เบื้องหลัง AI ที่คุณไม่เคยเห็น: ชิป คลาวด์ และอุตสาหกรรมขนาดใหญ่

หลายคนมักมองว่าปัญญาประดิษฐ์ (AI) เป็นเพียงอัลกอริทึมที่ล่องลอยอยู่ในคลาวด์ แต่ความจริงแล้วนั่นเป็นเพียงภาพฝันที่มองข้ามเครื่องจักรขนาดมหึมาที่คอยขับเคลื่อนระบบเหล่านี้อยู่ เบื้องหลัง AI ในยุคปัจจุบันคือโลกแห่งความเป็นจริงของสายส่งไฟฟ้าแรงสูง ระบบทำความเย็นขนาดใหญ่ และการผลิตซิลิคอนเฉพาะทาง ในขณะที่ซอฟต์แวร์อัปเดตได้รวดเร็วปานสายฟ้าแลบ แต่โครงสร้างพื้นฐานที่รองรับกลับต้องใช้เวลาสร้างด้วยคอนกรีตและเหล็กกล้า ความก้าวหน้าของโมเดลขนาดใหญ่กำลังเผชิญกับข้อจำกัดทางฟิสิกส์และโลจิสติกส์ เรากำลังเห็นการเปลี่ยนแปลงที่ความสามารถในการขอเชื่อมต่อไฟฟ้าหรือใบอนุญาตสร้างศูนย์ข้อมูล (Data Center) มีความสำคัญไม่น้อยไปกว่าการเขียนโค้ดให้มีประสิทธิภาพ การเข้าใจอนาคตของเทคโนโลยีจึงต้องมองข้ามหน้าจอไปสู่ภาคอุตสาหกรรมหนักที่คอยสนับสนุนมัน คอขวดในตอนนี้ไม่ใช่แค่ความฉลาดของมนุษย์ แต่คือความพร้อมของที่ดิน น้ำ และไฟฟ้าในระดับที่อุตสาหกรรมไม่กี่แห่งเคยต้องการมาก่อน

น้ำหนักทางอุตสาหกรรมของปัญญาประดิษฐ์เสมือน

ฮาร์ดแวร์ที่จำเป็นสำหรับ AI นั้นซับซ้อนกว่าอุปกรณ์เซิร์ฟเวอร์ทั่วไปมาก เริ่มต้นจากการออกแบบชิปเฉพาะทาง แต่เรื่องราวก็ขยายไปถึงการบรรจุภัณฑ์ (Packaging) และหน่วยความจำ High Bandwidth Memory (HBM) เป็นสิ่งจำเป็นสำหรับการป้อนข้อมูลเข้าสู่โปรเซสเซอร์ให้เร็วพอที่จะรักษาประสิทธิภาพการทำงาน หน่วยความจำเหล่านี้ถูกวางซ้อนกันในแนวตั้งและรวมเข้ากับโปรเซสเซอร์โดยใช้เทคนิคขั้นสูงอย่าง Chip on Wafer on Substrate กระบวนการนี้ถูกจัดการโดยบริษัทเพียงไม่กี่แห่ง ทำให้เกิดคอขวดแคบๆ สำหรับห่วงโซ่อุปทานทั่วโลก ระบบเครือข่ายก็เป็นอีกหนึ่งองค์ประกอบทางกายภาพที่สำคัญ ระบบเหล่านี้ไม่ได้ทำงานแยกส่วนกัน แต่ต้องการการเชื่อมต่อความเร็วสูงอย่าง InfiniBand เพื่อให้ชิปนับพันตัวทำงานเป็นหน่วยเดียว สิ่งนี้สร้าง ข้อจำกัดทางกายภาพ ในการสร้างศูนย์ข้อมูล เพราะความยาวของสายทองแดงหรือสายไฟเบอร์อาจส่งผลต่อความเร็วของทั้งระบบ

