ยุคใหม่ของชิป AI: เร็วขึ้น เล็กลง หรือประหยัดพลังงานกว่าเดิม?

การแข่งขันเพื่อความเร็วของ AI ได้เปลี่ยนจากการเน้นแค่ความเร็วสัญญาณนาฬิกา ไปสู่การต่อสู้ที่ซับซ้อนในเรื่องสถาปัตยกรรมระบบแล้วครับ การอัดทรานซิสเตอร์จำนวนมากลงบนซิลิคอนเพียงอย่างเดียวไม่เพียงพออีกต่อไป อุตสาหกรรมกำลังเผชิญกับกำแพงที่ว่า ความเร็วในการรับส่งข้อมูลระหว่างโปรเซสเซอร์กับหน่วยความจำนั้นสำคัญกว่าตัวโปรเซสเซอร์เองเสียอีก การเปลี่ยนแปลงนี้คือหัวใจสำคัญของยุคฮาร์ดแวร์ในปัจจุบัน บริษัทที่เคยเน้นแค่การออกแบบชิป ตอนนี้ต้องหันมาจัดการซัพพลายเชนระดับโลกและเทคนิคการบรรจุชิปขั้นสูงเพื่อให้ยังคงแข่งขันได้ การเปลี่ยนแปลงล่าสุดคือการมุ่งสู่ระบบแบบองค์รวมที่ระบบเครือข่ายและหน่วยความจำมีความสำคัญไม่แพ้ลอจิกเกต วิวัฒนาการนี้เปลี่ยนวิธีเขียนซอฟต์แวร์และมุมมองของรัฐบาลที่มีต่อความมั่นคงของชาติ หากคุณอยากรู้ว่าเทคโนโลยีจะไปทางไหนต่อ ให้ดูที่การเชื่อมต่อระหว่างชิปแทนที่จะดูแค่ตัวชิป พลังของแพลตฟอร์มขึ้นอยู่กับความสามารถในการรวมส่วนประกอบที่แตกต่างกันเหล่านี้ให้เป็นหนึ่งเดียว ใครที่มองข้ามขีดจำกัดทางกายภาพของฮาร์ดแวร์ จะพบว่าความฝันด้านซอฟต์แวร์ต้องสะดุดเพราะปัญหาความหน่วงและความร้อนครับ

การซ้อนซิลิคอนเพื่อทลายกำแพงหน่วยความจำ

เพื่อให้เข้าใจการเปลี่ยนแปลงนี้ คุณต้องดูว่าชิปถูกประกอบเข้าด้วยกันอย่างไร ตลอดหลายทศวรรษที่ผ่านมา อุตสาหกรรมใช้วิธีออกแบบแบบแบนราบ คือมีโปรเซสเซอร์และหน่วยความจำแยกกันบนแผงวงจร แต่วันนี้ ระยะห่างนั้นคือศัตรูตัวฉกาจของประสิทธิภาพ เพื่อแก้ปัญหานี้ ผู้ผลิตจึงหันมาใช้การบรรจุชิปขั้นสูง (Advanced Packaging) ซึ่งเป็นการซ้อนส่วนประกอบไว้บนกันหรือวางข้างกันบนฐานพิเศษที่เรียกว่า interposer เทคนิคนี้ที่มักเรียกกันว่า Chip on Wafer on Substrate ช่วยให้ข้อมูลมหาศาลเคลื่อนที่ได้ด้วยความเร็วที่ไม่เคยเป็นไปได้มาก่อน นี่ไม่ใช่แค่การปรับปรุงเล็กน้อย แต่มันคือการเปลี่ยนแปลงพื้นฐานในการสร้างคอมพิวเตอร์ เมื่อคุณวาง **High Bandwidth Memory** ไว้ข้างๆ คอร์ประมวลผลโดยตรง คุณจะกำจัดปัญหาคอขวดที่ทำให้โมเดลภาษาขนาดใหญ่ทำงานช้าลง นี่คือเหตุผลที่บริษัทอย่าง NVIDIA ถึงครองตลาด เพราะพวกเขาไม่ได้ขายแค่ชิป แต่ขายแพ็กเกจที่รวมหน่วยความจำและการเชื่อมต่อความเร็วสูงไว้ด้วยกันอย่างแน่นหนา

