Abstract pattern of slanted lines and dots.

Similar Posts

  • | | | |

    อนาคตสุดล้ำของระบบประมวลผลบนอวกาศ 2027

    ยุคสมัยที่ Cloud ต้องยึดติดอยู่กับพื้นโลกกำลังจะจบลงแล้…

  • | | | |

    ทำไม AI ถึงเป็นเรื่องของฮาร์ดแวร์พอๆ กับซอฟต์แวร์

    ความเข้าใจทั่วไปเกี่ยวกับปัญญาประดิษฐ์ (AI) มักจะโฟกัสไปที่เรื่องของโค้ดเกือบทั้งหมด ผู้คนมักพูดถึง Large Language Models ราวกับว่ามันดำรงอยู่ได้ด้วยตรรกะอันบริสุทธิ์เพียงอย่างเดียว พวกเขาถกเถียงกันเรื่องความฉลาดของอัลกอริทึมหรือความลึกซึ้งของการตอบโต้จากแชทบอท แต่มุมมองนี้กลับมองข้ามปัจจัยที่สำคัญที่สุดในยุคเทคโนโลยีปัจจุบันไป AI ไม่ใช่แค่เรื่องของซอฟต์แวร์ แต่มันคือเรื่องของอุตสาหกรรมหนัก มันคือเรื่องของการใช้พลังงานไฟฟ้ามหาศาลและขีดจำกัดทางกายภาพของซิลิคอน ทุกครั้งที่คุณถามคำถามกับแชทบอท จะมีกระบวนการทางกายภาพเกิดขึ้นใน Data Center ที่อยู่ห่างออกไปหลายไมล์ กระบวนการนี้ต้องใช้ชิปเฉพาะทางซึ่งกลายเป็นสินค้าที่มีค่าที่สุดในโลกตอนนี้ หากคุณอยากเข้าใจว่าทำไมบางบริษัทถึงกำลังไปได้สวยในขณะที่บางแห่งกำลังล้มเหลว คุณต้องมองไปที่ฮาร์ดแวร์ ซอฟต์แวร์เปรียบเสมือนพวงมาลัย แต่ฮาร์ดแวร์คือเครื่องยนต์และเชื้อเพลิง หากไม่มีโครงสร้างพื้นฐานทางกายภาพ โมเดลที่ล้ำสมัยที่สุดในโลกก็เป็นเพียงแค่ชุดตัวเลขที่ไร้ประโยชน์เท่านั้น เพดานซิลิคอน (The Silicon Ceiling)เป็นเวลาหลายทศวรรษที่การพัฒนาซอฟต์แวร์ดำเนินไปตามเส้นทางที่คาดเดาได้ คุณเขียนโค้ดแล้วมันก็รันบน CPU ทั่วไป ชิปเหล่านี้เป็นแบบอเนกประสงค์ที่จัดการงานต่างๆ ได้หลากหลาย แต่ AI ได้เปลี่ยนความต้องการเหล่านั้นไป โมเดลสมัยใหม่ไม่ต้องการตัวอเนกประสงค์ แต่ต้องการผู้เชี่ยวชาญที่สามารถคำนวณคณิตศาสตร์ง่ายๆ นับพันล้านรายการพร้อมกันได้ ซึ่งเรียกว่าการประมวลผลแบบขนาน (Parallel Processing) อุตสาหกรรมจึงหันไปโฟกัสที่ GPU ชิปเหล่านี้เดิมออกแบบมาเพื่อเรนเดอร์วิดีโอเกม แต่เหล่านักวิจัยพบว่ามันเหมาะอย่างยิ่งสำหรับการคูณเมทริกซ์ที่ขับเคลื่อนโครงข่ายประสาทเทียม (Neural Networks) การเปลี่ยนแปลงนี้สร้างคอขวดขนาดใหญ่ คุณไม่สามารถแค่ดาวน์โหลดความฉลาดเพิ่มได้ แต่คุณต้องสร้างมันขึ้นมาจากส่วนประกอบทางกายภาพที่ผลิตได้ยากเหลือเกิน