การผลิตส่วนประกอบเหล่านี้กระจุกตัวอยู่ในโรงงานเฉพาะทางเพียงไม่กี่แห่ง บริษัทอย่าง TSMC ผลิตชิประดับไฮเอนด์ส่วนใหญ่ของโลก การกระจุกตัวนี้หมายความว่าเหตุการณ์ในท้องถิ่นหรือการเปลี่ยนแปลงนโยบายการค้าเพียงครั้งเดียวอาจหยุดยั้งความก้าวหน้าของทั้งอุตสาหกรรมได้ ความซับซ้อนของอุปกรณ์การผลิตก็เป็นอีกปัจจัย เครื่องจักรที่ใช้เทคโนโลยี Extreme Ultraviolet Lithography (EUV) คือเครื่องมือที่ซับซ้อนที่สุดเท่าที่มนุษย์เคยสร้างมา ซึ่งผลิตโดยบริษัทเดียวในโลกและต้องใช้เวลารอคิวนานหลายปีกว่าจะได้ติดตั้ง นี่ไม่ใช่โลกของการพัฒนาที่รวดเร็ว แต่เป็นโลกของการวางแผนระยะยาวและการลงทุนมหาศาล โครงสร้างพื้นฐานคือรากฐานของทุกแชทบอทและโปรแกรมสร้างภาพ หากไม่มีชั้นทางกายภาพนี้ ซอฟต์แวร์ก็ไม่สามารถดำรงอยู่ได้

• เทคนิคการบรรจุภัณฑ์ขั้นสูงอย่าง CoWoS กำลังเป็นคอขวดหลักในการผลิตชิป
• การผลิต High Bandwidth Memory ต้องการโรงงานเฉพาะทางที่ปัจจุบันกำลังผลิตเต็มกำลัง
• ฮาร์ดแวร์เครือข่ายต้องถูกออกแบบมาเพื่อรองรับปริมาณข้อมูลมหาศาลโดยมีความหน่วงต่ำที่สุด
• อุปกรณ์การผลิตสำหรับโหนดล่าสุดมีคิวรอคอยยาวนานหลายปี
• การกระจุกตัวของการผลิตในภูมิภาคเฉพาะสร้างความเสี่ยงอย่างมากต่อห่วงโซ่อุปทาน

แผนที่ภูมิรัฐศาสตร์ของพลังการประมวลผล

การกระจุกตัวของการผลิตฮาร์ดแวร์ทำให้ AI กลายเป็นเรื่องของความมั่นคงของชาติ รัฐบาลต่างๆ กำลังใช้มาตรการควบคุมการส่งออกเพื่อจำกัดการไหลเวียนของชิปไฮเอนด์และอุปกรณ์การผลิตไปยังบางภูมิภาค มาตรการเหล่านี้ไม่ได้เกี่ยวกับแค่ตัวชิปเท่านั้น แต่ยังรวมถึงความรู้ที่จำเป็นในการสร้างและบำรุงรักษาเครื่องจักรที่ผลิตชิปเหล่านั้นด้วย สิ่งนี้สร้างสภาพแวดล้อมที่แตกแยกซึ่งแต่ละส่วนของโลกเข้าถึงพลังการประมวลผลได้ในระดับที่แตกต่างกัน ช่องว่างนี้ส่งผลกระทบต่อทุกอย่างตั้งแต่ผลิตภาพทางธุรกิจไปจนถึงการวิจัยทางวิทยาศาสตร์ บริษัทต่างๆ ถูกบีบให้ต้องพิจารณาที่ตั้งทางภูมิศาสตร์ของศูนย์ข้อมูล ไม่ใช่แค่เรื่องความหน่วง แต่รวมถึงเสถียรภาพทางการเมืองและการปฏิบัติตามกฎระเบียบ นี่เป็นการเปลี่ยนแปลงครั้งใหญ่จากยุคแรกเริ่มของอินเทอร์เน็ตที่ตำแหน่งทางกายภาพของเซิร์ฟเวอร์แทบไม่มีความสำคัญ

