ชิปที่แรงกว่า ยังเอาอยู่จริงไหมในยุค AI

พาไปค้นหาคำตอบว่า…

• ทำไม GPU จึงกลายเป็นหัวใจของการประมวลผล AI
• AI Accelerator มีบทบาทสำคัญอย่างไรต่อการพัฒนา AI
• Memory Wall คืออะไร เหตุใดจึงเป็นข้อจำกัดสำคัญของ AI ยุคใหม่
• ทำไมอนาคตของ Semiconductor จึงอยู่ที่การออกแบบทั้งระบบ มากกว่าการเพิ่มพลังของชิปเพียงอย่างเดียว

อนาคตของ Semiconductor อาจไม่ได้แข่งขันกันที่พลังประมวลผลเพียงอย่างเดียว แต่คือการออกแบบทั้งระบบให้ทำงานร่วมกันอย่างมีประสิทธิภาพ

การเกิดขึ้นของ Generative AI กำลังสร้างหนึ่งในช่วงเวลาสำคัญที่สุดของอุตสาหกรรม Semiconductor เพราะในขณะที่โลกกำลังพัฒนาชิปที่มีประสิทธิภาพสูงขึ้นอย่างต่อเนื่อง เพื่อรองรับโมเดล AI ที่มีขนาดใหญ่และซับซ้อนกว่าเดิม อุตสาหกรรมก็เริ่มพบข้อจำกัดใหม่ที่ทำให้ต้องกลับมาตั้งคำถามกับแนวคิดพื้นฐานของการพัฒนาคอมพิวเตอร์ที่ว่า “อนาคตของ AI จะขึ้นอยู่กับการสร้างชิปที่แรงขึ้นเพียงอย่างเดียวจริงหรือไม่?” หรือความท้าทายครั้งต่อไปอาจอยู่ที่การทำให้ทุกองค์ประกอบของระบบ ตั้งแต่หน่วยประมวลผล หน่วยความจำ ไปจนถึงการเชื่อมต่อข้อมูล ทำงานร่วมกันได้อย่างมีประสิทธิภาพมากที่สุด

แนวคิดเรื่องการเพิ่มประสิทธิภาพด้วยการสร้างหน่วยประมวลผลที่เร็วขึ้น เคยเป็นแกนหลักของอุตสาหกรรมคอมพิวเตอร์มาอย่างยาวนาน โดยเฉพาะในยุคที่ CPU เป็นหัวใจสำคัญของระบบคอมพิวเตอร์ การแข่งขันเกิดขึ้นจากความพยายามเพิ่มจำนวนทรานซิสเตอร์ เพิ่มความเร็วสัญญาณนาฬิกา และเพิ่มความสามารถในการประมวลผลคำสั่งให้ได้มากที่สุดภายในเวลาที่สั้นที่สุด แนวทางนี้สอดคล้องกับ Moore’s Law ซึ่งกลายเป็นหนึ่งในภาพจำสำคัญของอุตสาหกรรม Semiconductor เพราะการเพิ่มจำนวนทรานซิสเตอร์บนชิปหมายถึงโอกาสในการสร้างคอมพิวเตอร์รุ่นใหม่ที่มีประสิทธิภาพสูงกว่ารุ่นก่อนหน้า

บทบาทใหม่ของ GPU ที่เข้ามาเปลี่ยนโลกในยุค AI

เมื่อโลกก้าวเข้าสู่ยุคของข้อมูลขนาดใหญ่และปัญญาประดิษฐ์ รูปแบบของปัญหาที่คอมพิวเตอร์ต้องแก้ไขก็เปลี่ยนไปเช่นกัน จากเดิมที่เน้นการประมวลผลคำสั่งทั่วไป กลายเป็นการจัดการข้อมูลจำนวนมหาศาลและการคำนวณรูปแบบเดียวกันซ้ำ ๆ จำนวนมาก โดยเฉพาะในระบบ Deep Learning ที่ต้องอาศัยการคำนวณ Matrix และ Vector ซึ่งเป็นพื้นฐานของ Neural Network ทำให้ GPU ก้าวออกจากบทบาทเดิมของการเป็นชิปสำหรับประมวลผลกราฟิก และกลายเป็นหนึ่งในเทคโนโลยีสำคัญของยุค AI

หาก CPU เปรียบเหมือนผู้เชี่ยวชาญหนึ่งคนที่สามารถแก้ปัญหาซับซ้อนได้อย่างรวดเร็ว GPU ก็เปรียบเหมือนทีมงานจำนวนมากที่สามารถแบ่งโจทย์ออกเป็นชิ้นเล็ก ๆ แล้วช่วยกันแก้พร้อมกัน ความสามารถในการประมวลผลแบบขนาน หรือ Parallel Processing จึงเหมาะสมกับโครงสร้างของ AI ที่ต้องทำงานกับข้อมูลจำนวนมหาศาล และนี่คือจุดเริ่มต้นที่ทำให้การแข่งขันด้าน Semiconductor เปลี่ยนจากการเพิ่มความเร็วของหน่วยประมวลผลทั่วไป ไปสู่การสร้างสถาปัตยกรรมที่เหมาะกับงานเฉพาะทางมากขึ้น

AI Accelerator คืออะไร?

