Chris Miglino ซีอีโอของ Axe Compute – บทสัมภาษณ์

Chris Miglino เป็นซีอีโอของ Axe Compute และมีประสบการณ์มากกว่าสองทศวรรษในการสร้าง ขยายธุรกิจ และลงทุนในบริษัทเทคโนโลยี เขาร่วมก่อตั้ง Social Reality และเคยทำงานกับ DNA Fund โดยผสานภูมิหลังด้านการเป็นผู้ประกอบการเข้ากับประสบการณ์ในตลาดทุนและการลงทุนด้านโครงสร้างพื้นฐาน ที่ Axe Compute เขามุ่งเน้นความท้าทายด้านการดำเนินงานและการเงินในการขยายขีดความสามารถด้านการประมวลผล AI โดยเฉพาะสำหรับลูกค้าองค์กร

Axe Compute ให้บริการโครงสร้างพื้นฐาน GPU แบบ bare-metal โดยเฉพาะสำหรับงาน AI ระดับองค์กร บริการ Axe Access เปิดให้เข้าถึงขีดความสามารถ GPU ที่พร้อมใช้งาน ขณะที่ Axe Build พัฒนาโครงสร้างพื้นฐานให้สอดคล้องกับความต้องการของลูกค้าในระยะยาว ในบทสัมภาษณ์นี้ Miglino พูดถึงเศรษฐศาสตร์ของ GPU ข้อจำกัดด้านพลังงาน ประสิทธิภาพของคลัสเตอร์ พันธมิตรด้านการติดตั้งใช้งาน และการเปลี่ยนผ่านไปสู่การอนุมานและเอเจนต์ AI ซึ่งอาจปรับเปลี่ยนความต้องการโครงสร้างพื้นฐานขององค์กร

เส้นทางอาชีพของคุณครอบคลุมการเป็นผู้ประกอบการมานานกว่าสองทศวรรษ ตั้งแต่การร่วมก่อตั้ง Social Reality ไปจนถึงการเป็นผู้นำ DNA Fund และปัจจุบันดำรงตำแหน่งซีอีโอของ Axe Compute อะไรดึงดูดให้คุณเข้าสู่ตลาดโครงสร้างพื้นฐาน AI ในช่วงแรก และคุณมองเห็นโอกาสอะไรที่ผู้ให้บริการคลาวด์แบบดั้งเดิมยังตอบโจทย์ได้ไม่เพียงพอ?

โอกาสที่ผมมองเห็นนั้นเรียบง่ายมาก นั่นคือ AI กำลังพัฒนาเร็วกว่าการสร้างโครงสร้างพื้นฐานเพื่อรองรับ ผมใช้เวลากว่าสองทศวรรษในการสร้าง ขยายธุรกิจ และลงทุนในบริษัทต่าง ๆ และช่องว่างนี้เองคือจุดที่ผมพบโอกาสที่ยิ่งใหญ่ที่สุด ตั้งแต่การร่วมก่อตั้ง Social Reality จนถึงการทำงานที่ DNA Fund ผมมักสนใจปัญหาพื้นฐานที่มีเส้นทางชัดเจนจากเทคโนโลยีใหม่ไปสู่มูลค่าทางธุรกิจที่เกิดขึ้นจริง บริษัทต่าง ๆ ลงทุนหลายพันล้านดอลลาร์ใน AI แต่หลายแห่งกลับไม่สามารถเข้าถึงขีดความสามารถที่เชื่อถือได้ในต้นทุนที่สมเหตุสมผลทางธุรกิจ ผู้ให้บริการคลาวด์แบบดั้งเดิมสร้างธุรกิจที่ยอดเยี่ยมขึ้นมาได้ แต่โครงสร้างพื้นฐานของพวกเขาออกแบบมาสำหรับสภาพแวดล้อมที่ยืดหยุ่นและใช้ทรัพยากรร่วมกัน ไม่ใช่สำหรับงาน AI ที่ใช้การประมวลผลหนักและทำงานต่อเนื่องตลอด 24 ชั่วโมง ผมเคยสร้างบริษัทด้วยตัวเอง จึงรู้ว่าธุรกิจต้องการอะไร ได้แก่ ต้นทุนที่คาดการณ์ได้ การเข้าถึงที่เชื่อถือได้ และพื้นที่สำหรับขยายธุรกิจ ผมมองเห็นโอกาสในการสร้างโครงสร้างพื้นฐานเฉพาะทางให้สอดคล้องกับความต้องการจริงของ AI ระดับองค์กร เพื่อให้บริษัทต่าง ๆ ควบคุมทรัพยากรประมวลผลของตนได้โดยไม่ต้องกลายเป็นผู้ดำเนินงานศูนย์ข้อมูลเสียเอง นั่นคือเหตุผลที่ผมมาทำงานที่ Axe Compute บริษัทที่สร้างโครงสร้างพื้นฐานเบื้องหลัง AI จะเป็นผู้กำหนดว่าเทคโนโลยีนี้จะขยายขอบเขตและเติบโตได้ไกลและรวดเร็วเพียงใด

