ทำไม AI inference storage กำลังกลายเป็นสมรภูมิหลักของยุคโมเดลยักษ์
หัวใจของ AI ยุคโมเดลขนาดใหญ่ไม่ใช่แค่พลังประมวลผล แต่คือโครงสร้างพื้นฐาน AI inference storage ที่สามารถจัดเก็บ เคลื่อนย้าย และเข้าถึงข้อมูลให้ทันกับโมเดลที่มีหน้าต่างบริบทยาวขึ้นและทำงานแบบ agentic ได้อย่างมีประสิทธิภาพ ประหยัดพลังงาน และขยายตัวได้ต่อเนื่อง โดยไม่เพิ่มความซับซ้อนของระบบหรือทำให้ต้นทุนต่อการรันงานสูงจนธุรกิจนำไปใช้ประโยชน์ไม่ได้ในโลกจริง ซึ่งกำลังผลักดันให้เทคโนโลยี NAND technology AI และสถาปัตยกรรมศูนย์ข้อมูลรูปแบบใหม่ถูกออกแบบมาเพื่อรองรับการ inference อย่างเฉพาะทางมากขึ้น การเติบโตของโมเดลที่ใหญ่ขึ้น หน้าต่างบริบทที่ยาวขึ้น และแอปพลิเคชันแบบ agentic ทำให้ความต้องการด้านความจุ แบนด์วิดท์ และประสิทธิภาพการใช้พลังงานสูงขึ้นอย่างไม่เคยมีมาก่อน ผลคือคอขวดของระบบ AI ไม่ได้อยู่ที่ชิปประมวลผลอย่างเดียว แต่โยกมาที่สตอเรจและหน่วยความจำที่ต้องไหลทันการตอบสนองแบบเรียลไทม์ ถ้าองค์กรยังคิดว่า SSD ทั่วไปหรือศูนย์ข้อมูล hyperscale เดิม ๆ พอรองรับ ก็มีโอกาสตกขบวนเมื่อเวิร์กโหลดเปลี่ยนไปเป็น fast data lakes, model storage, RAG และ KV cache ที่เน้นการเข้าถึงข้อมูลอย่างรวดเร็วเป็นหลัก.
Sandisk ผลักดัน NAND technology AI ด้วย BiCS10 QLC และ HBF เพื่อตอบโจทย์แบนด์วิดท์ inference
ท่ามกลางแรงกดดันเรื่องความจุและพลังงาน Sandisk เลือกเดินเกมชัดเจนด้วยการผลักดัน NAND technology AI เป็นรากฐานใหม่ของโครงสร้างพื้นฐาน inference ในงาน Future of Memory and Storage 2026 บริษัทนำเสนอ BiCS10 QLC NAND และเทคโนโลยี HBF (High Bandwidth Flash) เพื่อรับมือเวิร์กโหลด AI ที่ต้องการแบนด์วิดท์สูง. นี่ไม่ใช่การอัปเกรด SSD แบบเครื่องหมายการค้า แต่คือการนิยามชั้นหน่วยความจำใหม่ที่ขยับ NAND เข้ามาใกล้ path ของโมเดลมากขึ้น เพื่อลดช่องว่างระหว่าง DRAM กับสตอเรจแบบเดิม BiCS10 QLC คือ 3D NAND เจเนอเรชันใหม่ที่ถูกออกแบบเพื่อยกระดับความหนาแน่นข้อมูล ประสิทธิภาพ และการใช้พลังงานสำหรับงาน AI คลาวด์ และดาต้าเซ็นเตอร์. ส่วน HBF เป็นเทคโนโลยีแฟลชแบนด์วิดท์สูงที่สร้างบน NAND เพื่อรับมือความต้องการของ AI inference ในระดับขนาดใหญ่โดยตรง. จุดชัดคือแนวคิดของผู้บริหารที่มองว่า “โครงสร้างพื้นฐานด้าน AI ได้ก้าวเข้าสู่ยุคใหม่ที่ความสามารถในการจัดเก็บ เคลื่อนย้าย และเข้าถึงข้อมูลอย่างมีประสิทธิภาพ มีความสำคัญไม่ยิ่งหย่อนไปกว่าศักยภาพด้านการประมวลผล” ซึ่งสะท้อนว่าตอนนี้ NAND ไม่ใช่แค่ที่เก็บไฟล์ แต่คือปัจจัยแข่งขันของธุรกิจ AI.
