ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) ก้าวกระโดดอย่างรวดเร็ว ไม่มีใครในอุตสาหกรรมสามารถคาดการณ์ได้อย่างแม่นยำว่าโฉมหน้าของ AI ในอีก 5 ปีข้างหน้าจะเป็นอย่างไร โมเดลสถาปัตยกรรมใดจะกลายเป็นผู้นำ สัดส่วนระหว่างการเทรน (Training) และการอนุมาน (Inference) จะเปลี่ยนไปในทิศทางใด หรือ AI จะถูกประมวลผลบนดาต้าเซ็นเตอร์ขององค์กร คลาวด์ภายนอก หรือลงลึกไปถึงระดับอุปกรณ์ขนาดเล็กอย่างแล็ปท็อป ทว่าผู้นำด้านเทคโนโลยีจำเป็นต้องตัดสินใจจัดสรรงบประมาณและลงทุนโครงสร้างพื้นฐานด้านไอทีตั้งแต่วันนี้ เพื่อวางรากฐานธุรกิจในระยะยาว 5–7 ปี
Alexey Navolokin ผู้จัดการทั่วไปประจำภูมิภาคเอเชียแปซิฟิก (APAC) ของ AMD ชี้ให้เห็นในงาน AI Infra Summit ว่า ความเสี่ยงสูงสุดของการลงทุนด้านไอทียุคนี้ไม่ใช่การเลือกเทคโนโลยีผิดพลาดในปัจจุบัน แต่คือการสร้างระบบที่ไม่สามารถปรับตัวรับความต้องการที่เปลี่ยนแปลงไปได้เมื่อเวิร์กโหลดพัฒนาในอนาคต ดังนั้น การออกแบบโครงสร้างพื้นฐาน AI จึงไม่ควรยึดติดอยู่เพียงแค่ชิปประมวลผลหรือระบบเครือข่าย แต่ต้องยึดคำถามหลักว่า ระบบจะปรับตัวได้ง่ายและคล่องตัวเพียงใดเมื่อความต้องการเปลี่ยนไป
ความสามารถในการปรับตัว: หัวใจใหม่ของการออกแบบระบบ AI
ในอดีต โครงสร้างพื้นฐาน AI มักถูกจำกัดความอยู่เพียงการรันโมเดลเทรนนิ่งขนาดใหญ่บนคลัสเตอร์เดียว ซึ่งต้องการทรัพยากรแบบชุดข้อมูลขนาดใหญ่ (Batch) ที่คาดเดาได้ แต่ปัจจุบัน ความต้องการของระบบมีความหลากหลายและซับซ้อนขึ้นอย่างเห็นได้ชัด ทั้งงานด้าน Inference, เวิร์กโหลดแบบกระจายตัว และการเกิดขึ้นของ Agentic AI
งาน Inference จำเป็นต้องทำงานตลอดเวลาโดยเน้นค่าความหน่วง (Latency) ต่ำและคำนึงถึงต้นทุนต่อคำขอ ขณะที่ Agentic AI เข้ามาเพิ่มความซับซ้อนในระดับโครงสร้าง เนื่องจากคำขอเพียงครั้งเดียวอาจแตกแขนงเป็นการดึงและจัดรูปแบบข้อมูล การเรียกใช้เครื่องมือภายนอก การประมวลผลโค้ด การประสานงานระหว่าง Sub-agent รวมถึงการรักษาสถานะการทำงานที่ยาวนานกว่าปกติ
การเปลี่ยนแปลงเหล่านี้ส่งผลต่อทั้งปริมาณทรัพยากรและรูปแบบสถาปัตยกรรมของระบบ การนำโครงสร้างพื้นฐานเดิมที่สร้างมาเพื่อคลัสเตอร์เทรนนิ่งมาใช้งานจึงไม่ตอบโจทย์ เพราะสมดุลระหว่างหน่วยประมวลผล หน่วยความจำ และเครือข่ายไม่ตรงกับเวิร์กโหลดจริง และไม่สามารถแก้ไขได้ด้วยการเพิ่มฮาร์ดแวร์แบบเดิมเข้าไป กุญแจสำคัญจึงอยู่ที่การเพิ่มประสิทธิภาพของทั้งระบบ ตั้งแต่หน่วยประมวลผล หน่วยความจำ เครือข่าย สตอเรจ ซอฟต์แวร์ ตลอดจนการบริหารพลังงานและความเสถียร
3 เสาหลักรักษาอิสระในการตัดสินใจทางเทคโนโลยี
เมื่อความต้องการทางเทคโนโลยีไม่หยุดนิ่ง เป้าหมายของการวางระบบจึงไม่ใช่การพยายามทายว่าใครจะเป็นผู้ชนะในตลาด แต่คือการรักษาอิสระในการก้าวข้ามไปสู่เทคโนโลยีใหม่ โดยพิจารณาจาก 3 คุณสมบัติสำคัญ:
