เมื่อ AI กลายเป็นเทคโนโลยีที่องค์กรต้องใช้มากขึ้น คำถามไม่ได้อยู่เพียงว่าใครมีโมเดลที่เก่งกว่า แต่ย้อนกลับไปถึงสิ่งที่อยู่ข้างใต้ ตั้งแต่พลังการประมวลผล เครือข่ายรับส่งข้อมูล ระบบจัดเก็บข้อมูล คลาวด์ ไปจนถึงบุคลากรที่สามารถดูแลระบบเหล่านี้ได้ เพราะ AI ไม่สามารถทำงานได้หากไม่มีโครงสร้างพื้นฐานรองรับ เช่นเดียวกับงานวิจัย การพยากรณ์น้ำ การศึกษาดาราศาสตร์ หรือระบบดิจิทัลภาครัฐที่ต่างต้องพึ่งพาทรัพยากรการคำนวณในระดับที่แตกต่างกัน
ภาพของโครงสร้างพื้นฐานดิจิทัลไทยจึงไม่ได้มีเพียงศูนย์ข้อมูลหรือ Supercomputer เครื่องใดเครื่องหนึ่ง แต่กระจายอยู่ในหลายหน่วยงานและทำหน้าที่ต่างกัน ตั้งแต่ ThaiSC ที่เปิดทรัพยากร High Performance Computing หรือ HPC ให้ภาครัฐ มหาวิทยาลัยและเอกชนใช้ร่วมกัน GDCC ซึ่งรองรับระบบงานภาครัฐ UNINET ที่ทำหน้าที่เป็นเครือข่ายสำหรับการศึกษาและวิจัย ไปจนถึง สถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน) หรือ สสน. และสถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน) หรือ สดร. ที่ใช้พลังคำนวณกับโจทย์เฉพาะทางของประเทศ
ผู้เชี่ยวชาญจาก 5 หน่วยงานได้แลกเปลี่ยนกันในหัวข้อ “Infrastructure Powering Thailand’s Future” ซึ่งทำให้เห็นว่าโจทย์ของประเทศไทยไม่ได้หยุดอยู่ที่การเพิ่มกำลังของเครื่องคอมพิวเตอร์ แต่กำลังขยับไปสู่คำถามว่า ประเทศจะบริหารทรัพยากรเหล่านี้อย่างไร เชื่อมข้อมูลอย่างไร และสร้างคนอย่างไร เพื่อให้โครงสร้างพื้นฐานที่ลงทุนไปถูกนำมาใช้แก้ปัญหาและสร้างงานใหม่ได้จริง
จาก Supercomputer 8 Core สู่“ลันตา” พลังคำนวณไทยในยุค AI
ดร.ปิยวุฒิ ศรีชัยกุล รองผู้อำนวยการ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค) ย้อนเส้นทางการพัฒนา HPC ของไทยให้เห็นความเปลี่ยนแปลงของพลังการคำนวณ จาก Supercomputer ในยุคแรกที่มีเพียง 8 Core, RAM 1 GB และพื้นที่จัดเก็บข้อมูล 50 GB ผู้ใช้ต้องเชื่อมต่อผ่านโมเด็ม ก่อนจะเปลี่ยนเข้าสู่ระบบ Cluster ที่นำ Server หลายเครื่องมาเชื่อมต่อกัน ตามด้วยยุค Grid Computing และ National e-Science Consortium ที่เกิดจากความร่วมมือของหลายหน่วยงานในการแบ่งปันทรัพยากรการคำนวณ
