AI storage infrastructure ไม่ได้มีแค่แฟลช และคำถามใหญ่เรื่องต้นทุนระยะยาว
AI storage infrastructure คือโครงสร้างพื้นฐานจัดเก็บข้อมูลที่ออกแบบเฉพาะเพื่อรองรับวงจรข้อมูลของงาน AI ตั้งแต่การสร้าง การฝึกสอน การอนุมาน ไปจนถึงการเก็บรักษาและเรียกคืนข้อมูล เพื่อให้จัดสมดุลระหว่างประสิทธิภาพ ความจุ อายุการใช้งาน และต้นทุนรวมในการเป็นเจ้าของอย่างเหมาะสมกับลักษณะการเข้าถึงข้อมูลในแต่ละช่วงของวงจรการใช้งาน AI ปัญหาที่หลายองค์กรเริ่มเจอคือมองโครงสร้างพื้นฐานนี้แบบแบนราบ ใช้แฟลชเป็นสตอเรจชั้นเดียวคิดว่าจะปิดเกมได้ แต่เมื่อข้อมูล AI โตจากเพตะไบต์ไปสู่เอกซะไบต์ แฟลชเริ่มเผยให้เห็นขีดจำกัดทั้งด้านต้นทุนและความเสี่ยงการกู้คืนข้อมูล โดยการศึกษาของ IDC ระบุว่าปริมาณข้อมูลที่สร้างทั่วโลกต่อปีมีแนวโน้มพุ่งไปถึง 718ZB ภายในปี 2030 ซึ่งทำให้การเลือกสื่อจัดเก็บกลายเป็นโจทย์เชิงกลยุทธ์ด้านต้นทุนและความทนทานในระยะยาว แปลว่าองค์กรที่ยังคิดว่าการเปลี่ยนเป็นแฟลชล้วนคือคำตอบสุดท้าย กำลังเดินเข้ากับดักต้นทุนที่ยากจะแก้ทีหลัง
เมื่อข้อมูลดันทะลุเอกซะไบต์ แฟลชชั้นเดียวจากเรียบง่ายกลายเป็นกับดัก TCO
แนวคิด all‑flash ดูสวยงามบนกระดาษ ใช้ง่าย ภาพรวมสถาปัตยกรรมดูสะอาด แต่ทั้งหมดนั้นทำงานได้เพียงช่วงที่ชุดข้อมูลร้อนยังมีขนาดเล็กและสัดส่วนข้อมูลที่ใช้งานจริงใกล้เคียงกับข้อมูลที่ต้องเก็บรักษา เมื่อใช้ AI อย่างจริงจัง ชุดข้อมูลที่ต้องเก็บยาวกลับโตเร็วกว่าข้อมูลที่กำลังถูกใช้ฝึกหรืออนุมานมาก และนี่คือจุดที่แฟลชชั้นเดียวเริ่มพังลงทั้งด้านเศรษฐศาสตร์และปฏิบัติการ ในสภาพแวดล้อมระดับเอกซะไบต์ งาน AI สร้างชิ้นส่วนข้อมูลมหาศาล ทั้ง training shards feature store checkpoints prompt logs safety traces embeddings และสำเนาการทดลองที่ส่วนใหญ่ถูกแตะเพียงช่วงสั้นแล้วก็กลายเป็นข้อมูลอุ่นหรือเย็น สิ่งที่ผิดคือข้อมูลทั้งหมดนี้ถูกจับยัดไว้บนมีเดียแพงอย่างแฟลช ทั้งที่มีเพียงเศษเสี้ยวเท่านั้นที่ต้องการ latency ระดับมิลลิวินาที ผลลัพธ์คือองค์กรเริ่มจ่ายราคาแพงเพื่อเก็บข้อมูลที่แทบจะนอนนิ่งอยู่เฉย ต้นทุนต่อเทราไบต์ของศูนย์ข้อมูลแบบ all‑flash จึงทะยานขึ้นทันทีเมื่อข้อมูลที่เก็บรักษามีสัดส่วนใหญ่กว่าข้อมูลที่ใช้งานอยู่จริง
ตัวเลขจากงานวิจัยชี้ชัด วงจรข้อมูล AI โตไม่หยุดและยืดยาวขึ้นเรื่อยๆ
หากยังคิดว่าปัญหานี้เป็นแค่เคสเฉพาะของผู้เล่นรายใหญ่ ตัวเลขจากงานวิจัยล่าสุดกำลังบอกอีกเรื่อง การศึกษาที่สนับสนุนโดยผู้ผลิตสตอเรจรายใหญ่และรายงาน Built for Scale ระบุว่า 94.7% ขององค์กรมีการจัดเก็บข้อมูลเพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา จากการใช้ AI และ Generative AI ขณะที่ 61% เห็นปริมาณข้อมูลเพิ่มขึ้น 25% หรือมากกว่านั้นในรอบปี และ 74% คาดว่าจะเติบโตในระดับเดียวกันหรือสูงกว่านี้ในสามปีข้างหน้า ที่น่าคิดยิ่งกว่าคือข้อมูลไม่ได้เพิ่มเฉพาะในระบบปฏิบัติการ แต่ Data Lake ซึ่งเป็นแหล่งรวบรวมข้อมูลดิบสำหรับ AI ก็โตตาม โดย 85.4% รายงานว่าข้อมูลใน Data Lake เพิ่มขึ้น และ 59.4% ระบุว่าข้อมูลจาก AI เช่น synthetic data inference outputs และ model logs เป็นตัวผลักดันหลัก พร้อมกันนั้น 74.3% ขององค์กรเลือกเก็บข้อมูลนานขึ้น 75.9% นำ cold‑tier data กลับมาออนไลน์มากขึ้น และ 96% คาดว่าจะต้องเรียกคืนข้อมูลจากระบบจัดเก็บถาวรได้เร็วขึ้นเพื่อรองรับ AI inference และ RAG ตัวเลขเหล่านี้คือการประกาศชัดว่า retention ยาวขึ้นและการเข้าถึงข้อมูลอดีตกำลังกลายเป็นงานประจำ ไม่ใช่ข้อยกเว้น
