ความจำเป็นด้าน Yield: การเปลี่ยนโครงสร้างพื้นฐาน AI ให้กลายเป็นปัญญาที่ใช้ประโยชน์ได้จริง

เมื่อเราก้าวเข้าสู่ยุคถัดไป อะไรจะเป็นตัววัดความก้าวหน้าที่สำคัญที่สุด?

ทุกอุตสาหกรรมมีคำนิยามที่กำหนดวิธีคิดที่แตกต่างกัน สำหรับนักบินคือความปลอดภัย สำหรับผู้รับประกันภัยคือความเสี่ยง แต่สำหรับอุตสาหกรรมเซมิคอนดักเตอร์ คำนั้นคือ Yield หรือผลผลิตที่ใช้งานได้จริง

Yield ไม่ได้ถามว่าโซลูชันนั้นหรูหราเพียงใด ใช้เวลากี่ปี หรือมีคำมั่นสัญญาในแผนงานอย่างไร แต่มันตั้งคำถามง่ายๆ เพียงข้อเดียวว่า: ผลลัพธ์ที่มีประโยชน์ที่เราผลิตออกมาคืออะไร?

ตลอดระยะเวลากว่า 60 ปี อุตสาหกรรมเซมิคอนดักเตอร์ได้ยึดถือหลักการนี้ในการเพิ่มจำนวนชิปที่ใช้งานได้จริงจากแผ่นเวเฟอร์ทุกแผ่นอย่างไม่ลดละ ระเบียบวินัยนี้เองที่เปลี่ยนทรานซิสเตอร์จากของแปลกใหม่ในห้องปฏิบัติการให้กลายเป็นรากฐานของชีวิตสมัยใหม่

ในวันนี้ เราจำเป็นต้องใช้หลักการเดียวกันนี้กับทรัพยากรมหาศาลที่โลกกำลังทุ่มเทให้กับ AI ไม่ว่าจะเป็นเงินทุนระดับประเทศ พลังงานระดับกิกะวัตต์ รวมถึงโรงงานผลิตชิปและศูนย์ข้อมูลที่สร้างสถิติใหม่ๆ

คำถามที่จะกำหนดทศวรรษนี้คือคำถามเดียวกับที่อุตสาหกรรมถามเสมอมา: สิ่งที่ออกมาจริงๆ คืออะไร? ไม่ใช่แค่ชิปและโทเคน แต่ต้องเป็นปัญญา (intelligence) ที่ราคาเอื้อมถึง งานที่มีความสำคัญ และผลลัพธ์ที่ช่วยปรับปรุงคุณภาพชีวิต นั่นคือสิ่งที่เรียกว่าความจำเป็นด้าน Yield (The yield imperative)

YouTube Video

Click here to load media

ขีดจำกัดของคำว่า "มากขึ้น"

AI แพร่กระจายด้วยความเร็วที่น่าทึ่ง ยิ่งกว่าอินเทอร์เน็ต พีซี หรือสมาร์ทโฟน ถึงอย่างนั้นการเข้าถึงทั่วโลกยังอยู่ที่เพียง 18% ของประชากรวัยทำงาน และส่วนใหญ่ยังเป็นแค่การแชท เมื่อระบบเปลี่ยนจากการตอบคำถามรายข้อไปสู่การใช้เหตุผล การวางแผน และกระบวนการทำงานแบบ Agentic ที่ซับซ้อนขึ้น สมการโครงสร้างพื้นฐานจะเปลี่ยนไปอย่างมาก เพราะงานแบบ Agentic เพียงงานเดียวอาจใช้โทเคนมากกว่าการแชททั่วไปถึง 3,400 เท่า

