ความร่วมมือ

Gcore สำรวจความเป็นไปได้ในการสร้างศูนย์ข้อมูล AI ขนาด 100 MW ในคาซัคสถานร่วมกับ TengriAI

mm
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google

Gcore ระบุในประกาศของบริษัทเมื่อวันที่ 12 พฤศจิกายน 2026 ว่า Gcore และ TengriAI ได้ลงนามในบันทึกความเข้าใจเพื่อสำรวจความเป็นไปได้ในการสร้างศูนย์ข้อมูล GPU ในคาซัคสถาน โดยตั้งเป้ากำลังการผลิตสูงสุด 100 เมกะวัตต์ (MW) และแบ่งการดำเนินงานเป็นระยะระหว่างปี 2027 ถึง 2029 ข้อตกลงนี้เป็นเพียงการสำรวจความเป็นไปได้ และไม่ได้ถือเป็นข้อผูกพันขั้นสุดท้ายในการก่อสร้าง

บริษัททั้งสองระบุว่าเอเชียกลางมีทรัพยากรประมวลผล AI ภายในภูมิภาคอยู่น้อย ส่งผลให้องค์กรต่าง ๆ ต้องพึ่งพากำลังการประมวลผลจากยุโรป อ่าวเปอร์เซีย หรือเอเชียตะวันออก ซึ่งมักอยู่นอกเขตอำนาจกำกับดูแลของตน “โครงการนี้จะนำโครงสร้างพื้นฐาน GPU ขนาดใหญ่เข้ามาไว้ในประเทศ โดยดำเนินงานจากภายในประเทศ เพื่อให้บริการลูกค้าทั่วภูมิภาค” Andre Reitenbach ซีอีโอของ Gcore กล่าว

พันธมิตรจะแบ่งหน้าที่กันอย่างไร

ภายใต้บันทึกความเข้าใจ TengriAI จะดูแลเรื่องที่ดิน พลังงาน การขอใบอนุญาต และการก่อสร้าง ส่วน Gcore จะจัดหาแพลตฟอร์มคลาวด์ AI ดูแลการดำเนินงาน และสร้างความต้องการจากลูกค้า โดยใช้แพลตฟอร์มเดียวกับที่บริษัทใช้ในบริการคลาวด์ GPU ของตนในฐานะพาร์ตเนอร์คลาวด์ที่ NVIDIA ให้ความสำคัญเป็นพิเศษ การแบ่งงานนี้ทำให้แต่ละบริษัทรับผิดชอบคนละส่วนของโครงการที่เสนอ ตั้งแต่การจัดเตรียมพื้นที่พร้อมระบบไฟฟ้า ไปจนถึงการจำหน่ายและการให้บริการกำลังการประมวลผล GPU

ลูกค้าจะมีทางเลือกในการดำเนินงานสองรูปแบบ ได้แก่ วัดปริมาณการใช้งาน เรียกเก็บเงิน และขายต่อกำลังการประมวลผล หรือใช้เวิร์กโหลดแบบแยกส่วนซึ่งไม่ออกจากศูนย์ข้อมูลเลย รูปแบบแรกสนับสนุนธุรกิจคลาวด์ระดับภูมิภาคที่ให้บริการผู้ใช้หลายราย ส่วนรูปแบบที่สองเหมาะกับองค์กรที่ต้องการควบคุมสถานที่ประมวลผลเวิร์กโหลด AI ของตนอย่างเข้มงวดยิ่งขึ้น

เอกสารแพลตฟอร์ม AI Cloud Stackของ Gcore อธิบายซอฟต์แวร์นี้ว่าเป็นแพลตฟอร์มคลาวด์ AI ส่วนตัวที่ช่วยเปลี่ยนโครงสร้างพื้นฐาน GPU ให้เป็นบริการสำหรับองค์กร แพลตฟอร์มนี้ประกอบด้วยระบบจัดการและประสานงาน การตรวจสอบ การเรียกเก็บเงิน และการสนับสนุนการดำเนินงานตลอด 24 ชั่วโมง พร้อมเครื่องเสมือนตามต้องการหรือ GPU แบบ Bare Metal, Kubernetes ที่มีผู้ดูแลจัดการ และการเข้าถึง GPU ในรูปแบบบริการ ระบบควบคุมข้อมูลระบุตัวตน การกำหนดโควตา และการรองรับผู้ใช้หลายรายบนทรัพยากร CPU เครือข่าย และพื้นที่จัดเก็บข้อมูล ช่วยให้ลูกค้าหลายรายใช้โครงสร้างพื้นฐานร่วมกันได้ โดยแยกสิทธิ์การเข้าถึงและการจัดสรรทรัพยากรออกจากกัน