จุดเปลี่ยนสำคัญเกิดขึ้นเมื่อมีการจัดตั้ง ThaiSC เพื่อให้บริการโครงสร้างพื้นฐานการคำนวณแก่ผู้ใช้นอกหน่วยงานด้วย ไม่ว่าจะเป็นมหาวิทยาลัย หน่วยงานรัฐ หรือภาคเอกชน เครื่องหลักอย่าง “ลันตา” มีหน่วยประมวลผลมากกว่า 30,000 Core และ NVIDIA A100 โดยรูปแบบการใช้งานเปลี่ยนตามเทคโนโลยี จากเดิมที่ HPC ถูกใช้กับ Scientific Computing การจำลองและสร้างแบบจำลองเป็นหลัก ปัจจุบัน AI กลายเป็นงานอีกกลุ่มที่ต้องการพลังคำนวณสูง และอนาคตยังมองไปถึงการเชื่อม Quantum Computing เข้ามาเป็นส่วนหนึ่งของทรัพยากรการคำนวณ
ลันตาใช้ระบบ Job Scheduling และ Resource Management จัดสรรทรัพยากรตามขนาดและลักษณะงาน ดร.ปิยวุฒิเปรียบเทียบกับโรงแรมที่มีห้องหลายขนาด ผู้ใช้แต่ละรายนำข้อมูล โมเดล และงานของตัวเองเข้ามา เมื่อประมวลผลเสร็จก็นำออกเพื่อเปิดทรัพยากรให้ผู้ใช้รายต่อไป ความสำคัญของโครงสร้างพื้นฐานลักษณะนี้จึงอยู่ที่การเปิดให้ทรัพยากรขนาดใหญ่ถูกแบ่งปัน แทนที่แต่ละหน่วยงานจะต้องสร้างระบบขนาดใหญ่ของตัวเองทั้งหมด
อย่างไรก็ตาม การมี Supercomputer ไม่ได้หมายความว่าปัญหาเรื่อง HPC จบลง เพราะระบบขนาดใหญ่ต้องการคนดูแลโดยเฉพาะ ขณะที่จำนวน HPC Engineer ไม่ได้เพิ่มขึ้นทันกับความต้องการจาก Data Center ที่เติบโตขึ้น ปัญหานี้ไม่ได้เกิดเฉพาะประเทศไทย ระบบ Supercomputer แต่ละแห่งยังไม่สามารถนำรูปแบบการติดตั้งจากเครื่องอื่นมาคัดลอกได้ทั้งหมด แม้จะเป็นยี่ห้อและรุ่นเดียวกัน เพราะต้องปรับให้เข้ากับสถานที่ ระบบน้ำ ไฟฟ้า กฎระเบียบและข้อจำกัดของแต่ละประเทศ ขณะที่พลังงานเป็นต้นทุนสำคัญในการเดินระบบ
GDCC วาง Sovereign Cloud รองรับระบบสำคัญของภาครัฐ
หาก ThaiSC เป็นโครงสร้างพื้นฐานสำหรับงานที่ต้องใช้พลังคำนวณสูง อีกด้านหนึ่งของระบบดิจิทัลประเทศคือคลาวด์ที่ต้องรองรับระบบงานภาครัฐจำนวนมาก ดร.ยุทธศาสตร์ นิธิไพจิตร ผู้ช่วยกรรมการผู้จัดการใหญ่สายงานดิจิทัลบริษัทโทรคมนาคมแห่งชาติจำกัด (มหาชน) หรือ NT อธิบายว่า NT มีโครงสร้างพื้นฐานตั้งแต่โครงข่ายโทรคมนาคม ศูนย์ข้อมูล คลาวด์ ไปจนถึงระบบความมั่นคงปลอดภัยไซเบอร์ และเป็นผู้ดำเนินงานโครงการ Government Data Center and Cloud หรือ GDCC
