เอเจนต์ AI และ CPU คืออะไร และทำไม CPU จึงกลับมาอยู่หน้าเวที
เอเจนต์ AI และ CPU หมายถึงแนวโน้มใหม่ของการออกแบบระบบปัญญาประดิษฐ์ที่ย้ายภาระงานจากการประมวลผลบนจีพียูเพียงอย่างเดียว มาเป็นเวิร์กโหลดแบบ Agentic ซึ่งต้องพึ่งการจัดการลอจิก การวางแผน และการประสานงานที่รันบนซีพียูมากขึ้น ทำให้โครงสร้างพื้นฐาน AI ต้องออกแบบโดยมองซีพียูเป็นทรัพยากรหลักระดับเดียวกับจีพียูและหน่วยความจำ ไม่ใช่แค่ชิปเสริมเบื้องหลังอีกต่อไป
แก่นของปรากฏการณ์นี้คือ AI กำลังเปลี่ยนจากแชตบอตที่ตอบแล้วจบ ไปสู่ Agentic AI ที่คิดเป็นขั้นตอน เช่น วางแผน แบ่งงาน เรียกใช้โมเดล ค้นฐานข้อมูล ติดต่อ API เรียกซอฟต์แวร์ ตรวจสอบสิทธิ์ จัดการหน่วยความจำ และประเมินผลลัพธ์ก่อนวนลูปทำงานต่อ ทุกขั้นตอนคือภาระงานที่ต้องใช้ซีพียูในการ orchestration มากกว่าการเดิมทีที่ให้จีพียูรับภาระแทบทั้งหมด
ผลคือสมดุลระหว่างเอเจนต์ AI และ CPU เปลี่ยนจากยุคแชตบอตที่สัดส่วนซีพียูต่อจีพียูราว 1 ต่อ 4–8 ไปสู่ยุคที่องค์กรจำนวนมากเริ่มเห็นสัดส่วนใกล้ 1 ต่อ 1 และบางเวิร์กโหลดมีซีพียูมากกว่าจีพียูด้วยซ้ำ นี่ไม่ใช่รายละเอียดทางเทคนิคเล็กน้อย แต่เป็นการเขียนกติกาใหม่ของโครงสร้างพื้นฐาน AI ประสิทธิภาพ ที่ใครยังคิดว่าซีพียูเป็นของแถมกำลังเดินผิดทางตั้งแต่หน้าแรก
ทำไมงานแบบ Agentic AI ทำให้ซีพียูกลายเป็นคอขวดตัวใหม่
เอเจนต์ AI ไม่ได้แค่เรียกโมเดล LLM แล้วรอคำตอบ แต่เป็นระบบที่ต้องสลับไปมาระหว่างการรันโมเดลบนจีพียู การค้นคืนข้อมูลที่กินหน่วยความจำ และงาน sandbox หรือการประมวลผลโค้ดบนซีพียู ทำให้เวิร์กโหลดแบ่งเป็นทั้ง GPU‑bound, memory‑bound และสำคัญที่สุดคือ CPU‑bound ในส่วนของงานรอบโมเดล เช่น orchestration, tool calling, data processing และการจัดการ workflow ระหว่างหลายเอเจนต์
งานวิจัยที่ศึกษาระบบ Agentic AI หลายแอปพลิเคชันชี้ว่า ในครึ่งหนึ่งของกรณีใช้งาน เวลาที่เสียไปกลับถูกกินโดยส่วนประกอบที่ไม่ใช่โมเดล LLM หลัก ความต่างของเวลาในการทำงานระหว่างงานแต่ละประเภทอาจสูงถึง 32 เท่า แปลว่า ต่อให้เพิ่มจีพียูเข้าไปอีกจำนวนมาก ก็ไม่ได้ทำให้ระบบตอบสนองเร็วขึ้น หากคอขวดจริงอยู่ที่ซีพียูซึ่งต้องจัดการเส้นทางคำสั่งทั้งหมด