- ปรับตัวได้ (Adaptable): องค์กรต้องมีพอร์ตโฟลิโอฮาร์ดแวร์ที่ครอบคลุม เพื่อให้สามารถปรับเปลี่ยนการตั้งค่าคอนฟิกูเรชันตามเวิร์กโหลดที่เปลี่ยนไปได้ทันที โดยไม่ต้องเปลี่ยนผู้จำหน่าย พร้อมทั้งมีรากฐานซอฟต์แวร์ร่วมที่รองรับการสลับสับเปลี่ยนฮาร์ดแวร์ได้อย่างแท้จริง
- คุ้มค่าเชิงเศรษฐศาสตร์ (Economical): ไม่ใช่การเลือกอุปกรณ์ที่ถูกที่สุด แต่เป็นการเลือกลงทุนในเครื่องมือที่ตอบโจทย์ เพราะการเทรนโมเดลอาจเป็นการลงทุนนานครั้ง แต่ Inference คือต้นทุนการทำงานจริงที่เกิดขึ้นนับพันล้านครั้งต่อวัน และเวิร์กโหลดแบบ Agentic มีลักษณะเป็นเครือข่ายเชื่อมโยงหลายขั้นตอน องค์กรจึงควรมุ่งวัดความคุ้มค่าที่ “ต้นทุนต่องานที่สำเร็จ” แทนที่จะดูเพียงต้นทุนต่อโทเคน
- เปิดกว้าง (Open): ระบบนิเวศแบบเปิดที่ใช้มาตรฐานสากลช่วยป้องกันการผูกขาดกับโรดแมปของผู้จำหน่ายรายใดรายหนึ่ง มอบอิสระในการเลือกซัพพลายเออร์ และทำให้การเชื่อมต่อเครือข่ายเป็นไปอย่างราบรื่น
กลยุทธ์ Full-Stack และมาตรฐานเปิดของ AMD
ด้วยโจทย์ดังกล่าว AMD จึงเลือกแนวทางการลงทุนครอบคลุมทั้งสแตกเทคโนโลยี แทนการชูผลิตภัณฑ์เดี่ยว เพื่อตอบสนองการใช้งาน AI ที่ครอบคลุมทุกระดับ ตั้งแต่:
- การประมวลผล Inference, Tokenization, Orchestration และงานอเนกประสงค์บนโปรเซสเซอร์ AMD EPYC™ Server ไปจนถึงโมเดลขนาดเล็กและ Local AI บน AMD Radeon™ และ AMD Ryzen™ AI
- การทำ Inference และ Fine-tuning สำหรับโมเดลภาษาขนาดใหญ่ (LLM) บนกราฟิกการ์ด AMD Instinct™ PCIe
- การทำ Distributed Inference และการเทรนโมเดลขนาดใหญ่บนระบบกราฟิกการ์ด AMD Instinct™ แบบ 8-way ตลอดจนการขยายสเกลสู่โซลูชันระดับตู้แร็ค AMD Helios™ สำหรับการติดตั้งระดับ Mega-scale
ความหลากหลายของฮาร์ดแวร์จะทำงานได้เต็มประสิทธิภาพจำเป็นต้องมีซอฟต์แวร์เป็นแกนกลาง โดย AMD ใช้ซอฟต์แวร์ AMD ROCm™ เป็นรากฐานร่วม ช่วยให้นักพัฒนาและผู้ดูแลระบบสามารถโยกย้ายเวิร์กโหลดข้ามฮาร์ดแวร์ได้โดยไม่ต้องเริ่มพัฒนานับหนึ่งใหม่ นอกจากนี้ ภายใต้มาตรฐานแบบเปิด องค์กรยังสามารถเลือกใช้เฉพาะองค์ประกอบของ AMD ที่เหมาะกับงาน ควบคู่กับการผสมผสานโซลูชันจากผู้จำหน่ายรายอื่นได้อย่างอิสระ
ในอีก 5 ปีข้างหน้า องค์กรที่จะประสบความสำเร็จอาจไม่ใช่ผู้ที่คาดเดาอนาคตได้แม่นยำที่สุด แต่คือผู้ที่มีความยืดหยุ่นและอิสระในการปรับเปลี่ยนทิศทางได้ทันท่วงที การสร้างโครงสร้างพื้นฐานบนสมมติฐานว่า AI จะยังคงเปลี่ยนแปลงต่อไป จึงเป็นแนวทางที่คุ้มค่าและปลอดภัยที่สุดในระยะยาว
–เมื่อโมเดล AI กลายเป็นของโหล: เจาะกลยุทธ์ “อธิปไตยของข้อมูล” ปราการด่านสุดท้ายของธุรกิจปี 2026