อำนาจทางธุรกิจในยุคใหม่นี้ตกอยู่ในมือของผู้ที่ควบคุมโครงสร้างพื้นฐาน ผู้ให้บริการคลาวด์ที่สั่งซื้อชิปจำนวนมากไว้ล่วงหน้าหลายปีจึงได้เปรียบอย่างมหาศาลเหนือผู้เล่นหน้าใหม่ การกระจุกตัวของอำนาจนี้เป็นผลโดยตรงจากความต้องการทางกายภาพของเทคโนโลยี สำหรับความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับพลวัตเหล่านี้ คุณสามารถอ่าน บทวิเคราะห์เชิงลึกเกี่ยวกับโครงสร้างพื้นฐานของ AI เพื่อดูว่าฮาร์ดแวร์กำหนดทิศทางซอฟต์แวร์อย่างไร ต้นทุนการเข้าสู่ตลาดสำหรับการสร้างโมเดลขนาดใหญ่ที่แข่งขันได้นั้นวัดกันที่เงินหลายพันล้านดอลลาร์ในรูปแบบฮาร์ดแวร์ สิ่งนี้สร้างกำแพงที่เอื้อต่อยักษ์ใหญ่ที่มั่นคงและหน่วยงานที่รัฐหนุนหลัง ในปัจจุบัน จุดสนใจได้เปลี่ยนจากใครมีอัลกอริทึมที่ดีที่สุด ไปสู่ใครมีห่วงโซ่อุปทานที่น่าเชื่อถือที่สุดและมีศูนย์ข้อมูลที่ใหญ่ที่สุด แนวโน้มนี้มีแนวโน้มที่จะดำเนินต่อไปเมื่อโมเดลต่างๆ เติบโตขึ้นทั้งในด้านขนาดและความซับซ้อน

คอนกรีตและการระบายความร้อนในโลกแห่งความเป็นจริง

ผลกระทบต่อสิ่งแวดล้อมของ AI มักถูกซ่อนไว้จากผู้ใช้ปลายทาง การสืบค้นข้อมูลเพียงครั้งเดียวในโมเดลภาษาขนาดใหญ่ (LLM) อาจใช้พลังงานมากกว่าการสืบค้นผ่านเครื่องมือค้นหาทั่วไปอย่างมาก การใช้พลังงานนี้เปลี่ยนเป็นความร้อนซึ่งต้องจัดการด้วยระบบทำความเย็นขนาดใหญ่ ระบบเหล่านี้มักใช้น้ำหลายล้านแกลลอนทุกวัน ในภูมิภาคที่เผชิญกับการขาดแคลนน้ำ สิ่งนี้สร้างการแข่งขันโดยตรงระหว่างบริษัทเทคโนโลยีและชุมชนท้องถิ่น ความหนาแน่นของพลังงาน ในศูนย์ข้อมูล AI นั้นสูงกว่าศูนย์ข้อมูลแบบดั้งเดิมหลายเท่า หมายความว่าโครงข่ายไฟฟ้าที่มีอยู่มักไม่สามารถรองรับภาระงานได้หากไม่มีการอัปเกรดครั้งใหญ่ การอัปเกรดเหล่านี้อาจใช้เวลาหลายปีและต้องผ่านกระบวนการขออนุญาตที่ซับซ้อนซึ่งเกี่ยวข้องกับรัฐบาลท้องถิ่นและรัฐ

ลองนึกภาพชีวิตประจำวันของผู้จัดการสาธารณูปโภคในภูมิภาคที่มีการสร้างศูนย์ข้อมูลแห่งใหม่ พวกเขาต้องมั่นใจว่าโครงข่ายไฟฟ้าในท้องถิ่นสามารถรองรับการดึงพลังงานมหาศาลและต่อเนื่องได้โดยไม่ทำให้ไฟฟ้าดับสำหรับผู้อยู่อาศัย พวกเขากำลังจัดการการดำเนินงานรายวันของระบบที่ไม่เคยถูกออกแบบมาเพื่อความต้องการที่กระจุกตัวระดับนี้

เมื่อบริษัทเทคโนโลยีขอการเชื่อมต่อใหม่ มันอาจจุดชนวนกระบวนการนานหลายปีในการสร้างสถานีไฟฟ้าใหม่และวางสายไฟฟ้าแรงสูงเป็นระยะทางหลายไมล์ สิ่งนี้มักนำไปสู่การต่อต้านจากประชาชนในท้องถิ่นที่กังวลเรื่องค่าสาธารณูปโภคที่สูงขึ้นหรือผลกระทบต่อสิ่งแวดล้อมของโรงงาน International Energy Agency (IEA) ได้ตั้งข้อสังเกตว่าการใช้ไฟฟ้าของศูนย์ข้อมูลอาจเพิ่มขึ้นเป็นสองเท่าในอีกไม่กี่ปีข้างหน้า นี่ไม่ใช่แค่ความท้าทายทางเทคนิค แต่เป็นประเด็นทางสังคมและการเมือง รอยเท้าทางกายภาพของศูนย์ข้อมูลสามารถครอบคลุมพื้นที่หลายแสน m² ของที่ดิน ซึ่งมักอยู่ในพื้นที่ที่ที่ดินมีราคาสูงอยู่แล้ว

