โครงสร้างพื้นฐาน AI คืออะไร และวิกฤตเริ่มต้นตรงไหน
โครงสร้างพื้นฐาน AI หมายถึงชุดของเซิร์ฟเวอร์ ระบบจัดเก็บข้อมูล เครือข่าย หน่วยความจำ และพลังงานที่ออกแบบให้ทำงานร่วมกันเพื่อรองรับการประมวลผลของโมเดลปัญญาประดิษฐ์ ตั้งแต่การฝึกสอน การอนุมานแบบเรียลไทม์ ไปจนถึงงานซับซ้อนของ agentic AI ที่ต้องเชื่อมต่อข้อมูลและบริการหลายระบบอย่างต่อเนื่อง โครงสร้างพื้นฐานนี้ต้องทั้งทรงพลัง ปรับแต่งได้ และมีการออกแบบระดับระบบเพื่อให้ใช้ทรัพยากรได้คุ้มค่ามากที่สุด ประเด็นสำคัญในวันนี้คือความต้องการโครงสร้างพื้นฐาน AI เพิ่มขึ้นเร็วกว่าความสามารถในการผลิตและส่งมอบ ผู้ให้บริการรายใหญ่เริ่มรายงานสัญญาณชัดเจนว่าความต้องการติดตั้งเซิร์ฟเวอร์และระบบเก็บข้อมูลเพื่อรองรับ agentic AI กำลังพุ่งจนเกิด AI infrastructure bottleneck ที่ไม่ใช่แค่การขาดแคลนเครื่อง แต่เป็นการขาดทั้งความชำนาญในการออกแบบ การติดตั้ง และการจัดการศูนย์ข้อมูลที่มี data center capacity จำกัด
กรณี Dell และภาวะติดค้างคำสั่งซื้อ สัญญาณวิกฤต server shortage crisis
สิ่งที่ทำให้หลายคนเริ่มตระหนักว่าปัญหาโครงสร้างพื้นฐาน AI รุนแรงกว่าที่คิด คือรายงานของ Dell ว่ามี AI backlog มูลค่า 95B ซึ่งสะท้อนชัดว่าตลาดต้องการเซิร์ฟเวอร์และระบบเก็บข้อมูลเพื่อ deployment ของ agentic AI มากกว่าที่สายการผลิตจะตามทัน ตามคำอธิบายของผู้นำองค์กร Dell ระบุว่าลูกค้ารายใหญ่ทั่วโลกอยากได้สินค้าทันทีถ้ามีของพอ และบอกตรงๆ ว่า "เราถูกจำกัดด้วยซัพพลายในสิ่งที่สร้างได้ในแต่ละไตรมาส" เบื้องหลัง server shortage crisis นี้ไม่ใช่แค่ตู้เซิร์ฟเวอร์ไม่พอ แต่เป็นการขาดแคลนชิ้นส่วนทั้งห่วงโซ่ ตั้งแต่ DRAM ที่ถูกเรียกซ้ำๆ ว่าเป็นข้อจำกัดอันดับแรก ตามด้วย NAND แฟลช ไปจนถึงไมโครคอนโทรลเลอร์ ดิสก์ไดรฟ์ และทรานซิสเตอร์ ผู้ประกอบการไม่ได้ต้องการเฉพาะเครื่องแรง แต่ต้องการดีไซน์เฉพาะงาน ซอฟต์แวร์ปรับแต่ง และการออกแบบด้านพลังงานและความเย็นให้เหมาะกับสภาพศูนย์ข้อมูลแต่ละแห่ง
เมื่อขยายศูนย์ข้อมูลไม่พอ ต้องคิดใหม่แบบ cross-layer design
การตอบสนองต่อ agentic AI demand ด้วยการตั้งเป้าสร้างศูนย์ข้อมูลเพิ่มอย่างเดียวกำลังแสดงให้เห็นข้อจำกัดที่ชัดเจน พื้นที่ไฟฟ้า ระบบน้ำหล่อเย็น และเงื่อนไขทางสิ่งแวดล้อมทำให้ data center capacity ไม่สามารถเพิ่มแบบไร้ขีดจำกัด แนวคิดที่เน้นขยายเฉพาะจำนวนชิปหรือเซิร์ฟเวอร์จึงเริ่มถึงทางตัน จุดหักเหสำคัญคือการยอมรับว่าโครงสร้างพื้นฐานต้องมองใหม่ในระดับระบบ ไม่ใช่การอัพเกรดชิ้นส่วนทีละจุด