เจาะลึกโครงสร้างพื้นฐาน AI ยุคใหม่ จากชิปประมวลผลสู่ศูนย์ข้อมูลระดับ POD-Scale

/ AI ช่วยสรุปข่าว

การเติบโตอย่างก้าวกระโดดของโมเดลภาษาขนาดใหญ่ (LLMs) และเทคโนโลยีปัญญาประดิษฐ์กำลังผลักดันให้เกิดการเปลี่ยนแปลงครั้งใหญ่ในด้านโครงสร้างพื้นฐาน AI (AI Infrastructure) ทั้งระบบประมวลผล เครือข่าย หน่วยความจำ ไปจนถึงการออกแบบศูนย์ข้อมูล (Data Center) ซึ่งต้องปรับเปลี่ยนรูปแบบจากฮาร์ดแวร์เดี่ยวไปสู่นวัตกรรมระดับระบบที่รวมฮาร์ดแวร์และซอฟต์แวร์เข้าเป็นแพลตฟอร์มเดียวกัน

ความท้าทายสำคัญของอุตสาหกรรมในปัจจุบันไม่ได้อยู่เพียงแค่ความเร็วของตัวชิปประมวลผลเท่านั้น แต่ยังครอบคลุมถึงประสิทธิภาพต่อวัตต์ การลดความหน่วงของการส่งผ่านข้อมูล และความมั่นคงในการให้บริการประมวลผลทั้งในขั้นตอนการฝึกฝนโมเดล (Training) และการรันโมเดลใช้งานจริง (Inference) ในระดับสเกลใหญ่

ภาพประกอบแนวคิดชิปประมวลผล AI และสถาปัตยกรรมหน่วยความจำแบนด์วิธสูงบนแผงวงจร

ศึกชิปประมวลผล AI: การต่อสู้ระหว่าง GPU, NPU และ TPU

หน่วยประมวลผลกราฟิกหรือ GPU ยังคงเป็นหัวใจหลักในการคำนวณแบบขนานสูงสำหรับงานฝึกฝนและประมวลผลโมเดล AI โดยผู้ผลิตรายใหญ่อย่าง NVIDIA ได้พัฒนาแพลตฟอร์มฮาร์ดแวร์สำหรับศูนย์ข้อมูล เช่น สถาปัตยกรรม Ada Lovelace และโซลูชัน DGX รวมถึง DGX-Cloud เพื่อยกระดับความสามารถในการสเกลระบบระดับ Rack-scale และ POD-scale [1], [2] ในขณะเดียวกัน ชิปเฉพาะทางอย่าง NPU (Neural Processing Unit) และ TPU (Tensor Processing Unit) ก็ก้าวเข้ามามีบทบาทสำคัญในการเร่งประสิทธิภาพคำนวณแบบ Tensor และ Matrix ซึ่งช่วยลดการใช้พลังงานได้ดีขึ้น [3]

ในฝั่งของ Google ได้มีการใช้งาน Google Cloud TPU เพื่อเป็นกำลังหลักในการฝึกฝนและให้บริการโมเดล Gemini และบริการ LLM บนระบบคลาวด์ [3] ด้าน Huawei ได้เปิดเผยแผนงาน AI Accelerator สำหรับศูนย์ข้อมูลด้วยการพัฒนาไลน์ผลิตภัณฑ์ Ascend NPU เช่น รุ่น Ascend 960PR ที่มุ่งเน้นการเพิ่มประสิทธิภาพการประมวลผลแบบ FP4 เพื่อตอบสนองความต้องการประมวลผลทั้งใน Data Center และ Edge [4] นอกจากนี้ ผู้พัฒนาในอุตสาหกรรมหลายรายยังเร่งรวม CPU, GPU, DPU และระบบเครือข่ายเข้าด้วยกันเพื่อสร้างสถาปัตยกรรมชิปเร่งความเร็ว (AI Accelerators) ที่สมบูรณ์แบบ [5]