เมื่อองค์กรต่าง ๆ เร่งนำ AI มาใช้ การเข้าถึงการประมวลผล GPU ประสิทธิภาพสูงก็กลายเป็นประเด็นสำคัญ ธุรกิจมีความเข้าใจผิดเรื่องความต้องการด้านการประมวลผลของตนเองในประเด็นใดบ้าง และควรประเมินโครงสร้างพื้นฐาน GPU โดยเฉพาะเทียบกับบริการคลาวด์แบบดั้งเดิมอย่างไร?

ความเข้าใจผิดข้อใหญ่ที่สุดคือคิดว่าการมี GPU มากขึ้นจะทำให้ AI ทำงานได้ดีขึ้นโดยอัตโนมัติ สถาปัตยกรรมที่รองรับ GPU เหล่านั้น ความสม่ำเสมอในการเข้าถึง และต้นทุนในการใช้งาน ล้วนมีความสำคัญไม่แพ้กัน อีกข้อคือการคิดว่าโมเดลคลาวด์ที่สร้างขึ้นเพื่อซอฟต์แวร์ระดับองค์กรเหมาะกับ AI ด้วย คลาวด์สาธารณะเหมาะอย่างยิ่งสำหรับการทดลอง ความต้องการที่คาดเดาไม่ได้ และงานที่เพิ่มหรือลดขนาดได้อย่างรวดเร็ว แต่เมื่อเริ่มใช้งานจริงและต้องรองรับงานหนักตลอดเวลา เศรษฐศาสตร์ของการใช้งานก็เปลี่ยนไป คุณไม่ได้จ่ายเงินสำหรับการประมวลผลเป็นครั้งคราวอีกต่อไป แต่กำลังจัดหาเงินทุนให้การดำเนินงานภาคอุตสาหกรรมอย่างต่อเนื่องด้วยโมเดลราคาตามการใช้งาน ผมแนะนำให้องค์กรพิจารณาอัตราการใช้งาน ระยะเวลาของงาน ความต้องการด้านเครือข่าย และต้นทุนรวมตลอดหลายปี แทนที่จะดูราคา GPU รายชั่วโมง โครงสร้างพื้นฐานเฉพาะทางช่วยให้คาดการณ์ต้นทุนและควบคุมการใช้งานต่อเนื่องได้ แต่ทางเลือกที่เหมาะสมขึ้นอยู่กับแผนการนำ AI ไปใช้งานจริงของแต่ละองค์กร

Axe Compute นำเสนอโมเดลที่แตกต่างกันสองรูปแบบ ได้แก่ Axe Access และ Axe Build ซึ่งรองรับทั้งการเข้าถึง GPU ได้ทันทีและโครงสร้างพื้นฐาน AI ที่ออกแบบมาโดยเฉพาะ คุณช่วยอธิบายได้ไหมว่าโมเดลเหล่านี้ทำงานอย่างไร ให้บริการลูกค้ากลุ่มใด และองค์กรจะพิจารณาได้อย่างไรว่ารูปแบบใดเหมาะกับงาน AI ของตนมากที่สุด?