GDCC พัฒนาต่อจาก G-Cloud ซึ่งภาครัฐเริ่มดำเนินการมาตั้งแต่ช่วงที่การใช้ Cloud ยังไม่ได้แพร่หลาย ปัจจุบันให้บริการมากกว่า 200 องค์กร มีระบบงานประมาณ 37,000 ระบบ และ Virtual Machine มากกว่า 50,000 VM ระบบสำคัญที่ทำงานอยู่บนโครงสร้างพื้นฐานนี้มีทั้งระบบประกันสุขภาพแห่งชาติและแอปพลิเคชันภาครัฐ ขณะที่ระบบงานภาครัฐที่ขึ้นมาอยู่บน GDCC ยังมีประมาณร้อยละ 20 ส่วนที่เหลือยังอยู่ในรูปแบบ On-Premise
ประเด็นสำคัญของ GDCC อยู่ที่การถูกออกแบบเป็น Sovereign Cloud โดย NT สร้างและบริหารระบบเอง ทั้งโครงสร้างพื้นฐานและการปฏิบัติการ พร้อมวางเรื่องความมั่นคงปลอดภัยไว้ตั้งแต่การออกแบบ เพื่อรองรับระบบสำคัญและข้อมูลที่มีระดับความลับสูง โจทย์ของคลาวด์ภาครัฐจึงไม่ได้มีเพียงการเพิ่มพื้นที่หรือกำลังประมวลผล แต่ต้องทำให้ระบบทำงานต่อเนื่อง มีมาตรฐาน และรองรับงานที่หยุดให้บริการไม่ได้
ทิศทางของ GDCC กำลังขยับจาก Infrastructure ไปสู่ Cloud Native ที่มี Platform และ Service รองรับการพัฒนาแบบ No Code และ Serverless โดยมี Cloud Management Platform หรือ CMP ทำหน้าที่บริหารการใช้บริการคลาวด์หลายรูปแบบ รวมถึงเชื่อมผู้ให้บริการมากกว่า 20 ราย ขณะที่การรวมการจัดซื้อบริการบางส่วนเข้าด้วยกันช่วยลดต้นทุนได้มากกว่าร้อยละ 30
UNINET วาง Fiber 75,000 กิโลเมตรเชื่อมเครือข่ายวิจัยไทย
พลังคำนวณจะเกิดประโยชน์ได้เมื่อข้อมูลเดินทางไปถึงทรัพยากรเหล่านั้น เครือข่ายจึงเป็นโครงสร้างพื้นฐานอีกชั้นที่ขาดไม่ได้ ขจรศักดิ์ จิตอารีเสถียร ผู้อำนวยการกลุ่มพัฒนาและบริหารข้อมูลเชิงยุทธศาสตร์ สำนักงานปลัดกระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัย และนวัตกรรม (อว.) เล่าถึง UNINET ซึ่งเริ่มต้นจากความต้องการเชื่อมมหาวิทยาลัยให้ใช้อินเทอร์เน็ตร่วมกันตั้งแต่ปี 2539 ช่วงแรกยังต้องเช่าวงจรจากผู้ให้บริการ ก่อนที่ความต้องการใช้งานของมหาวิทยาลัยทั่วประเทศจะเพิ่มขึ้นจนตัดสินใจสร้างโครงข่ายใยแก้วนำแสงของตัวเอง
ปัจจุบัน UNINET ดูแลโครงข่ายใยแก้วนำแสงระยะทางประมาณ 75,000 กิโลเมตร เชื่อมมหาวิทยาลัยทั่วประเทศ เมื่อมีโครงข่ายเป็นฐาน จึงสามารถต่อยอดไปสู่บริการ Server และ VM สำหรับมหาวิทยาลัย รวมถึงบริการระบบห้องสมุดและการจัดหาฐานข้อมูลวารสารต่างประเทศ เช่น Scopus และ Web of Science พร้อมทำหน้าที่เป็น ThaiNREN เชื่อมงานด้านการศึกษาและวิจัยของไทยกับเครือข่ายวิจัยในต่างประเทศ
