ผู้นำทางความคิด

จอกศักดิ์สิทธิ์แห่งพลังการคำนวณใน AI

Michael Abramov
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญชิป AI เฉพาะทางลดการใช้พลังงานและเวลาการฝึกฝนอย่างมากเมื่อเทียบกับ GPU อเนกประสงค์
ดูเพิ่มเติม
  • ชิป AI เฉพาะทางลดการใช้พลังงานและเวลาการฝึกฝนอย่างมากเมื่อเทียบกับ GPU อเนกประสงค์
  • มูลค่าตลาด 5 ล้านล้านดอลลาร์ของ NVIDIA มาจากชิปสำคัญสำหรับการฝึกฝนและใช้งานโมเดล AI
  • ผู้ให้บริการคลาวด์อย่าง AWS และ Azure รวมศูนย์การเข้าถึงพลังการคำนวณขั้นสูงสำหรับนักพัฒนาทุกคน

แม้จะมีการพัฒนาที่น่าเหลือเชื่อ แต่ความสามารถของปัญญาประดิษฐ์ (AI) ยังคงมีข้อจำกัดเมื่อเทียบกับความคาดหวังในโลกแห่งความเป็นจริง เราสร้างแบบจำลองที่ซับซ้อน, รันเครือข่ายประสาทเทียม, และทดสอบอัลกอริทึม, แต่ความก้าวหน้าบางครั้งหยุดชะงักในสถานที่ที่เราคาดหวังน้อยที่สุด

ปัญหามักจะไม่อยู่ที่อัลกอริทึมหรือข้อมูล แต่อยู่ที่พลังการคำนวณ ซึ่งเป็นทรัพยากรที่ทำให้แบบจำลองสามารถเรียนรู้และทำงานในขนาดที่จำเป็น ดังนั้น อะไร ที่ซ่อนอยู่เบื้องหลังอุปสรรคนี้? มาพิจารณาทรัพยากรสำคัญที่หากขาดไป แม้แต่โครงการ AI ที่มีศักยภาพมากที่สุดก็ไม่อาจก้าวพ้นห้องทดลองได้

การขาดแคลนการคำนวณและผลที่ตามมา

เพื่อทำความเข้าใจหัวข้อนี้ มาทำความเข้าใจประวัติศาสตร์ของการสื่อสารมือถือกัน เมื่อเครือข่าย 3G และ 4G ปรากฏขึ้น อินเทอร์เน็ตก็เกือบจะครอบคลุมทั่วโลกแล้ว และเมื่อ 5G ถูกนำมาใช้ มีคนถามคำถามที่สมเหตุสมผล: “อินเทอร์เน็ตจะเร็วขึ้น แล้วอย่างไรต่อ?”

ในความเป็นจริง การเพิ่มความเร็วของอินเทอร์เน็ตไม่ได้มาจากความสะดวกสบายของผู้ใช้ แต่เปลี่ยนแปลงภูมิทัศน์เทคโนโลยีทั้งหมด เกิดกรณีใช้งานที่ก่อนหน้านี้ไม่อาจทำได้ 5G มีความเร็วมากกว่า 4G มาก และการกระโดดครั้งนี้ไม่ใช่การเพิ่มขึ้นแบบค่อยเป็นค่อยไปเหมือนการเปลี่ยนจาก 1G เป็น 2G แต่เป็นการเพิ่มขึ้นอย่างเป็นเอกซ์โปเนนเชียล ดังนั้น แอปพลิเคชันใหม่, อุปกรณ์ใหม่, และเทคโนโลยีใหม่จึงสามารถปรากฏขึ้นได้

กล้องจราจร, ระบบวิเคราะห์จราจรแบบเรียลไทม์, และกลไกการควบคุมจราจรแบบอัตโนมัติ – ทั้งหมดนี้เป็นไปได้เพราะเทคโนโลยีการสื่อสารใหม่ๆ พนักงานตำรวจมีวิธีการแลกเปลี่ยนข้อมูลใหม่ๆ, และในอวกาศ, กล้องโทรทรรศน์และดาวเทียมสามารถส่งข้อมูลจำนวนมากไปยังโลกได้ การกระโดดคุณภาพในเทคโนโลยีฐานทำให้การพัฒนาของระบบนิเวศทั้งหมดเกิดขึ้น

หลักการเดียวกันนี้ใช้ได้กับพลังการคำนวณ สมมติว่าความสามารถในการคำนวณทั้งหมดของมนุษย์เป็นหน่วยสมมติ วันนี้เราอาจมีหน่วยดังกล่าวสิบหน่วย ด้วยหน่วยเหล่านี้ เราสามารถสร้างภาพและวิดีโอ, เขียนข้อความ, สร้างวัสดุการตลาด… นี่เป็นเรื่องที่สำคัญ แต่ช่วงของการประยุกต์ใช้จำกัดอย่างมาก