สถาปัตยกรรมศูนย์ข้อมูล และระบบหน่วยความจำแบนด์วิธสูง

การฝึกฝนโมเดล AI ขนาดใหญ่จำเป็นต้องอาศัยการส่งผ่านข้อมูลที่รวดเร็วอย่างต่อเนื่อง สถาปัตยกรรมศูนย์ข้อมูล AI ยุคใหม่จึงเน้นการใช้หน่วยความจำแบนด์วิธสูง เช่น HBM3 ร่วมกับระบบเชื่อมต่อ (Interconnect) ความหน่วงต่ำ เพื่อลดคอขวดระหว่างการประมวลผลข้ามชิปในระบบ Pod หรือ Rack [6] การวางโครงสร้างแบบบูรณาการช่วยให้สามารถขยายระบบแบบ Scale-out และรองรับการฝึกฝนโมเดลข้ามศูนย์ข้อมูลหลายแห่ง (Multi-data-center training) ได้อย่างมีประสิทธิภาพ [1], [7]

  • การจัดวางแบบ Rack-scale และ POD-scale: รวมคอมพิวต์ หน่วยความจำ และเครือข่ายให้ทำงานเป็นเนื้อเดียวกัน [1]
  • การเฝ้าระวังอัตโนมัติ: มีระบบตรวจสอบสุขภาพของ GPU เพื่อกู้คืนการทำงาน (Auto-recovery) หากเกิดข้อผิดพลาดระหว่างรันโมเดล [7]
  • สภาพแวดล้อม Cloud-native: ช่วยให้ผู้ใช้งานสามารถเข้าถึงทรัพยากรประมวลผลที่ยืดหยุ่นผ่านบริการ Cloud [3]

การบริหารจัดการพลังงาน: ปัจจัยชี้ขาดความยั่งยืนของ AI

ข้อจำกัดที่สำคัญที่สุดของการขยายโครงสร้างพื้นฐาน AI ในปัจจุบันคือปริมาณพลังงานไฟฟ้าและความร้อนที่เกิดจากการทำงานของ GPU และ NPU จำนวนมากในการฝึกฝนโมเดลขนาดใหญ่ งานวิจัยและข้อมูลอุตสาหกรรมระบุว่า สถาปัตยกรรมจ่ายพลังงานและระบบระบายความร้อนได้กลายเป็นเสาหลักสำคัญของการออกแบบศูนย์ข้อมูล [8]

ผู้ให้บริการระบบ (MSPs) และผู้ให้บริการคลาวด์ขนาดใหญ่ (Hyperscalers) เริ่มปรับเปลี่ยนแนวทางการออกแบบศูนย์ข้อมูลโดยมุ่งเน้นระบบจ่ายพลังงานตั้งแต่ต้นทาง เพื่อให้การจัดการพลังงานระหว่างชิป หน่วยความจำ และระบบเครือข่ายมีประสิทธิภาพต่อวัตต์สูงสุด ซึ่งเป็นปัจจัยตัดสินความยั่งยืนและความสามารถในการขยายระบบ AI ในอนาคต [8]

ภาพประกอบแนวคิดศูนย์ข้อมูลคลาวด์ขนาดใหญ่พร้อมระบบการจัดการพลังงานและการระบายความร้อน

การพัฒนาโครงสร้างพื้นฐาน AI ในปัจจุบันไม่ได้จำกัดอยู่เพียงการแข่งขันด้านความเร็วของชิประดับเดี่ยว แต่คือการสร้างระบบนิเวศฮาร์ดแวร์ ซอฟต์แวร์ ศูนย์ข้อมูล และพลังงานที่ทำงานประสานกันอย่างเป็นเอกภาพ ผู้ประกอบการและองค์กรที่ต้องการปรับใช้ AI จึงต้องพิจารณาความพร้อมของโครงสร้างพื้นฐานทั้งในด้านประสิทธิภาพ พลังงาน และความยืดหยุ่นของระบบคลาวด์เพื่อให้รองรับการเติบโตของเทคโนโลยีได้อย่างมั่นคง

แหล่งข้อมูล