เราสร้าง Axe Access และ Axe Build ขึ้นมาเพราะองค์กรต่าง ๆ ไม่ได้เริ่มต้นจากจุดเดียวกัน และไม่ควรถูกบังคับให้ใช้โครงสร้างพื้นฐานรูปแบบเดียวกัน Axe Access เหมาะสำหรับองค์กรที่ต้องการขีดความสามารถ GPU โดยเฉพาะในทันที ไม่ว่าจะกำลังขยายการดำเนินงานที่มีอยู่ เปิดตัวโมเดลใหม่ หรือมีความต้องการเกินกว่าที่ผู้ให้บริการปัจจุบันจะรองรับได้ ส่วน Axe Build เหมาะกับลูกค้าที่ต้องการโครงสร้างพื้นฐานเฉพาะทางซึ่งออกแบบตามความต้องการระยะยาว ตั้งแต่ขีดความสามารถและสถาปัตยกรรมไปจนถึงการดำเนินงาน ความแตกต่างอยู่ที่ระยะเวลา ขนาด และระดับการปรับแต่ง หากต้องเริ่มใช้งานทันที ก็เริ่มจากขีดความสามารถที่พร้อมให้บริการได้เลย หากกำลังวางแผนดำเนินงานด้าน AI หลายปี ก็สร้างโครงสร้างพื้นฐานให้รองรับตั้งแต่ต้น สิ่งสำคัญสำหรับผมคือการมอบเส้นทางที่ใช้งานได้จริงให้ลูกค้า ตั้งแต่การตอบสนองต่อความต้องการไปจนถึงการมีขีดความสามารถที่พร้อมใช้งาน เพราะเทคโนโลยีจะมีคุณค่าก็ต่อเมื่อนำไปใช้ได้จริง

Axe Compute ประกาศโครงการโครงสร้างพื้นฐาน AI ที่ทำสัญญาไว้แล้วมูลค่ารวมกว่า 3.45 พันล้านดอลลาร์ ซึ่งสะท้อนถึงความต้องการขีดความสามารถด้านการประมวลผลเฉพาะทางที่มีอยู่มาก อะไรคือความท้าทายสำคัญที่สุดในการเปลี่ยนข้อตกลงเหล่านี้ให้เป็นคลัสเตอร์ GPU ที่พร้อมดำเนินงาน และคุณได้เรียนรู้อะไรบ้างเกี่ยวกับการขยายโครงสร้างพื้นฐานด้วยความเร็วระดับนี้?

บทเรียนสำคัญที่สุดคือ การคว้าความต้องการของตลาดมาได้กับการส่งมอบโครงสร้างพื้นฐานนั้นเป็นงานคนละด้านกันโดยสิ้นเชิง และคุณต้องทำได้ดีเยี่ยมทั้งสองด้าน เมื่อมีโครงการที่ทำสัญญาแล้วมูลค่ากว่า 3.45 พันล้านดอลลาร์ ทุกขั้นตอนล้วนสำคัญ ไม่ว่าจะเป็นสถานที่ตั้ง ระบบไฟฟ้า การจัดซื้อ การจัดหาเงินทุน ระบบเครือข่าย และงานด้านเทคนิคที่จำเป็นต่อการเปิดใช้งานคลัสเตอร์ แต่ละขั้นตอนมีกรอบเวลาของตัวเอง และความล่าช้าเพียงจุดเดียวก็อาจทำให้การติดตั้งใช้งานทั้งหมดสะดุดได้ ปัจจัยสำคัญที่สุดคือไฟฟ้า คุณอาจมีข้อผูกพัน เงินทุน และอุปกรณ์พร้อมแล้ว แต่หากไม่มีไฟฟ้า สิ่งเหล่านั้นก็สร้างผลตอบแทนไม่ได้ เราเรียนรู้ที่จะขยายธุรกิจอย่างมีวินัย ทั้งในด้านการจัดลำดับโครงการ การเลือกพันธมิตร และการจัดสรรเงินทุน และเราไม่เคยลืมว่ามูลค่าโครงการตามสัญญาไม่เท่ากับโครงสร้างพื้นฐานที่ติดตั้งใช้งานแล้วและกำลังสร้างรายได้ บริษัทที่จะเป็นผู้ชนะคือบริษัทที่เปลี่ยนข้อผูกพันให้เป็นขีดความสามารถที่พร้อมใช้งานและเชื่อถือได้อย่างสม่ำเสมอ การลงมือทำให้สำเร็จคือหัวใจของโมเดลธุรกิจ

การพูดคุยเรื่องโครงสร้างพื้นฐาน AI มักให้ความสำคัญกับความพร้อมใช้งานของ GPU เป็นหลัก แต่ไฟฟ้า ระบบระบายความร้อน ระบบเครือข่าย และขีดความสามารถของศูนย์ข้อมูลก็อาจเป็นข้อจำกัดที่สำคัญไม่แพ้กัน คุณคิดว่าคอขวดใดเป็นภัยคุกคามระยะยาวต่อการขยายขนาด AI มากที่สุด และ Axe Compute กำลังรับมือกับความท้าทายเหล่านี้อย่างไร?