ตัวหน่วยความจำเองก็เปลี่ยนไปเช่นกัน RAM แบบมาตรฐานไม่สามารถรองรับความต้องการของ AI ยุคใหม่ได้ อุตสาหกรรมจึงหันไปใช้หน่วยความจำเฉพาะทางที่ให้ throughput สูงกว่ามาก หน่วยความจำนี้มีราคาแพงและผลิตยาก ซึ่งสร้างปัญหาคอขวดในการจัดหา หากบริษัทไม่สามารถหาหน่วยความจำพิเศษนี้ได้เพียงพอ โปรเซสเซอร์ขั้นสูงของพวกเขาก็แทบจะไร้ค่า ความพึ่งพานี้แสดงให้เห็นว่าเรื่องราวของฮาร์ดแวร์ในตอนนี้คือเรื่องของระบบ คุณไม่สามารถพูดถึงสมองโดยไม่พูดถึงเส้นเลือดที่หล่อเลี้ยงได้ การเปลี่ยนจากโครงสร้าง 2D เป็น 3D คือสัญญาณทางเทคนิคที่สำคัญที่สุดในตลาดปัจจุบัน มันแยกผู้เล่นตัวจริงออกจากคนที่แค่ปรับปรุงการออกแบบเดิมๆ การเปลี่ยนผ่านนี้ต้องใช้การลงทุนมหาศาลในโรงงานผลิตที่มีความแม่นยำสูง มีเพียงไม่กี่บริษัทในโลกอย่าง TSMC ที่ทำได้ในระดับนี้

ความเป็นจริงทางภูมิรัฐศาสตร์ของ AI ผูกติดอยู่กับสถานที่ผลิตชิปเหล่านี้ การผลิตขั้นสูงส่วนใหญ่กระจุกตัวอยู่ในพื้นที่เพียงไม่กี่ตารางไมล์ในไต้หวัน การกระจุกตัวนี้สร้างจุดเปราะบางเพียงจุดเดียว (single point of failure) สำหรับเศรษฐกิจโลก หากการผลิตที่นั่นหยุดชะงัก ภาคเทคโนโลยีทั้งหมดก็จะหยุดชะงักตามไปด้วย รัฐบาลต่างๆ กำลังทุ่มเงินหลายพันล้านดอลลาร์เพื่อสร้างโรงงานในประเทศ แต่โครงการเหล่านี้ต้องใช้เวลาหลายปีกว่าจะเสร็จสมบูรณ์ การควบคุมการส่งออกก็กลายเป็นปัจจัยสำคัญ รัฐบาลสหรัฐฯ ได้จำกัดการขายชิป AI ระดับสูงไปยังบางประเทศเพื่อรักษาความได้เปรียบทางเทคโนโลยี สิ่งนี้บีบให้บริษัทต้องออกแบบฮาร์ดแวร์เวอร์ชันเฉพาะที่สอดคล้องกับกฎเหล่านี้ การแตกแยกของตลาดโลกหมายความว่าสถานที่ที่คุณอยู่จะเป็นตัวกำหนดว่าคุณสามารถสร้าง AI แบบไหนได้บ้าง มันคือการย้อนกลับไปสู่โลกที่พรมแดนทางกายภาพกำหนดความเป็นไปได้ทางดิจิทัล ความเชื่อมโยงระหว่างฮาร์ดแวร์และพลังของแพลตฟอร์มกลายเป็นเรื่องของนโยบายระดับชาติ ประเทศที่ขาดการเข้าถึงซิลิคอนล่าสุดไม่สามารถแข่งขันในยุคซอฟต์แวร์ได้ นี่คือเหตุผลที่เราเห็นการเคลื่อนไหวที่ดุดันเพื่อควบคุมซัพพลายเชนตั้งแต่ต้นน้ำจนถึงระบบสำเร็จรูป

