AI แบบไพรเวตต้องอาศัยโครงสร้างพื้นฐานที่ปรับเปลี่ยนตามภาระงานได้

เมื่อสองปีก่อน องค์กรแทบทุกแห่งที่ผมพูดคุยด้วยคิดว่า AI หมายถึงการเรียกใช้โมเดลแนวหน้าผ่าน API แต่ตอนนี้ความคิดนั้นกำลังเปลี่ยนไป โมเดลแบบเปิดน้ำหนักมีประสิทธิภาพดีพอสำหรับงานประจำวันหลายประเภทแล้ว และสิ่งที่ทำให้แอปพลิเคชัน AI สำหรับองค์กรมีคุณค่า โดยทั่วไปก็คือข้อมูลของบริษัทเอง ไม่ใช่โมเดลที่อยู่เบื้องหลัง เมื่อบริษัทมองเห็นเรื่องนี้ การเก็บโมเดลไว้ใกล้กับข้อมูลและอยู่ภายใต้การควบคุมของตนจึงเป็นเรื่องที่สมเหตุสมผล

นี่คือความหมายของ AI แบบไพรเวต คุณเรียกใช้โมเดลในสภาพแวดล้อมของตนเอง ปรับแต่งโมเดลด้วยข้อมูลของตน และกำหนดได้ว่าโมเดลจะทำงานที่ใดและเข้าถึงสิ่งใดได้บ้าง หากคุณเป็นธนาคารหรือบริษัทยา คุณคงไม่สบายใจอยู่แล้วที่จะนำงานวิจัยที่เป็นกรรมสิทธิ์หรือข้อมูลลูกค้าไปไว้ในสภาพแวดล้อมของผู้ให้บริการรายอื่น สำหรับองค์กรอื่น ๆ แรงผลักดันมาจากค่าใช้จ่ายในการอนุมานเมื่อใช้งานในวงกว้าง และความไม่ต้องการพึ่งพาผู้ให้บริการรายเดียวสำหรับสิ่งที่กำลังกลายเป็นหัวใจสำคัญของการดำเนินธุรกิจ จากงานวิจัยของ มูลนิธิลินุกซ์ บริษัทที่ตอบแบบสำรวจ 63% ใช้โมเดล AI แบบเปิด ซึ่งแสดงให้เห็นว่าทางเลือกเหล่านี้ได้รับการนำไปใช้ในวงกว้างแล้ว

สิ่งที่หลายคนประเมินต่ำเกินไปคือ เมื่อย้ายโมเดลมาไว้ภายในองค์กร โครงสร้างพื้นฐานก็ต้องตามมาด้วย ทั้งพลังงาน ระบบระบายความร้อน กำลังประมวลผล สถานที่ตั้ง และการเชื่อมต่อกับระบบอื่น ๆ ก่อนหน้านี้เรื่องเหล่านี้เป็นปัญหาของผู้ให้บริการคลาวด์ แต่ตอนนี้กลายเป็นปัญหาของคุณแล้ว บริษัทส่วนใหญ่ไม่เคยต้องตัดสินใจเรื่องเหล่านี้มาก่อน ขณะที่เทคโนโลยีเปลี่ยนแปลงเร็วกว่าที่ใครจะก่อสร้างอาคารได้ทัน หากประเมินขนาดผิด คุณก็จะต้องรับผิดชอบกำลังการประมวลผลที่ไม่เหมาะกับภาระงานที่เกิดขึ้นจริงในท้ายที่สุด จึงต้องออกแบบให้มีความยืดหยุ่นตั้งแต่ต้น การปรับปรุงโครงสร้างพื้นฐานเดิมภายหลัง หากทำได้ อาจมีค่าใช้จ่ายสูง และผู้ให้บริการบางรายก็ทำไม่ได้เลย เพราะสถานที่ของพวกเขาไม่ได้สร้างมาเพื่อรองรับความหนาแน่นระดับนี้

สร้างขีดความสามารถพื้นฐาน แล้วเช่ากำลังประมวลผลเมื่อความต้องการพุ่งสูง

เริ่มจากยอมรับว่าไม่จำเป็นต้องใช้โมเดลที่ใหญ่ที่สุดกับทุกงาน การสรุปเอกสาร การจัดประเภทใบงาน และการตอบคำถามโดยใช้ฐานความรู้ของคุณเอง ล้วนเป็นงานที่โมเดลแบบเปิดน้ำหนักสามารถทำงานแบบไพรเวตได้ในต้นทุนที่คาดการณ์ล่วงหน้าได้ เก็บโมเดลแนวหน้าไว้ใช้กับงานที่จำเป็นต้องพึ่งพาโมเดลเหล่านั้นจริง ๆ