  • | | | |

    จากงานวิจัยสู่แอปใช้งานจริง: ไอเดียในห้องแล็บกลายเป็นตัวช่วยในชีวิตประจำวันได้อย่างไร

    ลองจินตนาการว่าคุณตื่นมาแล้วมือถือรู้ใจคุณทันทีว่าต้องช…

  • | | | |

    ต้องรู้! ความเสี่ยง AI ที่คนยุคนี้ควรรู้ไว้จริง ๆ

    เวลาคิดถึงอนาคตของเทคโนโลยี มันก็เหมือนได้ดูหนังสีสันสด…

  • | |

    สิ่งที่ผู้นำด้าน AI กำลังพูดถึงจริงๆ ในปี 2027

    บทสนทนาเกี่ยวกับปัญญาประดิษฐ์ (AI) ได้เปลี่ยนจากการเน้นขนาดของโมเดลไปสู่คุณภาพของกระบวนการคิด ในช่วงไม่กี่ปีที่ผ่านมา อุตสาหกรรมมุ่งเน้นไปที่ scaling laws ซึ่งเป็นแนวคิดที่ว่าข้อมูลและชิปที่มากขึ้นจะนำไปสู่ระบบที่ฉลาดขึ้นอย่างหลีกเลี่ยงไม่ได้ แต่ตอนนี้ผู้นำของห้องแล็บใหญ่ๆ กำลังส่งสัญญาณถึงการเปลี่ยนแปลงครั้งสำคัญ ประเด็นสำคัญคือการขยายขนาดแบบดิบๆ กำลังให้ผลตอบแทนที่ลดน้อยลง แต่ตอนนี้ความสนใจได้เปลี่ยนไปสู่สิ่งที่นักวิจัยเรียกว่า inference-time compute ซึ่งหมายถึงการให้เวลาโมเดลได้คิดมากขึ้นก่อนที่จะตอบออกมา ในปี 2027 นี้ เรากำลังเห็นจุดจบของยุคแชทบอทและจุดเริ่มต้นของยุคแห่งการใช้เหตุผล การเปลี่ยนแปลงนี้ไม่ใช่แค่การปรับแต่งทางเทคนิค แต่มันคือการเคลื่อนไหวพื้นฐานจากการตอบสนองที่รวดเร็วและเป็นสัญชาตญาณแบบระบบยุคแรก ไปสู่รูปแบบของความฉลาดที่ไตร่ตรองและมีกลยุทธ์มากขึ้น ผู้ใช้ที่คาดหวังให้โมเดลทำงานเร็วขึ้นกำลังพบว่าเครื่องมือที่ล้ำสมัยที่สุดกลับทำงานช้าลง แต่พวกมันกลับมีความสามารถในการแก้ปัญหาที่ยากๆ ในด้านคณิตศาสตร์ วิทยาศาสตร์ และตรรกะได้ดีขึ้นอย่างเห็นได้ชัด การเปลี่ยนผ่านจากความเร็วสู่กลยุทธ์เพื่อให้เข้าใจว่าเกิดอะไรขึ้น เราต้องดูว่าโมเดลเหล่านี้ทำงานอย่างไร โมเดลภาษาขนาดใหญ่ (LLM) ในยุคแรกส่วนใหญ่ทำงานบนสิ่งที่นักจิตวิทยาเรียกว่า System 1 thinking ซึ่งเป็นการคิดที่รวดเร็ว สัญชาตญาณ และใช้อารมณ์ เมื่อคุณถามคำถามโมเดลมาตรฐาน มันจะทำนายโทเค็นถัดไปเกือบทันทีโดยอิงจากรูปแบบที่เรียนรู้ระหว่างการฝึก มันไม่ได้วางแผนคำตอบจริงๆ มันแค่เริ่มพูด ทิศทางใหม่ที่บริษัทอย่าง OpenAI สนับสนุนคือการก้าวไปสู่ System 2 thinking ซึ่งช้ากว่า มีการวิเคราะห์และเป็นเหตุเป็นผลมากกว่า คุณสามารถเห็นสิ่งนี้ได้เมื่อโมเดลหยุดพักเพื่อตรวจสอบขั้นตอนของตัวเองหรือแก้ไขตรรกะกลางคัน กระบวนการนี้เรียกว่า