การขอใบอนุญาตเป็นอีกหนึ่งข้อจำกัดในทางปฏิบัติที่มักถูกมองข้าม การสร้างศูนย์ข้อมูลเกี่ยวข้องกับการนำทางผ่านเครือข่ายที่ซับซ้อนของกฎระเบียบด้านสิ่งแวดล้อม กฎหมายผังเมือง และรหัสอาคาร ในบางเขตอำนาจศาล กระบวนการนี้อาจใช้เวลานานกว่าการก่อสร้างจริงเสียอีก สิ่งนี้สร้างความไม่สอดคล้องกันระหว่างความเร็วในการพัฒนาซอฟต์แวร์และความล่าช้าของโครงสร้างพื้นฐานทางกายภาพ บริษัทต่างๆ กำลังมองหาสถานที่ที่มีการขอใบอนุญาตแบบรวดเร็วและเข้าถึงพลังงานหมุนเวียนได้ง่าย อย่างไรก็ตาม แม้จะมีพลังงานหมุนเวียน ความต้องการที่มหาศาลก็ยังคงเป็นความท้าทาย ศูนย์ข้อมูลที่ทำงานตลอด 24 ชั่วโมงต้องการแหล่งจ่ายไฟที่คงที่ ซึ่งหมายความว่าพลังงานลมและแสงอาทิตย์จะต้องได้รับการเสริมด้วยระบบกักเก็บพลังงานแบตเตอรี่ขนาดใหญ่หรือแหล่งพลังงานพื้นฐานรูปแบบอื่น สิ่งนี้เพิ่มความซับซ้อนทางกายภาพและต้นทุนในการดำเนินงานอีกชั้นหนึ่ง

คำถามยากๆ สำหรับยุคแห่งการขยายตัว

ในขณะที่เรายังคงขยายระบบเหล่านี้ต่อไป เราต้องตั้งคำถามที่ยากลำบากเกี่ยวกับต้นทุนที่ซ่อนอยู่ ใครเป็นผู้จ่ายเงินสำหรับโครงสร้างพื้นฐานมหาศาลที่จำเป็นสำหรับ AI? แม้ว่าเครื่องมือต่างๆ มักจะฟรีหรือมีราคาถูกสำหรับผู้ใช้ปลายทาง แต่ต้นทุนทางสิ่งแวดล้อมและสังคมกำลังถูกกระจายไปทั่วสังคม ประโยชน์ของแชทบอทที่แม่นยำขึ้นเล็กน้อยนั้นคุ้มค่ากับภาระที่เกิดขึ้นกับโครงข่ายไฟฟ้าและแหล่งน้ำของเราหรือไม่? นอกจากนี้ยังมีคำถามเรื่องความเป็นส่วนตัวและอธิปไตยของข้อมูล เมื่อข้อมูลถูกประมวลผลมากขึ้นในศูนย์ข้อมูลขนาดใหญ่แบบรวมศูนย์ ความเสี่ยงของการรั่วไหลของข้อมูลขนาดใหญ่ก็เพิ่มขึ้น การกระจุกตัวทางกายภาพของข้อมูลยังทำให้มันกลายเป็นเป้าหมายสำหรับผู้ไม่หวังดีและอาชญากรไซเบอร์ เราต้องพิจารณาว่าการมุ่งสู่การประมวลผลแบบรวมศูนย์ขนาดใหญ่นั้นเป็นหนทางเดียวข้างหน้าหรือไม่ หรือเราควรลงทุนมากขึ้นในทางเลือกที่กระจายศูนย์และมีประสิทธิภาพมากกว่า