ไฟฟ้า องค์ประกอบอื่นแทบทุกส่วนของโครงสร้างพื้นฐาน AI สามารถขยายหรือยกระดับได้เร็วกว่าระบบไฟฟ้าที่รองรับอยู่ เทคโนโลยี GPU พัฒนาอย่างรวดเร็ว สามารถจัดหาเงินทุนและก่อสร้างอาคารได้ แต่การสร้างสายส่ง การเชื่อมต่อกับระบบของผู้ให้บริการสาธารณูปโภค และการผลิตไฟฟ้าขนาดใหญ่ต้องใช้เวลานาน ซึ่งมักยาวนานเกินกว่ารอบการวางแผนของบริษัท AI เรากำลังขอให้มีการพัฒนาโครงข่ายไฟฟ้าที่รองรับความต้องการที่คาดการณ์ได้ เพื่อรองรับการรวมตัวของกำลังประมวลผลขนาดมหาศาลที่เกิดขึ้นใหม่ และปัญหานี้แก้ไม่ได้ด้วยการทุ่มเงินซื้อฮาร์ดแวร์เพิ่ม ที่ Axe Compute เราวางแผนพัฒนาโครงสร้างพื้นฐานให้สอดคล้องกับความพร้อมด้านพลังงานที่เป็นไปได้จริง และทำงานร่วมกับพันธมิตรที่เข้าใจการติดตั้งระบบ AI ความหนาแน่นสูง ระบบระบายความร้อนและระบบเครือข่ายมีความสำคัญ โดยเฉพาะเมื่อความหนาแน่นของแร็กเพิ่มขึ้น แต่ไฟฟ้าที่มีเสถียรภาพและราคาไม่แพงจะเป็นตัวกำหนดว่าจะสร้างโครงสร้างพื้นฐาน AI ที่ใด และผู้ให้บริการรายใดจะขยายธุรกิจได้อย่างมีกำไร

การสร้างคลัสเตอร์ AI ประสิทธิภาพสูงมีรายละเอียดมากกว่าการนำ GPU หลายพันตัวมาประกอบเข้าด้วยกันอย่างมาก ปัจจัยต่าง ๆ เช่น สถาปัตยกรรมเครือข่าย ปริมาณงานรับส่งข้อมูลของระบบจัดเก็บข้อมูล การจัดการเวิร์กโหลด และอัตราการใช้งาน GPU ส่งผลต่อประสิทธิภาพในการใช้งานจริงอย่างไร และองค์กรต่าง ๆ มักประเมินความซับซ้อนทางเทคนิคในด้านใดต่ำเกินไปมากที่สุด?

GPU ได้รับความสนใจทั้งหมด แต่ประสิทธิภาพของมันขึ้นอยู่กับทุกสิ่งที่อยู่รอบตัว และนี่คือจุดที่องค์กรต่าง ๆ มักประเมินความซับซ้อนต่ำเกินไป คุณอาจติดตั้งโปรเซสเซอร์ที่ทรงพลังอย่างยิ่งได้ แต่หากเครือข่ายส่งข้อมูลระหว่างโปรเซสเซอร์เหล่านั้นได้ไม่อย่างมีประสิทธิภาพ หรือระบบจัดเก็บข้อมูลป้อนข้อมูลให้ได้ไม่เร็วพอ คุณก็ต้องจ่ายเงินซื้อขีดความสามารถที่ไม่ได้ใช้งาน ประเด็นนี้สำคัญที่สุดในการฝึกโมเดลขนาดใหญ่ ซึ่งการสื่อสารระหว่าง GPU อาจส่งผลอย่างมากต่อระยะเวลาที่ใช้ฝึกโมเดลให้เสร็จ การจัดการเวิร์กโหลดเพิ่มความซับซ้อนอีกชั้น เพราะต้องจัดการการกำหนดตารางเวลา การจัดสรรทรัพยากร ความขัดข้อง และความต้องการที่เปลี่ยนแปลงไป โดยไม่ปล่อยให้ขีดความสามารถว่างเปล่า ผมมองประสิทธิภาพจากผลลัพธ์ที่นำไปใช้ประโยชน์ได้จริง ไม่ใช่จากข้อมูลจำเพาะตามทฤษฎี เพราะคลัสเตอร์ที่ใช้งานได้อย่างเต็มประสิทธิภาพอาจคุ้มค่ากว่ามากเมื่อเทียบกับคลัสเตอร์ขนาดใหญ่กว่าที่ทำงานอย่างไม่มีประสิทธิภาพ โครงสร้างพื้นฐาน AI ต้องได้รับการปรับปรุงอย่างต่อเนื่องทั้งในด้านฮาร์ดแวร์ ซอฟต์แวร์ และการปฏิบัติงาน นี่ไม่ใช่การซื้ออุปกรณ์เพียงครั้งเดียวแล้วจบ

