"ไม่ใช่แค่ทุ่มงบให้ AI แต่ต้องจ่ายให้ฉลาดขึ้น" เจาะลึก AMD ชี้ทางรอดธุรกิจยุค Agentic AI

กรุงเทพธุรกิจไอที เจาะลึกวิสัยทัศน์แห่งอนาคตผ่านมุมมองของ Vinay Awasthi รองประธานอาวุโส ประจำภูมิภาคเอเชียแปซิฟิก ญี่ปุ่น และอินเดีย จาก AMD ที่จะมาถอดรหัสการเปลี่ยนผ่านจากยุคของผู้ช่วย AI สู่ยุคของ Agentic AI แบบเต็มตัว

ทำไมคอมพิวเตอร์กำลังจะกลายเป็นผู้ทำงานแทนคน พร้อมเจาะลึกความคุ้มค่าที่ช่วยองค์กรลดต้นทุนได้ถึง 60 เปอร์เซ็นต์

รุ่งอรุณใหม่ของการประมวลผล AI แบบกระจายตัว

โลกเทคโนโลยีกำลังก้าวข้ามขีดจำกัดเดิมอย่างรวดเร็ว โดย Vinay Awasthi ชี้ให้เห็นถึงความเปลี่ยนแปลงระดับโครงสร้างว่า "การประมวลผล AI กำลังกระจายตัวมากขึ้น เนื่องจากองค์กรต่างตระหนักดีว่าไม่มีสภาพแวดล้อมใดเพียงแห่งเดียวที่เหมาะสมที่สุดสำหรับทุกเวิร์กโหลด AI"

เมื่อองค์กรเปลี่ยนผ่านจากผู้ช่วย AI ไปสู่ตัวแทน AI ทำให้จำเป็นต้องรองรับเวิร์กโหลดที่หลากหลายขึ้นมาก ตั้งแต่การเทรนโมเดลและการประสานงานระบบ ไปจนถึงการอนุมานแบบเรียลไทม์ การดึงข้อมูลความรู้ และเวิร์กโหลดด้านการทำงาน ซึ่งงานแต่ละประเภทต่างมีข้อกำหนดด้านความหน่วง ต้นทุน ความปลอดภัย การกำกับดูแล และประสิทธิภาพการประมวลผลที่แตกต่างกัน ส่งผลให้โครงสร้างพื้นฐานแบบเบ็ดเสร็จในหนึ่งเดียวใช้งานได้จริงน้อยลงเรื่อยๆ แนวโน้มนี้ขยายขอบเขตครอบคลุมทั้งคลาวด์ โครงสร้างพื้นฐานภายในองค์กร สภาพแวดล้อมเอดจ์ และ AI PC คลาวด์ยังคงมีความจำเป็นสำหรับโมเดลขนาดใหญ่ระดับฟรอนเทียร์และการเทรนระบบขนาดใหญ่ ในขณะที่งาน AI ทั่วไปในชีวิตประจำวันจำนวนมากทำได้อย่างมีประสิทธิภาพยิ่งขึ้นหากประมวลผลใกล้กับแหล่งกำเนิดข้อมูลและจุดที่มีการตัดสินใจ ทาง AMD เชื่อว่าแนวโน้มนี้ได้สร้างความต้องการใช้แพลตฟอร์ม AI แบบเปิดที่ครบวงจรตั้งแต่ต้นทางถึงปลายทาง เพื่อมอบความยืดหยุ่นให้องค์กรจับคู่ทรัพยากรประมวลผลและสภาพแวดล้อมการติดตั้งใช้งานให้เหมาะสมกับแต่ละเวิร์กโหลด ณ จุดที่สร้างคุณค่าทางธุรกิจได้สูงสุด

ทลายคอขวดด้วยขุมพลัง 'ระบบนิเวศแบบเปิด'

วิสัยทัศน์ของ AMD คือการผลักดันให้ AI ทำงานได้อย่างไร้รอยต่อตลอดทั้งสเปกตรัมการประมวลผล โดยมีปัจจัยสำคัญคือระบบนิเวศแบบเปิด ด้านซอฟต์แวร์แบบเปิด AMD ROCm และชุดซอฟต์แวร์ AI รองรับเฟรมเวิร์กอย่าง PyTorch และ vLLM ซึ่งช่วยให้นักพัฒนาสร้างและปรับแต่งโมเดลบนอุปกรณ์ ก่อนขยายผลสเกลงานไปยังแพลตฟอร์มต่างๆ ตั้งแต่ AMD Ryzen AI ไปจนถึงโครงสร้างพื้นฐาน GPU อย่าง AMD Instinct เป้าหมายหลักคือการลดความยุ่งยากในการพอร์ตข้อมูล ลดการผูกขาดกับผู้ให้บริการรายใดรายหนึ่ง และช่วยปกป้องการลงทุนด้านซอฟต์แวร์