ต้นทุนของฮาร์ดแวร์ก็น่ากังวลเช่นกัน หากมีเพียงไม่กี่บริษัทที่สามารถจ่ายค่าโครงสร้างพื้นฐานที่จำเป็นสำหรับโมเดลที่ทันสมัยที่สุดได้ นั่นหมายความว่าอย่างไรสำหรับอนาคตของการวิจัยแบบเปิดและการแข่งขัน? เรากำลังเห็นแนวโน้มที่ระบบที่มีความสามารถสูงสุดถูกล็อคไว้หลัง API ที่เป็นกรรมสิทธิ์ โดยที่ฮาร์ดแวร์และข้อมูลพื้นฐานยังคงถูกปิดบังไว้ การขาดความโปร่งใสนี้ทำให้ยากสำหรับนักวิจัยอิสระที่จะตรวจสอบข้อกล่าวอ้างเกี่ยวกับความปลอดภัยและอคติ นอกจากนี้ยังสร้างการพึ่งพาผู้ให้บริการเพียงไม่กี่รายสำหรับโครงสร้างพื้นฐานที่สำคัญ หากผู้ให้บริการรายใดรายหนึ่งประสบปัญหาฮาร์ดแวร์ขัดข้องครั้งใหญ่หรือการหยุดชะงักทางภูมิรัฐศาสตร์ ผลกระทบจะรู้สึกได้ทั่วทั้งเศรษฐกิจโลก สิ่งเหล่านี้ไม่ใช่แค่ปัญหาทางเทคนิค แต่เป็นคำถามพื้นฐานเกี่ยวกับวิธีที่เราต้องการสร้างอนาคตทางเทคโนโลยีของเรา

มีเรื่องราว, เครื่องมือ, เทรนด์ หรือคำถามเกี่ยวกับ AI ที่คุณคิดว่าเราควรนำเสนอหรือไม่? ส่งแนวคิดบทความของคุณมาให้เรา — เรายินดีรับฟัง

สถาปัตยกรรมฮาร์ดแวร์ของโมเดลยุคใหม่

สำหรับผู้ใช้ระดับสูงและนักพัฒนา ข้อจำกัดทางกายภาพของ AI ปรากฏชัดในการบูรณาการเวิร์กโฟลว์และขีดจำกัดของ API ผู้ใช้ส่วนใหญ่โต้ตอบกับโมเดลเหล่านี้ผ่าน API ซึ่งโดยพื้นฐานแล้วเป็นหน้าต่างสู่ศูนย์ข้อมูลขนาดใหญ่ API เหล่านี้มีขีดจำกัดอัตราการใช้งาน (Rate Limits) ที่เชื่อมโยงโดยตรงกับพลังการประมวลผลที่มีอยู่ปลายทาง เมื่อโมเดลตอบสนองช้า มักเป็นเพราะฮาร์ดแวร์ทางกายภาพถูกแบ่งปันโดยผู้ใช้อื่นนับพันคน นักพัฒนาบางรายกำลังย้ายไปสู่การจัดเก็บข้อมูลในเครื่องและการประมวลผลในเครื่อง (Local Inference) เพื่อเลี่ยงขีดจำกัดเหล่านี้ อย่างไรก็ตาม การรันโมเดลขนาดใหญ่ในเครื่องต้องใช้ฮาร์ดแวร์ที่ทรงพลัง รวมถึง GPU ระดับไฮเอนด์ที่มี VRAM จำนวนมาก สิ่งนี้นำไปสู่ความต้องการฮาร์ดแวร์ระดับผู้บริโภคที่สามารถจัดการภาระงาน AI ได้เพิ่มขึ้น แต่แม้แต่ชิปที่ดีที่สุดสำหรับผู้บริโภคก็ยังมีพลังเพียงเศษเสี้ยวของตู้เซิร์ฟเวอร์ในศูนย์ข้อมูลเฉพาะทาง