สำหรับนักพัฒนาหรือธุรกิจขนาดเล็ก การเปลี่ยนแปลงฮาร์ดแวร์เหล่านี้ส่งผลกระทบทันที ลองนึกภาพนักสร้างสรรค์ชื่อ Sarah ที่ทำสตูดิโอเล็กๆ เมื่อปีก่อน เธอพึ่งพาผู้ให้บริการคลาวด์ทั้งหมดในการรันเครื่องมือ AI เธอจ่ายค่าธรรมเนียมรายเดือนสูงและกังวลเรื่องข้อมูลที่ถูกนำไปใช้เทรนโมเดล แต่วันนี้ ด้วยการออกแบบชิปที่มีประสิทธิภาพมากขึ้นและการรวมหน่วยความจำในเครื่องที่ดีขึ้น เธอสามารถรันโมเดลที่ทรงพลังบนเวิร์กสเตชันเครื่องเดียวได้ วันของเธอเริ่มต้นด้วยการให้เครื่องในออฟฟิศสร้างสินทรัพย์ความละเอียดสูงในขณะที่เธอดื่มกาแฟ เธอไม่ต้องรอเซิร์ฟเวอร์ในรัฐอื่นตอบกลับ เพราะฮาร์ดแวร์มีประสิทธิภาพมากขึ้น ออฟฟิศของเธอจึงไม่ร้อนเกินไปและค่าไฟก็ยังจัดการได้ การเปลี่ยนไปสู่การประมวลผลในเครื่อง (local compute) เป็นผลโดยตรงจากการบรรจุชิปและการจัดการหน่วยความจำที่ดีขึ้น มันช่วยให้ผู้สร้างมีความเป็นอิสระและมีความเป็นส่วนตัวมากขึ้น อย่างไรก็ตาม สิ่งนี้ก็สร้างช่องว่างเช่นกัน ผู้ที่สามารถซื้อฮาร์ดแวร์ล่าสุดได้จะมีความได้เปรียบด้านผลผลิตมหาศาลเหนือผู้ที่ติดอยู่กับระบบรุ่นเก่า

ผลกระทบขยายไปถึงวิธีที่บริษัทวางแผนงบประมาณ บริษัทขนาดกลางอาจต้องเลือกระหว่างสัญญาคลาวด์ขนาดใหญ่หรือการลงทุนในคลัสเตอร์ฮาร์ดแวร์ของตัวเอง การตัดสินใจนี้ไม่ใช่แค่เรื่องของราคาอีกต่อไป แต่เป็นเรื่องของการควบคุม เมื่อคุณเป็นเจ้าของฮาร์ดแวร์ คุณก็เป็นเจ้าของ stack ทั้งหมด คุณไม่ต้องอยู่ภายใต้ขีดจำกัดของ API หรือข้อกำหนดการใช้งานที่เปลี่ยนไปของผู้ให้บริการรายใหญ่ คุณสามารถปรับแต่งซอฟต์แวร์ให้รันบนฮาร์ดแวร์ของคุณโดยเฉพาะ เพื่อรีดประสิทธิภาพออกมาให้ได้มากที่สุด นี่คือด้านที่เป็นจริงของการเปลี่ยนผ่านของชิป มันย้าย AI จากบริการที่ห่างไกลมาเป็นสาธารณูปโภคในเครื่อง แต่สาธารณูปโภคนี้ต้องการความรู้เฉพาะทาง การจัดการคลัสเตอร์ของชิปประสิทธิภาพสูงไม่เหมือนกับการจัดการห้องเซิร์ฟเวอร์แบบดั้งเดิม คุณต้องรับมือกับโปรโตคอลเครือข่ายที่ซับซ้อนและระบบระบายความร้อนด้วยของเหลว ผลกระทบในโลกแห่งความเป็นจริงคือความต้องการความรู้ด้านฮาร์ดแวร์ในทีมซอฟต์แวร์ ทั้งสองสาขากำลังรวมเข้าด้วยกันในแบบที่ไม่เคยเกิดขึ้นมาก่อนตั้งแต่ยุคแรกๆ ของคอมพิวเตอร์