จากจุดเริ่มต้นที่ GPU ถูกนำมาใช้เร่งงาน AI มากขึ้น อุตสาหกรรมจึงเดินเข้าสู่แนวคิดของ AI Accelerator หรือฮาร์ดแวร์ที่ถูกออกแบบมาเพื่อเร่งงานด้านปัญญาประดิษฐ์โดยเฉพาะ ไม่ว่าจะเป็น GPU รุ่นใหม่ที่มีหน่วยประมวลผลเฉพาะสำหรับงาน Matrix และ Tensor, TPU, NPU หรือชิปเฉพาะทางรูปแบบต่าง ๆ การแข่งขันจึงไม่ได้อยู่ที่การสร้างชิปอเนกประสงค์ให้เร็วขึ้นเท่านั้น แต่อยู่ที่การออกแบบหน่วยประมวลผลให้เหมาะกับธรรมชาติของงาน AI มากที่สุด

ถ้าเปรียบการประมวลผลเป็นการทำงานของโรงงาน CPU อาจเปรียบได้กับช่างฝีมือระดับสูงหนึ่งคนที่มีความรู้รอบด้าน ทำงานได้หลากหลาย ทั้งวิเคราะห์ และแก้ปัญหาที่ซับซ้อนได้อย่างยืดหยุ่น ขณะที่ GPU คือโรงงานขนาดใหญ่ที่มีคนงานจำนวนมหาศาล สามารถแบ่งงานลักษณะเดียวกันออกเป็นส่วนเล็ก ๆ แล้วทำพร้อมกันได้อย่างรวดเร็ว ส่วน AI Accelerator จะออกแบบสายการผลิตเฉพาะทางขึ้นมาเพื่อรองรับงาน AI โดยตรง ช่วยลดส่วนที่ไม่จำเป็น และเพิ่มประสิทธิภาพให้กับงานที่ต้องทำซ้ำจำนวนมหาศาล เช่น การคำนวณ Matrix และ Tensor ที่เป็นหัวใจของระบบปัญญาประดิษฐ์

Memory Wall กำแพงแห่งการรอคอย

การขยายตัวอย่างรวดเร็วของ Large Language Model ทำให้พบความจริงข้อหนึ่งคือ ถึงแม้เครื่องยนต์จะมีประสิทธิภาพมากเพียงใด หากระบบโดยรอบยังไม่รองรับการทำงานของมัน ก็อาจไร้ประโยชน์ เพราะ AI ไม่ได้ต้องการเพียงความสามารถในการคำนวณ แต่ต้องมีการเคลื่อนย้ายข้อมูลจำนวนมหาศาลระหว่างหน่วยความจำและหน่วยประมวลผลตลอดเวลา

ชิปประมวลผลอาจมีความสามารถในการคำนวณด้วยความเร็วสูงมาก แต่หากข้อมูลเดินทางมาไม่ทัน เวลาจำนวนหนึ่งจะสูญเสียไปกับการรอคอย นี่คือปัญหาที่เรียกว่า Memory Wall หรือกำแพงที่เกิดขึ้นเมื่อความสามารถของหน่วยประมวลผลเติบโตเร็วกว่าความสามารถในการส่งข้อมูลของระบบหน่วยความจำ

ลองนึกภาพนี้ มนุษย์สร้างสมองที่คิดได้เร็วขึ้นเรื่อย ๆ แต่ระบบประสาทที่ทำหน้าที่ส่งข้อมูลไปยังสมองยังทำงานได้ไม่เร็วพอ สมองจึงใช้ความสามารถทั้งหมดได้ไม่เต็มประสิทธิภาพ

