Databricks เปิดให้ใช้งาน AI Runtime สำหรับฝึกโมเดลบน GPU ได้ทั่วไป

เมื่อวันที่ 21 ตุลาคม 2026 Databricks ประกาศเปิดให้ใช้งาน AI Runtime ได้ทั่วไป (AIR) ซึ่งเป็นแพลตฟอร์ม GPU แบบไร้เซิร์ฟเวอร์ที่มีการจัดการเต็มรูปแบบและติดตั้งอยู่ใน Databricks Lakehouse สำหรับฝึกและปรับแต่งโมเดลดีปเลิร์นนิงด้วยข้อมูลระดับองค์กร

Databricks ระบุว่า ปัจจุบันมีบริษัทหลายร้อยแห่ง ซึ่งรวมถึง Robinhood, PicPay, Merck, Flo Health, TinyFish และ FactSet ใช้ AIR ฝึกโมเดลดีปเลิร์นนิงและนำโมเดลเหล่านั้นไปใช้งานจริงแล้ว โดยกรณีการใช้งานครอบคลุมทั้งด้านสุขภาพ การผลิต และเอเจนต์สำหรับผู้บริโภค บริษัทระบุเพิ่มเติมว่า ทีมวิจัย AI ของ Databricks เองก็ใช้แพลตฟอร์มนี้ฝึกโมเดลที่อยู่เบื้องหลัง KARL และ AI Parse พร้อมกล่าวว่า AIR ผ่านการทดสอบใช้งานจริงมาแล้วจากการฝึกที่ใช้เวลา GPU รวมกว่า 100,000 ชั่วโมง

บริษัทนำเสนอการเปิดตัวครั้งนี้เพื่อตอบโจทย์ทีม AI ที่ใช้เวลาจัดหาความจุ GPU จัดการกับข้อขัดข้อง และรอให้การทดลองเริ่มทำงานมากกว่าการปรับปรุงโมเดลของตน การรันโครงสร้างพื้นฐาน GPU แยกจาก Lakehouse ทำให้เกิดช่องโหว่ด้านการกำกับดูแลและเสี่ยงต่อข้อมูลฝึกที่ละเอียดอ่อน ตามที่ระบุไว้ในประกาศ

โครงสร้างพื้นฐาน GPU ที่มีการจัดการ

Databricks รับผิดชอบการจัดหา GPU การกำหนดค่าคลัสเตอร์ และการจัดการเครือข่าย ทำให้ลูกค้าเริ่มฝึกโมเดลได้โดยไม่ต้องดูแลแพลตฟอร์ม GPU ทั้งระบบด้วยตนเอง บริษัทระบุว่า ระบบจะตรวจสอบสถานะ GPU และเครือข่ายหลายสิบรายการก่อนและระหว่างการฝึก เพื่อให้เวิร์กโหลดขยายไปใช้ GPU หลายร้อยตัวได้อย่างเสถียร โดยแพลตฟอร์มจะตรวจสอบ GPU ก่อนจัดตารางงาน เฝ้าติดตามเวิร์กโหลดที่กำลังทำงานอย่างต่อเนื่อง และทดสอบ GPU ที่ไม่ได้ใช้งานเป็นระยะเพื่อตรวจหาและนำโหนดที่มีปัญหาออก

AIR ส่งข้อมูลฝึกผ่านตัวโหลดที่ติดตั้งมาให้ในตัว ซึ่งสตรีมและแคชข้อมูลเพื่อลดเวลาที่งานต้องรอการรับส่งข้อมูลเข้าออก (I/O) เครื่องมือที่ทำงานร่วมกันอย่าง UCVolumeDataset มีจุดมุ่งหมายเพื่อเพิ่มอัตราการรับส่งข้อมูลโดยไม่ต้องสร้างไปป์ไลน์โหลดข้อมูลแบบกำหนดเอง ผู้ใช้เข้าถึง GPU ได้จากอินเทอร์เฟซบรรทัดคำสั่ง หรือทำงานแบบโต้ตอบในโน้ตบุ๊กและสภาพแวดล้อมการพัฒนาแบบบูรณาการ (IDE) Databricks ระบุว่า การเริ่มเวิร์กโหลดแรกต้องใช้คำสั่ง CLI เพียงคำสั่งเดียว และฟีเจอร์ AIR Skills สามารถย้ายเวิร์กโหลดจากคลัสเตอร์ Kubernetes หรือ SLURM ได้ด้วยพรอมป์ต์ภาษาธรรมชาติเพียงหนึ่งข้อความ