แนวทางนี้จะบอกได้ว่าโครงสร้างพื้นฐานควรมีรูปแบบอย่างไร สร้างขีดความสามารถส่วนตัวไว้รองรับความต้องการที่เกิดขึ้นสม่ำเสมอและคาดการณ์ได้ในแต่ละสัปดาห์ แล้วเช่ากำลังประมวลผลจากภายนอกเพื่อรองรับช่วงที่ความต้องการพุ่งสูงและงานหนักที่เกินขีดความสามารถของคุณ บริษัทต่าง ๆ ใช้วิธีนี้จัดการกำลังประมวลผลมานานแล้ว และ AI ก็ไม่ได้เปลี่ยนหลักการนี้ เพียงแต่ทำให้ขีดความสามารถพื้นฐานต้องรองรับความหนาแน่นที่สูงขึ้น และทำให้ความต้องการช่วงสูงสุดผันผวนได้มากกว่าเดิม

ความท้าทายคือการประเมินขนาดของขีดความสามารถพื้นฐานให้แม่นยำ พร้อมทำให้สภาพแวดล้อมส่วนตัวและสภาพแวดล้อมที่เช่ามาทำงานเสมือนเป็นระบบเดียวกัน ทั้งสองส่วนต้องเข้าถึงข้อมูลชุดเดียวกันและอยู่ภายใต้การควบคุมแบบเดียวกัน โดยไม่บังคับให้บริษัทต้องสร้างกระบวนการทำงานขึ้นใหม่ทุกครั้งที่ย้ายภาระงานจากสภาพแวดล้อมหนึ่งไปอีกแห่ง

ควรวางโครงสร้างพื้นฐานไว้ที่ใด

การซื้อ GPU กลับกลายเป็นการตัดสินใจที่ง่ายที่สุด จากนั้นคุณต้องหาสถานที่ติดตั้ง จัดหาพลังงาน ระบายความร้อน และเชื่อมต่อ GPU เหล่านั้นเข้ากับระบบไอทีส่วนอื่น ฮาร์ดแวร์ AI ความหนาแน่นสูงไม่สามารถติดตั้งในศูนย์ข้อมูลมาตรฐานขององค์กรได้โดยไม่ปรับเปลี่ยนระบบพลังงานและระบบระบายความร้อนครั้งใหญ่ และก็ไม่เหมาะที่จะติดตั้งในทุกแห่งที่คุณมี ใน ผลสำรวจโครงสร้างพื้นฐาน AI ประจำปี 2025 ของสถาบัน Uptime ผู้ตอบแบบสำรวจ 37% ระบุว่าความพร้อมด้านพลังงานเป็นหนึ่งในปัจจัยหลักที่มีอิทธิพลต่อการเลือกสถานที่สำหรับใช้งานภาระงานอนุมานของ AI

บริษัทส่วนใหญ่เลือกใช้ทั้งบริการโคโลเคชันและคลาวด์ โดยปกติแล้วข้อมูลเป็นปัจจัยชี้ขาด เพราะข้อมูลกระจายอยู่ในหลายแห่งอยู่แล้ว การย้ายข้อมูลมีค่าใช้จ่ายสูง และในอุตสาหกรรมที่อยู่ภายใต้กฎระเบียบ ข้อมูลบางส่วนไม่สามารถนำออกนอกประเทศหรือสภาพแวดล้อมที่กำหนดได้ การรวบรวมทุกอย่างไว้ในอาคารเดียวที่อยู่ติดกับ GPU ฟังดูเป็นระเบียบเรียบร้อย แต่แทบไม่เกิดขึ้นจริง

ดังนั้น คำถามจึงไม่ได้อยู่แค่ว่าจะวางกำลังประมวลผลไว้ที่ใด แต่อยู่ที่ว่ากำลังประมวลผลจะเข้าถึงข้อมูลที่จำเป็นได้อย่างปลอดภัยอย่างไร โดยไม่เพิ่มต้นทุนและความซับซ้อนจนต้องมาเสียใจภายหลังในอีกสามปี ลองมองเรื่องนี้ว่าเป็นการเปลี่ยนผ่านครั้งที่สาม ครั้งแรกคืออินเทอร์เน็ต ซึ่งแก้โจทย์ได้ด้วยการเชื่อมต่อ ครั้งที่สองคือคลาวด์ ซึ่งแก้โจทย์ได้ด้วยโครงข่ายแฟบริกที่เชื่อมต่อระบบเข้าด้วยกัน ทำให้เกิดการเชื่อมต่อระหว่างระบบที่กำหนดด้วยซอฟต์แวร์ และเปิดให้ธุรกิจเชื่อมต่อกับผู้ให้บริการหลายรายได้จากสถานที่เดียว AI คือการเปลี่ยนผ่านครั้งที่สาม และโครงข่ายแฟบริกเพียงอย่างเดียวไม่อาจแก้โจทย์นี้ได้ เพราะต้องใช้พลังงานจำนวนมากในสถานที่เดียวกับที่มีโครงข่ายแฟบริก บริษัทที่จัดการ AI แบบไพรเวตได้อย่างเหมาะสมจะเป็นบริษัทที่วางกำลังประมวลผลไว้ตรงจุดที่พลังงานและการเชื่อมต่อมาบรรจบกัน แทนที่จะแยกจัดซื้อทั้งสองส่วนจากกัน

