เมื่อ AI พลิกสมการเศรษฐศาสตร์จัดเก็บข้อมูล โครงสร้างพื้นฐานต้องคิดใหม่

โครงสร้างพื้นฐาน AI ไม่ได้มีแค่ GPU เมื่อวงจรข้อมูลเติบโตแบบทบต้น

เศรษฐศาสตร์จัดเก็บข้อมูลในโครงสร้างพื้นฐาน AI คือกรอบคิดด้านต้นทุน ความจุข้อมูล และความเร็วการเข้าถึง ที่ใช้กำหนดว่าจะจัดเก็บข้อมูลจากเวิร์กโหลด AI อย่างไรให้คุ้มค่าในระยะยาว ครอบคลุมตั้งแต่การเลือกสื่อจัดเก็บ การออกแบบเลเยอร์ข้อมูล ไปจนถึงนโยบายการเก็บและเรียกคืนข้อมูลตามวงจรชีวิตของโมเดล AI และการประมวลผลที่ต้องอาศัยข้อมูลปริมาณมหาศาล การมองโครงสร้างพื้นฐาน AI แค่เรื่องพลังประมวลผลเป็นมุมมองที่เริ่มล้าสมัย งานวิจัยที่สนับสนุนโดย WD ชี้ชัดว่าเมื่อ AI และ Generative AI ขยายการใช้งานในองค์กร ปริมาณข้อมูลไม่ได้เพิ่มขึ้นเฉพาะช่วงการประมวลผล แต่ยังถูกจัดเก็บนานขึ้นและถูกนำกลับมาใช้มากขึ้น ส่งผลให้ความจุข้อมูล ความสามารถในการเข้าถึง และต้นทุนตลอดวงจรชีวิตข้อมูลกลายเป็นศูนย์กลางการออกแบบโครงสร้างพื้นฐาน AI แทบจะมากกว่าชิปประมวลผลเสียด้วยซ้ำ

ตัวเลขที่องค์กรหลีกไม่พ้น เมื่อข้อมูล AI โตเร็วกว่าที่โครงสร้างเดิมรองรับ

ตัวเลขจากงานวิจัยของ IDC สะท้อนชัดว่าองค์กรส่วนใหญ่กำลังถูกกระแสข้อมูลจาก AI ถาโถม โดย 94.7% ขององค์กรที่เข้าร่วมการสำรวจมีปริมาณข้อมูลเพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา เพราะการนำ AI และ Generative AI มาใช้งาน และ 61% มีปริมาณข้อมูลเพิ่มขึ้นอย่างน้อย 25% ในปีเดียวกัน ขณะที่ 74% คาดว่าปริมาณข้อมูลจะเพิ่มขึ้นอย่างน้อย 25% อีกในช่วงสามปีข้างหน้า นี่ไม่ใช่การเติบโตแบบเส้นตรง แต่เป็นวงจรข้อมูลที่เติบโตอย่างต่อเนื่องและทบต้น เมื่อปริมาณข้อมูลใน Data Lake ที่ใช้รองรับเวิร์กโหลด AI ขยายตัวอย่างต่อเนื่อง องค์กรจำนวนมากยังต้องเก็บข้อมูลสังเคราะห์ ผลลัพธ์การประมวลผล และล็อกการทำงานของโมเดลไว้ใช้อ้างอิงในอนาคตด้วย ข้อมูลเหล่านี้ไม่ใช่เพียงผลพลอยได้ แต่กลับกลายเป็นสินทรัพย์ที่ต้องรักษาไว้ ทำให้ระยะเวลาการจัดเก็บยาวขึ้นและความจุข้อมูลกลายเป็นข้อจำกัดเชิงโครงสร้างที่กระทบทั้งต้นทุนและความคล่องตัวของโครงสร้างพื้นฐาน AI “ตามข้อมูลของ IDC การสร้างข้อมูลระดับโลกต่อปีมีแนวโน้มแตะ 718ZB ภายในปี 2030” ซึ่งยิ่งตอกย้ำว่าการวางแผนโครงสร้างจัดเก็บข้อมูลสำหรับ AI เป็นโจทย์เชิงเศรษฐศาสตร์ระยะยาว ไม่ใช่แค่การเลือกอุปกรณ์ให้แรงทันงานเทรนวันนี้