ที่มา: Microsoft AI Diffusion Report

เราเพิ่งเริ่มต้นการยอมรับระบบ Agentic แต่โครงสร้างพื้นฐานก็เริ่มตึงตัวแล้ว ทั้งพลังงานที่เป็นตัวกำหนดขีดจำกัด ขนาดแพ็คเกจและตู้แร็คที่หนาแน่นขึ้น รวมถึงหน่วยความจำที่กลายเป็นข้อจำกัดที่บีบคั้น

หลายปีที่ผ่านมา อุตสาหกรรมตอบสนองต่อความต้องการใหม่ๆ ด้วยการเพิ่มสิ่งต่างๆ ให้ "มากขึ้น" ทั้งซิลิคอน หน่วยความจำ พลังงาน และไฟเบอร์ แต่เมื่อการได้สิ่งใหม่แต่ละครั้งต้องใช้ทรัพยากรขาเข้ามากกว่าเดิม เราก็เหมือนอยู่บนลู่วิ่งไฟฟ้าที่เคลื่อนที่ได้ตราบเท่าที่เรายังคงเติมสิ่งต่างๆ เข้าไปไม่หยุด

ผมเชื่อว่าเราต้องเดินไปสองเส้นทาง เส้นทางแรกคือวิวัฒนาการ โดยพัฒนาสถาปัตยกรรมปัจจุบันให้มีประสิทธิภาพและประหยัดขึ้น และเส้นทางที่สองคือการปฏิรูป ด้วยการเปลี่ยนเส้นโค้งการเติบโตผ่านนวัตกรรมสถาปัตยกรรม วัสดุใหม่ และแนวทางใหม่ในการออกแบบระบบและโมเดล

ประวัติศาสตร์ของเราถูกกำหนดโดยการปฏิรูปเช่นนี้เสมอ เช่น เมื่อความเร็ว CPU ชนกำแพงพลังงาน เราก็เปลี่ยนไปใช้โปรเซสเซอร์หลายคอร์ หรือเมื่อ planar NAND ถึงขีดจำกัด หน่วยความจำก็เปลี่ยนไปเป็นแนวตั้ง

ตอนนี้เรามีโอกาสท้าทายสมมติฐานเดิมอีกครั้ง เพราะบทถัดไปของ AI จะไม่ถูกกำหนดเพียงแค่เราสร้างโครงสร้างพื้นฐานได้มากเท่าใด แต่มันจะถูกกำหนดโดยปัญญาที่เราสามารถสร้างขึ้นจากโครงสร้างพื้นฐานนั้นได้มากเพียงใดต่างหาก

การวิศวกรรม Yield ที่มีประโยชน์

เป็นเวลาหลายทศวรรษที่อุตสาหกรรมคอมพิวเตอร์ปรับปรุง Yield ในบริบทของการผลิต วันนี้ระเบียบวินัยนั้นต้องขยายไปทั่วทุกชั้น ตั้งแต่ศูนย์ข้อมูล ซิลิคอน ไปจนถึงโมเดลและระบบ Agentic และงานไม่ได้จบลงเมื่อสร้างเสร็จ แต่เราต้องติดตั้งและขยายขนาดให้เร็วขึ้น พร้อมพัฒนาเครื่องมือเพื่อเพิ่มการใช้งานให้สูงสุดทั่วทั้งระบบ

แต่ละชั้นของเทคโนโลยีมี Yield ของตัวเอง และการสูญเสียหรือกำไรจะส่งผลกระทบต่อเนื่องกัน ตัววัดที่แท้จริงไม่ใช่แค่ความจุของชั้นใดชั้นหนึ่ง แต่คือการที่ทุกชั้นทำงานร่วมกันได้มีประสิทธิภาพเพียงใดเพื่อผลิตผลลัพธ์ที่มีประโยชน์ออกมา