นอกจากนี้ AMD ยังสนับสนุนแนวทางการเชื่อมต่อแบบเปิดอย่าง UALink และ Ultra Ethernet Consortium เพื่อรองรับการเชื่อมต่อที่ขยายสเกลได้ระหว่างตัวเร่ง ระบบ และตู้แร็ค ในมุมมองของความท้าทายที่ใหญ่ที่สุดคือความซับซ้อนด้านการดำเนินงาน โดยเฉพาะประเด็นด้านความปลอดภัยและการกำกับดูแล การทำ AI แบบกระจายตัวไม่ได้หมายถึงเพียงแค่การย้ายเวิร์กโหลดออกจากคลาวด์ แต่คือการนำเวิร์กโหลดที่เหมาะสมไปวางบนทรัพยากรประมวลผลและสภาพแวดล้อมการใช้งานที่ถูกต้อง AMD จึงผสานขีดความสามารถด้านความปลอดภัยระดับแพลตฟอร์มเข้ากับซอฟต์แวร์โลคอล AI อย่าง Semantic Router และร่วมมือกับพันธมิตรอย่าง Cisco เพื่อเพิ่มระดับความสามารถในการตรวจสอบควบคุมนโยบายและความปลอดภัย

วิวัฒนาการก้าวกระโดดสู่ยุค 'Agent Computers'

หลายคนอาจมองว่าพีซีคืออุปกรณ์ปลายทาง แต่แท้จริงแล้ว AI PC กำลังกลายมาเป็นโครงสร้างพื้นฐาน AI ระดับองค์กรที่มีความสำคัญมากขึ้นเรื่อยๆ เนื่องจากเป็นการนำทรัพยากรการประมวลผล AI ไปวางไว้ในจุดที่เกิดการทำงานโดยตรง ในประเด็นนี้ Vinay Awasthi ได้ตอกย้ำภาพอนาคตไว้อย่างชัดเจนว่า

"AI PC จะพัฒนาไปไกลกว่าการเป็นเพียงอุปกรณ์เพิ่มประสิทธิภาพการทำงานสำหรับพนักงาน แต่จะก้าวไปสู่สิ่งที่เราเรียกว่า Agent Computers ซึ่งเป็นระบบที่ออกแบบมาไม่เพียงเพื่อช่วยให้ผู้ใช้ทำงานสำเร็จลุล่วง แต่ยังถูกสร้างขึ้นมาเพื่อรัน AI agent บนเครื่องอย่างต่อเนื่อง พูดง่ายๆ ก็คือเป็นคอมพิวเตอร์สำหรับการรัน Agent นั่นเอง"

สิ่งนี้จะพลิกโฉมสถานที่ทำงานยุคใหม่ เปลี่ยนพนักงานจากการลงมือทำทุกงานด้วยตนเอง ไปสู่การเป็นผู้มอบหมาย กำกับดูแล และตรวจสอบผลงานที่ AI ทำแทน ขณะที่พนักงานใช้เวลาไปกับการคิดเชิงวิพากษ์ ความคิดสร้างสรรค์ และการตัดสินใจที่สร้างมูลค่าสูงกว่า เมื่อเวิร์กโหลดแบบ Agentic AI กลายเป็นเรื่องปกติ ซีพียูจะทวีความสำคัญมากขึ้นมหาศาล เพราะตัวแทน AI ต้องมีการประสานงานระบบ เรียกใช้คำสั่ง หรือประสานงานกับตัวแทนอื่นๆ ซึ่งซีพียูจะต้องรับผิดชอบกระบวนการด้านการประมวลผลและจัดตารางงานเป็นหลัก โดยโปรเซสเซอร์อย่าง AMD Ryzen AI Max+ 495 PRO ที่มาพร้อมหน่วยความจำ Unified ขนาดใหญ่ รองรับหน่วยความจำกราฟิกเฉพาะถึง 160GB รันโมเดลระดับสามแสนล้านพารามิเตอร์แบบโลคอลที่ระดับ 4 บิตได้ ขณะเดียวกัน NPU จะช่วยแบ่งเบางาน AI ที่เกิดซ้ำๆ และเหมาะสมออกจากซีพียูและจีพียู ซึ่งเหมาะมากกับการประมวลผล AI แบบต่อเนื่องที่ใช้พลังงานต่ำ

ความคุ้มค่าและบทลงโทษของการ 'ตกขบวน'

เมื่อถึงเวลาที่องค์กรอาจต้องจัดสรรงบประมาณสำหรับ AI Agent ไม่ใช่เพียงสำหรับพนักงานอีกต่อไป มุมมองด้านการลงทุนจึงต้องเปลี่ยนไปอย่างสิ้นเชิง Vinay Awasthi ระบุชัดเจนว่า "องค์กรจำเป็นต้องเริ่มมอง AI ไม่ใช่เป็นเพียงแค่การลงทุนด้านโครงสร้างพื้นฐานเท่านั้น แต่ยังรวมถึงการจัดเป็นค่าใช้จ่ายในการดำเนินงานอย่างต่อเนื่อง เมื่อองค์กรเปลี่ยนผ่านจากการใช้งาน AI Assistant ไปสู่การมี Autonomous Agent"