เมื่อไม่นานมานี้ Axe Compute ประกาศความร่วมมือเชิงกลยุทธ์กับ Penguin Solutions เพื่อเร่งการติดตั้งใช้งานโครงสร้างพื้นฐาน AI ขนาดใหญ่ ความร่วมมือนี้เพิ่มขีดความสามารถด้านเทคนิคและการปฏิบัติงานใดบ้าง และจะช่วยลดระยะเวลาการติดตั้งใช้งาน พร้อมรักษาความน่าเชื่อถือและประสิทธิภาพได้อย่างไร?

Penguin นำเสนอสิ่งสำคัญสามประการ ได้แก่ บริการติดตั้งใช้งานและปฏิบัติการโดยผู้เชี่ยวชาญ ณ จุดติดตั้งคลัสเตอร์ GPU ที่กำหนด ซอฟต์แวร์ ClusterWareAI สำหรับจัดการการปฏิบัติงานของคลัสเตอร์ในวงกว้าง และบริการดูแลศูนย์ปฏิบัติการเครือข่ายตลอด 24 ชั่วโมงทุกวันโดยทีมงาน Penguin ที่ทำงานร่วมกับทีมของเรา เรื่องนี้สำคัญ เพราะการเติบโตของโครงสร้างพื้นฐาน AI ในระยะต่อไปขึ้นอยู่กับว่าบริษัทต่าง ๆ จะติดตั้งใช้งานและปฏิบัติการสภาพแวดล้อมที่ซับซ้อนในวงกว้างได้อย่างมีประสิทธิภาพเพียงใด การติดตั้งคลัสเตอร์ AI หมายถึงการผสานระบบประมวลผล เครือข่าย ที่เก็บข้อมูล และระบบบริหารจัดการเข้าด้วยกันเป็นสภาพแวดล้อมที่ทำงานได้อย่างเชื่อถือภายใต้เวิร์กโหลดที่หนักหน่วง ผู้เชี่ยวชาญของ Penguin ช่วยเพิ่มขีดความสามารถในการส่งมอบงาน ทำให้เราติดตั้งใช้งานได้เร็วขึ้น รับงานก่อสร้างระบบได้มากขึ้น และลดความเสี่ยงในการดำเนินงาน เป้าหมายคือทำให้การติดตั้งใช้งานเป็นกระบวนการที่ทำซ้ำได้และคาดการณ์ได้มากขึ้น โดยไม่ลดทอนประสิทธิภาพ เพราะการเร่งโครงการจะสร้างคุณค่าได้ก็ต่อเมื่อโครงสร้างพื้นฐานทำงานได้อย่างเชื่อถือหลังเปิดใช้งาน

เมื่อ AI พัฒนาจากการฝึกโมเดลขนาดใหญ่ไปสู่การอนุมาน เอเจนต์อัตโนมัติ และแอปพลิเคชันแบบเรียลไทม์ คุณคาดว่าความต้องการด้านการประมวลผลขององค์กรจะเปลี่ยนแปลงไปอย่างไร การเปลี่ยนแปลงนี้จะส่งผลพื้นฐานต่อการออกแบบ การติดตั้งใช้งาน และการกระจายคลัสเตอร์ GPU ในเชิงภูมิศาสตร์หรือไม่?