เหตุผลที่เครือข่ายวิจัยต้องมีโครงสร้างพื้นฐานเฉพาะอยู่ที่ลักษณะการใช้งาน งานบางประเภทต้องการช่องสัญญาณขนาดใหญ่แบบเต็มความจุ ไม่สามารถใช้บริการแบบเดียวกับอินเทอร์เน็ตทั่วไปได้ ขจรศักดิ์ยกตัวอย่างการทดสอบรับส่งข้อมูลระหว่างไทยกับญี่ปุ่น ซึ่งสามารถส่งภาพระดับ Full HD โดยไม่สะดุด โครงข่ายจึงไม่ได้เป็นเพียงช่องทางเข้าสู่อินเทอร์เน็ต แต่เป็นส่วนหนึ่งของเครื่องมือวิจัยที่ทำให้ข้อมูลขนาดใหญ่เคลื่อนที่ระหว่างสถาบันและข้ามประเทศได้
HPC แก้โจทย์น้ำ เมื่อค่าเฉลี่ยไม่พอคาดการณ์ภัยพิบัติ
ภาพการใช้ HPC จะชัดขึ้นเมื่อมองจากฝั่งผู้ใช้ ดร.ศรเทพ วรรณรัตน์ รักษาการรองผู้อำนวยการ สถาบันสารสนเทศทรัพยากรน้ำ (องค์การมหาชน) หรือ สสน. และนักบริหารนโยบายวิจัยและพัฒนา อธิบายว่า จุดตั้งต้นของงานด้าน HPC คือการนำพลังคำนวณไปแก้ปัญหาจริงของประเทศ โดยเฉพาะปัญหาที่มีผลกระทบสูงและมีตัวแปรจำนวนมากจนไม่สามารถหาคำตอบด้วยการวิเคราะห์แบบง่ายได้ แต่ต้องสร้างแบบจำลองและคำนวณองค์ประกอบหลายด้านร่วมกัน
“น้ำ” เป็นตัวอย่างที่ชัดเจน เพราะเกี่ยวข้องตั้งแต่การดำรงชีวิต เกษตรกรรม อุตสาหกรรม ไปจนถึงการท่องเที่ยว และในอีกสถานการณ์หนึ่งก็สามารถกลายเป็นภัยพิบัติ ปัญหายิ่งซับซ้อนเพราะต้องคำนวณหลายระดับ ตั้งแต่สภาพอากาศในพื้นที่ขนาดใหญ่ ลงมาถึงการไหลของน้ำในลุ่มน้ำและพื้นที่เมือง ซึ่งรายละเอียดเรื่องระดับพื้นที่ โครงสร้างเมืองและระบบระบายน้ำล้วนมีผลต่อผลลัพธ์
ข้อมูลเฉลี่ยเพียงอย่างเดียวจึงไม่เพียงพอ ดร.ศรเทพยกกรณีปริมาณฝนที่ทั้งปีอาจใกล้เคียงค่าเฉลี่ย แต่ยังเกิดภัยพิบัติรุนแรงได้ หากฝนจำนวนมากกระจุกตัวอยู่ในพื้นที่หรือช่วงเวลาหนึ่ง การประเมินความเสี่ยงจึงต้องใช้การคำนวณที่มีความละเอียดสูงทั้งด้านพื้นที่และเวลา นี่เป็นเหตุผลที่ HPC เข้ามามีบทบาทโดยตรงกับการบริหารจัดการน้ำ
สสน. ทำหน้าที่เป็นคลังข้อมูลน้ำแห่งชาติ เชื่อมข้อมูลจาก 56 หน่วยงานใน 13 กระทรวงหรือองค์กรอิสระ และนำข้อมูลมาประมวลผลตั้งแต่สถานีอุตุนิยมวิทยา แบบจำลองสภาพอากาศล่วงหน้า 3-7 วัน ข้อมูลเรดาร์ตรวจฝน การคาดการณ์ความเสี่ยงน้ำไหลหลาก สภาพคลื่นทะเล ไปจนถึงความเค็ม ผลลัพธ์ถูกนำไปใช้ทั้งในการบริหารน้ำระดับประเทศ การวางแผนจัดการเขื่อน การบริหารทรัพยากรน้ำระดับจังหวัด และการจัดการน้ำของชุมชน