ในเวที SEMICON Taiwan Rani Borkar ประธานด้านคลาวด์ฮาร์ดแวร์และโครงสร้างพื้นฐานของ Microsoft Azure ชี้ว่าตัวชี้วัดที่ดีของโครงสร้างพื้นฐาน AI ไม่ใช่แค่ปริมาณการประมวลผลที่ติดตั้ง แต่คือ "effective output" หรือการเปลี่ยนทรัพยากรให้กลายเป็นผลลัพธ์ที่มีคุณค่า เธอเสนอแนวคิด cross-layer design ที่ผสานการออกแบบตั้งแต่ระดับชิป หน่วยความจำ เครือข่าย พลังงาน และระบบระบายความร้อน ไปจนถึงซอฟต์แวร์ โมเดล และรูปแบบงานให้สอดประสานกัน
จากการขยายดิบสู่การเพิ่ม useful yield ทางออกของ AI infrastructure bottleneck
ถ้ามองปัญหาโครงสร้างพื้นฐาน AI เป็นเพียงเรื่อง "ของไม่พอ" เราจะหมดทางเลือกนอกจากสร้างศูนย์ข้อมูลใหญ่ขึ้นเรื่อยๆ และติดอยู่ในวงจร server shortage crisis แบบไม่สิ้นสุด มุมมองที่น่าสนใจของ Microsoft คือการย้ายโฟกัสจาก "raw capacity" ไปสู่ "useful yield" ถามตรงๆ ว่าแต่ละบาทที่ลงทุนและแต่ละวัตต์พลังงานที่ใช้ สามารถเปลี่ยนเป็นโทเคนหรือผลลัพธ์ที่มีค่าได้มากแค่ไหน แนวคิดนี้บังคับให้ทุกฝ่ายต้องออกแบบให้ประสิทธิภาพรวมดีขึ้น ไม่ใช่แค่ตัวเลขสเปกสวย การเพิ่ม useful yield ไม่ได้จำกัดอยู่ที่ชิปหรือหน่วยความจำ แต่ต้องอาศัยการร่วมมือทั้งห่วงโซ่ ตั้งแต่ผู้ผลิตอุปกรณ์และวัสดุ ผู้ให้บริการสาธารณูปโภค บริษัทศูนย์ข้อมูล ไปจนถึงนักพัฒนาโมเดลและวิศวกรซอฟต์แวร์ เมื่อทุกชั้นของระบบถูกออกแบบให้ทำงานเข้ากันได้ดีขึ้น ปัญหา AI infrastructure bottleneck จะถูกคลี่ออกบางส่วนแม้ data center capacity จะยังมีกรอบจำกัด
บทสรุปสำหรับองค์กร: หยุดคิดแบบซื้อเครื่องเพิ่ม แล้วเริ่มคิดแบบระบบ
วิกฤต AI infrastructure ที่เราเห็นผ่านตัวเลข backlog ของ Dell และข้อเสนอจาก Microsoft เป็นสัญญาณชัดว่าโลกกำลังก้าวเข้าสู่ยุคที่การลงทุนในโครงสร้างพื้นฐาน AI ต้องฉลาดกว่าการสั่งซื้อเซิร์ฟเวอร์ล็อตใหญ่แบบเดิม องค์กรที่คิดจะผลักดัน agentic AI ให้ทำงานในระดับธุรกิจต้องยอมรับว่าเกมเปลี่ยนไปแล้ว ข้อจำกัดของ DRAM NAND และชิ้นส่วนอื่น รวมถึงเพดานของ data center capacity บังคับให้ทุกคนใส่ใจการออกแบบเชิงระบบ ข้อคิดสำคัญคือ โครงสร้างพื้นฐาน AI ที่ดีไม่ใช่แค่ใหญ่ แต่ต้องออกแบบให้มีประสิทธิภาพสูงและสามารถสร้างผลลัพธ์ที่จับต้องได้ การยอมลงทุนในความรู้ด้าน cross-layer design การวัดผลแบบ useful yield และการร่วมมือกับพันธมิตรตลอดห่วงโซ่ จะเป็นตัวแบ่งว่าองค์กรไหนสามารถเปลี่ยน AI ให้เป็นความได้เปรียบเชิงการแข่งขัน และองค์กรไหนจะติดอยู่ในคิวรอเครื่องที่ไม่มีวันสั้นลง