แนวโน้มนี้ทำให้โครงสร้างพื้นฐาน AI ประสิทธิภาพที่เคยมองว่าแค่เพิ่มจีพียูก็จบ กลายเป็นสูตรสิ้นเปลืองทันที เพราะเมื่อซีพียูประมวลผลคำสั่งหรือจัดการเครื่องมือไม่ทัน จีพียูก็ต้องรอและทำงานไม่เต็มประสิทธิภาพ การออกแบบดาต้าเซ็นเตอร์ยุคใหม่จึงต้องสร้างสมดุลระหว่าง CPU + GPU + Memory + Network เพื่อไม่ให้ส่วนใดส่วนหนึ่งเป็นคอขวด ใครยังเชื่อว่าสงครามมีแต่จีพียู กำลังมองข้ามสนามรบที่แท้จริง
จากศูนย์กลางคือ GPU สู่ยุคสมดุล CPU‑GPU: ต้นทุนจะเปลี่ยนอย่างไร
เมื่อองค์กรเดินหน้าจาก AI Assistant ไปสู่ Autonomous Agent การตั้งคำถามเรื่องต้นทุนต้องเปลี่ยนทันทีจากว่า “จะทุ่มงบเพิ่มให้ AI แค่ไหน” ไปเป็น “จะใช้เงินกับโครงสร้างพื้นฐาน AI ประสิทธิภาพอย่างไรให้ฉลาดที่สุด” ผู้บริหารจากอุตสาหกรรมชี้ว่า AI ไม่ควรถูกมองเป็นแค่การลงทุนครั้งเดียวในฮาร์ดแวร์ แต่ต้องจัดเป็นค่าใช้จ่ายในการดำเนินงานต่อเนื่อง เพราะเวิร์กโหลดแบบ Agentic AI สามารถดันภาระเครื่องให้สูงขึ้นอย่างมหาศาล
หนึ่งในตัวอย่างที่น่าสนใจคือข้อมูลวิเคราะห์เวิร์กโหลดที่ชี้ว่า เดสก์ท็อประดับมืออาชีพที่รองรับงาน LLM ระดับสูงสามารถเข้าสู่จุดคุ้มทุนได้ภายในช่วงเดือนที่สามเมื่อเทียบกับการใช้บริการผ่านคลาวด์ปริมาณเท่ากัน โดยต้นทุนตลอดสามปีต่ำกว่ามาก อีกกรณีคือการติดตั้งอุปกรณ์ AI PC จำนวน 500 เครื่องแบบไฮบริดครึ่งโลคอลครึ่งคลาวด์ ซึ่งช่วยลดต้นทุนสามปีลงได้ถึง 40–60 เปอร์เซ็นต์ และหากติดตั้งแบบโลคอลทั้งหมดจะบรรลุจุดคุ้มทุนได้ภายในเวลาไม่ถึง 24 เดือน
บทเรียนจากตัวเลขเหล่านี้ชัดเจน การเพิ่มจีพียูโดยไม่คิดถึงสัดส่วนซีพียูและหน่วยความจำคือการใช้เงินผิดด้าน เพราะความต้องการซีพียูอาจเพิ่มจากราว 30 ล้านคอร์ต่อกิกะวัตต์ของดาต้าเซ็นเตอร์เป็น 120 ล้านคอร์ต่อกิกะวัตต์ในยุค Agentic AI หรือเพิ่มขึ้นประมาณ 4 เท่า ใครวางแผนจัดซื้อโดยคิดว่าสัดส่วนซีพียูจะเหมือนยุคเดิมกำลังคำนวณต้นทุนรวมตลอดอายุการใช้งานผิดอย่างน่ากังวล
AGI กับอนาคตที่ซีพียูอาจแพงและขาดตลาดก่อนจีพียู
เมื่อพูดถึง AGI ภาพที่หลายคนคิดคือ AI ระดับใกล้มนุษย์ทำงานแทนคนได้จำนวนมหาศาล แต่คำถามที่ควรถามคู่กันคือ โครงสร้างพื้นฐานต้องใช้ซีพียูเท่าไรจึงจะรองรับเอเจนต์เหล่านั้นได้ หากในอนาคต AGI สามารถทำงานวิจัย เขียนโปรแกรม วิเคราะห์ข้อมูล บริหารธุรกิจ หรือทำงานสำนักงานพร้อมกันนับล้านเอเจนต์ ทุกครั้งที่มีการเรียก API ค้นข้อมูล รันโค้ด หรือประมวลผลผลลัพธ์ ล้วนใช้ซีพียูและหน่วยความจำ