งานลักษณะนี้ยังทำให้คำตอบเรื่อง Cloud กับ On-Premise ไม่สามารถเลือกแบบใดแบบหนึ่งสำหรับทุกกรณี สสน. ยังคงใช้เครื่องที่ดูแลเองสำหรับงานส่วนใหญ่ เพราะช่วงฤดูฝนและสถานการณ์น้ำท่วมเป็นช่วงที่ระบบต้องพร้อมใช้งาน หากเกิดปัญหากับทรัพยากรที่แชร์กับหน่วยงานอื่น การประสานงานเพื่อแก้ไขอาจไม่ทันกับความรับผิดชอบที่ต้องแบกรับ
Physics-Informed AI เมื่อการคาดการณ์น้ำต้องมี“ฟิสิกส์” กำกับ AI
การเข้ามาของ AI ทำให้ความต้องการพลังคำนวณเพิ่มขึ้น แต่ ดร.ศรเทพชี้ให้เห็นประเด็นที่กว้างกว่า Generative AI หรือ LLM เพราะงานด้านน้ำและฝนสามารถใช้ AI ในอีกรูปแบบหนึ่ง สสน. อยู่ระหว่างทำงานร่วมกับ MIT และจุฬาลงกรณ์มหาวิทยาลัยในเรื่อง Physics-Informed AI ซึ่งไม่ได้ปล่อยให้ AI เรียนรู้จากข้อมูลเพียงอย่างเดียว แต่มีหลักทางฟิสิกส์เข้ามากำกับด้วย
แนวทางนี้มีความสำคัญต่อโจทย์ที่มีหลักการทางวิทยาศาสตร์รองรับ เพราะการเพิ่มพลังคำนวณหรือเพิ่มข้อมูลเพียงอย่างเดียวไม่ใช่คำตอบทั้งหมด วิธีสร้างแบบจำลองและองค์ความรู้ของแต่ละสาขายังคงต้องทำงานร่วมกับ AI จึงเป็นอีกตัวอย่างที่ทำให้เห็นว่าโครงสร้างพื้นฐานการคำนวณไม่ควรถูกมองแยกออกจากความเชี่ยวชาญเฉพาะด้าน
ดาราศาสตร์ชี้โจทย์ AI ไทยข้อมูลมีมากแต่ยังกระจายใน Silo
ในอีกด้านของวิทยาศาสตร์ที่ใช้ข้อมูลจำนวนมาก ดร.อุเทน แสวงวิทย์ รักษาการผู้จัดการ ศูนย์เทคโนโลยีสารสนเทศสถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน) หรือ สดร. อธิบายว่า งานดาราศาสตร์ไม่ได้จบอยู่ที่การศึกษาดวงดาว แต่ต้องสร้างทั้งเทคโนโลยี โครงสร้างพื้นฐาน และคนเพื่อให้ประเทศสามารถทำงานวิจัยระดับแนวหน้าได้ด้วยตัวเอง
สดร. มีโครงสร้างพื้นฐานตั้งแต่กล้องโทรทรรศน์เชิงแสงขนาด 2.4 เมตร เครือข่ายกล้องโทรทรรศน์ในหลายพื้นที่ทั่วโลก ห้องปฏิบัติการด้านทัศนศาสตร์ ระบบความถี่วิทยุ ระบบจัดเก็บข้อมูล ไปจนถึง HPC เครือข่ายกล้องที่กระจายอยู่หลายประเทศทำให้สามารถเก็บข้อมูลท้องฟ้าได้ต่อเนื่อง ขณะที่ทรัพยากรการคำนวณถูกใช้ทั้งโดยนักวิจัยของสถาบัน อาจารย์ นักศึกษา และนักวิจัยจากมหาวิทยาลัย
ประสบการณ์ของ สดร. ยังทำให้เห็นว่า การลงทุนใน HPC อย่างเดียวไม่เพียงพอ เมื่อเริ่มพัฒนาทรัพยากรการคำนวณเมื่อกว่าสิบปีก่อน สิ่งที่ต้องทำควบคู่กันคือการฝึกอบรมและช่วยให้นักวิจัยสามารถเริ่มใช้ระบบได้ เพราะหากมีเครื่องแต่ไม่มีคนที่สามารถนำไปใช้ทำงานวิจัย ทรัพยากรก็ไม่สามารถสร้างผลลัพธ์ได้เต็มที่