เวิร์กโฟลว์แบบ Agentic กระตุ้นความต้องการด้านทรัพยากรประมวลผลให้สูงขึ้นได้อย่างมหาศาล และ AI กำลังก้าวขึ้นมาเป็นรายการค่าใช้จ่ายที่มีนัยสำคัญในงบกำไรขาดทุน

ผู้บริหารจาก AMD ได้เน้นย้ำถึงแก่นแท้ของการลงทุนว่า "เป้าหมายที่แท้จริงไม่ใช่เพียงแค่การทุ่มงบประมาณให้กับ AI มากขึ้น แต่คือการใช้จ่ายให้ชาญฉลาดขึ้น องค์กรที่จะก้าวไปสู่ความสำเร็จคือองค์กรที่จัดสรรเวิร์กโหลดแต่ละประเภทให้ตรงกับทรัพยากรและสภาพแวดล้อมการประมวลผลที่เหมาะสม"

การกำหนดขนาดเวิร์กโหลดให้เหมาะสมเป็นเรื่องสำคัญ จากการวิเคราะห์ของ AMD พบว่า เดสก์ท็อป Radeon AI PRO R9700 รองรับปริมาณงานประมาณสิบแปดล้านโทเคนต่อวัน คาดว่าจะเข้าสู่จุดคุ้มทุนได้ภายในช่วงเดือนที่สาม โดยโมเดลต้นทุนตลอดระยะเวลาสามปีอยู่ที่ 6,533 ดอลลาร์สหรัฐ เมื่อนำไปเทียบกับ 81,108 ดอลลาร์สหรัฐหากใช้งานผ่าน API บนคลาวด์ในปริมาณที่เท่ากัน แต่หากองค์กรชะลอการลงทุน Vinay Awasthi ได้เตือนถึงผลกระทบไว้ว่า

"ความเสี่ยงที่ยิ่งใหญ่ที่สุดคือ การตกขบวน ในแง่ของขีดความสามารถระดับองค์กร เมื่อคู่แข่งฝัง AI agent เข้าไปเป็นส่วนหนึ่งของกระบวนการดำเนินงานตามปกติในทุกๆ วัน พวกเขาจะสร้างความได้เปรียบในเรื่องกระบวนการทำงาน การตัดสินใจ และการที่พนักงานทำงานร่วมกับ AI ได้"

ลงทุนอย่างชาญฉลาดและประหยัดพลังงาน

ในภูมิภาคเอเชียแปซิฟิกซึ่งธุรกิจ SME มีสัดส่วนสูง การลงทุนใน AI PC ถือเป็นจุดเริ่มต้นที่เอื้อมถึง องค์กรขนาดเล็กไม่จำเป็นต้องเร่งนำ AI เข้ามาปรับใช้ในทุกส่วนพร้อมกัน แต่เริ่มต้นจากกรณีการใช้งานจริงในปริมาณมาก เช่น การสร้างคอนเทนต์ การประมวลผลเอกสาร หรืองานทำซ้ำๆ

ข้อมูลจาก AMD ระบุว่าการนำอุปกรณ์ AMD AI PC จำนวน 500 เครื่องไปติดตั้งใช้งานแบบไฮบริด โดยตั้งค่าโลคอลครึ่งหนึ่งและคลาวด์ครึ่งหนึ่งสำหรับระดับเวิร์กโหลดปานกลาง ช่วยประหยัดต้นทุนตลอดอายุสามปีได้ถึง 40-60 เปอร์เซ็นต์ และหากนำมาติดตั้งแบบโลคอลทั้งหมดจะบรรลุจุดคุ้มทุนได้ภายในเวลาไม่ถึง 24 เดือน

นอกเหนือจากความคุ้มค่าแล้ว การจัดการพลังงานและเป้าหมายความยั่งยืนก็สำคัญไม่แพ้กัน การมุ่งเพิ่มประสิทธิภาพด้านพลังงานคือการจับคู่เวิร์กโหลดให้เข้ากับสภาพแวดล้อมที่ถูกต้อง เพราะไม่ใช่งาน AI ทุกประเภทที่จะต้องการสเกลระดับดาต้าเซ็นเตอร์ที่ใช้พลังงานมหาศาล งานที่มีความถี่สูง ไวต่อความหน่วง หรือต้องการความเป็นส่วนตัวรันบน AI PC ได้อย่างมีประสิทธิภาพ ช่วยองค์กรรักษามาตรฐานการดำเนินงานได้อย่างยั่งยืน อนาคตของเทคโนโลยีระดับองค์กรคือระบบที่เปิดกว้าง หลากหลายหน่วยทำงาน และกระจายตัว ซึ่งความสำเร็จไม่ได้ขึ้นอยู่กับโปรเซสเซอร์รูปแบบใดรูปแบบหนึ่ง แต่คือแพลตฟอร์ม AI แบบครบวงจรที่ดึงศักยภาพสูงสุดมาขับเคลื่อนธุรกิจให้เติบโต