AIR ผสานการทำงานกับ Lakeflow ซึ่งเป็นผลิตภัณฑ์จัดการลำดับงานของไปป์ไลน์จากบริษัทโดยตรง ทำให้เวิร์กโหลด GPU ทำงานสอดคล้องกับไปป์ไลน์ต้นทางและปลายทาง ตามประกาศ การย้ายเวิร์กโหลดไปใช้งานจริงต้องเพิ่มบรรทัด YAML อีกเพียงไม่กี่บรรทัด นอกจากนี้ยังมีการควบคุมลำดับความสำคัญและการแย่งคืนทรัพยากรในตัว ซึ่งช่วยลดเวลาที่ GPU ว่าง รวมถึงการตรวจติดตามผ่านเครื่องมืออย่าง Genie ZeroOps หน้าเว็บผลิตภัณฑ์ AI Runtime ระบุว่ามี GPU NVIDIA แบบจ่ายตามการใช้งานพร้อมความจุในหลายภูมิภาค การฝึกแบบกระจายบน GPU และโหนดหลายตัวพร้อมเครือข่าย RDMA ที่มีการจัดการ การปรับจุดตรวจสอบให้เหมาะกับงานที่ใช้เวลานาน และรองรับคอนเทนเนอร์ Docker แบบกำหนดเอง รวมถึงคอนเทนเนอร์ NVIDIA NGC

Kostia Omelianchuk นักวิทยาศาสตร์วิจัยประยุกต์และหัวหน้าฝ่ายเทคโนโลยีประจำสายงานที่ Superhuman กล่าวในประกาศว่า แพลตฟอร์มนี้ช่วยให้ทีมของเขาย้ายการฝึกขนาดใหญ่จากโหนดเดียวที่ใช้ GPU A100 จำนวน 8 ตัว ไปเป็น GPU H100 จำนวน 16 ตัวบนหลายโหนดได้ เวลาในการฝึกลดลงจากประมาณ 7 วันเหลือ 48 ชั่วโมง ซึ่งเขาระบุว่าคิดเป็นความเร็วที่เพิ่มขึ้น 3.5 เท่า

เริ่มทำงานและแก้ไขข้อบกพร่องได้ภายในไม่กี่วินาที

Databricks ระบุว่า AIR เริ่มทำงานได้ภายในไม่กี่วินาที แม้บนคลัสเตอร์ขนาดใหญ่ที่รองรับ RDMA และมี GPU หลายสิบตัวก็ตาม บริการนี้ใช้กลุ่ม GPU แบบไร้เซิร์ฟเวอร์ที่เตรียมพร้อมไว้ล่วงหน้าและการโหลดอิมเมจเมื่อจำเป็น จึงเริ่มเวิร์กโหลดได้ภายในไม่กี่วินาที ขณะที่ข้อมูลอิมเมจส่วนที่เหลือโหลดอยู่เบื้องหลัง ผู้ใช้เลือกใช้สภาพแวดล้อมที่สร้างไว้ล่วงหน้าหรือนำคอนเทนเนอร์ของตนเองมาใช้ก็ได้ ส่วนการแคชสภาพแวดล้อมทำให้ต้องสร้างสภาพแวดล้อมเพียงครั้งเดียว บริษัทระบุว่า AIR ใช้งานร่วมกับเฟรมเวิร์กหลักทั้งหมดได้ และหน้าเว็บผลิตภัณฑ์ระบุ PyTorch และ Ray เป็นตัวเลือกที่รองรับด้วย

Databricks ระบุว่า ประสบการณ์การตรวจสอบการทำงานรูปแบบใหม่ในเครื่องมือติดตามการทดลอง MLflow จะสตรีมบันทึกการทำงานภายในไม่กี่วินาทีหลังส่งงาน เมื่อผู้ใช้เพิ่มแฟล็ก watch ในคำสั่ง AIR และยังมีตัวดูบันทึกการทำงานตัวใหม่ที่สร้างขึ้นโดยเฉพาะสำหรับการฝึกแบบหลายโหนด Genie Code ผสานอยู่ในทุกขั้นตอน พร้อมทักษะเอเจนต์ที่เตรียมไว้ล่วงหน้าสำหรับแก้ไขปัญหาและเพิ่มประสิทธิภาพการฝึกบน GPU บริษัทระบุว่าทักษะเหล่านี้นำความรู้เชิงลึกจากทีมวิจัยและทีมประสิทธิภาพมาใช้ รวมถึงวิธีที่บริษัทลดเวลาฝึก Qwen บน AIR ได้ 6 เท่า