ท้ายที่สุด การประมวลผลเพื่ออนุมานจะมีบทบาทอย่างมหาศาลในตลาดโครงสร้างพื้นฐาน AI เชิงพาณิชย์ โดยเฉพาะเมื่อธุรกิจเปลี่ยนจากการสร้างโมเดลไปสู่การผสาน AI เข้ากับผลิตภัณฑ์ การดำเนินงาน และบริการที่ให้แก่ลูกค้าโดยตรง การฝึกโมเดลมักเกิดขึ้นเป็นช่วงสั้น ๆ ที่มีการประมวลผลหนาแน่น ส่วนการประมวลผลเพื่ออนุมานต้องคำนึงถึงความพร้อมใช้งาน เวลาแฝง ปริมาณงาน และการรองรับคำขอนับล้านอย่างต่อเนื่อง เอเจนต์เพิ่มความซับซ้อนขึ้นอีกขั้น เพราะทำงานหลายอย่างและเรียกใช้โมเดลซ้ำหลายครั้งตลอดกระบวนการ คำขอแต่ละครั้งอาจมีขนาดเล็ก แต่เมื่อรวมกันแล้ว ความต้องการจะเพิ่มขึ้นอย่างรวดเร็ว ผมคาดว่าคลัสเตอร์ขนาดใหญ่ที่รวมศูนย์จะยังคงรองรับงานที่ต้องใช้ทรัพยากรสูง ขณะที่กำลังประมวลผลที่กระจายตัวตามพื้นที่มากขึ้นจะรองรับแอปพลิเคชันที่ต้องคำนึงถึงเวลาในการตอบสนองและข้อกำหนดด้านที่ตั้งของข้อมูล นอกจากนี้ องค์กรต่าง ๆ จะเลือกฮาร์ดแวร์ให้เหมาะกับงานได้อย่างชาญฉลาดยิ่งขึ้น แทนที่จะคิดว่างานทุกประเภทต้องใช้ GPU ที่ทรงพลังที่สุด สิ่งที่ทำให้ผมตื่นเต้นคือความต้องการจะมีความหลากหลายมากขึ้นอย่างมาก ซึ่งเป็นข้อได้เปรียบของผู้ให้บริการที่จัดหากำลังประมวลผลได้เหมาะสม ทั้งในด้านปริมาณ ทำเลที่ตั้ง และความคุ้มค่าทางเศรษฐกิจ

การสร้างโครงสร้างพื้นฐาน AI ต้องใช้เงินลงทุนล่วงหน้าจำนวนมาก ขณะที่เทคโนโลยี GPU ก็พัฒนาอย่างรวดเร็ว Axe Compute วางแผนด้านเศรษฐศาสตร์การเงินสำหรับการจัดหาเงินทุนและการดำเนินงานคลัสเตอร์ GPU เฉพาะทางอย่างไร และองค์กรต่าง ๆ จะหลีกเลี่ยงการผูกติดกับฮาร์ดแวร์ราคาแพงที่อาจล้าสมัยก่อนหมดอายุการใช้งานได้อย่างไร

คุณต้องเริ่มจากความต้องการของลูกค้า ไม่ใช่ฮาร์ดแวร์ การซื้ออุปกรณ์ราคาแพงแล้วหวังว่าจะมีการใช้งานตามมาเป็นการคิดกลับด้าน นี่ไม่ใช่ธุรกิจซอฟต์แวร์ เพราะคุณต้องรับมือกับสินทรัพย์ทางกายภาพที่ใช้เงินลงทุนสูง ระยะเวลาก่อสร้างที่ยาวนาน และเทคโนโลยีที่พัฒนาอย่างก้าวกระโดดในเวลาอันสั้น แนวทางของ Axe Compute ตั้งอยู่บนความต้องการที่มีสัญญารองรับ การติดตั้งใช้งานอย่างมีวินัย และโครงสร้างพื้นฐานที่ออกแบบมาเพื่อลูกค้าซึ่งต้องการกำลังประมวลผลอย่างต่อเนื่อง การล้าสมัยเป็นเรื่องจริง แต่ GPU ที่ไม่ใช่รุ่นใหม่ล่าสุดก็ไม่ได้หมายความว่าจะไม่มีมูลค่าเชิงพาณิชย์ แอปพลิเคชันสำหรับการประมวลผลเพื่ออนุมานหรือระบบ AI ระดับองค์กรไม่ได้จำเป็นต้องใช้ฮาร์ดแวร์รุ่นล่าสุดเสมอไป และคุณยังยืดอายุการใช้งานที่ก่อให้เกิดประโยชน์ของโครงสร้างพื้นฐานเดิมได้ด้วยการจัดสรรงานอย่างชาญฉลาด ลูกค้าควรพิจารณาความคุ้มค่าทางเศรษฐกิจตลอดอายุสัญญา โดยคำนึงถึงอัตราการใช้งาน ความต้องการด้านประสิทธิภาพ และความยืดหยุ่นเมื่อเทคโนโลยีพัฒนาไป เป้าหมายคือทำให้อายุการใช้งานเชิงเศรษฐกิจของโครงสร้างพื้นฐานสอดคล้องกับเงินลงทุน ไม่ใช่สร้างรูปแบบธุรกิจที่ต้องพึ่งพาการรักษามูลค่าเดิมของฮาร์ดแวร์ไว้ได้ตลอดไป

