พระจันทร์แห่งพลังการคำนวณใน AI

尽管มีการพัฒนาที่น่าเหลือเชื่อ แต่ความสามารถของปัญญาประดิษฐ์ (AI) ยังคงมีข้อจำกัดเมื่อเทียบกับความคาดหวังในโลกแห่งความเป็นจริง เราสร้างแบบจำลองที่ซับซ้อน, รันเครือข่ายประสาทเทียม, และทดสอบอัลกอริทึม, แต่ความก้าวหน้าบางครั้งหยุดชะงักในสถานที่ที่เราคาดหวังน้อยที่สุด

ปัญหามักจะไม่อยู่ที่อัลกอริทึมหรือข้อมูล แต่อยู่ที่พลังการคำนวณ ซึ่งเป็นทรัพยากรที่ทำให้แบบจำลองสามารถเรียนรู้และทำงานในขนาดที่จำเป็น ดังนั้น สิ่ง gì ที่ซ่อนอยู่เบื้องหลังอุปสรรคนี้? มาทำความเข้าใจทรัพยากรที่สำคัญที่สุดซึ่งไม่สามารถข้ามได้แม้แต่โครงการ AI ที่มีแนวโน้มมากที่สุด

การขาดแคลนการคำนวณและผลที่ตามมา

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

ในความเป็นจริง การเพิ่มความเร็วของอินเทอร์เน็ตไม่ได้มาจากความสะดวกสบายของผู้ใช้ แต่เปลี่ยนแปลงภูมิทัศน์เทคโนโลยีทั้งหมด ใช้กรณีที่ไม่เคยเป็นไปได้ก่อนหน้านี้ 5G มีความเร็วมากกว่า 4G มาก และการกระโดดครั้งนี้ไม่ใช่การเพิ่มขึ้นอย่างต่อเนื่อง แต่เป็นการเพิ่มขึ้นอย่างเป็นเอกซ์โปเนนเชียล ดังนั้น แอปพลิเคชันใหม่, อุปกรณ์ใหม่, และเทคโนโลยีใหม่จึงสามารถปรากฏขึ้นได้

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

หลักการเดียวกันนี้ใช้ได้กับพลังการคำนวณ สมมติว่าความสามารถในการคำนวณทั้งหมดของมนุษย์เป็นหน่วยที่เป็นไปได้ 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

นั่นคือเมื่อุตสาหกรรมรถแท็กซี่อัตโนมัติที่ทำงานได้อย่างสมบูรณ์เป็นไปได้ ไม่ใช่แค่คำตอบที่แยกจากกันเหมือนเดิม แต่ระบบที่เชื่อมต่อกัน

การเข้าถึงชิปและ “ตั๋วทอง” ใน AI

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

ช่องว่างดังกล่าวเกิดขึ้นเฉพาะในกรณีเดียว: หากโมเดลธุรกิจมุ่งเน้นไปที่การขายชิปให้กับลูกค้ารายใหญ่เท่านั้น ในทางปฏิบัติ ผู้ผลิตอย่าง NVIDIA มุ่งหวังที่จะให้บริการคลาวด์แก่ทุกคน ชิปที่ได้รับการปรับให้เหมาะสมมีอยู่ในคลาวด์สำหรับทั้ง OpenAI และนักพัฒนาอิสระ

แม้แต่การเป็นพันธมิตรเชิงกลยุทธ์ระหว่างบริษัทอย่าง Google, Anthropic, Microsoft, OpenAI, Amazon, และ NVIDIA ก็เป็นการร่วมมือเพื่อใช้ทรัพยากรร่วมกัน ไม่ใช่การพยายามปิดตลาด โมเดลนี้ช่วยให้สามารถจัดสรรทรัพยากรการคำนวณได้อย่างมีประสิทธิภาพ ซึ่งเร่งให้การพัฒนาทางเทคโนโลยีเกิดขึ้น

หากเราติดตามห่วงโซ่การใช้ทรัพยากรการคำนวณ มันเริ่มต้นจากผู้ใช้สิ้นสุด 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: อะไรคือปัญหาสำคัญในระบบนี้? คือการขาดแคลนไฟฟ้าหรือความยากในการทำความเย็นศูนย์ข้อมูลในภูมิภาคที่สภาพภูมิอากาศทำให้เป็นเรื่องที่ท้าทาย? ในความเป็นจริง ความลับอยู่ในชิปเอง…