flash storage limits และความเสี่ยงซ่อนเร้นด้านการกู้คืนเมื่อทุกอย่างวิ่งบนแฟลช
การใช้แฟลชเป็นสตอเรจชั้นเดียวไม่ได้เสี่ยงแค่เรื่องเงิน แต่ยังแตะโครงสร้างความเสี่ยงของระบบทั้งหมด เมื่อข้อมูลร้อน ข้อมูลเย็น และทราฟฟิกกู้คืนกระแทกลงบนอุปกรณ์ชุดเดียวกัน การแก้ไขเหตุขัดข้องแต่ละครั้งอาจไปกินทรัพยากรเดียวกับที่ให้บริการงาน production จุดนี้แหละที่ทำให้โครงสร้างแบบ single‑tier flash กลายเป็นระเบิดเวลาในยุค AI ที่ข้อมูลไม่เคยหยุดเติบโต ในฝั่ง training pipelines แฟลชจำเป็นต่อช่วงที่มีการอ่านแบบสุ่ม การ lookup metadata และการเขียน‑อ่าน checkpoints แบบ burst แต่ความจริงคือส่วนใหญ่ของข้อมูลฝึกใช้ชีวิตไปกับการรอ ไม่ได้สตรีมอย่างต่อเนื่อง การตั้งสมมติฐานว่าทุกไฟล์ต้องอยู่บนแฟลชเพื่อความเร็วสูงสุดจึงผิดเมื่องานฝึกสะสมประวัติยาวนาน ข้อมูลอย่าง checkpoints เก่า ตัวอย่างที่ถูกคัดออก และ source corpora เกิดกลายเป็น reference data ที่ยังมีมูลค่าในการ audit rollback และ fine‑tune แต่ไม่ต้องการ latency ระดับแฟลช หากยังฝืนเก็บบนแฟลช ทีมไอทีมักถูกบีบให้ลบของเก่าเพื่อรักษาพื้นที่ ส่งผลให้ตัวเลือก rollback แคบลงและการทดลองช้าลง ในที่สุดแฟลชไม่ใช่เครื่องเร่ง แต่เป็นตัวเบรกคุณภาพของการทดลอง
hybrid storage architecture ผสม SSD‑HDD คือคำตอบจริงของการทำ storage cost optimization ระดับเอกซะไบต์
ทางออกไม่ใช่การเลิกใช้แฟลช แต่คือการยอมรับว่าต้องจัดชั้นข้อมูลใหม่ให้สอดคล้องกับลักษณะการเข้าถึงอย่างแท้จริง แนวคิด hybrid storage architecture ที่วาง SSD เป็นชั้นข้อมูลร้อน และใช้ HDD เป็นมีเดียความจุสูงสำหรับข้อมูลอุ่นและเย็น จึงเริ่มถูกยอมรับว่าเป็นทางเลือกที่ใช่มากกว่าการผลักทุกอย่างขึ้นแฟลชเพียงอย่างเดียว บทวิเคราะห์ชี้ชัดว่าในระดับ AI scale ความแตกต่างหลักระหว่าง HDD และ SSD ไม่ใช่แค่ “เร็วหรือช้า” แต่คือการจับคู่กับแพตเทิร์นการเข้าถึง SSDเหมาะกับชุดข้อมูลที่ต้อง latency ต่ำ มี fan‑out metadata และต้องอยู่ใกล้ compute เพื่อไม่ให้ GPU ว่างงาน ส่วน HDDเหมาะกับชั้นข้อมูลที่ต้องการความจุสูง อายุการใช้งานยาว และต้นทุนต่อเทราไบต์ต่ำกว่า เช่น completed runs inference logs compliance copies และ experiment history ที่ยังต้องเข้าถึงได้ แต่ไม่ถูกเรียกแบบมิลลิวินาที แนวทางที่สมเหตุสมผลคือวาง active training shards live vector indexes และ current checkpoints บน SSD แล้วค่อยย้าย completed runs embeddings เก่า และ audit logs ไปยัง HDD ที่ปรับให้เหมาะกับความจุ การตัดสินใจเรื่อง tier เหล่านี้ตั้งแต่ต้นกลายเป็น “นโยบายข้อมูล” ที่ปกป้องทั้งพฤติกรรมการกู้คืน วินัยด้าน capex และการเข้าถึงข้อมูลระยะยาวที่จำเป็นต่อการพัฒนารุ่นโมเดลถัดไป
