ยุคที่สตอเรจคือหัวใจของโครงสร้างพื้นฐาน AI
สถาปัตยกรรมสตอเรจสำหรับ AI inference คือแนวทางออกแบบหน่วยความจำและระบบจัดเก็บข้อมูลเพื่อรองรับโมเดล AI ขนาดใหญ่ หน้าต่างบริบทที่ยาวขึ้น และเวิร์กโหลดแบบ agentic โดยเน้นสมดุลระหว่างความจุ แบนด์วิดท์ ประสิทธิภาพการใช้พลังงาน และต้นทุนต่อโทเคน เพื่อให้การให้บริการ AI ในระดับดาต้าเซ็นเตอร์และระบบคลาวด์สามารถขยายตัวได้อย่างยืดหยุ่นและคุ้มค่าในทางเศรษฐกิจ. ประเด็นที่มักถูกมองข้ามคือโครงสร้างพื้นฐาน AI ไม่ได้ติดคอขวดที่พลังประมวลผลเพียงอย่างเดียวอีกต่อไป แต่เริ่มติดที่ระบบจัดเก็บและเคลื่อนย้ายข้อมูล เมื่อโมเดล AI เติบโตทั้งด้านขนาดและความซับซ้อน ความต้องการแบนด์วิดท์และพลังงานของ AI inference ก็พุ่งขึ้น จนทำให้สตอเรจกลายเป็นปัจจัยเชิงกลยุทธ์ ไม่ใช่แค่ส่วนประกอบเสริมในดาต้าเซ็นเตอร์อีกต่อไป. การเปลี่ยนผ่านนี้เปิดทางให้ทั้งนวัตกรรม NAND flash technology รุ่นใหม่ และสถาปัตยกรรม data center infrastructure แบบกระจายศูนย์เข้ามาชิงบทบาทผู้นำ
Sandisk ดัน NAND เจเนอเรชันใหม่เพื่อสลายกำแพงแบนด์วิดท์
ในงาน Future of Memory and Storage 2026 Sandisk เลือกใช้เวทีนี้ประกาศทิศทางใหม่ของ AI inference storage ด้วยการเปิดตัว BiCS10 QLC NAND และเทคโนโลยี High Bandwidth Flash (HBF) เพื่อตอบโจทย์ความจุและประสิทธิภาพการใช้พลังงานของโครงสร้างพื้นฐาน AI inference ขนาดใหญ่. จุดยืนสำคัญคือสตอเรจต้องเก่งทั้งด้านความหนาแน่นข้อมูล ความเร็ว และการกินไฟ ไม่ใช่เน้นด้านใดด้านหนึ่งแล้วผลักภาระไปให้ผู้ใช้จัดการความซับซ้อนเอง BiCS10 QLC NAND ถูกออกแบบเป็น 3D NAND เจเนอเรชันใหม่ที่เพิ่มความหนาแน่นของข้อมูลและประสิทธิภาพสำหรับงาน AI บนคลาวด์และดาต้าเซ็นเตอร์ โดยวางตัวเป็นฐานหลักของ model storage, fast data lakes และคลังข้อมูลสำหรับ retrieval-augmented generation (RAG). ขณะเดียวกัน HBF™ ถูกพัฒนาบนพื้นฐาน NAND เพื่อปลดล็อกแบนด์วิดท์ระดับสูงที่ AI inference ต้องการในระดับระบบ พร้อมทำงานคู่กับ enterprise SSD ที่รองรับ KV cache workloads และดีไซน์ E3.S ความจุสูงเพื่อลดการใช้ DRAM อย่างมีนัยสำคัญ. คำกล่าวของ Khurram Ismail ว่า "โครงสร้างพื้นฐานด้าน AI ได้ก้าวเข้าสู่ยุคใหม่ที่ความสามารถในการจัดเก็บ เคลื่อนย้าย และเข้าถึงข้อมูล มีความสำคัญไม่ยิ่งหย่อนไปกว่าศักยภาพด้านการประมวลผล" สะท้อนชัดว่าสตอเรจกำลังถูกยกระดับเป็นพลเมืองชั้นหนึ่งในโลก AI.