การปรับแต่งแบรนด์ให้เป็นของผู้ให้บริการในพื้นที่ได้อย่างสมบูรณ์จะช่วยให้ผู้ให้บริการรายนั้นใช้แบรนด์ของตนเองกับแพลตฟอร์มได้ ขณะที่การรองรับช่องทางตัวแทนจำหน่ายก็เป็นช่องทางสำหรับขายกำลังการประมวลผล คุณสมบัติเหล่านี้ช่วยอธิบายว่าเหตุใดจึงเน้นการวัดปริมาณการใช้งานและการขายต่อ กล่าวคือ ศูนย์ข้อมูลที่เสนอนี้อาจรองรับธุรกิจคลาวด์ AI ในท้องถิ่นที่ให้บริการลูกค้าหลายราย ควบคู่ไปกับการใช้งานแบบแยกส่วน

เหตุผลที่คาซัคสถานเหมาะจะเป็นศูนย์กลางกำลังการประมวลผล AI ระดับภูมิภาค

เหตุผลที่บริษัททั้งสองเลือกพื้นที่นี้ประกอบด้วยพลังงานในราคาที่แข่งขันได้ ที่ดินพร้อมใช้งาน และต้นทุนการทำความเย็นที่ต่ำกว่า รวมถึงรัฐบาลที่ให้ความสำคัญกับโครงสร้างพื้นฐาน AIในฐานะวาระแห่งชาติ ทำเลที่ตั้งและกรอบกฎหมายจารีตประเพณีของศูนย์การเงินระหว่างประเทศอัสตานาช่วยขยายเหตุผลดังกล่าวให้ครอบคลุมมากกว่าต้นทุนการดำเนินงาน โดยรวมถึงการเข้าถึงตลาดในภูมิภาคและสภาพแวดล้อมทางกฎหมายสำหรับลูกค้าในประเทศเพื่อนบ้าน

Nurassyl Medeu ผู้อำนวยการทั่วไปของ TengriAI กล่าวว่าเป้าหมายคือการทำให้คาซัคสถานเป็น “ศูนย์กลางโทเคน AI ชั้นนำในเอเชียกลาง” โดยยกประสบการณ์ของ Gcore ในการให้บริการคลาวด์ GPU ในวงกว้างและการทำงานร่วมกับผู้ให้บริการโทรคมนาคมมาเป็นเหตุผลประกอบ

บันทึกความเข้าใจนี้เชื่อมโยงข้อได้เปรียบด้านพลังงาน ที่ดิน และเขตอำนาจศาลของคาซัคสถานเข้ากับรูปแบบธุรกิจที่เป็นรูปธรรม ได้แก่ โครงสร้างพื้นฐานทางกายภาพในประเทศ ซอฟต์แวร์คลาวด์ที่ Gcore เป็นผู้ดำเนินงาน และกำลังการประมวลผลที่สามารถขายต่อหรือแยกใช้งานได้ การพัฒนาฐานลูกค้าเป็นส่วนหนึ่งของบทบาท Gcore ทำให้การสร้างความต้องการมีความสำคัญอย่างยิ่งต่อการขยับโครงการจากขั้นสำรวจไปสู่เป้าหมายกำลังการผลิต 100 MW แบบแบ่งระยะ

Theo Nash เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, ครอบคลุมโครงสร้างพื้นฐาน AI, การคำนวณ, และระบบฮาร์ดแวร์ที่ขับเคลื่อนปัญญาประดิษฐ์สมัยใหม่ งานของเขามุ่งเน้นที่พื้นฐานทางเทคนิคเบื้องหลังภาระงาน AI ขนาดใหญ่ รวมถึงศูนย์ข้อมูล, ตัวเร่งความเร็ว, เครือข่าย, และสแตกซอฟต์แวร์ที่เชื่อมโยงพวกมันเข้าด้วยกัน.

ด้วยมุมมองเชิงวิเคราะห์และขับเคลื่อนโดยวิศวกรรม, Theo ตรวจสอบว่าความก้าวหน้าใน GPU, ซิลิกอนแบบกำหนดเอง, สถาปัตยกรรมหน่วยความจำ, และระบบกระจายทำให้รุ่นใหม่ของโมเดล AI สามารถเกิดขึ้นได้อย่างไร เขาให้ความสนใจเป็นพิเศษต่อการแลกเปลี่ยนด้านประสิทธิภาพ, ประสิทธิภาพการใช้พลังงาน, ความสามารถในการขยาย, และข้อจำกัดเชิงปฏิบัติที่กำหนดการใช้งานจริงของโครงสร้างพื้นฐาน AI.

บทความที่เขียนโดย Theo Nash สร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำทางเทคนิค, ความชัดเจน, และการครอบคลุมอย่างรับผิดชอบต่อภูมิทัศน์การคำนวณ AI ที่กำลังพัฒนาอย่างรวดเร็ว