เดิมที หน่วยความจำ หรือ Memory มักถูกมองว่าเป็นพื้นที่สำหรับเก็บข้อมูล คล้ายคลังสินค้าที่เก็บวัตถุดิบไว้รอใช้งาน แต่ในยุค AI ที่โมเดล AI ต้องดึงข้อมูลจำนวนมหาศาลเข้าไปให้ GPU ประมวลผลอยู่ตลอดเวลา หากข้อมูลถูกส่งไปไม่ทัน หน่วยประมวลผลก็อาจต้องเสียเวลาไปกับการรอคอย เทคโนโลยี DRAM ประสิทธิภาพสูงอย่าง HBM หรือ High Bandwidth Memory จึงมีความสำคัญมากขึ้น เพราะทำหน้าที่เหมือนระบบลำเลียงวัตถุดิบความเร็วสูง ที่ช่วยส่งข้อมูลปริมาณมหาศาลไปยัง GPU ได้รวดเร็วขึ้น และทำให้ระบบ AI เดินเครื่องได้อย่างต่อเนื่องยิ่งกว่า

อย่างที่รู้กันว่าประสิทธิภาพเหล่านี้มาพร้อมต้นทุน เพราะ HBM เป็นเทคโนโลยีที่มีความซับซ้อนสูง ใช้กระบวนการผลิตขั้นสูง และกลายเป็นหนึ่งในจุดสำคัญของ Supply Chain โลก ขณะที่ AI Data Center ก็กำลังเผชิญข้อจำกัดหลายด้าน ตั้งแต่การใช้พลังงาน ความร้อน ต้นทุนการลงทุน ไปจนถึงพื้นที่และโครงสร้างพื้นฐานที่จำเป็น

คำตอบของยุค AI จึงอาจไม่ใช่เพียงการเพิ่มจำนวนชิป เพิ่มหน่วยความจำ หรือสร้าง Data Center ให้ใหญ่ขึ้น คำถามสำคัญจึงเริ่มเปลี่ยนจาก เราจะเพิ่มพลังให้ระบบได้มากขึ้นอย่างไร? ไปสู่คำถามว่า เราจะใช้ทรัพยากรที่มีอยู่ให้เกิดประสิทธิภาพสูงสุดได้อย่างไร? และนี่คือจุดที่ Software Optimization กลับเข้ามามีบทบาทสำคัญอีกครั้ง

ในยุคที่ Hardware มีประสิทธิภาพสูงที่สุดเท่าที่เคยมีมา ซอฟต์แวร์ที่ก่อนหน้านี้คือโปรแกรมทำงานบนเครื่อง ได้กลายมาเป็นส่วนหนึ่งของการออกแบบระบบ เพื่อช่วยให้ Hardware ใช้ศักยภาพที่มีอยู่ได้เต็มที่มากยิ่งขึ้น โดยเฉพาะการบริหารจัดการ Memory ว่าข้อมูลใดควรอยู่ใกล้หน่วยประมวลผล ข้อมูลใดเก็บไว้ได้ในพื้นที่ต้นทุนต่ำกว่า และข้อมูลใดควรถูกเตรียมไว้ล่วงหน้าเพื่อให้ AI เรียกใช้งานได้ทันเวลา

แนวคิดนี้คล้ายกับการทำงานของมนุษย์ที่ไม่ได้นำหนังสือทุกเล่มมาวางไว้บนโต๊ะทำงาน แต่เลือกเฉพาะเล่มที่จำเป็นต้องใช้อยู่ใกล้ตัว ส่วนข้อมูลอื่นยังอยู่บนชั้นหนังสือและหยิบมาอ่านได้เมื่อต้องการ ความสามารถจึงไม่ได้อยู่ที่การมีโต๊ะขนาดใหญ่ที่สุด แต่อยู่ที่การจัดระบบว่าสิ่งใดควรอยู่ตรงไหนและถูกใช้งานเมื่อใด

Semiconductor กับการออกแบบทั้งระบบ เพื่อให้จบง่าย

การแข่งขันของ Semiconductor ในยุคต่อไปจึงอาจไม่ใช่การแข่งขันของชิปเดี่ยว แต่เป็นการแข่งขันของ System Architecture ที่ประกอบด้วย Compute, Memory และ Interconnect ซึ่งต้องทำงานร่วมกันอย่างสมดุล หาก Compute คือโรงงานที่มีกำลังผลิตมหาศาล Memory คือระบบจัดการวัตถุดิบ และ Interconnect คือระบบขนส่ง โรงงานที่ดีที่สุดจะไม่สามารถเดินเครื่องเต็มกำลังได้ หากวัตถุดิบเดินทางมาถึงไม่ทัน