| Spec | BiCS10 QLC NAND | HBF™ Flash |
|---|---|---|
| บทบาทหลัก | สตอเรจความหนาแน่นสูงสำหรับ AI inference storage และคลาวด์ | หน่วยความจำแบนด์วิดท์สูงสำหรับ AI inference ขนาดใหญ่ |
| โฟกัสด้านสมรรถนะ | ประสิทธิภาพ + ความจุ + ประสิทธิภาพการใช้พลังงาน | แบนด์วิดท์สูง ลดกำแพงหน่วยความจำสำหรับเวิร์กโหลด AI |
| เวิร์กโหลดเป้าหมาย | fast data lakes, model storage, RAG | KV cache, inference ที่ต้องการแบนด์วิดท์ต่อโทเคนสูง |
Sonic Inference Pod: ศูนย์ข้อมูล AI แบบโมดูลาร์ที่ท้าทาย Hyperscale
ในอีกด้านของสนาม Runware กำลังเขย่าแบบจำลอง data center infrastructure ด้วย Sonic Inference Pod ศูนย์ข้อมูล AI แบบ modular AI systems ที่ออกแบบมาให้เคลื่อนย้ายได้เหมือนตู้คอนเทนเนอร์ พร้อมวางตำแหน่งเป็นทางเลือกแทนโปรเจกต์ดาต้าเซ็นเตอร์ขนาดยักษ์ของเหล่า hyperscaler. แนวคิดนี้ออกจะสวนทางกับกระแสการสร้างศูนย์ข้อมูลระดับเมือง แต่สะท้อนความเชื่อว่าการประมวลผลแบบกระจายศูนย์ใกล้ผู้ใช้ปลายทางจะเป็นผู้ชนะในเกมระยะยาว. Sonic Inference Pod สามารถเพิ่มขีดความสามารถได้ทันทีด้วยการติดตั้งยูนิตใหม่ แทนการขยายศูนย์ข้อมูลแบบตายตัวที่กินทั้งเวลาและทรัพยากร. ข้อได้เปรียบเชิงปฏิบัติคือสามารถติดตั้งและเปิดใช้งานได้ในทุกพื้นที่ที่มีแหล่งจ่ายไฟ ไม่ใช้น้ำในการระบายความร้อน และใช้เวลาสร้างเสร็จภายในไม่กี่วัน เทียบกับดาต้าเซ็นเตอร์แบบเดิมที่ใช้เวลาตั้งแต่หลายเดือนถึงหลายปี. ปัจจุบัน Runware นำร่องใช้งานแล้ว 10 Pod ทั่วสหรัฐอเมริกา ยุโรป และเอเชียแปซิฟิก โดยมีพื้นที่รองรับกว่า 160 ไซต์ และตั้งเป้าระยะยาวหลังการระดมทุน Series A มูลค่า USD 50 ล้าน (approx. ฿1,800,000,000) ให้กลายเป็นโครงสร้างพื้นฐานระดับแกนกลางสำหรับรันโมเดล AI ของโลก โดยไม่กลายเป็นคอขวดของอุตสาหกรรม.
สมดุลใหม่ของความจุ พลังงาน และความยืดหยุ่นในยุคโมเดลใหญ่
ทั้ง BiCS10 QLC NAND, HBF™ และ Sonic Inference Pod สะท้อนภาพเดียวกัน คืออุตสาหกรรมกำลังเดินออกจากยุคที่ตอบโจทย์ด้วยการ “ใส่ GPU เพิ่ม” ไปสู่ยุคที่ต้องออกแบบสถาปัตยกรรมให้สมดุลทั้งแนวตั้งและแนวนอน ตั้งแต่ NAND flash technology ที่เน้นความจุและแบนด์วิดท์ต่อวัตต์ ไปจนถึง data center infrastructure แบบกระจายศูนย์ที่ลดการสูญเสียพลังงานในระบบกริดและลดแรงกระแทกต่อชุมชนที่ต้องแบกรับค่าสาธารณูปโภคที่พุ่งสูงขึ้น. Runware เลือกใช้พลังงานจากระบบกริดที่มีอยู่แล้วแทนการขอสร้างกำลังการผลิตใหม่ และใช้การออกแบบแบบ modular เพื่อให้แต่ละ Pod เชื่อมต่อกันเป็นเครือข่ายเดียว หากยูนิตใดขัดข้อง ทราฟฟิกสามารถย้ายไปยัง Pod อื่นทันที ผลกระทบจึงถูกจำกัด และลูกค้าองค์กรยังสามารถเช่าใช้ทั้ง Pod แบบส่วนตัวเพื่อรองรับฮาร์ดแวร์เฉพาะได้. ในอีกฟาก Sandisk ใช้เฟรมเวิร์ก AI Data Cycle เพื่อวิเคราะห์ความต้องการสตอเรจตั้งแต่คลังข้อมูลดิบ การฝึกโมเดล ไปจนถึง AI inference และคลังคอนเทนต์ที่สร้างโดย AI ซึ่งบังคับให้การออกแบบต้องคิดเชื่อมโยงทั้งวงจร ไม่ใช่แค่จุดใดจุดหนึ่ง.
ข้อสรุป: AI ยุคใหม่ต้องคิดถึงสตอเรจและโครงสร้างแบบกระจายเป็นอันดับแรก
เมื่อโมเดล AI โตขึ้นทั้งด้านขนาดและบริบท หน่วยประมวลผลเพียงอย่างเดียวไม่สามารถแบกรับภาระได้อีกต่อไป ความสำเร็จของการให้บริการ AI inference จึงขึ้นอยู่กับสถาปัตยกรรมสตอเรจและโครงสร้างพื้นฐานที่กล้าออกแบบใหม่ตั้งแต่ฐานราก ไม่ว่าจะเป็นการยกระดับ NAND ให้กลายเป็น High Bandwidth Flash หรือการจัดวางศูนย์ข้อมูล AI แบบ modular ให้เข้าใกล้ผู้ใช้มากขึ้น. องค์กรที่ยังคิดเรื่องสตอเรจเป็นเพียงที่เก็บข้อมูลราคาถูกกำลังเสี่ยงตกขบวน ในขณะที่ผู้เล่นที่มองเห็นคุณค่าของ AI inference storage ที่ออกแบบเฉพาะงาน และโครงสร้างพื้นฐานแบบกระจายที่ขยายได้ตามความต้องการจริงจะมีโอกาสสร้างบริการ AI ที่ตอบสนองเร็วขึ้น ใช้พลังงานคุ้มค่ากว่า และสามารถควบคุมต้นทุนต่อโทเคนได้ดีกว่าในตลาดที่การแข่งขันรุนแรงขึ้นทุกวัน. บทเรียนสำคัญจากแนวทางของ Sandisk และ Runware คือยุคใหม่ของ AI ต้องเริ่มจากคำถามว่า “เราจะจัดเก็บ เคลื่อนย้าย และเข้าถึงข้อมูลอย่างไร” ก่อนถามว่า “เราจะเพิ่ม GPU อีกกี่ตัว”
