AI Agent เปลี่ยนบทบาท CPU อย่างไร
AI Agent คือระบบปัญญาประดิษฐ์ที่รับโจทย์ วางแผน และเรียกใช้เครื่องมือ เช่น อ่านหรือเขียนไฟล์ ค้นฐานข้อมูล และทดสอบโค้ด เพื่อทำงานต่อเนื่องจนบรรลุเป้าหมาย แทนการสร้างคำตอบเพียงครั้งเดียว ในยุคนี้ CPU จึงกลับมาเป็นส่วนสำคัญ เพราะงาน agentic AI มีทั้งช่วงสร้างโทเคนและวางแผน ซึ่งมักพึ่งพา GPU หรือหน่วยเร่งความเร็ว กับช่วงลงมือใช้และประสานเครื่องมือ ซึ่งทำงานบนเซิร์ฟเวอร์ที่ใช้ CPU ได้
ประเด็นนี้กำลังได้รับความสนใจเพราะงาน AI Agent เพิ่มบทบาทของ CPU อย่างรวดเร็ว แต่ยังขาด benchmark ที่ทำซ้ำได้และเปรียบเทียบฮาร์ดแวร์อย่างเป็นธรรม ระหว่างการประชุม OCP Global Summit 2026 ราวี มัลโฮตรา ผู้อำนวยการฝ่ายสถาปัตยกรรมโซลูชัน AI บนคลาวด์ของ Arm นำเสนอภาพงาน AI 5 กลุ่ม ได้แก่ วิศวกรรมซอฟต์แวร์ ระบบอัตโนมัติองค์กร งานวิจัยและการเงิน ผู้ช่วยส่วนบุคคล และหุ่นยนต์ พร้อมชี้ว่าความต้องการด้านประมวลผลแตกต่างกันในแต่ละกรณี
ผู้ช่วยส่วนบุคคลที่จัดตาราง วางแผนการเดินทาง หรือช่วยดูแลการเงินเป็นตัวอย่างใกล้ตัวของการใช้เครื่องมือหลายขั้นตอน ขณะที่งานเขียนโค้ดอาจต้องค้นไฟล์ แก้ไข สั่งคอมไพล์ และทดสอบซ้ำ จุดเหล่านี้ทำให้ CPU ต้องรับงานควบคุมและประสานการทำงาน แม้ GPU จะยังเป็นตัวหลักของการอนุมานก็ตาม
เริ่มสร้าง benchmark CPU ให้ใกล้งานจริง
การทดสอบที่มีประโยชน์ควรเริ่มจากวงจรการทำงานของเอเจนต์ ไม่ใช่คะแนน CPU แบบทั่วไปเพียงค่าเดียว ตัวอย่างแนวทางเบื้องต้นสร้างเอเจนต์ด้วย LangGraph ให้ทำงาน 30 ขั้นตอนตามลำดับ โดยเชื่อมกับเซิร์ฟเวอร์ llama.cpp ที่รัน gemma4-26b-a4b จากนั้นเริ่มทดสอบด้วยกระบวนการทำงานหนึ่งชุด แล้วเพิ่มจำนวนไปจนถึงจำนวนเธรดสูงสุดของ CPU และทำซ้ำสามรอบในแต่ละระดับ
การแยกผล CPU และหน่วยความจำออกจากตัวเร่งความเร็วช่วยให้เห็นว่าส่วนประกอบเหล่านี้มีส่วนต่อวงจรเอเจนต์อย่างไร แต่ผลทดสอบยังต้องรักษาบริบทของงานจริงไว้ด้วย ตัวชี้วัดอย่างจำนวนเซสชันที่ทำงานตั้งแต่ต้นจนจบต่อวินาทีมีประโยชน์กว่าการนับการเรียกเครื่องมืออย่างเดียว เพราะสะท้อนงานที่ผู้ใช้ได้รับสำเร็จ ไม่ใช่เพียงความเร็วของชิ้นส่วนใดชิ้นส่วนหนึ่ง
การทดสอบระดับชิ้นส่วนยังจำเป็น เช่น วัดการเรียกเครื่องมือ การทำงานแบบขนาน และไอโอ แต่ไม่ควรใช้แทนการทดสอบตั้งแต่ต้นจนจบ งานคอมไพล์และทดสอบโค้ดใช้ทรัพยากร CPU มาก จึงให้ความสำคัญกับสมรรถนะต่อเธรดเดียว ส่วนงานประสานเอเจนต์หลายชุดต้องดูการทำงานพร้อมกันและความสามารถในการขยายระบบ