จาก hyperscale สู่ modular data center: Sonic Inference Pod เปลี่ยนเกมโครงสร้างพื้นฐาน
ในอีกด้านของฮาร์ดแวร์ โครงสร้างพื้นฐานไม่ได้จำกัดอยู่ในคอมเพล็กซ์ศูนย์ข้อมูลขนาดมหึมาอีกต่อไป Runware เปิดตัว Sonic Inference Pod ซึ่งเป็น modular data center ที่เคลื่อนย้ายได้แบบเบ็ดเสร็จ พร้อมวางตำแหน่งเป็นทางเลือกที่ยืดหยุ่นและเป็นอิสระจากโปรเจกต์ศูนย์ข้อมูลยักษ์ของเหล่า hyperscaler. รูปแบบเป็นตู้ลักษณะคล้าย container ที่เพิ่มขีดความสามารถได้ด้วยการติดตั้งยูนิตเพิ่มเติม แทนการขยายอาคารแบบตายตัวที่กินเวลาและทรัพยากรจำนวนมาก. นี่คือการตั้งคำถามกับสมมติฐานเดิมที่ว่า AI ระดับโลกต้องอาศัยศูนย์ข้อมูลขนาดมหึมาเพียงอย่างเดียว CEO ของบริษัทระบุชัดว่า การประมวลผลแบบกระจายที่เข้าใกล้ผู้ใช้งานปลายทางขึ้นเพื่อทำ AI inference ที่รวดเร็วคือผู้ชนะระยะยาว. แนวคิดนี้สะท้อนภาพ edge AI infrastructure ที่ใช้ Pod หลายยูนิตทำงานเชื่อมต่อกันเป็นเครือข่ายเดียว หากยูนิตใดขัดข้อง ทราฟฟิกจะถูกโอนไปยัง Pod ที่มีความจุว่างทันทีเพื่อลดผลกระทบ. ปัจจุบันมีการนำร่องแล้ว 10 Pod ทั่วหลายภูมิภาค โดยมีพื้นที่รองรับกว่า 160 ไซต์ ซึ่งแสดงให้เห็นว่ากลยุทธ์นี้ไม่ใช่แค่ต้นแบบ แต่เริ่มเป็นโครงสร้างจริงที่องค์กรสามารถเลือกใช้แทน hyperscale ได้แล้ว.