• การรันโมเดลขนาดใหญ่ในเครื่องช่วยลดความหน่วงสำหรับแอปพลิเคชันแบบเรียลไทม์
• ข้อกำหนดด้านการระบายความร้อนขั้นสูงเปลี่ยนรูปแบบทางกายภาพของศูนย์ข้อมูลสมัยใหม่
• การเข้ารหัสระดับฮาร์ดแวร์มอบความปลอดภัยอีกชั้นสำหรับข้อมูลที่ละเอียดอ่อน
• การเชื่อมต่อที่เป็นกรรมสิทธิ์บีบให้บริษัทต้องอยู่ในระบบนิเวศฮาร์ดแวร์เดียว
• ประสิทธิภาพพลังงานกลายเป็นตัวชี้วัดหลักสำหรับประสิทธิภาพ AI บนอุปกรณ์พกพา

เราต้องถามตัวเองว่าต้นทุนแฝงของความคลั่งไคล้ฮาร์ดแวร์นี้คืออะไร ในขณะที่เราผลักดันเพื่อพลังที่มากขึ้น เรากำลังเพิกเฉยต่อผลกระทบทางสิ่งแวดล้อมจากการผลิตระบบที่ซับซ้อนเหล่านี้หรือไม่? น้ำและพลังงานที่ต้องใช้ในการรันโรงงานผลิตสมัยใหม่นั้นมหาศาล นอกจากนี้ยังมีคำถามเรื่องความเป็นส่วนตัวในระดับฮาร์ดแวร์ หากตัวซิลิคอนเองมีการเก็บข้อมูลทางไกล (telemetry) ในตัว เราจะมั่นใจได้อย่างไรว่าข้อมูลของเราเป็นส่วนตัวจริงๆ? เรามักจะสมมติว่าพลังการประมวลผลที่มากขึ้นนั้นดีเสมอ แต่เราแทบไม่เคยถามเลยว่าปัญหาที่เรากำลังแก้ต้องการพลังมากขนาดนี้จริงหรือไม่? เรากำลังสร้างโลกดิจิทัลที่เฉพาะประเทศและบริษัทที่ร่ำรวยที่สุดเท่านั้นที่สามารถอยู่ได้ใช่ไหม? การกระจุกตัวของอำนาจการผลิตในมือคนไม่กี่กลุ่มเป็นความเสี่ยงที่เราแทบไม่ได้สนใจท่ามกลางการเร่งรีบเพื่อเพิ่มจำนวนโทเค็นต่อวินาที เราควรพิจารณาว่าเรากำลังสร้างวัฒนธรรมฮาร์ดแวร์แบบเดียวที่เสี่ยงต่อความล้มเหลวเชิงระบบหรือไม่ ฮาร์ดแวร์คือโชคชะตา ในสภาพอากาศทางเทคโนโลยีปัจจุบัน แต่โชคชะตานั้นกำลังถูกเขียนโดยกลุ่มคนเพียงไม่กี่คน

สำหรับผู้ใช้ระดับสูง (power users) รายละเอียดทางเทคนิคคือที่ที่เรื่องราวที่แท้จริงซ่อนอยู่ การรวมซอฟต์แวร์และฮาร์ดแวร์เข้าด้วยกันเกิดขึ้นผ่านไลบรารีเฉพาะทางอย่าง CUDA หรือ ROCm สิ่งเหล่านี้ไม่ใช่แค่ไดรเวอร์ แต่เป็นสะพานที่ช่วยให้โค้ดสื่อสารกับคอร์ขนาดจิ๋วหลายพันคอร์บนชิป คอขวดในปัจจุบันสำหรับเวิร์กโฟลว์หลายอย่างคือขีดจำกัด API ที่ผู้ให้บริการคลาวด์กำหนด การย้ายมาใช้ฮาร์ดแวร์ในเครื่องช่วยให้ผู้ใช้ข้ามขีดจำกัดเหล่านี้ได้ แต่ต้องรับมือกับข้อจำกัดของพื้นที่จัดเก็บข้อมูลในเครื่องและแบนด์วิดท์หน่วยความจำ ความเร็วในการเชื่อมต่อ (interconnect) เช่น NVLink เป็นตัวกำหนดว่าชิปหลายตัวจะทำงานร่วมกันเป็นหน่วยเดียวได้ดีเพียงใด หากการเชื่อมต่อช้า การเพิ่มชิปมากขึ้นก็ให้ผลตอบแทนที่ลดลง นี่คือเหตุผลที่แนวโน้มฮาร์ดแวร์ AI ล่าสุดแสดงให้เห็นว่าการเน้นที่ระบบเครือข่ายมีความสำคัญพอๆ กับการประมวลผล คุณยังต้องพิจารณาค่า Thermal Design Power (TDP) ชิปที่ร้อนเกินไปจะลดประสิทธิภาพของตัวเอง ทำให้ความเร็วสูงสุดตามทฤษฎีไม่มีความหมาย ความเร็วของพื้นที่จัดเก็บข้อมูลในเครื่องก็สำคัญเช่นกัน เนื่องจากค่าน้ำหนักของโมเดล (model weights) ต้องถูกโหลดเข้าหน่วยความจำอย่างรวดเร็วเพื่อหลีกเลี่ยงความล่าช้าในการเริ่มต้น ส่วนของตลาดที่เป็นสาย Geek กำลังหันหลังให้กับการวัดผลแบบง่ายๆ และหันไปหาตัวชี้วัด throughput ทั้งระบบแทน