ประสบการณ์ที่ Microsoft สอนเราว่า ข้อจำกัดที่ใหญ่ที่สุดมักไม่ได้รับการแก้ไขในชั้นที่มันปรากฏขึ้น และเมื่อเราแก้ปัญหาในทุกระดับของ Stack ข้อแลกเปลี่ยนที่ดูเหมือนจะเป็นปัญหามักเป็นเพียงผลพวงจากการออกแบบสถาปัตยกรรม ความก้าวหน้าเกิดขึ้นเมื่อเราใช้การออกแบบร่วมกัน (Co-design) ข้ามชั้นต่างๆ เพื่อเปลี่ยนขีดจำกัดให้กลายเป็นสิ่งที่แก้ไขได้

หน่วยความจำ: ปัญญาที่มากขึ้นจากทุกไบต์

ปัจจุบันหน่วยความจำมักถูกมองว่าเป็นปัญหาด้านซัพพลายหรือส่วนประกอบ แต่แท้จริงแล้วมันคือปัญหาของระบบ ในการทำ AI Inference หน่วยความจำคือตัวกำหนดขีดจำกัดประสิทธิภาพ เพราะต้องรองรับโมเดลใหญ่ รักษาบริบทที่ยาว และส่งข้อมูลให้เร็วพอ ซึ่งระบบ Agentic ยิ่งเพิ่มความต้องการนี้ให้สูงขึ้นไปอีก

ประสบการณ์จากการสร้าง Azure Maia แสดงให้เห็นว่าคอขวดของหน่วยความจำไม่ได้แก้ได้ด้วยชั้นเดียว แต่ต้องใช้ทั้งสถาปัตยกรรมโมเดล การบีบอัดข้อมูลเพื่อลด KV cache ซอฟต์แวร์จัดการหน่วยความจำ และคอมไพเลอร์ที่วางข้อมูลใกล้การประมวลผล เมื่อรวมกันจึงจะเพิ่ม Yield หรือปัญญาที่มีประโยชน์จากทรัพยากรหน่วยความจำเดิมที่มีอยู่ได้

เครือข่าย: การออกแบบข้ามชั้น

ในระดับคลัสเตอร์ ปัญญาไม่ได้มาจากชิปตัวเดียว แต่มาจากชิปหลายพันตัวที่ทำงานเป็นระบบเดียว การเชื่อมต่อที่เร็วขึ้นมีความสำคัญ แต่การจัดการความหนาแน่น การกู้คืนจากความล้มเหลว และการวางภาระงานก็สำคัญไม่แพ้กัน สิ่งเหล่านี้กำหนดว่าระบบราคาแพงกำลังผลิตปัญญาหรือกำลังนั่งว่างงานอยู่

ในการออกแบบ Maia เราไม่ได้เริ่มจากดีไซน์เครือข่ายเดิม แต่เริ่มจากผลลัพธ์ที่ต้องการคือการทำ Inference ระดับฝูงเครื่อง (Fleet scale) เราออกแบบข้ามทั้งซิลิคอน เครือข่าย และซอฟต์แวร์ระบบ โดยรวมฟังก์ชัน NIC เข้ากับชิปโดยตรง ทำให้ได้ประสิทธิภาพที่สม่ำเสมอ ลดการใช้ฮาร์ดแวร์เครือข่าย และลดต้นทุนทั้งระบบ

เป้าหมายไม่ใช่แค่การเคลื่อนย้ายข้อมูลให้เร็วขึ้น แต่คือการทำให้การประมวลผลมีผลิตภาพสูงสุด และส่งมอบโทเคนได้มากขึ้นจากทุกวัตต์และทุกดอลลาร์ที่จ่ายไป

พลังงาน: การออกแบบร่วมกันตั้งแต่โครงข่ายไฟฟ้าถึงชิป

AI นำความท้าทายใหม่มาสู่การใช้พลังงาน เมื่อตู้แร็คเปลี่ยนจากระดับสิบกิโลวัตต์เป็นหลายร้อยกิโลวัตต์ พลังงานจึงไม่ใช่แค่สิ่งที่เสียบปลั๊กใช้ แต่เป็นสิ่งที่ต้องออกแบบร่วมกันตั้งแต่โครงข่ายไฟฟ้าจนถึงระดับชิป