การเชื่อมต่อ AI แบบไพรเวตเมื่อภาระงานเปลี่ยนแปลง

AI แบบเอเจนต์ทำให้ประเด็นเรื่องการเชื่อมต่อเร่งด่วนยิ่งขึ้น แอปพลิเคชันทั่วไปจะรับพรอมป์ต์ เรียกใช้โมเดล แล้วส่งคำตอบกลับมา ส่วนเอเจนต์จะทำงานต่อเนื่องตลอดเวลา โดยเรียกใช้โมเดลหลายตัว สอบถามข้อมูลจากหลายระบบ ดึงข้อมูลจากแหล่งที่จัดเก็บไว้ และส่งต่องานให้เอเจนต์อื่น ทุกครั้งที่ข้อมูลหรือการทำงานส่งผ่านระหว่างระบบจะมีการข้ามขอบเขต ซึ่งทำให้เกิดความหน่วงและชวนให้เกิดคำถามว่าใครมีสิทธิ์เข้าถึงข้อมูลใดได้บ้าง

ทีนี้ลองวางโมเดลไว้ที่หนึ่ง ส่วนข้อมูลอยู่อีกที่หนึ่ง พร้อมกำหนดให้ข้อมูลบางส่วนต้องอยู่ภายในประเทศใดประเทศหนึ่งหรือในสภาพแวดล้อมส่วนตัว บริษัทต่าง ๆ จำเป็นต้องควบคุมเส้นทางเหล่านี้ได้อย่างแท้จริง ไม่ว่าจะเป็นระบบใดที่เข้าถึงข้อมูลใดได้ จะเกิดอะไรขึ้นเมื่อย้ายเวิร์กโหลด หรือจะเชื่อมต่อโมเดลใหม่เข้ากับระบบโดยไม่รบกวนสิ่งที่กำลังทำงานอยู่ได้อย่างไร

นี่จึงเป็นเหตุผลที่โครงสร้างพื้นฐานต้องตั้งโปรแกรมและปรับเปลี่ยนได้ การเชื่อมต่อระหว่างโมเดล ข้อมูล และสภาพแวดล้อมควรเป็นสิ่งที่คุณกำหนดค่าและปรับเปลี่ยนได้ ไม่ใช่ต้องทำโครงการด้านวิศวกรรมใหม่ทุกครั้ง และนับวันการกำหนดค่าเหล่านี้ก็จะไม่ได้ทำโดยมนุษย์มากขึ้นเรื่อย ๆ มาตรฐานอย่าง Model Context Protocol หรือ MCP ช่วยให้เอเจนต์มีวิธีมาตรฐานในการสื่อสารกับเครื่องมือและระบบต่าง ๆ รอบตัว เอเจนต์ที่ต้องเชื่อมต่อกับแหล่งข้อมูลใหม่หรือโมเดลใหม่อาจร้องขอการเชื่อมต่อนั้นได้ เช่นเดียวกับการเรียกใช้บริการอื่น ๆ โดยยังคงมีนโยบายและมาตรการควบคุมที่เหมาะสมกำกับอยู่ นี่คือความหมายในทางปฏิบัติของโครงสร้างพื้นฐานที่ตั้งโปรแกรมและปรับเปลี่ยนได้ โมเดลใหม่ ๆ เกิดขึ้นทุกไม่กี่เดือน แอปพลิเคชันใหม่ ๆ จะต้องใช้เส้นทางการเชื่อมต่อที่ยังไม่มีในปัจจุบัน หากการเปลี่ยนแปลงทุกครั้งหมายถึงการต้องสร้างระบบใหม่ คุณก็สูญเสียความยืดหยุ่นที่ตั้งใจจะได้จากการใช้ระบบส่วนตัวไปแล้ว