เมื่อการประมวลผลเปลี่ยนจากงาน Simulation บน CPU ไปสู่ Machine Learning, Deep Learning และ AI ปริมาณข้อมูลยิ่งมีความสำคัญ ดร.อุเทนมองว่าข้อมูลคือทรัพยากรสำคัญของ AI แต่ข้อมูลจำนวนมากในประเทศไทยยังแยกอยู่ตามหน่วยงาน การมีข้อมูลมหาศาลโดยไม่นำมาประมวลผลก็ยังไม่สามารถสร้างคุณค่าได้ HPC จึงต้องทำงานคู่กับระบบจัดเก็บข้อมูลและ Network โดย สดร. เองมีความต้องการยกระดับเครือข่ายจาก 10 Gbps ไปสู่ 40 Gbps เพื่อรองรับปริมาณข้อมูลที่เพิ่มขึ้น
AI Infrastructure ต้องเชื่อมพลังคำนวณข้อมูลเครือข่ายและคน
เมื่อมองทั้ง 5 หน่วยงานร่วมกัน ภาพของโครงสร้างพื้นฐานดิจิทัลประเทศไทยจึงไม่ได้มีศูนย์กลางเพียงแห่งเดียว ThaiSC มีบทบาทในการเปิดพลังการคำนวณขนาดใหญ่ให้ผู้ใช้หลายกลุ่ม GDCC รองรับระบบดิจิทัลภาครัฐและข้อมูลที่ต้องการความมั่นคงปลอดภัย UNINET ทำหน้าที่เป็นเครือข่ายสำหรับการศึกษาและวิจัย ขณะที่ สสน. และ สดร. แสดงให้เห็นว่าทรัพยากรเหล่านี้ถูกนำไปใช้กับโจทย์จริงที่ต้องประมวลผลข้อมูลจำนวนมากและมีความซับซ้อนสูง
การเข้าสู่ยุค AI ยิ่งทำให้โครงสร้างพื้นฐานแต่ละส่วนต้องทำงานสัมพันธ์กันมากขึ้น พลังการคำนวณเพียงอย่างเดียวไม่เพียงพอ หากไม่มีเครือข่ายที่สามารถเคลื่อนย้ายข้อมูลขนาดใหญ่ ไม่มีระบบจัดเก็บและจัดการข้อมูล หรือข้อมูลยังแยกอยู่ตามหน่วยงาน ขณะเดียวกัน การมีเครื่องและข้อมูลก็ยังไม่สามารถสร้างผลลัพธ์ได้เต็มที่ หากขาดบุคลากรที่รู้ว่าจะนำทรัพยากรเหล่านั้นไปใช้กับโจทย์ของตัวเองอย่างไร
ประสบการณ์ของ ThaiSC ทำให้เห็นปัญหาการขาดแคลน HPC Engineer ซึ่งเกิดขึ้นพร้อมกับความต้องการ Data Center และทรัพยากรการคำนวณที่เพิ่มขึ้น ส่วนประสบการณ์ของ สดร. ชี้ไปในทิศทางเดียวกันว่า การสร้างระบบนิเวศของ HPC ต้องทำมากกว่าการจัดหาเครื่อง เพราะต้องมีทั้งการฝึกอบรมและการช่วยให้นักวิจัยเริ่มต้นใช้งานได้จริง หากลงทุนโครงสร้างพื้นฐานแต่ไม่มีคนใช้หรือไม่มีคนดูแล ความสามารถของเครื่องก็ไม่สามารถเปลี่ยนเป็นผลงานวิจัยและนวัตกรรมได้เต็มที่