• แบนด์วิดท์การเชื่อมต่อในคลัสเตอร์ระดับสูงมีค่าเกินหลายเทราไบต์ต่อวินาที
• เทคนิคการทำ Quantization ช่วยให้โมเดลขนาดใหญ่พอดีกับหน่วยความจำที่เล็กลง
• สถาปัตยกรรมหน่วยความจำแบบรวม (Unified Memory) ช่วยให้ CPU และ GPU แชร์ข้อมูลชุดเดียวกันได้
• ตัวเร่งฮาร์ดแวร์สำหรับการคำนวณทางคณิตศาสตร์เฉพาะทางกำลังกลายเป็นมาตรฐานใน CPU สำหรับผู้บริโภค
• Local API endpoints ช่วยให้การรวมเครื่องมือซอฟต์แวร์ต่างๆ เป็นไปอย่างราบรื่น

ความก้าวหน้าที่มีความหมายในปีหน้าจะไม่ถูกวัดด้วยความเร็วสัญญาณนาฬิกาที่สูงขึ้น แต่เราควรดูการปรับปรุงด้านประสิทธิภาพพลังงานและการทำให้การบรรจุชิปขั้นสูงเข้าถึงได้ง่ายขึ้น หากเราเห็นการเคลื่อนไหวไปสู่มาตรฐานการเชื่อมต่อแบบเปิดมากขึ้น นั่นจะเป็นสัญญาณที่สำคัญ มันหมายความว่าผู้ใช้จะไม่ถูกล็อคอยู่กับ stack ของผู้ขายรายเดียวอีกต่อไป เราควรจับตาดูการพัฒนาในระบบเครือข่ายบนชิปที่ลดพลังงานที่จำเป็นในการย้ายข้อมูล ความสำเร็จที่แท้จริงคือการที่ AI ประสิทธิภาพสูงสามารถเข้าถึงได้มากกว่าแค่บริษัทระดับท็อปหนึ่งเปอร์เซ็นต์ เดิมพันในทางปฏิบัติมีสูงมาก ฮาร์ดแวร์คือรากฐานของทุกสิ่งที่เราสร้างในพื้นที่ดิจิทัล หากรากฐานนั้นกระจุกตัว มีราคาแพง และไม่โปร่งใส อนาคตของเทคโนโลยีก็จะเหมือนเดิม เราต้องก้าวไปสู่โลกที่พลังของซิลิคอนถูกนำมาใช้เพื่อแก้ปัญหาจริงสำหรับทุกคน ไม่ใช่แค่สร้างเสียงรบกวนในตลาดมากขึ้น การเปลี่ยนแปลงกำลังเกิดขึ้นแล้ว และผลกระทบจะรู้สึกได้ไปอีกหลายทศวรรษ

หมายเหตุจากบรรณาธิการ: เราสร้างเว็บไซต์นี้ขึ้นมาเพื่อเป็นศูนย์กลางข่าวสารและคู่มือ AI หลายภาษาสำหรับผู้ที่ไม่ได้เป็นผู้เชี่ยวชาญคอมพิวเตอร์ แต่ยังคงต้องการทำความเข้าใจปัญญาประดิษฐ์ ใช้งานได้อย่างมั่นใจมากขึ้น และติดตามอนาคตที่กำลังจะมาถึงแล้ว