ทำไมแฟลชชั้นเดียวแพ้เกม เมื่อความจุทะลุจากเพทาไบต์สู่เอกซะไบต์

กลยุทธ์โครงสร้างพื้นฐานแฟลชชั้นเดียวดูเหมือนง่ายและแรงในวันที่ข้อมูลยังเล็กและร้อน ทั้งชุดเทรนหลัก เช็คพอยต์ และล็อกต่างพุ่งเข้าไปอยู่บน SSD ความหน่วงต่ำ แต่เมื่อองค์กรเริ่มกักเก็บข้อมูลจาก AI ยาวนานขึ้นจนขยับจากระดับเพทาไบต์ไปสู่เอกซะไบต์ เศรษฐศาสตร์จัดเก็บข้อมูลรูปแบบนี้เริ่มพังอย่างเงียบๆ เพราะข้อมูลส่วนใหญ่ไม่ได้ถูกใช้งานแบบเรียลไทม์อีกต่อไป สาเหตุสำคัญคือสัดส่วนระหว่างข้อมูลที่แอคทีฟกับข้อมูลที่ถูกเก็บรักษาเริ่มผิดเพี้ยน AI เวิร์กโหลดมักแตะข้อมูลบางชุดเพียงเสี้ยววินาทีในขั้นเทรนหรืออินเฟอเรนซ์ แต่ต้องเก็บชุดข้อมูลอีกจำนวนมากไว้สำหรับการรีเทรน การตรวจสอบ การทำคอมพลายแอนซ์ หรือการย้อนกลับโมเดลในอนาคต หากปล่อยให้ข้อมูลทั้งหมดอยู่บนแฟลชชั้นเดียว องค์กรกำลังจ่ายต้นทุนระดับพรีเมียมให้กับไบต์ที่ส่วนใหญ่นอนนิ่ง บทเรียนที่ชัดคือ เมื่อ retained data เติบโตเร็วกว่าข้อมูลที่ใช้งานอยู่ เศรษฐศาสตร์ของโครงสร้างแฟลชชั้นเดียวจะเริ่มล้มลงเอง การผูกทุกอย่างกับแฟลชทำให้ค่าใช้จ่ายรวมของศูนย์ข้อมูลพุ่งสูง แม้ประสิทธิภาพ GPU หรือซอฟต์แวร์ดีขึ้นก็ตาม เพราะทุกการเก็บถาวรหรือการทำสำเนาเพื่อความปลอดภัยไปเพิ่มขนาดชั้นที่แพงที่สุดของสแตกอยู่ตลอด

