ช่วงไม่กี่ปีที่ผ่านมา การสนทนาเกี่ยวกับโครงสร้างพื้นฐานด้านปัญญาประดิษฐ์ ถูกกำหนดทิศทางโดยตัวชี้วัดหลักเพียงด้านเดียว คือ “กำลังการประมวลผล” (Compute)
ไม่ว่าจะเป็น GPU, CPU, หน่วยความจำ, ความเร็วการเชื่อมต่อระหว่างระบบ หรือความหนาแน่นด้านพลังงาน ล้วนถูกผลักให้ขยายตัวอย่างรวดเร็วเพื่อรองรับการพัฒนาโมเดลขนาดใหญ่และการฝึกโมเดล
สเตฟาน แมนเดิล รองประธานฝ่ายการขายและการตลาดทั่วโลก เวสเทิร์น ดิจิตอล (WD) ระบุว่า ช่วงที่องค์กรทั่วโลกเร่งนำ AI ไปใช้ตั้งแต่ระดับทดลองจนถึงการใช้งานจริง การให้ความสำคัญกับการประมวลผลถือเป็นแนวทางที่สอดคล้องกับบริบทของเทคโนโลยีในเวลานั้น
อย่างไรก็ตาม เมื่อ AI เริ่มถูกนำไปใช้ในวงกว้าง ความท้าทายได้เปลี่ยนไปอย่างมีนัยสำคัญ จากเดิมที่เน้น “พลังประมวลผล” ไปสู่การบริหารจัดการ “ข้อมูล” อย่างมีประสิทธิภาพ
จาก 'ฝึกโมเดล' สู่ 'ใช้งานจริง'
แม้การฝึกโมเดลยังคงมีความสำคัญ แต่การขยายตัวของ AI ไปสู่การใช้งานจริงและการอนุมานผล ทำให้รูปแบบของระบบเปลี่ยนไปโดยสิ้นเชิง
AI ไม่ได้เพียงใช้ข้อมูลเพื่อประมวลผล แต่ยังสร้างข้อมูลใหม่ตลอดเวลา ไม่ว่าจะเป็นบริบท (context), เมตาดาตา (metadata), ผลลัพธ์จากโมเดล, ประวัติการใช้งาน และข้อมูลเชิงปฏิบัติการ ซึ่งหลายองค์กรเลือกจัดเก็บไว้เพื่อใช้ในด้านธรรมาภิบาล การตรวจสอบย้อนกลับ หรือการพัฒนาโมเดลในอนาคต
การเปลี่ยนแปลงดังกล่าวทำให้ระบบ AI เริ่มมีลักษณะ “ระบบข้อมูล” มากกว่าระบบประมวลผลเพียงอย่างเดียว และภาระด้านข้อมูลนี้จะเพิ่มขึ้นต่อเนื่อง แม้การประมวลผลจะถูกขยายเป็นช่วง ๆ ก็ตาม
พลิกบทบาทไทยสู่โครงสร้าง AI ระดับภูมิภาค
รายงานจากดีลอยท์ ระบุว่า ภูมิภาคเอเชียแปซิฟิกกำลังก้าวสู่การเป็นศูนย์กลางดาต้าเซ็นเตอร์แห่งใหม่ของโลก โดยคาดว่ามูลค่าการลงทุนอาจสูงถึงราว 8 แสนล้านดอลลาร์ภายในปี 2573
การเติบโตนี้สะท้อนถึงความต้องการโครงสร้างพื้นฐานที่รองรับ AI โดยตรง แต่ในขณะเดียวกันภูมิภาคนี้มีความซับซ้อนเชิงโครงสร้างสูง ทั้งจากตลาดดิจิทัลที่เติบโตเร็ว ตลาดที่มีโครงสร้างพื้นฐานพร้อมใช้งาน และตลาดเกิดใหม่ที่กำลังออกแบบระบบเพื่อรองรับ AI โดยเฉพาะ
ผลคือแต่ละประเทศมีลำดับความสำคัญด้านโครงสร้างพื้นฐานแตกต่างกัน ทั้งในแง่ต้นทุน พลังงาน และการกำกับดูแล
ในกรณีของประเทศไทย สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) ระบุว่า มูลค่าคำขอรับการส่งเสริมการลงทุนในช่วงไตรมาสแรกของปีมีมากกว่า 1 ล้านล้านบาท (31.8 พันล้านดอลลาร์) แรงขับเคลื่อนสำคัญมาจากอุตสาหกรรมดิจิทัลและอิเล็กทรอนิกส์ที่ได้รับอานิสงส์จากการเติบโตของ AI
การลงทุนดังกล่าวสะท้อนบทบาทของไทยในฐานะฐานโครงสร้างพื้นฐานดิจิทัลระดับภูมิภาค และเป็นส่วนหนึ่งของห่วงโซ่อุปทานเทคโนโลยีที่เกี่ยวข้องกับ AI ทั้งในด้านดาต้าเซนเตอร์ ระบบคลาวด์ และฮาร์ดแวร์ขั้นสูง
คอขวดใหม่การบริหาร 'ข้อมูล'
เมื่อ AI ขยายสู่ระดับการใช้งานจริง ปัญหาหลักไม่ได้อยู่ที่การเพิ่มการประมวลผลเพียงอย่างเดียว แต่กลับอยู่ที่ความสามารถในการบริหารจัดการข้อมูลขนาดมหาศาลตลอดวงจรชีวิตของระบบ เพื่อรองรับข้อมูลหลายระดับ ได้แก่