พระจันทร์แห่งพลังการคำนวณ

ทำไม NVIDIA จึงมีมูลค่าประมาณ 5 ล้านล้านดอลลาร์และถูกนับเป็นหนึ่งในบริษัทที่ประสบความสำเร็จมากที่สุดในโลก? เหตุผลนั้นง่ายมาก: NVIDIA ผลิตชิปที่ใช้ในการฝึกอบรมและรันแบบจำลอง AI

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” ที่บริโภค 100,000 ชั่วโมงในการคำนวณสำหรับแบบจำลองหนึ่งและ 150,000 สำหรับอีกแบบหนึ่ง ประสิทธิภาพแตกต่างกันอย่างมากและไม่เหมาะสมเสมอ

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

เมื่อชิปเหล่านี้ถูกขายให้กับบริษัทขนาดใหญ่ เช่น Google, Amazon, Microsoft, หรือ Azure พวกมันถูกนำเสนอเป็นผลิตภัณฑ์แบบสแตนด์อโลน ผู้ใช้สามารถเลือกชิปที่ปรับให้เหมาะสมสำหรับแบบจำลอง YOLO หรือชิปที่เรียบง่ายและถูกกว่าสำหรับโครงสร้าง Xen ได้ ด้วยวิธีนี้ บริษัทต่างๆ สามารถเข้าถึงทรัพยากรการคำนวณที่ปรับให้เหมาะสมกับงานของตนได้ ไม่ใช่การซื้อ GPU ทั่วไป

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

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

ฉันเห็นสิ่งนี้ในทางปฏิบัติ: การตั้งค่าฮาร์ดแวร์เดียวกันสามารถให้ผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิงขึ้นอยู่กับงาน ในสตาร์ทอัพของฉัน Introspector เราสึกษากระบวนการเหล่านี้ในโครงการจริง และในฐานะที่เป็นที่ปรึกษาทางยุทธศาสตร์ของ 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 “พระจันทร์แห่งพลังการคำนวณ” ของประสิทธิภาพ AI: หากพารามิเตอร์ประสิทธิภาพพื้นฐานอย่างน้อยหนึ่งพารามิเตอร์สามารถปรับให้เหมาะสมได้ พารามิเตอร์อื่นๆ จะดีขึ้นโดยอัตโนมัติ

กระบวนการแบบยั่งยืน

ด้วยการใช้ชิปพิเศษที่เพิ่มขึ้น ปัญหาของการผลิตเกินกำลังได้กลายเป็นเรื่องที่กดดันอย่างมาก ปัจจุบันส่วนเกินของอุปกรณ์แล้วมีจำนวนมาก และบริษัทต่างๆ กำลังจัดการกับปัญหานี้ด้วยวิธีการที่ยั่งยืน รวมถึงการนำทรัพยากรที่มีอยู่กลับมาใช้ใหม่

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

โรงงานและบริษัทพิเศษบางแห่งมุ่งเน้นไปที่การรีไซเคิลและแยกโลหะมีค่าจากส่วนประกอบที่ล้าสมัย ตัวอย่างเช่น บางโรงงานใช้กระบวนการไฮโดรมิตัลลURจิกและวิธีการเคมีขั้นสูงเพื่อแยกทองและทองแดงด้วยความบริสุทธิ์สูง ซึ่งช่วยให้วัสดุเหล่านี้สามารถนำกลับมาใช้ใหม่ในชิปใหม่ได้

นอกจากนี้ บริษัทต่างๆ ยังใช้แบบจำลองปิดซึ่งอุปกรณ์เก่าถูกอัพเกรดหรือรวมเข้ากับโซลูชันใหม่ ซึ่งช่วยลดความจำเป็นในการขุดค้นทรัพยากรใหม่ วิธีการเหล่านี้ไม่เพียงแต่ช่วยลดของเสียเท่านั้น แต่ยังช่วยลดรอยเท้าของคาร์บอนในการผลิต เนื่องจากการทำเหมืองและประมวลผลโลหะแบบดั้งเดิมต้องการพลังงานจำนวนมาก

การบริหารจัดการชีวิตวงจรของชิปและอุปกรณ์แบบยั่งยืนอาจกลายเป็นมาตรฐานอุตสาหกรรม โดยที่ความก้าวหน้าทางเทคโนโลยีเข้ากันกับความรับผิดชอบต่อสิ่งแวดล้อม