Azure Cobalt 200 ซึ่งเป็น CPU บนสถาปัตยกรรม Arm ของเรา แสดงให้เห็นว่าการออกแบบร่วมกันช่วยเพิ่มประสิทธิภาพได้อย่างไร โดยเราออกแบบให้ทุกคอร์มีการควบคุมแรงดันและความถี่ของตัวเองผ่านซอฟต์แวร์ การควบคุมที่ละเอียดนี้ช่วยให้เราสามารถรันเซิร์ฟเวอร์ได้มากขึ้นภายใต้ขีดจำกัดพลังงานเท่าเดิม เปลี่ยนทุกเมกะวัตต์ให้เป็นมูลค่าสำหรับลูกค้าได้มากขึ้น

การบุกเบิกข้ามเส้นแบ่ง

รูปแบบความสำเร็จที่เราเห็นคือการปรับปรุงทั้งระบบแทนที่จะเป็นชั้นใดชั้นหนึ่ง ซึ่งต้องใช้ความแม่นยำในการระบุผลลัพธ์ที่ต้องการ บางข้อจำกัดไม่ใช่กฎทางฟิสิกส์ แต่เป็นผลจากการตัดสินใจในอดีตซึ่งสามารถเปลี่ยนได้หากเราทำงานข้ามเส้นแบ่งเดิมๆ

ความสำเร็จที่ยิ่งใหญ่ต้องอาศัยการทำงานร่วมกันทั่วทั้งระบบนิเวศ ตั้งแต่ผู้ให้บริการคลาวด์ ผู้ผลิตชิป ผู้สร้างโมเดล ไปจนถึงบริษัทสาธารณูปโภค เพื่อท้าทายสมมติฐานเดิมและออกแบบระบบใหม่ร่วมกัน

มุ่งสู่ Yield ที่สมบูรณ์

โทเคนและปัญญายังไม่ใช่เส้นชัย สิ่งสำคัญถัดไปคือข้อมูลขาเข้านั้นจะแปลไปสู่ผลิตภาพและมูลค่าในชีวิตของผู้คนได้อย่างไร ไม่ว่าจะเป็นการช่วยนักวิทยาศาสตร์เร่งการค้นพบ ช่วยแพทย์ตรวจโรค หรือช่วยธุรกิจขนาดเล็กเติบโต

สิ่งนี้จะเกิดขึ้นได้เมื่อ AI เข้าถึงได้ในวงกว้าง ซึ่งต้องอาศัยประสิทธิภาพและต้นทุนที่เหมาะสม เมื่อทุกคนและทุกบริษัทสามารถเข้าถึงและสร้างมูลค่าจากปัญญาได้ นั่นคือ Yield ที่สมบูรณ์

เราจะสร้างความจุต่อไปตามความต้องการของโลก แต่ตัววัดความก้าวหน้าที่สำคัญต้องเป็นผลลัพธ์ที่ได้ คือปัญญาที่มีประโยชน์ซึ่งแปลไปสู่การเสริมสร้างอำนาจ โอกาส และความสำเร็จของมนุษย์ นี่คือภารกิจที่ทั้งอุตสาหกรรมต้องร่วมมือกัน

Rani Borkar เป็นผู้นำองค์กรหลักที่รับผิดชอบด้านการวางแผน การออกแบบสถาปัตยกรรม การพัฒนา และการติดตั้งฮาร์ดแวร์รวมถึงโครงสร้างพื้นฐานสำหรับแพลตฟอร์มคลาวด์คอมพิวเตอร์ชั้นนำของ Microsoft ตั้งแต่ซิลิคอน ไปจนถึงระบบ และซัพพลายเชน

เรียนรู้เพิ่มเติมเกี่ยวกับแนวทาง silicon to systems ของ Microsoft สำหรับโครงสร้างพื้นฐาน Azure