โครงสร้างพื้นฐาน AI รุ่นใหม่คืออะไร และทำไมองค์กรต้องสนใจ
โครงสร้างพื้นฐาน AI รุ่นใหม่หมายถึงการออกแบบฮาร์ดแวร์ ซอฟต์แวร์ และแพลตฟอร์มวิเคราะห์ข้อมูลให้ทำงานร่วมกันแบบ GPU acceleration AI training ตั้งแต่การเตรียมข้อมูล การฝึกโมเดล ไปจนถึงการทำ inference ในงานจริง โดยเน้นการเพิ่มประสิทธิภาพแบบครบสแต็ก ตั้งแต่ระดับเครือข่าย GPU ระบบจัดการหน่วยความจำ ไปจนถึงเครื่องมือ analytics เช่น DuckDB analytics platform เพื่อให้เวิร์กโฟลว์วิเคราะห์ข้อมูลขององค์กรทำงานได้เร็วขึ้น มีต้นทุนต่อเวิร์กโหลดต่ำลง และส่งโมเดลขึ้นโปรดักชันได้ต่อเนื่อง
ประเด็นสำคัญของช่วงนี้คือสามทิศทางเดินชนกันอย่างลงตัว AMD ปรับสแต็กซอฟต์แวร์ด้วย ROCm 10 และ ROCm.AI ขึ้นอีกขั้น AWS จับมือ NVIDIA ขยาย AI infrastructure optimization ด้วยการเพิ่ม GPU ครั้งใหญ่ และ Amazon เข้าซื้อ DuckLabs เพื่อต่อยอด DuckDB analytics platform ให้กลายเป็นหัวใจของท่อข้อมูล AI ในคลาวด์ ความเคลื่อนไหวทั้งสามชุดนี้ไม่ใช่แค่ข่าวเทคโนโลยี แต่คือสัญญาณว่าศูนย์ถ่วงของการพัฒนา AI ในองค์กรกำลังย้ายจากแค่โมเดล ไปอยู่ที่โครงสร้างพื้นฐานแบบบูรณาการทั้งสแต็ก
ROCm 10 และ ROCm.AI ของ AMD ตัวเร่ง Training และ Inference ที่เล่นเกมระดับสแต็ก
AMD เปิดตัว ROCm 10 พร้อมประกาศให้ ROCm.AI พร้อมใช้งานทั่วไป นำแนวทาง AI-native และ Agentic AI มาช่วยนักพัฒนาสร้าง รัน และปรับแต่งเวิร์กโหลด AI บนฮาร์ดแวร์ของตัวเอง พร้อมเป็นหมุดหมายครบรอบสิบปีของสแตก ROCm ทิศทางนี้คือคำตอบชัดเจนว่า AMD ไม่ต้องการเป็นแค่ทางเลือกด้านฮาร์ดแวร์ แต่จะลงมาจัดระเบียบประสบการณ์นักพัฒนาทั้งสแต็กเอง
ตามผลทดสอบภายใน ระบบที่ตั้งค่าด้วย ROCm.AI ทำประสิทธิภาพ Inference เฉลี่ยได้ 3.3 เท่า และ Training 2.4 เท่า เมื่อเทียบกับ ROCm 7 บนฮาร์ดแวร์เดียวกัน นี่คือตัวเลขที่สะท้อนว่า GPU acceleration AI training ไม่ได้มาจากซีรีส์การ์ดใหม่อย่างเดียว แต่เกิดจากการปรับ kernel การจัดการหน่วยความจำ และตารางงานด้วย AI เอง จุดที่น่าสนใจคือ Hyperloom ซึ่งเป็นระบบ Agentic AI สำหรับปรับงาน inference ตั้งแต่ host code ถึง GPU kernel สามารถวิเคราะห์เวิร์กโหลด หาคอขวด ทดลองปรับโค้ด และตรวจสอบความถูกต้องแบบอัตโนมัติ
ROCm 10 ยังปรับโครงสร้าง ROCm Core SDK ให้เป็นโมดูลมากขึ้น พร้อมอัปเดตไลบรารี คอมไพเลอร์ เฟรมเวิร์ก และเครื่องมือ และเริ่มมี ROCm CLI เป็นอินเทอร์เฟซคำสั่งกลางสำหรับติดตั้งและจัดการสภาพแวดล้อม ROCm ที่รองรับทั้ง Windows และ Linux โดยไม่ต้องติดตั้ง ROCm ไว้ล่วงหน้า หากองค์กรใดกำลังมองหาทางหนีจากการพึ่งผู้ขายรายเดียว การที่ AMD ยกเครื่องสแต็กแบบนี้คือโอกาสในการสร้างแพลตฟอร์ม AI ภายในที่ยืดหยุ่นขึ้นโดยไม่ลดทอนประสิทธิภาพ