นี่คือเหตุผลที่อุตสาหกรรม Semiconductor ให้ความสำคัญกับเทคโนโลยีใหม่ ตั้งแต่ HBM, Chiplet, Advanced Packaging ไปจนถึง Memory Optimization หนึ่งในตัวอย่างของทิศทางนี้คือการที่ AMD เข้าซื้อ MEXT บริษัทที่พัฒนาเทคโนโลยี predictive memory สำหรับช่วยบริหารหน่วยความจำในโครงสร้างพื้นฐานด้าน AI และ Data Center จุดสำคัญของดีลนี้จึงไม่ได้อยู่ที่การเพิ่มจำนวนชิปหรือผลิตหน่วยความจำเพิ่มโดยตรง แต่อยู่ที่แนวคิดว่า ระบบ AI ในอนาคตต้องใช้หน่วยความจำที่มีอยู่ให้ฉลาดขึ้น ลดการรอคอยของหน่วยประมวลผล และทำให้ทุกส่วนของระบบเชื่อมต่อกันได้อย่างไร้รอยต่อ

อุตสาหกรรม Semiconductor เคยถูกขับเคลื่อนด้วยคำถามว่าจะทำอย่างไรให้ชิปเร็วขึ้นและทรงพลังขึ้น ยุค AI กำลังเปลี่ยนคำถามไปสู่การทำให้ทั้งระบบคิด จดจำ และสื่อสารกันได้อย่างมีประสิทธิภาพที่สุด เพราะอนาคตของ AI อาจไม่ได้เกิดจากสมองที่ใหญ่ที่สุดเพียงอย่างเดียว แต่เกิดจากระบบประสาททั้งหมดที่สามารถทำงานร่วมกันได้ดีที่สุดต่างหาก

ข้อมูลอ้างอิง

Moore’s Law เป็นแนวคิดที่เสนอโดย Gordon Moore ในปี 1965 โดยอธิบายว่าจำนวนทรานซิสเตอร์บนชิปมีแนวโน้มเพิ่มขึ้นอย่างต่อเนื่องตามช่วงเวลา ส่งผลให้ประสิทธิภาพของหน่วยประมวลผลเติบโตอย่างก้าวกระโดด และกลายเป็นแนวคิดพื้นฐานที่ขับเคลื่อนอุตสาหกรรม Semiconductor มาหลายทศวรรษ ก่อนที่ข้อจำกัดด้านพลังงาน ความร้อน และต้นทุนการผลิตจะทำให้การเพิ่มประสิทธิภาพของชิปเพียงอย่างเดียวไม่ใช่คำตอบของยุค AI อีกต่อไป

Link: Intel – Moore’s Law

งานวิจัย AI and Memory Wall ระบุว่าความสามารถในการประมวลผล (Compute) ของฮาร์ดแวร์เติบโตเร็วกว่าความเร็วของ DRAM และ Interconnect อย่างต่อเนื่อง ส่งผลให้การรับส่งข้อมูลผ่านหน่วยความจำ (Memory Bandwidth) กลายเป็นข้อจำกัดสำคัญของการประมวลผล AI โดยเฉพาะ Large Language Models ซึ่งสอดคล้องกับประเด็นในบทความที่ว่า “AI ไม่ได้ต้องการเพียงชิปที่แรงกว่า แต่ต้องการระบบที่ส่งข้อมูลได้ทันกับพลังประมวลผล”

Link: AI and Memory Wall (arXiv)

เอกสารสถาปัตยกรรมของ Google Cloud อธิบายว่า TPU จะโหลดข้อมูลจาก High Bandwidth Memory (HBM) ไปยัง Matrix Multiplication Unit (MXU) เพื่อใช้ในการคำนวณ และ HBM มีบทบาทสำคัญในการป้อนข้อมูลให้หน่วยประมวลผล AI อย่างต่อเนื่อง ซึ่งสนับสนุนคำอธิบายเรื่องความสำคัญของ Memory และ Memory Bandwidth ในบทความ

Link: Google Cloud TPU System Architecture

AMD ระบุว่าการเข้าซื้อกิจการ MEXT มีเป้าหมายเพื่อเสริมเทคโนโลยี Memory Optimization สำหรับโครงสร้างพื้นฐานด้าน AI และ Data Center โดยช่วยเพิ่มประสิทธิภาพการใช้หน่วยความจำ ลดต้นทุนรวมของระบบ และเร่งการติดตั้ง AI Infrastructure ซึ่งสะท้อนแนวโน้มของอุตสาหกรรมที่หันมาให้ความสำคัญกับการบริหารหน่วยความจำควบคู่กับการเพิ่มพลังประมวลผล

Link: AMD Acquires MEXT to Advance Memory Optimization

บทความโดย

Nuchida Thawiang

Content Writer