โครงสร้างพื้นฐาน SSD HDD แบบหลายชั้น คือคำตอบด้านเศรษฐศาสตร์ไม่ใช่แค่เทคนิค

งานวิจัยและไวท์เปเปอร์ที่สนับสนุนโดย WD สะท้อนแนวคิดร่วมกันอย่างชัดเจนว่า HDD และ SSD รับบทต่างกันในวงจรชีวิตข้อมูลของ AI การควบคุมต้นทุนจึงขึ้นอยู่กับการผูกสื่อจัดเก็บให้ตรงรูปแบบการเข้าถึง ไม่ใช่ความเร็วสูงสุดเพียงมิติเดียว โครงสร้างพื้นฐาน SSD HDD แบบหลายชั้นจึงไม่ใช่คำตอบเชิงเทคนิคเท่านั้น แต่เป็นยุทธศาสตร์ด้านเศรษฐศาสตร์จัดเก็บข้อมูลโดยตรง ในภาพที่ดี โครงสร้างพื้นฐาน AI จะสงวนแฟลชไว้สำหรับข้อมูลร้อนที่ต้องการหน่วงต่ำ ทั้งการสุ่มตัวอย่างชุดเทรน การจัดการฟีเจอร์สโตร์ และเช็คพอยต์ระหว่างเทรน ขณะที่ HDD รับบทเป็นสื่อความจุสำหรับข้อมูลอุ่นและเย็น ตั้งแต่คอร์ปัสต้นฉบับ เช็คพอยต์เก่า ไปจนถึงล็อกและข้อมูลสังเคราะห์เพื่อรีเทรนในอนาคต การแยกบทบาทเช่นนี้ทำให้องค์กรสามารถปล่อยให้การเก็บข้อมูลทบต้นได้โดยไม่ล็อกต้นทุนทุกไบต์ไว้บนแฟลช หัวใจคือการวางกติกาการย้ายชั้นข้อมูลตั้งแต่เนิ่นๆ ก่อนที่ขนาดข้อมูลจะโตจนขยับลำบาก การกำหนด tier rule เร็วช่วยปกป้องพฤติกรรมการกู้คืนข้อมูล รักษาวินัย Capex และเปิดทางให้เข้าถึงข้อมูลที่จำเป็นต่อการพัฒนาคุณภาพโมเดลในระยะยาว โดยไม่ต้องจ่ายแบบเหมาทั้งสแตกให้กับ latency ที่ไม่ได้จำเป็นกับทุกไฟล์

จากคอมพิวต์เป็นข้อมูล องค์กรต้องรีเซ็ตวิธีคิดโครงสร้างพื้นฐาน AI ตั้งแต่วันนี้

ประเด็นสำคัญที่ผู้วางแผนโครงสร้างพื้นฐาน AI มักมองข้ามคือความเร็วในการเข้าถึงและเรียกคืนข้อมูล ซึ่งวันนี้กลายเป็นตัวชี้วัดสำคัญพอๆ กับพลังประมวลผล เมื่อ 96% ขององค์กรคาดว่าต้องสามารถเรียกคืนข้อมูลจากระบบจัดเก็บถาวรได้เร็วขึ้นเพื่อรองรับ AI Inference และการใช้งานแบบ Retrieval Augmented Generation ความสามารถในการดึงข้อมูลกลับมาจึงไม่ใช่เรื่องรองอีกต่อไป พร้อมกันนั้น เกือบ 95% ขององค์กรระบุว่ามูลค่าของข้อมูลเพิ่มขึ้นจากการใช้ AI และ Generative AI และกว่า 74% ยอมรับว่าต้องเก็บข้อมูลนานขึ้น ขณะที่ 75.9% มีการนำ Cold tier Data กลับมาออนไลน์มากขึ้นเพื่อรองรับการใช้งาน AI ภาพรวมทั้งหมดชี้ไปทางเดียวกันว่า องค์กรที่ยังออกแบบโครงสร้างพื้นฐานโดยมองแค่ศูนย์คอมพิวต์กำลังเสี่ยงเจอกับดักต้นทุนและข้อจำกัดด้านความจุ สิ่งที่ควรทำต่อไปคือกำหนดโครงสร้างหลายชั้นให้ชัด วางตำแหน่งแฟลชในส่วนที่ latency มีผลตอบแทนจริง และใช้สื่อความจุรองรับส่วนที่ retention ทบต้น กำหนดกติกาการเคลื่อนย้ายข้อมูลก่อนที่ขนาดจะโตจนขยับไม่ได้ และยอมรับว่าโครงสร้างพื้นฐาน AI ที่ดีคือโครงสร้างที่รักษาสมดุลระหว่างต้นทุน ความจุข้อมูล และประสิทธิภาพการเรียกคืน ไม่ใช่เพียงการซื้อเครื่องให้แรงขึ้นเรื่อยๆ