AWS จับมือ NVIDIA ติดตั้ง 2 ล้าน GPU: จาก Training Cluster สู่โรงงาน AI สำหรับงานวิเคราะห์ข้อมูล
Amazon Web Services และ NVIDIA ประกาศขยายความร่วมมือด้าน AI อย่างมาก เพื่อรองรับความต้องการโครงสร้างพื้นฐาน AI ที่เติบโตต่อเนื่อง โดยวางแผนเพิ่มการติดตั้ง NVIDIA GPU จำนวน 2 ล้านชิ้นในโครงสร้างพื้นฐานทั่วโลกช่วงปี 2027 ถึง 2028 ครอบคลุมทั้งโรงงาน AI และกลุ่มโครงสร้างพื้นฐานอื่น การเคลื่อนครั้งนี้ไม่ใช่แค่เพิ่มจำนวนการ์ด แต่คือการออกแบบสแต็กตั้งแต่ Vera CPU เครือข่ายขั้นสูง ไปจนถึงโมเดลเปิดอย่าง Nemotron และเทคโนโลยี physical AI ให้เดินไปด้วยกัน
ในมุม GPU acceleration AI training จุดต่างสำคัญคือการนำเทคโนโลยีเครือข่ายอย่าง NVIDIA Spectrum และการเชื่อมต่อผ่าน Elastic Fabric Adapter เข้ามาช่วยให้คลัสเตอร์ GPU สำหรับงาน training ขนาดใหญ่ทำงานได้มีประสิทธิภาพมากขึ้น EC2 instance ที่ใช้ NVIDIA GPU และ Trainium ทุกรุ่นจะอยู่บน AWS Nitro System และเชื่อมต่อผ่าน EFA เพื่อลดคอขวดด้านเครือข่ายและคงความปลอดภัยกับความเชื่อถือได้ระดับโปรดักชัน สิ่งนี้สะท้อนชัดว่า training cluster ในอนาคตจะถูกออกแบบเป็นโรงงาน AI ที่สเกลได้ และรองรับทั้ง agentic AI และ physical AI ในเวิร์กโหลดจริง ไม่ใช่แค่แล็บทดลอง
ผลกระทบต่อเวิร์กโฟลว์วิเคราะห์ข้อมูลขององค์กรเริ่มเห็นได้จากการที่ทั้งสองฝ่ายนำ GPU acceleration เข้าไปในงานข้อมูลโดยตรง เช่น การใช้ EC2 G7 ร่วมกับไลบรารี cuDF บนแพลตฟอร์มประมวลผลข้อมูลเพื่อเพิ่มความเร็วได้สูงสุด 3.7 เท่าเมื่อเทียบกับการตั้งค่าบน CPU พร้อมเพิ่มความคุ้มค่าประมาณ 30 เปอร์เซ็นต์ รวมถึงการใช้ GPU เพื่อทำ vector index บนบริการค้นหาให้เร็วขึ้นถึง 9 เท่าในบางกรณีด้วยต้นทุนเพียงหนึ่งในสี่ นี่คือจิ๊กซอว์สำคัญที่ทำให้ AI infrastructure optimization ไม่ได้หยุดแค่เลเยอร์โมเดล แต่ลงลึกถึงขั้นการสร้างดัชนีและการประมวลผลข้อมูลขนาดใหญ่
DuckDB ในมือ AWS: Analytics ฝังตัวที่อาจกลายเป็นหัวใจท่อข้อมูล AI
Amazon ประกาศเข้าซื้อ DuckLabs ผู้พัฒนา DuckDB ฐานข้อมูลแบบ analytics แบบฝังตัว แต่ยืนยันว่าโครงการ DuckDB จะยังคงเป็นโอเพนซอร์สต่อไป DuckDB ถูกออกแบบมาเพื่อประมวลผลข้อมูลไม่เกิน 1TB แต่เน้นประสิทธิภาพสูง โดยฝังอยู่ในโปรเซสหลักคล้ายกับ SQLite ทุกวันนี้ DuckDB กลายเป็นเครื่องมือหลักสำหรับการคิวรีไฟล์ Parquet CSV และ JSON ด้วยภาษา SQL ซึ่งทำให้มันกลายเป็นช่องทางสำคัญในการเชื่อมโลกของ data lake และการวิเคราะห์ในเครื่องแบบเบาและเร็ว
