หัวใจของ AI ที่สเกลได้: กลยุทธ์สตอเรจมาก่อน GPU
กลยุทธ์ data center storage สำหรับ AI คือแนวทางการออกแบบและวางแผนสถาปัตยกรรมจัดเก็บข้อมูลอย่างเป็นขั้นบันได ตั้งแต่สื่อความเร็วสูงไปจนถึงระบบที่ขยายได้คุ้มค่า เพื่อรองรับข้อมูลขนาดใหญ่ AI ระดับเพตะไบต์ในระยะยาว และกำหนดทั้งต้นทุน ประสิทธิภาพคอมพิวต์ รวมถึงความสำเร็จของโครงการโดยรวม.
ถ้าองค์กรยังคิดว่า วางแผน AI infrastructure ทำแค่เพิ่ม GPU แล้วค่อยหาสตอเรจทีหลัง นั่นคือจุดเริ่มต้นของปัญหาในอีกไม่กี่ปีข้างหน้า เพราะข้อมูลในระบบ AI เติบโตแบบทวีคูณจากการเทรน การอินเฟอร์ การล็อก การสร้าง embeddings และข้อมูลสังเคราะห์ที่สะสมไม่หยุด การใช้โมเดลวางแผนโครงสร้างพื้นฐานแบบเดิมที่คิดว่าการเติบโตของสตอเรจจะตามการเติบโตของคอมพิวต์ในอัตราที่จัดการได้ จึงพังทลายเมื่อเจอรูปแบบข้อมูลแบบนี้ ผลคือ data center storage กลายเป็นจุดอ่อนหลัก ทั้งด้านต้นทุนและพลังงาน แทนที่จะเป็นฐานของการเติบโต.
ทำไมโครงสร้างพื้นฐานแบบเดิมถึงแพ้ต่อข้อมูล AI ขนาดใหญ่
โครงสร้างพื้นฐาน IT รุ่นก่อนออกแบบภายใต้สมมติฐานว่า การเพิ่มคอมพิวต์และสตอเรจจะเดินไปด้วยกันในจังหวะใกล้เคียงกัน แต่ในโลก AI คอมพิวต์เติบโตแบบเส้นตรง ขณะที่ข้อมูลเติบโตแบบเอ็กซ์โปเนนเชียลและสะสมตลอดเวลา เมื่อทีมการเงินใช้ตรรกะเดียวกันทั้งสองอย่าง การประเมินต้นทุนระยะยาวจึงผิดเพี้ยน และซ่อนเส้นโค้งค่าใช้จ่ายที่แท้จริงไว้เบื้องหลัง.
ปัญหาไม่ได้มีแค่ชุดข้อมูลเทรนหลัก แต่ยังมีสำเนาเพื่อ staging ข้อมูลสังเคราะห์ เวกเตอร์ embeddings ดัชนี ข้อมูลล็อกการอินเฟอร์ และคลัง checkpoint ที่เมื่อรวมกันอาจมีขนาดเกินชุดเทรนเดิมในที่สุด data center storage จึงไม่ใช่แค่ที่เก็บไฟล์ แต่กลายเป็นฐานข้อมูลประวัติการทำงานของระบบ AI ทั้งหมด และโครงแบบ tiered storage architecture ที่รองรับหลายระดับความเร็ว–ต้นทุน จึงกลายเป็นการออกแบบระดับยุทธศาสตร์ ไม่ใช่ “คอนฟิกเพิ่มประสิทธิภาพ” ภายหลัง.
tiered storage architecture: สถาปัตยกรรมเป็นขั้นบันได ไม่ใช่แฟลชทั้งศูนย์
ในปีแรกของโปรเจกต์ AI การใช้สตอเรจแบบแฟลชล้วน อาจดูเหมาะสมเพราะชุดข้อมูลยังเล็กและทุกสายตาจับจ้องอยู่ที่ GPU และ latency แต่เมื่อข้อมูล AI สะสมเป็นเพตะไบต์หรือเอ็กซะไบต์ การออกแบบแบบแฟลชทุกชั้นกลายเป็นวิธีที่แพงที่สุดในการเก็บข้อมูลที่ส่วนใหญ่ไม่ต้องการเข้าถึงระดับไมโครวินาทีอีกต่อไป สถาปัตยกรรมที่สเกลได้ทางเศรษฐศาสตร์จะชนะ เพราะลูกค้าเลือกความมั่นใจในการขยายความจุ ความเชื่อถือได้ และการรบกวนการปฏิบัติงานให้น้อยที่สุด มากกว่าฟิสิกส์ของสื่อบันทึก.