ผลที่ตามมาไม่ใช่แค่ตัวเลขคอร์ที่สูงขึ้น แต่คือความเสี่ยงที่ซีพียูจะกลายเป็นคอขวดตัวใหม่ของโลก AI เมื่อความต้องการเพิ่มตามจำนวนเอเจนต์และความซับซ้อนของงาน ผู้เล่นด้านโครงสร้างพื้นฐานรายใหญ่รายหนึ่งระบุว่าความต้องการ Infrastructure สำหรับ AI เพิ่มขึ้นจนเกิดข้อจำกัดด้านซัพพลายทั้งหน่วยความจำ NAND ซีพียู และสตอเรจ นั่นหมายความว่า หาก AGI กลายเป็นกระแสหลักเร็วเกินไป เราอาจเผชิญยุคซีพียูขาดตลาดก่อนที่สงครามจีพียูจะหายร้อนเสียอีก
แน่นอนว่าอนาคตของราคาและความพร้อมของซีพียูยังขึ้นกับต้นทุนการผลิต กำลังการผลิต ซัพพลายเชน และความต้องการจากตลาดอื่น เช่น พีซีและเซิร์ฟเวอร์ แต่สัญญาณที่เห็นชัดแล้วคือ Agentic AI กำลังเพิ่มความต้องการซีพียูในดาต้าเซ็นเตอร์อย่างเป็นรูปธรรม และถ้าองค์กรยังลงทุนโดยคิดว่าปัญหามีแค่จีพียูไม่พอ เตรียมรับความประหลาดใจจากบิลค่าโครงสร้างพื้นฐานรอบใหม่ได้เลย
กลยุทธ์ใหม่ขององค์กร: ออกแบบระบบให้เอเจนต์ AI ใช้ทรัพยากรอย่างคุ้มที่สุด
ข้อสรุปสำคัญจากทุกสัญญาณคือ องค์กรต้องเลิกคิดแบบเดิมว่าการลงทุน AI คือการ “อัดจีพียูให้เต็มแร็ค” แล้วจบ ความจริงคือการเพิ่มประสิทธิภาพทรัพยากร AI ต้องเริ่มจากการออกแบบสถาปัตยกรรมที่สมดุลและยืดหยุ่น ซีพียู จีพียู หน่วยความจำ และเครือข่ายต้องถูกจัดสรรให้ตรงกับประเภทเวิร์กโหลด ไม่เช่นนั้นส่วนหนึ่งจะกลายเป็นคอขวดและดึงทั้งระบบให้ช้าไปตามกัน
ผู้ผลิตชิปเชิงอุตสาหกรรมรายสำคัญกำลังผลักดันแนวคิดระบบนิเวศแบบเปิด ผ่านแพลตฟอร์มซอฟต์แวร์ AI และมาตรฐานการเชื่อมต่อแบบเปิดอย่าง UALink และ Ultra Ethernet Consortium เพื่อให้เวิร์กโหลด Agentic สามารถกระจายไปยังทรัพยากรที่เหมาะสมที่สุดตั้งแต่ระดับ AI PC ไปจนถึงดาต้าเซ็นเตอร์ แนวคิด Agent Computers หรือคอมพิวเตอร์ที่ถูกออกแบบมาเพื่อรันเอเจนต์ต่อเนื่องบนเครื่อง ชี้ชัดว่าอนาคตของเวิร์กสเตชันองค์กรคือ “ฐานโครงสร้างพื้นฐาน AI ขนาดย่อม” ไม่ใช่แค่เครื่องปลายทางอีกต่อไป
เมื่อเวิร์กโหลดแบบ Agentic AI กลายเป็นเรื่องปกติ ซีพียูจะทวีความสำคัญมากขึ้น เพราะต้องประสานงานระบบ เรียกคำสั่ง และจัดคิวงานร่วมกับเอเจนต์อื่น ถ้าองค์กรยังวัดความพร้อม AI จากจำนวนจีพียูเพียงอย่างเดียว แปลว่ายังวัดผิดตัวชี้วัด การปรับยุทธศาสตร์ให้มองทั้ง CPU GPU Memory และโครงสร้างเครือข่ายแบบองค์รวมต่างหาก ที่จะทำให้ต้นทุน AI ลดลง ในขณะที่ได้ศักยภาพของเอเจนต์ AI สูงขึ้นอย่างแท้จริง