ตอนนี้สมมติว่าเรามีหน่วยไม่เพียงสิบ แต่หนึ่งพันหน่วยอย่างนั้น เทคโนโลยีที่เคยแพงมากจึงกลายเป็นไปได้, และสตาร์ทอัพหลายๆ แห่งที่ถูกทอดทิ้งเพราะค่าใช้จ่ายในการคำนวณสูงจึงเริ่มมีเหตุผลทางเศรษฐกิจ

เช่น รถแท็กซี่อัตโนมัติ วันนี้ส่วนใหญ่พึ่งพาคอมพิวเตอร์ท้องถิ่นที่ติดตั้งในรถยนต์อย่างอ่อน แต่ถ้าการถ่ายวิดีโอส่งไปยังคลาวด์ที่มีทรัพยากรการคำนวณมากๆ ข้อมูลก็สามารถถูกประมวลผลและกลับมาในเวลาเรียลไทม์ได้ และสิ่งนี้มีความสำคัญ: รถยนต์ที่เคลื่อนที่ด้วยความเร็ว 100 กม./ชม. ต้องตัดสินใจในเสี้ยววินาที – ไปตรง, เลี้ยว, เบรก, หรือไม่เบรก

เมื่อนั้นอุตสาหกรรมรถแท็กซี่อัตโนมัติที่ทำงานได้อย่างเต็มรูปแบบจึงเป็นไปได้ ไม่ใช่เพียงโซลูชันเฉพาะจุดอย่างที่เห็นในปัจจุบัน คอมพิวเตอร์ภายในรถย่อมมีข้อจำกัดโดยธรรมชาติในแบบที่ระบบเชื่อมต่อไม่มี ยิ่งเราขยายขีดความสามารถนี้ได้เร็วเท่าไร โลกก็จะเปลี่ยนแปลงเร็วขึ้นเท่านั้น

การเข้าถึงชิปและ “ตั๋วทอง” ใน AI

ในบริบทของพลังการคำนวณ มีคำถามที่เกิดขึ้น: การเข้าถึงชิปสมัยใหม่กำลังจะกลายเป็น “ตั๋วทอง” ในการเข้าสู่ตลาด AI หรือไม่? ผู้เล่นรายใหญ่ที่เซ็นสัญญากับผู้ผลิตชิปหรือผลิตชิปด้วยตัวเองกำลังสร้างช่องว่างระหว่างบริษัทขนาดใหญ่และทุกคนอื่นหรือไม่?

ช่องว่างดังกล่าวเกิดขึ้นเฉพาะในกรณีเดียว: หากโมเดลธุรกิจมุ่งเน้นไปที่การขายชิปให้กับลูกค้ารายใหญ่เท่านั้น ในทางปฏิบัติ ผู้ผลิตอย่าง NVIDIA (NVDA ) มุ่งหวังที่จะให้บริการคลาวด์แก่ทุกคน ชิปที่ได้รับการปรับให้เหมาะสมมีอยู่ในคลาวด์สำหรับทั้ง OpenAI และนักพัฒนาอิสระ

แม้แต่การเป็นพันธมิตรเชิงกลยุทธ์ระหว่างบริษัทอย่าง Google, Anthropic, Microsoft (MSFT ), OpenAI, Amazon (AMZN ), และ NVIDIA ก็เป็นการร่วมมือเพื่อใช้ทรัพยากรร่วมกัน ไม่ใช่การพยายามปิดตลาด โมเดลนี้ช่วยให้สามารถจัดสรรทรัพยากรการคำนวณได้อย่างมีประสิทธิภาพ ซึ่งเร่งให้การพัฒนาทางเทคโนโลยีเกิดขึ้น

หากเราติดตามห่วงโซ่การใช้ทรัพยากรการคำนวณ มันเริ่มต้นจากผู้ใช้ปลายทาง เมื่อคุณใช้ WhatsApp สำหรับการโทรวิดีโอและข้อความ บริษัทต้องแน่ใจว่าบริการทำงานได้: จัดเก็บและประมวลผลข้อมูล, รันแบบจำลองสำหรับการทำความสะอาดวิดีโอ, เพิ่มเอฟเฟกต์, และปรับปรุงคุณภาพภาพ

