータセンター事業者にとって、もはや論点は「リアルタイム冷却液アナリティクスが標準になるかどうか」ではなく、「どのベンダーが自社インフラに最初に組み込まれるか」になりつつある。
FAQ
Omen AI の分光計は、データセンターにとってどのような問題を解決しますか？
小型のオンプレミス分光計を用いて液冷用冷却液の状態をリアルタイムで監視し、5〜6時間に及ぶ高コストなラック停止を招く前に、細菌汚染を早期に検知します。
なぜデータセンターの液冷システムでは汚染がリスクになるのですか？
冷却液中の水分量を増やすと熱吸収が向上し、チップをより高温で動作させられますが、その一方で細菌が繁殖しやすい条件も生まれます。この汚染が冷却液の流れを詰まらせ、運用者はラック全体を停止してフラッシングを行わざるを得なくなります。
Omen AI の主なパートナーや顧客にはどのような企業がありますか？
Omen AI の3,100万ドルのシリーズAラウンドには、Nava Ventures や CRV などの投資家に加え、ブリヂストン、GM、Johnson Controls、TensorWave の経営幹部による個人投資が含まれます。顧客基盤にはキャタピラーのディーラーや、AMD チップ上に AI コンピュートクラウドを構築する TensorWave などが含まれます。
Omen AI の技術は、従来の冷却液検査方法と比べてどのように優れていますか？
従来の方法では、運用者が冷却液サンプルを採取して外部の研究所に送る必要があり、その過程で大きな遅延が生じます。Omen の分光計は、冷却液システム内で連続的かつリアルタイムに化学分析を行うため、問題が発生してから運用者に通知されるまでのタイムラグを解消します。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Omen AI の分光計は、データセンターにとってどのような問題を解決しますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”小型のオンプレミス分光計を用いて液冷用冷却液の状態をリアルタイムで監視し、5〜6時間に及ぶ高コストなラック停止を招く前に、細菌汚染を早期に検知します。”}},{“@type”:”Question”,”name”:”なぜデータセンターの液冷システムでは汚染がリスクになるのですか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”冷却液中の水分量を増やすと熱吸収が向上し、チップをより高温で動作させられますが、その一方で細菌が繁殖しやすい条件も生まれます。この汚染が冷却液の流れを詰まらせ、運用者はラック全体を停止してフラッシングを行わざるを得なくなります。”}},{“@type”:”Question”,”name”:”Omen AI の主なパートナーや顧客にはどのような企業がありますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Omen AI の3,100万ドルのシリーズAラウンドには、Nava Ventures や CRV などの投資家に加え、ブリヂストン、GM、Johnson Controls、TensorWave の経営幹部による個人投資が含まれます。顧客基盤にはキャタピラーのディーラーや、AMD チップ上に AI コンピュートクラウドを構築する TensorWave などが含まれます。”}},{“@type”:”Question”,”name”:”Omen AI の技術は、従来の冷却液検査方法と比べてどのように優れていますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”従来の方法では、運用者が冷却液サンプルを採取して外部の研究所に送る必要があり、その過程で大きな遅延が生じます。Omen の分光計は、冷却液システム内で連続的かつリアルタイムに化学分析を行うため、問題が発生してから運用者に通知されるまでのタイムラグを解消します。”}}]}
本記事は人工知能の支援を受けて作成され、編集部による確認を経ています。