tiered storage architecture ที่ใช้งานจริงจึงมีหลายชั้น: ชั้นที่ต้อง latency ต่ำมาก เช่น model weights หรือ GPU overflow ใช้แฟลช ชั้น KV cache และ session context เป็นชั้นประสิทธิภาพสูงอีกระดับ ขณะที่เวกเตอร์ดาต้าและระบบ RAG ต้องการอ่านดัชนีเร็วแต่พึ่งพาคลังข้อมูลต้นฉบับที่ใหญ่กว่ามาก ในที่สุด bulk storage อย่างชุดเทรนหลัก ล็อก เช็กพอยต์ บันทึก compliance และข้อมูลสังเคราะห์ คือชั้นที่ใหญ่ที่สุดและต้องอาศัยระบบที่ขยายได้คุ้มค่าที่สุด การใช้สตอเรจชั้นเดียวให้ทุกไบต์อยู่ในโครงสร้างต้นทุนเดียว จึงเป็นข้อผิดพลาดที่ทำลายเศรษฐศาสตร์ของโครงการ.
วางแผน AI infrastructure ตั้งแต่วันนี้ หรือเตรียมรับค่าใช้จ่ายระยะยาว
เมื่อ AI ถูกฝังอยู่ในงานประจำวัน ผ่านงาน inference ต่อเนื่อง และระบบ multi‑agent ที่ต้องทำงานข้าม cloud data center และ edge วงจรวางแผนโครงสร้างพื้นฐานแบบเดิมจึงไม่ทันความซับซ้อนอีกต่อไป องค์กรจำนวนมากจึงเริ่มวางแผน AI infrastructure เร็วกว่ารอบอัปเกรด IT ทั่วไป เพราะรู้ว่าการทดลอง ทดสอบ และทำ PoC กับระบบระดับนี้ต้องใช้เวลามาก.
การตัดสินใจเรื่อง data center storage ในวันนี้ เช่น จะใช้ tiered storage architecture แบบไหน จะจัดนโยบาย retention และการจัดระดับข้อมูลอย่างไร มีผลต่อประสิทธิภาพคอมพิวต์ ระบบการจอง GPU และค่าใช้จ่ายรวมตลอดอายุโครงการ เพราะสถาปัตยกรรมสตอเรจกลายเป็นตัวกำกับทั้งต้นทุน การเข้าถึง และความพร้อมใช้งานของระบบ ขณะเดียวกัน ศูนย์ข้อมูล AI ยังต้องทำงานในกรอบทรัพยากรที่แผนโครงสร้างพื้นฐานแบบเดิมไม่ได้ถูกออกแบบมาเพื่อรองรับ “บริษัทที่จะชนะในเฟสถัดไปของ AI ไม่จำเป็นต้องมีคลัสเตอร์ใหญ่ที่สุด แต่คือผู้ที่เริ่มวางแผนแต่เนิ่นๆ และสร้างโครงสร้างพื้นฐานที่สมดุลและสเกลได้”.
การเลือก data center storage ที่ถูกวันนี้ คือประกันความสำเร็จของ AI ในวันหน้า
เมื่อข้อมูลไม่หายไปพร้อมกับรอบอัปเกรด GPU แต่สะสมต่อเนื่องผ่านการเทรน การอินเฟอร์ และข้อกำหนดด้านการกำกับดูแล การออกแบบสตอเรจจึงต้องถูกมองเป็นการตัดสินใจระดับสถาปัตยกรรมหลักของ data center ทุกแห่งที่ตั้งใจให้ระบบ AI ทำงานยาวหลายปี เพราะ AI data center storage tiers มีผลต่อเศรษฐศาสตร์ระยะยาวอย่างมาก เนื่องจากชนิดข้อมูลต่างมีรูปแบบการเข้าถึง มูลค่าการเก็บ และความต้องการประสิทธิภาพที่แตกต่างกัน.
ทางเลือกเรื่อง data center storage ไม่ได้หยุดอยู่ที่ทีมสตอเรจ แต่วิ่งต่อไปถึงแผนคอมพิวต์ การจัดตารางงาน และกลยุทธ์ retention ในอนาคต สถาปัตยกรรมสตอเรจจึงทำหน้าที่เหมือน control plane ของต้นทุน การเข้าถึง และความทนทานของระบบ หากองค์กรยังใช้โครงสร้างพื้นฐานแบบเดิมกับข้อมูลขนาดใหญ่ AI ผลลัพธ์ที่ได้คือโครงการที่ค่อยๆ แพงและช้าลงทุกปี ทางออกมีเพียงอย่างเดียว: วางแผน AI infrastructure และออกแบบ tiered storage architecture ให้รองรับการเติบโตระดับเพตะไบต์ตั้งแต่วันนี้ แล้วปล่อยให้ GPU ทำงานบนฐานข้อมูลที่ถูกจัดวางไว้อย่างฉลาด.