การรักษาเซิร์ฟเวอร์เองมีค่าใช้จ่ายสูง, เซิร์ฟเวอร์เก่าและต้องการการบำรุงรักษาอย่างต่อเนื่อง ดังนั้น วิธีแก้ปัญหาแบบคลาวด์จึงเกิดขึ้น: “คลาวด์” ตลาดถูกครอบงำโดยผู้เล่นสามราย: Google Cloud, AWS, และ Microsoft Azure บริษัทอื่นๆ ไม่สามารถแข่งขันได้: ขนาดของโครงสร้างพื้นฐานมีขนาดใหญ่เกินไป

บริการคลาวด์เป็นศูนย์ข้อมูลขนาดใหญ่ที่มีการทำความเย็น, การจ่ายพลังงาน, และการบำรุงรักษาแบบ 24 ชั่วโมง มันเก็บเซิร์ฟเวอร์และชิปพิเศษจาก NVIDIA, AMD, และผู้ผลิตอื่นๆ ซึ่งช่วยให้สามารถประมวลผลขนาดใหญ่ได้

ที่นี่เรามาถึงคำถามหลักที่ฉันพูดถึงในคอลัมน์ก่อนหน้านี้เกี่ยวกับศูนย์ข้อมูล และต้องการดำเนินการต่อที่นี่: อะไรคือคอขวดหลักของระบบนี้? คือการขาดแคลนไฟฟ้าหรือความยากในการทำความเย็นศูนย์ข้อมูลในภูมิภาคที่สภาพภูมิอากาศทำให้เป็นเรื่องที่ท้าทาย? ในความเป็นจริง ความลับอยู่ในชิปเอง…

จอกศักดิ์สิทธิ์แห่งพลังการคำนวณ

ทำไม NVIDIA จึงมีมูลค่าประมาณ 5 ล้านล้านดอลลาร์และถูกนับเป็นหนึ่งในบริษัทจดทะเบียนที่ประสบความสำเร็จมากที่สุดในโลก? เหตุผลนั้นง่ายมาก: NVIDIA ผลิตชิปที่ใช้ในการฝึกแบบจำลอง AI และประมวลผลการอนุมาน

ชิปแต่ละชิปบริโภคไฟฟ้าจำนวนมากเมื่อฝึกอบรมแบบจำลองขนาดใหญ่หรือประมวลผลข้อมูลที่เพิ่มขึ้นเรื่อยๆ แต่พลังงานนั้นถูกใช้อย่างมีประสิทธิภาพแค่ไหน? นี่คือที่ชิปพิเศษเข้ามา: ชิปเหล่านี้จัดการกับงานเฉพาะได้อย่างมีประสิทธิภาพมากกว่า GPU ทั่วไป

แบบจำลอง AI แตกต่างกัน OpenAI มีครอบครัวแบบจำลองหนึ่ง, Anthropic มีแบบจำลองอีกแบบหนึ่ง ความคิดอาจคล้ายกัน แต่โครงสร้างทางคณิตศาสตร์และกระบวนการคำนวณแตกต่างกัน ชิปทั่วไปหนึ่งอันเมื่อฝึกอบรมแบบจำลอง OpenAI (เช่น ChatGPT) เทียบกับแบบจำลอง Anthropic (เช่น Claude) จะทำงานเหมือน “เครื่องมือที่เหมาะกับทุกคน” ที่สมมติว่าใช้เวลาคำนวณ 100,000 ชั่วโมงในการคำนวณสำหรับแบบจำลองหนึ่งและ 150,000 สำหรับอีกแบบหนึ่ง ประสิทธิภาพแตกต่างกันมากและแทบไม่อยู่ในระดับเหมาะสมที่สุด

บริษัทต่างๆ แก้ปัญหานี้โดยการผลิตชิปพิเศษ เช่น ชิปหนึ่งสามารถปรับให้เหมาะสมสำหรับโครงสร้าง ChatGPT และฝึกได้ภายในเวลาสมมติว่า 20 นาที ในขณะที่ชิปอื่นถูกปรับให้เหมาะสมสำหรับโครงสร้าง Anthropic และฝึกอบรมได้ภายใน 20 นาทีเช่นกัน การบริโภคพลังงานและเวลาในการฝึกอบรมลดลงหลายเท่าเมื่อเทียบกับชิปทั่วไป

เมื่อชิปเหล่านี้ถูกขายให้กับบริษัทขนาดใหญ่ เช่น Google, Amazon, Microsoft, หรือ Azure พวกมันถูกนำเสนอเป็นผลิตภัณฑ์แบบสแตนด์อโลน ผู้ใช้สามารถเลือกชิปที่ปรับให้เหมาะสมสำหรับแบบจำลอง YOLO หรือชิปที่เรียบง่ายและถูกกว่าสำหรับโครงสร้าง Xen ได้ ด้วยวิธีนี้ บริษัทต่างๆ สามารถเข้าถึงทรัพยากรการคำนวณที่ปรับให้เหมาะสมกับงานของตนได้ แทนการซื้อ GPU อเนกประสงค์ หากผู้ใช้มีงานสิบอย่างที่ต่างกัน ก็สามารถใช้ชิปเฉพาะทางต่างกันสิบตัวได้