เมื่อมองไปข้างหน้าในช่วงสามถึงห้าปี คุณเห็นโอกาสสูงสุดสำหรับนวัตกรรมและการลงทุนในโครงสร้างพื้นฐาน AI อยู่ที่ใด คุณคิดว่าตลาดจะยังคงกระจุกตัวอยู่ในกลุ่มผู้ให้บริการคลาวด์ขนาดใหญ่และผู้ให้บริการ GPU รายใหญ่ หรือบริษัทโครงสร้างพื้นฐานเฉพาะทางจะสามารถพลิกโฉมวิธีที่องค์กรเข้าถึงพลังประมวลผล AI ได้อย่างสิ้นเชิง

ตลาดที่มีขนาดใหญ่และซับซ้อนเช่นนี้จะไม่ได้รับการตอบสนองอย่างมีประสิทธิภาพ หากมีผู้ให้บริการเพียงไม่กี่รายที่ใช้รูปแบบโครงสร้างพื้นฐานเหมือนกัน ผู้ให้บริการคลาวด์ขนาดใหญ่จะยังคงมีความสำคัญอย่างยิ่ง แต่ผมมีความเชื่อมั่นอย่างมากในผู้ให้บริการเฉพาะทางในช่วงสามถึงห้าปีข้างหน้า เรายังอยู่ในช่วงเริ่มต้นของการเปลี่ยนการลงทุนด้าน AI ให้เป็นโครงสร้างพื้นฐานที่ธุรกิจพึ่งพาในทุก ๆ วัน องค์กรมีความต้องการแตกต่างกันในด้านประสิทธิภาพ อธิปไตยของข้อมูล ต้นทุน ระยะเวลา และที่ตั้ง ซึ่งเปิดโอกาสให้ผู้ให้บริการอย่างเราดำเนินธุรกิจได้อย่างแท้จริง โอกาสในการลงทุนที่ผมเห็นว่าน่าสนใจที่สุดอยู่ในโครงสร้างพื้นฐานด้านพลังงาน ระบบระบายความร้อนที่มีประสิทธิภาพยิ่งขึ้น เครือข่ายขั้นสูง และซอฟต์แวร์ที่ช่วยเพิ่มอัตราการใช้งาน GPU เพราะสิ่งเหล่านี้ส่งผลโดยตรงต่อความคุ้มค่าทางเศรษฐกิจของ AI การจัดหาเงินทุนก็จะพัฒนาไปด้วย เมื่อนักลงทุนมีความคุ้นเคยกับสินทรัพย์และกระแสเงินสดจากกำลังประมวลผลที่มีสัญญารองรับมากขึ้น สำหรับ Axe Compute โอกาสคือการมีส่วนช่วยสร้างตลาดนี้ โดยทำให้องค์กรที่จริงจังกับการนำ AI ไปใช้งานจริงเข้าถึงกำลังประมวลผล AI เฉพาะทางได้ง่ายขึ้น คาดการณ์ได้มากขึ้น และขยายขนาดได้ นี่คือสิ่งที่เราหมายถึงเมื่อพูดถึงพลังประมวลผลที่ไม่ต้องประนีประนอม

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเพิ่มเติมเกี่ยวกับกำลังประมวลผล GPU เฉพาะทางและโครงสร้างพื้นฐาน AI ระดับองค์กร สามารถเยี่ยมชม Axe Compute ได้