ประสิทธิภาพ พลังงาน และความเร็วการติดตั้ง: ผลกระทบต่อผู้ใช้งานจริง
เมื่อมองจากมุมผู้ใช้ปลายทาง ทั้งเทคโนโลยี NAND และศูนย์ข้อมูลแบบ modular ไม่ได้เป็นแค่สเปกสวย ๆ บนสไลด์ แต่แปลเป็นประสบการณ์ใช้งานที่วัดได้จริง Runware ระบุว่าระบบของตนตอบสนองความต้องการด้าน AI inference ด้วยคุณภาพสูงกว่า ในต้นทุนที่ถูกลงอย่างมีนัยสำคัญเมื่อเทียบกับแพลตฟอร์ม serverless inference หรือ GPU Cloud ทั่วไป. การที่ Sonic Inference Pod สามารถติดตั้งและเปิดใช้งานได้ทันทีในทุกพื้นที่ที่มีแหล่งจ่ายไฟ ไม่ใช้น้ำในการระบายความร้อน และใช้เวลาสร้างเสร็จภายในไม่กี่วัน เทียบกับศูนย์ข้อมูลแบบดั้งเดิมที่ต้องใช้เวลาหลายเดือนหรือหลายปี หมายถึงธุรกิจไม่ต้องรอโปรเจกต์โครงสร้างพื้นฐานยักษ์จึงจะเริ่มรันโมเดลของตนได้ ในด้านสังคม การขยายศูนย์ข้อมูลกำลังถูกตั้งคำถามเรื่องผลกระทบต่อค่าสาธารณูปโภคของชุมชนโดยรอบ. Runware เลือกใช้พลังงานจากระบบกริดที่มีอยู่แล้วแทนการร้องขอสร้างกำลังผลิตใหม่ และการกระจายศูนย์ยังลดการสูญเสียพลังงานได้ดีขึ้น พร้อมตัดปัญหาการใช้ทรัพยากรน้ำในระบบระบายความร้อน. เมื่อประกอบกับฝั่งสตอเรจที่ Sandisk กำลังผลักดัน enterprise SSDs และ HBF เพื่อลดการใช้ DRAM และเพิ่มประสิทธิภาพในระดับระบบ ภาพที่เห็นคือการทำ AI ให้ยั่งยืนขึ้นทั้งในเชิงเทคนิคและเชิงทรัพยากร ไม่ใช่แค่เร็วที่สุดแต่เปลืองที่สุด.
เกมระยะยาว: รากฐานฮาร์ดแวร์ AI ที่ขยายได้ตามโมเดล ไม่เป็นคอขวดอุตสาหกรรม
ทั้ง Sandisk และ Runware กำลังเดิมพันบนแนวคิดเดียวกันคือ โครงสร้างพื้นฐาน AI ต้องขยายตัวตามโมเดล โดยไม่กลายเป็นคอขวดของอุตสาหกรรมในระยะยาว งานบรรยาย “NAND: The Versatile & Scalable Foundation of the AI Era” ชี้ให้เห็นว่าข้อจำกัดของ AI ไม่ได้อยู่ที่ compute อีกต่อไป แต่รวมถึงความจุ แบนด์วิดธ์ ประสิทธิภาพพลังงาน และต้นทุนต่อโทเคน ซึ่งต้องอาศัยการเพิ่มประสิทธิภาพในระดับระบบและบทบาทของ NAND ที่สอดรับกับการ inference ขนาดใหญ่. การเสวนา “Breaking the Memory Wall with High Bandwidth Flash” ร่วมกับผู้เล่นรายใหญ่ด้านเทคโนโลยีหน่วยความจำ ก็สะท้อนว่าการสร้างระบบนิเวศ HBF เป็นเรื่องเร่งด่วน ไม่ใช่โครงการทดลองข้างโต๊ะทำงาน ด้าน Runware เป้าหมายระยะยาวตามเจตนารมณ์การระดมทุน Series A มูลค่า USD 50 ล้าน (approx. ฿1,800,000,000) เมื่อเดือนธันวาคมที่ผ่านมา คือการเป็นโครงสร้างพื้นฐานแกนกลางที่รองรับการรันโมเดล AI ของโลก ด้วยกำลังประมวลผลที่ขยายตามความต้องการจริงโดยไม่เป็นคอขวด. ถ้ามองภาพรวม ฮาร์ดแวร์ใหม่อย่าง BiCS10 QLC NAND, HBF และ modular data center แบบ Sonic Inference Pod กำลังเปิดทางให้ AI inference ขยับเข้าใกล้ edge มากขึ้น ลดความซับซ้อนเชิงปฏิบัติการ และทำให้บริษัททุกขนาดมีโอกาสเล่นเกมโมเดลใหญ่ได้ โดยไม่ต้องสร้างศูนย์ข้อมูลยักษ์ของตัวเองหรือรอให้ hyperscaler ตัดสินใจแทนอีกต่อไป.