แนวโน้มนี้ชัดเจน: ชิปพิเศษกำลังแทนที่ชิปทั่วไปอย่างช้าๆ มีสตาร์ทอัพหลายแห่งที่ทำงานกับ ASIC (Application-Specific Integrated Circuits) ซึ่งเป็นชิปที่ออกแบบมาเพื่อการคำนวณเฉพาะงาน

ชิป ASIC แรกปรากฏขึ้นสำหรับการทำเหมือง Bitcoin: ในตอนแรก คริปโทเคอร์เรนซี ถูกขุดด้วย GPU ของ NVIDIA จากนั้นชิปที่ออกแบบมาเพื่อ Bitcoin เท่านั้นจึงถูกสร้างขึ้นและไม่สามารถทำงานอื่นๆ ได้

ฉันเห็นสิ่งนี้ในทางปฏิบัติ: การตั้งค่าฮาร์ดแวร์เดียวกันสามารถให้ผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิงขึ้นอยู่กับงาน ในสตาร์ทอัพของฉัน Introspector เราศึกษากระบวนการเหล่านี้ในโครงการจริง และในฐานะที่เป็นที่ปรึกษาเชิงกลยุทธ์ของ Keymakr ฉันสังเกตเห็นว่าลูกค้าได้รับประสิทธิภาพจากชิปพิเศษ ซึ่งช่วยให้แบบจำลองทำงานได้เร็วขึ้น โครงการที่เคยหยุดชะงักในการฝึกอบรมหรือการอนุมานสามารถให้ผลลัพธ์ที่มั่นคงด้วยวิธีนี้

อย่างไรก็ตาม การเชี่ยวชาญที่แคบเกินไปมีความเสี่ยง ชิปที่ปรับให้เหมาะสมสำหรับโครงสร้าง Anthropic จะไม่ทำงานสำหรับการฝึกอบรมแบบจำลอง OpenAI และในทางกลับกัน โครงสร้างใหม่แต่ละอันจำเป็นต้องมีการผลิตชิปใหม่ ซึ่งสร้างความเสี่ยงของการ “ล้าสมัย” ในระดับใหญ่ หาก Anthropic เปิดตัวโครงสร้างใหม่พรุ่งนี้ ชิปรุ่นก่อนหน้าทั้งหมดจะกลายเป็นไม่มีประสิทธิภาพหรือไม่มีประโยชน์ การผลิตชิปใหม่มีค่าใช้จ่ายหลายพันล้านดอลลาร์และอาจใช้เวลาหลายปี

สิ่งนี้สร้างความขัดแย้ง: ควรผลิตชิปพิเศษที่ทำงานได้อย่างสมบูรณ์แบบในสถานการณ์ที่แคบหรือควรดำเนินการต่อในการผลิตชิปทั่วไปที่สามารถทำงานได้ดีในระดับปานกลาง แต่ไม่ต้องการการแทนที่ทั้งหมดเมื่อโครงสร้างเปลี่ยนแปลง?

ประสิทธิภาพในบริบทนี้วัดได้จากสามพารามิเตอร์หลัก: เวลาในการทำงาน, การบริโภคไฟฟ้า, และการสร้างความร้อน พารามิเตอร์เหล่านี้เกี่ยวข้องโดยตรงกัน: ยิ่งระบบทำงานนานขึ้น ก็จะบริโภคพลังงานมากขึ้นและสร้างความร้อนมากขึ้น การลดพารามิเตอร์หนึ่งจะปรับปรุงพารามิเตอร์อื่นๆ อีกสองพารามิเตอร์โดยอัตโนมัติ

ที่นี่คือ “จอกศักดิ์สิทธิ์แห่งพลังการคำนวณ” ของประสิทธิภาพ AI: หากพารามิเตอร์ประสิทธิภาพพื้นฐานอย่างน้อยหนึ่งพารามิเตอร์สามารถปรับให้เหมาะสมได้ พารามิเตอร์อื่นๆ จะดีขึ้นแทบโดยอัตโนมัติ