ทำให้ต้นทุนและผลตอบแทนลงตัว

การจัดสรรขีดความสามารถให้เหมาะสมเป็นปัจจัยสำคัญต่อความสำเร็จ และไม่ได้ขึ้นอยู่กับจำนวนรวมเพียงอย่างเดียว บริษัทที่ทำเรื่องนี้ได้ดีเข้าใจอย่างชัดเจนถึงความสัมพันธ์ระหว่างพลังงานที่ป้อนเข้าไปกับจำนวนโทเค็นที่ได้ออกมา พลังงานต่อโทเค็นเป็นหน่วยวัดเศรษฐศาสตร์ของ AI ส่วนตัว และหากเข้าใจตัวเลขนี้สำหรับเวิร์กโหลดของตนเอง ก็จะสามารถกำหนดขนาดสภาพแวดล้อมได้อย่างมั่นใจจริง ๆ อีกส่วนหนึ่งคือกำลังสำรอง ความสามารถใหม่ ๆ ออกสู่ตลาดทุกไตรมาส และองค์กรที่วางแผนได้ดีจะเผื่อพื้นที่ไว้สำหรับสิ่งที่จะเกิดขึ้นต่อไปเสมอ แทนที่จะสร้างระบบให้พอดีกับขีดจำกัดของความต้องการในวันนี้ แผนที่ดีที่สุดต้องผสานทั้งสองอย่างเข้าด้วยกัน ทำความเข้าใจเศรษฐศาสตร์ด้านพลังงานต่อโทเค็นของคุณให้ถ่องแท้ แล้ววางแผนเผื่อส่วนต่างไว้อย่างเหมาะสม

นอกจากนี้ GPU ก็เป็นเพียงส่วนหนึ่งของค่าใช้จ่าย การจัดหาพื้นที่ติดตั้ง การระบายความร้อน การจ่ายพลังงาน และการเชื่อมต่อ GPU เข้ากับส่วนอื่น ๆ ของธุรกิจ อาจมีค่าใช้จ่ายพอ ๆ กับฮาร์ดแวร์ และยังมีเรื่องบุคลากรด้วย องค์กรส่วนใหญ่ไม่เคยบริหารสภาพแวดล้อมการประมวลผลความหนาแน่นสูงมาก่อน และไม่อาจจัดหาบุคลากรที่มีทักษะเช่นนี้ได้ภายในไตรมาสเดียว

นี่จึงเป็นเหตุผลที่กำลังรองรับพื้นฐานและกำลังรองรับส่วนที่เพิ่มขึ้นอย่างฉับพลันมีความสำคัญ สร้างขีดความสามารถส่วนตัวให้เพียงพอต่อภาระงานตามปกติ แล้วเช่าขีดความสามารถเพิ่มเติมเมื่อความต้องการเกินกว่านั้น วิธีนี้ช่วยหลีกเลี่ยงการจ่ายเงินซื้อฮาร์ดแวร์ที่ไม่ได้ใช้งานเกือบตลอดทั้งปี อีกทั้งยังคงปรับเปลี่ยนทิศทางได้เมื่อโมเดลและแอปพลิเคชันเปลี่ยนไป ซึ่งย่อมเกิดขึ้นแน่นอน

วางแผนรองรับสิ่งที่จะเกิดขึ้นต่อไป

เบื้องหลังเรื่องทั้งหมดนี้มีปัญหาเรื่องเวลา ศูนย์ข้อมูลแห่งหนึ่งใช้เวลาก่อสร้างประมาณ 2 ปี และเมื่อผ่านไป 2 ปี โมเดล ฮาร์ดแวร์ และแอปพลิเคชันที่องค์กรต้องการใช้งานจะเปลี่ยนไปมากเมื่อเทียบกับวันนี้ สิ่งที่คุณตัดสินใจลงทุนในตอนนี้จะถูกนำไปใช้กับเวิร์กโหลดที่ยังไม่มีใครอธิบายได้อย่างครบถ้วน

บริษัทต่าง ๆ ยังคงอยู่ระหว่างพิจารณาว่าเวิร์กโหลดใดควรอยู่ในสภาพแวดล้อมส่วนตัว และเมื่อใดจึงต้องใช้ขีดความสามารถจากภายนอก ซึ่งเป็นเรื่องที่เข้าใจได้ สิ่งที่ควรหลีกเลี่ยงคือการให้คำมั่นด้านโครงสร้างพื้นฐานที่พรากอำนาจการตัดสินใจไปจากคุณ ก่อนที่คุณจะมีโอกาสตัดสินใจเอง ควรเผื่อทางเลือกไว้สำหรับโมเดลที่แตกต่างกัน สำหรับการเพิ่มขีดความสามารถเมื่อจำเป็น และสำหรับการย้ายเวิร์กโหลด

ผลตอบแทนจาก AI ส่วนตัวในระยะยาวจะขึ้นอยู่กับว่าโครงสร้างพื้นฐานของคุณปรับตัวทันเมื่อข้อกำหนดต่าง ๆ ชัดเจนขึ้นหรือไม่ มากกว่าจะขึ้นอยู่กับว่าคุณเลือกโมเดลใด สร้างระบบให้รองรับเวิร์กโหลดที่มีอยู่ในวันนี้ ทำให้การเชื่อมต่อตั้งโปรแกรมและปรับเปลี่ยนได้ และติดตั้งระบบประมวลผลไว้ตรงจุดที่โครงข่ายเชื่อมต่อกับแหล่งพลังงาน