การบูรณาการ AI เข้ากับเวิร์กโฟลว์ระดับมืออาชีพยังขึ้นอยู่กับตำแหน่งทางกายภาพของข้อมูล สำหรับบริษัทที่มีข้อกำหนดด้านถิ่นที่อยู่ของข้อมูล (Data Residency) ที่เข้มงวด การใช้โมเดลบนคลาวด์อาจไม่ใช่ทางเลือก สิ่งนี้กำลังขับเคลื่อนตลาดสำหรับฮาร์ดแวร์ AI ภายในองค์กร (On-premises) ซึ่งช่วยให้บริษัทต่างๆ สามารถรันโมเดลบนเซิร์ฟเวอร์ของตนเองได้ ระบบเหล่านี้มีราคาแพงและต้องการบุคลากรเฉพาะทางในการดูแลรักษา เครือข่ายยังคงเป็นคอขวดสำคัญในส่วนนี้เช่นกัน การย้ายชุดข้อมูลขนาดใหญ่เข้าและออกจากโมเดลต้องใช้การเชื่อมต่อที่มีแบนด์วิดท์สูงซึ่งสำนักงานหลายแห่งไม่มี นี่คือเหตุผลที่เราเห็นการมุ่งเน้นไปที่ Edge Computing ซึ่งการประมวลผลจะทำใกล้กับจุดที่ข้อมูลถูกสร้างขึ้น สิ่งนี้ช่วยลดความจำเป็นในการถ่ายโอนข้อมูลมหาศาลและสามารถปรับปรุงประสบการณ์ผู้ใช้โดยการลดความหน่วง ฮาร์ดแวร์ของ NVIDIA ได้กลายเป็นมาตรฐานโดยพฤตินัยสำหรับการดำเนินงานเหล่านี้ แต่อุตสาหกรรมกำลังมองหาทางเลือกอื่นเพื่อลดต้นทุนและการพึ่งพา

• ขีดจำกัดอัตราการใช้งาน API เป็นภาพสะท้อนโดยตรงของความสามารถในการประมวลผลทางกายภาพของผู้ให้บริการ
• การประมวลผลในเครื่องต้องการความจุ VRAM สูง ซึ่งปัจจุบันเป็นคุณสมบัติระดับพรีเมียมใน GPU สำหรับผู้บริโภค
• กฎหมายถิ่นที่อยู่ของข้อมูลกำลังบังคับให้องค์กรจำนวนมากกลับมาใช้ฮาร์ดแวร์ภายในองค์กร
• Edge Computing มีเป้าหมายเพื่อแก้ปัญหาคอขวดของเครือข่ายโดยย้ายการประมวลผลให้ใกล้กับผู้ใช้มากขึ้น
• ต้นทุนในการบำรุงรักษาฮาร์ดแวร์ AI เฉพาะทางเป็นค่าใช้จ่ายที่สำคัญสำหรับธุรกิจขนาดเล็ก

ความเป็นจริงทางกายภาพของอนาคต

การบรรยายว่า AI เป็นปรากฏการณ์ทางดิจิทัลล้วนๆ นั้นไม่ยั่งยืนอีกต่อไป ข้อจำกัดด้านพลังงาน น้ำ ที่ดิน และซิลิคอน กลายเป็นปัจจัยหลักที่กำหนดความก้าวหน้า เรากำลังเข้าสู่ยุคที่ความสำเร็จของบริษัทเทคโนโลยีขึ้นอยู่กับความสามารถในการจัดการห่วงโซ่อุปทานระดับโลกและสัญญาพลังงาน พอๆ กับความเชี่ยวชาญด้านซอฟต์แวร์ ความขัดแย้งระหว่างโลกเสมือนของ AI และโลกทางกายภาพของโครงสร้างพื้นฐานกำลังชัดเจนขึ้นทุกวัน เราต้องตระหนักว่าทุกความก้าวหน้าทางดิจิทัลมีต้นทุนทางกายภาพ ความท้าทายในทศวรรษหน้าคือการหาวิธีที่จะก้าวหน้าต่อไปในขณะที่จัดการกับข้อจำกัดที่แท้จริงของทรัพยากรบนโลกของเรา อนาคตของเทคโนโลยีไม่ได้อยู่ในโค้ดเท่านั้น แต่อยู่ในฮาร์ดแวร์และโครงสร้างพื้นฐานที่ทำให้มันเป็นไปได้

หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว

พบข้อผิดพลาดหรือสิ่งใดที่ต้องแก้ไขหรือไม่? แจ้งให้เราทราบ