กระบวนการแบบยั่งยืน

ด้วยการใช้ชิปพิเศษที่เพิ่มขึ้น ปัญหาความเสี่ยงจากการผลิตเกินความต้องการได้กลายเป็นเรื่องที่กดดันอย่างมาก ปัจจุบันส่วนเกินของอุปกรณ์แล้วมีจำนวนมาก และบริษัทต่างๆ กำลังจัดการกับปัญหานี้ด้วยวิธีการที่ยั่งยืน รวมถึงการนำทรัพยากรที่มีอยู่กลับมาใช้ใหม่

การรีไซเคิลอุปกรณ์ได้กลายเป็นองค์ประกอบสำคัญของการพัฒนาที่ยั่งยืนในอุตสาหกรรมไฮเทค ชิปประกอบด้วยโลหะมีค่าและโลหะฐานจำนวนมาก เช่น ทอง, ทองแดง, อะลูมิเนียม, พัลลาเดียม, และวัสดุธาตุหายาก รวมถึงวัสดุที่ใช้ในไมโครชิปและทรานซิสเตอร์ เมื่ออุปกรณ์เก่าแล้วสามารถนำกลับมาผลิตใหม่ได้ ซึ่งจะช่วยลดต้นทุนของส่วนประกอบใหม่ในขณะเดียวกันก็ลดรอยเท้าของสิ่งแวดล้อมของอุตสาหกรรม

โรงงานและบริษัทพิเศษบางแห่งมุ่งเน้นไปที่การรีไซเคิลและแยกโลหะมีค่าจากส่วนประกอบที่ล้าสมัย ตัวอย่างเช่น บางโรงงานใช้กระบวนการโลหวิทยาสารละลายและวิธีการเคมีขั้นสูงเพื่อแยกทองและทองแดงด้วยความบริสุทธิ์สูง ซึ่งช่วยให้วัสดุเหล่านี้สามารถนำกลับมาใช้ใหม่ในชิปใหม่ได้

นอกจากนี้ บริษัทต่างๆ ยังใช้แบบจำลองวงจรปิดซึ่งอุปกรณ์เก่าถูกอัพเกรดหรือรวมเข้ากับโซลูชันใหม่ ซึ่งช่วยลดความจำเป็นในการขุดค้นทรัพยากรใหม่ วิธีการเหล่านี้ไม่เพียงแต่ช่วยลดของเสียเท่านั้น แต่ยังช่วยลดรอยเท้าของคาร์บอนในการผลิต เนื่องจากการทำเหมืองและประมวลผลโลหะแบบดั้งเดิมต้องการพลังงานจำนวนมาก

การบริหารจัดการวงจรชีวิตของชิปและอุปกรณ์แบบยั่งยืนอาจกลายเป็นมาตรฐานอุตสาหกรรม โดยที่ความก้าวหน้าทางเทคโนโลยีเข้ากันกับความรับผิดชอบต่อสิ่งแวดล้อม

Michael Abramov เป็นผู้ก่อตั้ง & ซีอีโอของ Scryon โดยนำประสบการณ์ด้านวิศวกรรมซอฟต์แวร์และระบบ AI การมองเห็นด้วยคอมพิวเตอร์กว่า 15+ ปีมาสร้างเครื่องมือทำเครื่องหมายระดับองค์กร.

Michael เริ่มต้นอาชีพในฐานะวิศวกรซอฟต์แวร์และผู้จัดการฝ่าย R&D โดยสร้างระบบข้อมูลที่สามารถขยายได้และบริหารทีมวิศวกรรมข้ามหน้าที่ จนถึงปี 2025 เขาได้ดำรงตำแหน่งซีอีโอของ Keymakr ซึ่งเป็นบริษัทให้บริการทำเครื่องหมายข้อมูล ที่ซึ่งเขาเป็นผู้บุกเบิกกระบวนการทำงานแบบมนุษย์ในลูป, ระบบ QA ขั้นสูง, และเครื่องมือเฉพาะที่ออกแบบเพื่อสนับสนุนความต้องการข้อมูลการมองเห็นด้วยคอมพิวเตอร์และระบบอิสระขนาดใหญ่.

เขามีปริญญาตรีวิทยาศาสตร์ (B.Sc.) สาขาวิทยาการคอมพิวเตอร์และมีพื้นฐานด้านวิศวกรรมและศิลปะสร้างสรรค์ ทำให้มองปัญหาที่ซับซ้อนได้จากหลายมิติ. Michael ดำรงชีวิตที่จุดตัดของนวัตกรรมเทคโนโลยี, ความเป็นผู้นำผลิตภัณฑ์เชิงกลยุทธ์, และผลกระทบในโลกจริง, โดยผลักดันขอบเขตใหม่ของระบบอิสระและระบบอัตโนมัติอัจฉริยะ.