อ่านผลให้พ้นกับดักตัวเลขสูงสุด
ผลทดสอบที่รายงานจำนวนเซสชันต่อวินาทีต้องอ่านควบคู่กับคุณภาพและความสม่ำเสมอของการตอบสนอง ในตัวอย่างหนึ่ง เซสชันหมายถึงงานหนึ่งชิ้นที่เสร็จครบตั้งแต่ต้นจนจบ แต่ละระดับการทำงานวัดจำนวนเซสชันที่เสร็จในหนึ่งวินาที การเพิ่มจำนวนเอเจนต์อาจทำให้เกิดการแข่งขันแย่งทรัพยากร CPU และความแตกต่างเล็กน้อยจากการเรียกเครื่องมือ การรันโค้ด การคอมไพล์ หรือการเปิดเว็บก็สะสมจนกระทบความเร็วได้
การทดสอบเครื่องมือจริงยังมีข้อจำกัด ตัวอย่างวิธีหนึ่งเปรียบเทียบผลเรียกเครื่องมือสดกับผลที่บันทึกไว้ แต่ส่งผลที่บันทึกกลับเข้าเอเจนต์ทุกครั้งเพื่อป้องกันงานทดสอบเปลี่ยนไปตามสถานการณ์ วิธีนี้ช่วยควบคุมความแปรปรวน แต่ก็ไม่ได้แทนความไม่แน่นอนของระบบจริงทั้งหมด จึงควรเปิดเผยวิธีควบคุมและข้อจำกัดอย่างชัดเจน
ข้อสรุปที่ควรใช้ตัดสินประสิทธิภาพ CPU จึงไม่ใช่ใครทำยอดสูงสุดในรอบสั้น แต่คือระบบรองรับเอเจนต์ได้กี่ชุดโดยยังตอบสนองทันตามข้อตกลงระดับบริการ และรักษาประสิทธิภาพต่อเนื่องได้ การทดสอบภายในที่กำลังพัฒนายังเป็นงานระหว่างดำเนินการ และอาจปรับเมื่อรูปแบบฮาร์ดแวร์กับงานเอเจนต์ชัดเจนขึ้น ส่วนรายงานเปรียบเทียบที่อ้างถึงระบุว่า ภายใต้กำลังไฟเท่ากัน Arm AGI CPU ทำประสิทธิภาพงานเอเจนต์ต่อแร็กได้เกือบสองเท่าของ EPYC 9755 แต่ตัวเลขนี้ยังต้องอ่านตามเงื่อนไขของชุดทดสอบ ไม่ใช่ข้อสรุปครอบคลุมทุกงาน
เกณฑ์ที่ดีต้องวัดความต่อเนื่อง ไม่ใช่แค่ความแรง
บทเรียนสำคัญคือ benchmark CPU สำหรับงาน agentic AI ต้องผสานการทดสอบระดับชิ้นส่วนกับการทดสอบทั้งระบบ พร้อมเปิดเผยจำนวนเอเจนต์ ลักษณะงาน รูปแบบการเรียกเครื่องมือ วิธีทำซ้ำ และระดับการตอบสนองที่ยอมรับได้ คะแนนสูงสุดอย่างเดียวชวนให้เข้าใจผิด เพราะผู้ใช้ต้องการงานที่เสร็จเร็วและระบบที่ยังโต้ตอบได้เมื่อมีหลายเซสชันพร้อมกัน ไม่ใช่เครื่องที่ทำงานเต็มกำลังได้เพียงชั่วครู่
CPU ไม่ได้กลับมาแทน GPU แต่กลับมาเป็นตัวกำหนดว่าเอเจนต์จะลงมือ ประสานเครื่องมือ และรองรับงานพร้อมกันได้ดีเพียงใด หากการทดสอบสะท้อนทั้งความเร็วต่อเธรด การขยายจำนวนงาน และการรักษาข้อตกลงบริการ ผลที่ได้จะมีความหมายต่อการเลือกใช้ระบบมากกว่าคะแนนสังเคราะห์เดี่ยว ๆ นี่คือทิศทางที่ควรใช้ตัดสินประสิทธิภาพ CPU เมื่อ AI Agent เคลื่อนจากการทดลองไปสู่งานประจำวัน