แม้ Amazon ยังไม่ระบุว่าจะนำ DuckDB ไปผูกกับบริการใดใน AWS และต้องรอกระบวนการอนุมัติให้เสร็จสิ้นก่อนจึงจะเปิดเผยแผนต่อไป แต่ภาพรวมเริ่มชัดว่า หาก DuckDB analytics platform ถูกรวมเข้ากับสแต็กข้อมูลในคลาวด์ มันจะกลายเป็น “เลเยอร์ analytics ใกล้ข้อมูล” ที่รองรับการแปลงข้อมูล การสำรวจ และการสร้างคุณลักษณะได้รวดเร็วโดยไม่ต้องย้ายข้อมูลออกจากที่เก็บหลักอีกต่อไป สำหรับเวิร์กโฟลว์ AI นี่หมายถึงเวลาเตรียมข้อมูลที่สั้นลง การทดลองโมเดลบนข้อมูลจริงได้รวดเร็วขึ้น และท่อข้อมูลที่ใกล้เคียงแบบ self service มากขึ้นในมือทีมข้อมูล
มองในภาพรวม การมี DuckDB อยู่ในระบบนิเวศเดียวกับโครงสร้าง GPU ของ AWS เปิดช่องให้สร้าง pipeline ที่เริ่มจากการคิวรีไฟล์ Parquet ด้วย SQL ใน DuckDB แล้วส่งผลลัพธ์ต่อไปยังแพลตฟอร์ม training บน GPU ได้แบบแทบไม่สะดุด แนวทางนี้ลดการพึ่งระบบคลังข้อมูลหนักและช่วยให้องค์กรสร้างโซลูชัน analytics เฉพาะทางได้เร็วขึ้น องค์กรที่เคยใช้ DuckDB อยู่แล้วจึงมีโอกาสย้ายเวิร์กโฟลว์ขึ้นคลาวด์โดยไม่ต้องเปลี่ยนเครื่องมือหลักในระดับนักวิเคราะห์และนักวิทยาศาสตร์ข้อมูล
เส้นทางใหม่ของเวิร์กโฟลว์วิเคราะห์ข้อมูลในองค์กร เมื่อ GPU และ Analytics รวมเป็นโครงสร้างเดียว
เมื่อเอาทุกชิ้นส่วนมาวางข้างกัน จะเห็นภาพเดียวกันชัดเจน โครงสร้างพื้นฐาน AI สำหรับองค์กรกำลังเคลื่อนจากโมเดลแยกส่วน ไปสู่สแต็กแบบครบวงจร GPU acceleration AI training อยู่ในมือผู้เล่นหลายราย ไม่ว่าจะเป็น AMD ที่ยกระดับ ROCm 10 performance ด้วย ROCm.AI ให้ inference เร็วขึ้นเฉลี่ย 3.3 เท่าและ training 2.4 เท่าเมื่อเทียบกับ ROCm 7 หรือ AWS ที่กำลังติดตั้ง GPU NVIDIA 2 ล้านชิ้นพร้อมเครือข่ายระดับสูงเพื่อรองรับงาน agentic และ physical AI ขณะที่ DuckDB กำลังถูกดึงเข้ามาเป็นหัวใจ analytics ฝั่งข้อมูล
สำหรับองค์กร สิ่งที่สำคัญไม่ใช่ว่าจะเลือกค่ายไหน แต่คือการออกแบบเวิร์กโฟลว์ให้สอดคล้องกับโครงสร้างพื้นฐานแบบใหม่ ตั้งแต่การใช้ DuckDB analytics platform ทำการเตรียมและสำรวจข้อมูลใกล้แหล่งเก็บข้อมูล ใช้ GPU เพื่อเร่งทั้ง data processing และ training บนคลาวด์ และใช้เครื่องมืออย่าง ROCm Hyperloom หรือเทคโนโลยีเครือข่ายในคลาวด์เพื่อบีบเวลาและต้นทุนของเวิร์กโหลด AI ทั้งเส้น ผลลัพธ์ที่ได้ไม่ใช่แค่โมเดลที่ดีขึ้น แต่คือความสามารถในการส่งโมเดลออกสู่เวทีโปรดักชันได้ถี่ขึ้น วัดผลได้เร็วขึ้น และต่อยอดเวิร์กโฟลว์วิเคราะห์ข้อมูลให้สอดรับกับความเร็วของธุรกิจในยุค AI อย่างแท้จริง