Joe Tyler นักวิจัย AI หัวหน้าทีมที่ Sonar กล่าวว่า วิศวกรวิจัยของที่นั่นใช้ AIR ประกอบไปป์ไลน์ฝึก LLM และทดลองปรับสมมติฐานได้อย่างรวดเร็ว พร้อมมองเห็นทุกขั้นตอนของไปป์ไลน์ Nikhil Sunderraj วิศวกรแมชชีนเลิร์นนิงอาวุโสที่ FactSet กล่าวว่า เวลาที่ต้องใช้ในการตั้งค่า ฝึก และนำโมเดล Text To Formula แบบกำหนดเองไปใช้งาน ลดลงจากหลายวันเหลือเพียงไม่กี่ชั่วโมง

ความปลอดภัย การกำกับดูแล และการเริ่มต้นใช้งาน

Databricks ระบุว่า AIR ทำงานภายใต้ขอบเขตการกำกับดูแลของ Databricks และ Unity Catalog ซึ่งบังคับใช้สิทธิ์อ่านและเขียนข้อมูลอย่างสม่ำเสมอ ทั้งในการเข้าถึงข้อมูล จุดตรวจสอบ และบันทึกการทำงานของเวิร์กโหลด GPU บริษัทยังระบุว่า AIR แยกการทำงานในระดับ VM แทนการใช้กลไกแยกส่วนที่เปิดให้เข้าถึงเคอร์เนลของโฮสต์ และรองรับ PrivateLink กับการควบคุมการส่งข้อมูลออกจากระบบแบบไร้เซิร์ฟเวอร์ โดยมีการลงทุนด้านความปลอดภัยสำหรับระบบไร้เซิร์ฟเวอร์รองรับ ประกาศดังกล่าวยกกรณี OpenAI Hugging Face เป็นตัวอย่างที่เน้นย้ำความเสี่ยงจากการจัดการโครงสร้างพื้นฐาน GPU แยกจากข้อมูลองค์กรที่อยู่ภายใต้การกำกับดูแล

การใช้งาน AIR และค่าใช้จ่ายจะแสดงในตารางระบบการเรียกเก็บเงินของ Databricks ควบคู่กับเวิร์กโหลดอื่น ๆ ของ Databricks โดยบันทึกการใช้งานแยกตามเวิร์กโหลดจะแสดงว่าการฝึกโมเดลแต่ละครั้งใช้โควตางบประมาณ GPU เท่าใด

Robert Macy III วิศวกรแมชชีนเลิร์นนิงที่ Robinhood กล่าวว่า AIR ช่วยให้ทีมของเขาเปลี่ยนจากการทดลองไปสู่การฝึกโมเดลได้เร็วขึ้น พร้อมระบบกำกับดูแลและการควบคุมข้อมูลที่มีมาให้ในตัว Eran Barash รองประธานฝ่ายปัญญาประดิษฐ์และแมชชีนเลิร์นนิงที่ QuantHealth กล่าวว่า ทีมของเขาสามารถขยายการฝึกแบบกระจายบน GPU แบบไร้เซิร์ฟเวอร์ ครอบคลุมข้อมูลหลายล้านรายการภายในเวิร์กโฟลว์ข้อมูลที่มีอยู่ได้ Zach Richardson หัวหน้าฝ่าย AI ที่ TinyFish กล่าวว่า ทีมของเขาสามารถฝึกโมเดลบน GPU ประเมินผลด้วย MLflow และให้บริการโมเดลที่ออกแบบมาสำหรับเว็บของบริษัทได้ โดยไม่ต้องตั้งโครงสร้างพื้นฐานแยกสำหรับแต่ละขั้นตอน

Databricks แนะนำให้ผู้ใช้ใหม่ดูคู่มือเริ่มต้นใช้งานอย่างรวดเร็ว โน้ตบุ๊กต้นแบบ และคู่มือเริ่มต้นใช้งาน พร้อมทั้งแนะนำคลัง ai-runtime-cookbook บน GitHub ซึ่งสามารถโคลนได้ โดยบริษัทระบุว่าคลังดังกล่าวช่วยให้เปิดใช้งานเวิร์กโหลด GPU แรกได้ด้วยคำสั่ง CLI เพียงคำสั่งเดียว บริษัทแนะนำให้ลูกค้าติดต่อทีมดูแลบัญชีของตนเพื่อขอข้อมูลเพิ่มเติม