  • | | | |

    การเติบโตของ Data Centre กับการแข่งขันในโลก AI

    ขีดจำกัดทางกายภาพของปัญญาประดิษฐ์การแข่งขันด้าน AI ได้ย้ายจากห้องแล็บวิจัยมาสู่ไซต์งานก่อสร้างแล้ว หลายปีที่ผ่านมาอุตสาหกรรมนี้มุ่งเน้นไปที่ความล้ำสมัยของโค้ดและขนาดของ neural networks แต่ปัจจุบันข้อจำกัดหลักกลับเป็นเรื่องพื้นฐานกว่านั้นมาก ไม่ว่าจะเป็นที่ดิน พลังงาน น้ำ และทองแดง หากคุณต้องการสร้าง large language models รุ่นถัดไป คุณไม่ได้ต้องการเพียงแค่ algorithm ที่ดีขึ้นเท่านั้น แต่คุณต้องการอาคารขนาดมหึมาที่เต็มไปด้วยชิปเฉพาะทางหลายพันตัว ซึ่งกินไฟพอๆ กับเมืองเล็กๆ เมืองหนึ่ง การเปลี่ยนผ่านจากซอฟต์แวร์ไปสู่โครงสร้างพื้นฐานขนาดใหญ่นี้ได้เปลี่ยนธรรมชาติของการแข่งขันในวงการเทคไปโดยสิ้นเชิง มันไม่ใช่แค่เรื่องของใครมีวิศวกรที่เก่งที่สุดอีกต่อไป แต่เป็นเรื่องของใครที่สามารถเข้าถึงโครงข่ายไฟฟ้าและโน้มน้าวให้รัฐบาลท้องถิ่นยอมให้สร้างอาคารที่ใช้น้ำหลายล้านแกลลอนเพื่อระบายความร้อนได้ ทุกครั้งที่ผู้ใช้พิมพ์คำสั่งลงใน chatbot ห่วงโซ่ของเหตุการณ์ทางกายภาพจะเริ่มต้นขึ้น คำขอนั้นไม่ได้ลอยอยู่ใน cloud แต่มันอยู่ใน rack ของเซิร์ฟเวอร์ ซึ่งเซิร์ฟเวอร์เหล่านี้กำลังหนาแน่นและร้อนขึ้นเรื่อยๆ การเติบโตของศูนย์ข้อมูลเหล่านี้คือการขยายตัวทางกายภาพที่สำคัญที่สุดในประวัติศาสตร์อุตสาหกรรมเทค มันเป็นการเดิมพันครั้งใหญ่กับอนาคตของ compute แต่การเติบโตนี้กำลังชนเข้ากับกำแพงของความเป็นจริงทางกายภาพ เรากำลังเห็นการเปลี่ยนผ่านจากแนวคิดนามธรรมของอินเทอร์เน็ต ไปสู่โลกที่ data centers มีความสำคัญและเป็นที่ถกเถียงพอๆ กับโรงกลั่นน้ำมันหรือโรงไฟฟ้า นี่คือความจริงใหม่ของการแข่งขัน AI ซึ่งเป็นการแย่งชิงทรัพยากรพื้นฐานของโลกทางกายภาพ จากโค้ดสู่คอนกรีตและทองแดงการสร้าง data center สมัยใหม่คือการฝึกฝนด้านวิศวกรรมอุตสาหการ