Технічний контекст
Я почав вивчати анонс Span xFRA не з простої цікавості, а тому що такі схеми безпосередньо впливають на тему AI automation та вартість інфраструктури. Якщо коротко: Span хоче встановлювати обчислювальні ноди прямо у житлових будинках, використовувати вільну домашню електропотужність і платити власнику близько $150 на місяць за електрику та інтернет.
Щодо заліза, то тут усе дуже серйозно. В одному вузлі заявлено 16 карт NVIDIA RTX PRO 6000 Blackwell Server Edition, 4 процесори AMD EPYC, 3 ТБ RAM та 24-портовий гігабітний світч. Сама RTX PRO 6000 Blackwell виглядає солідно: 96 ГБ GDDR7 з ECC, 24 064 ядра CUDA, 752 тензорних ядра, PCIe 5.0 та споживання до 600 Вт на одну карту.
І ось тут я замислився. Якщо взяти 16 таких GPU, ми отримуємо надзвичайно щільний вузол і з точки зору тепла, і живлення, і обслуговування. На папері це виглядає красиво, але житлове приміщення миттєво перетворюється на міні-серверну з усіма нудними проблемами: шум, охолодження, аптайм, віддалена діагностика, заміна заліза, мережеві сюрпризи «останньої милі».
Span пише, що зараз працює одна реальна домашня установка, пілот на 100 нод заплановано на Q3 2026, а глобальна мета — взагалі 80 000 нод до 2027 року. Амбіції величезні. Але станом на середину 2026 року це радше концепт із ранніми польовими випробуваннями, ніж доведена альтернатива класичним датацентрам.
Ще один важливий нюанс: у публічному полі немає незалежної валідації щодо latency, реальної продуктивності під ШІ-навантаженнями та ціни вузла. Є маркетингова теза про «в 5 разів дешевше», но без чіткої економіки щодо CAPEX, сервісу та відмов я б не закладав такі цифри в архітектуру клієнта.
Вплив на бізнес та автоматизацію
Кому це потенційно вигідно? Тим, у кого пакетний інференс (batch), рендеринг, підготовка даних, нечутливі до затримок пайплайни та постійний дефіцит доступу до GPU. Для таких завдань розподілена AI integration може виявитися вигіднішою, ніж очікування місця в перевантаженій хмарі.
Кому буде складно? Усім, кому потрібен стабільний SLA, передбачуваний latency та жорстка безпека. Я б не запускав на такій мережі критичний прод без надійного шару оркестрації, реплікації та повноцінного failover, інакше красива ідея швидко розіб'ється об сувору реальність.
Чесно кажучи, сама ідея мені подобається. В умовах дефіциту потужностей, аварій та енергетичних криз розподілена архітектура дійсно може забезпечити живучість системи, якщо масштабувати її правильно і не потонути в операційному хаосі.
Якщо ви якраз прораховуєте, чи можна завдяки такому підходу здешевити роботу з GPU, інференс або внутрішню AI automation, давайте проаналізуємо вашу архітектуру. У Nahornyi AI Lab я швидко відокремлюю життєздатну схему від красивих слайдів презентації та допомагаю побудувати AI solution development так, щоб система витримувала не лише демонстрації, а й реальне навантаження.