- Hot data: ข้อมูลที่ต้องเข้าถึงทันที
- Warm data: ข้อมูลที่ใช้งานเป็นระยะ
- Cold data: ข้อมูลระยะยาวหรือเก็บถาวร
ในระยะเริ่มต้น องค์กรอาจรวมทุกอย่างไว้ในระบบประสิทธิภาพสูงชุดเดียวได้ แต่เมื่อข้อมูลเติบโต วิธีดังกล่าวจะเริ่มไม่คุ้มค่าทั้งด้านต้นทุนและพลังงาน
ในทางปฏิบัติ ภาระงานของ AI ยังสร้างแรงกดดันต่อสถาปัตยกรรมข้อมูลอย่างต่อเนื่อง เนื่องจากข้อมูลไม่ได้เพิ่มเฉพาะจากชุดข้อมูลฝึกโมเดล แต่ยังเพิ่มจากการใช้งานจริงทุกครั้งที่ระบบถูกเรียกใช้งาน
โครงสร้างพื้นฐานต้องรองรับ 'วงจรข้อมูล'
เมื่อระบบ AI มีขนาดใหญ่ขึ้น โครงสร้างพื้นฐานจะต้องรองรับทั้งการนำเข้าข้อมูล (ingestion), การฝึกโมเดล (training), การอนุมานผล (inference) และการจัดเก็บระยะยาว (long-term retention)
แต่ละขั้นตอนมีข้อกำหนดต่างกันทั้งด้านความเร็ว ความจุ และต้นทุน ทำให้แนวคิด “storage tiers” หรือการแบ่งระดับการจัดเก็บข้อมูลมีบทบาทสำคัญมากขึ้น
สภาพแวดล้อมลักษณะนี้ทำให้ระบบ AI ในระยะยาวมีลักษณะใกล้เคียงระบบข้อมูล (data-centric system) มากกว่าระบบประมวลผล (compute-centric system)
เมื่อ AI สร้างข้อมูลต่อเนื่อง ต้นทุนรวมในการเป็นเจ้าของระบบ (TCO) จะไม่ได้ขึ้นอยู่กับพลังของการประมวลผลเพียงอย่างเดียวอีกต่อไป แต่รวมถึงโครงสร้างการจัดเก็บข้อมูล ระบบพลังงาน ระบบทำความเย็น พื้นที่ติดตั้ง และต้นทุนด้านการบริหารจัดการข้อมูลที่เพิ่มขึ้นตามปริมาณใช้งาน
ความยั่งยืนของระบบกลายเป็นองค์ประกอบเชิงโครงสร้าง ไม่ใช่เพียงประเด็นด้านสิ่งแวดล้อม แต่เกี่ยวข้องโดยตรงกับประสิทธิภาพการใช้ทรัพยากรของระบบ AI ทั้งหมด
สถาปัตยกรรมข้อมูล กำหนดความคุ้มค่า
เมื่อมองในภาพรวม การออกแบบสถาปัตยกรรมระบบ กลายเป็นปัจจัยกำหนดความสามารถในการขยาย AI ในระยะยาว ไม่ใช่เพียงความเร็วของชิปหรือขนาดของโมเดล
คำถามสำคัญขององค์กรจึงเปลี่ยนไป เช่น ควรเก็บข้อมูลมากแค่ไหน และนานเพียงใด งานประเภทใดควรใช้ระบบประสิทธิภาพสูง งานใดสามารถใช้ระบบต้นทุนต่ำกว่าได้ จะสร้างสมดุลระหว่างการเข้าถึงข้อมูล ความปลอดภัย และต้นทุนอย่างไร ประเด็นเหล่านี้เริ่มมีน้ำหนักมากขึ้นในเชิงกลยุทธ์ เพราะส่งผลต่อทั้งความยืดหยุ่นของระบบและต้นทุนระยะยาวขององค์กร
แนวโน้มของอุตสาหกรรม AI กำลังเคลื่อนจากยุคที่ถูกนิยามด้วยชิปและกำลังประมวลผล ไปสู่ยุคที่การออกแบบสถาปัตยกรรมข้อมูลเป็นตัวกำหนดศักยภาพของระบบ
ในบริบทนี้ ความสามารถในการจัดการวงจรชีวิตข้อมูลทั้งหมด ตั้งแต่การสร้าง ใช้งาน ไปจนถึงการจัดเก็บระยะยาว จะเป็นตัวชี้วัดสำคัญของความสำเร็จในการนำ AI ไปใช้งานจริง
แม้การประมวลผลจะยังคงเป็นองค์ประกอบสำคัญ แต่บทบาทกำลังถูกปรับสมดุลใหม่ร่วมกับ “ข้อมูล” ซึ่งกำลังกลายเป็นแกนหลักของโครงสร้างพื้นฐาน AI ในระยะต่อไป
ผู้ชนะในยุคถัดไปของ AI จะไม่ใช่องค์กรที่มีกำลังประมวลผลมากที่สุด แต่เป็นองค์กรที่เข้าใจพฤติกรรมและพัฒนาการของระบบ AI ในระยะยาว