โจทย์เรื่องการใช้ทรัพยากรร่วมกันก็ไม่มีคำตอบแบบเดียวสำหรับทุกงาน งานวิจัยบางประเภทสามารถนำข้อมูลและแบบจำลองเข้ามาประมวลผลบนโครงสร้างพื้นฐานส่วนกลาง แล้วนำผลลัพธ์ออกเมื่อทำงานเสร็จ แต่ระบบที่ต้องทำงานต่อเนื่องหรือเกี่ยวข้องกับภารกิจสำคัญอาจต้องการรูปแบบต่างออกไป สสน. เลือกรักษาระบบคำนวณของตัวเองไว้สำหรับงานด้านน้ำ เพราะช่วงที่เกิดฝนตกหนักหรือน้ำท่วมเป็นเวลาที่ระบบต้องพร้อมใช้งานและหน่วยงานต้องรับผิดชอบต่อการทำงานโดยตรง ขณะที่ GDCC ถูกออกแบบให้รองรับระบบภาครัฐที่ต้องการความมั่นคงปลอดภัยและไม่สามารถหยุดให้บริการได้
ความแตกต่างเหล่านี้ทำให้โจทย์ของโครงสร้างพื้นฐานดิจิทัลไม่ได้อยู่ที่การเลือกว่าจะใช้ Cloud หรือ On-Premise หรือมี Supercomputer ขนาดใหญ่เพียงใด แต่อยู่ที่การเลือกทรัพยากรให้เหมาะกับลักษณะงาน ความต้องการด้านความปลอดภัย ระดับการให้บริการ และความรับผิดชอบของแต่ละระบบ
จากผู้ซื้อเทคโนโลยีสู่ Smart Buyer และ Smart User
สิ่งที่น่าจับตาจากเส้นทางของโครงสร้างพื้นฐานการคำนวณไทยคือ เทคโนโลยีเปลี่ยนเร็วมาก จาก Supercomputer 8 Core ในอดีต มาสู่ระบบที่มีหน่วยประมวลผลหลายหมื่น Core จากการคำนวณด้วย CPU ไปสู่ GPU และ AI ขณะที่ Quantum Computing ถูกมองเป็นเทคโนโลยีที่จะเข้ามาเชื่อมกับทรัพยากรการคำนวณในอนาคต การเปลี่ยนแปลงดังกล่าวทำให้ประเทศไม่สามารถมองการลงทุนโครงสร้างพื้นฐานเป็นการซื้อเครื่องแล้วใช้งานไปตามอายุของระบบเท่านั้น
ดร.ศรเทพชี้ถึงโจทย์เรื่องบุคลากรที่มีความรู้ความเชี่ยวชาญด้าน HPC ซึ่งเป็นคนกลุ่มเฉพาะและมีจำนวนจำกัด หากความเชี่ยวชาญเหล่านี้หายไป ประเทศจะมีปัญหาในการดูแลและพัฒนาโครงสร้างพื้นฐานต่อไป เป้าหมายจึงควรทำให้ประเทศไทยสามารถเป็นทั้ง “Smart Buyer” และ “Smart User” คือมีความรู้เพียงพอที่จะเลือกเทคโนโลยีและสามารถนำเทคโนโลยีที่มีอยู่มาใช้งานได้อย่างเหมาะสม
โจทย์นี้สอดคล้องกับประสบการณ์จากหลายหน่วยงานบนเวทีเดียวกัน เพราะ Supercomputer แต่ละระบบต้องอาศัยคนที่เข้าใจทั้งเครื่องและสภาพแวดล้อมในการทำงาน เครือข่ายวิจัยต้องถูกออกแบบให้สอดคล้องกับรูปแบบการส่งข้อมูลของนักวิจัย ระบบคลาวด์ภาครัฐต้องมีคนที่สามารถรักษามาตรฐานและความมั่นคงปลอดภัย ขณะที่ผู้ใช้ HPC ในงานเฉพาะทางต้องมีทั้งความรู้ในสาขาของตัวเองและความสามารถในการนำโจทย์เข้าสู่ระบบคำนวณ
ดังนั้น เส้นทางจาก Supercomputer สู่ AI ไม่ได้เป็นเพียงเรื่องของเครื่องที่เร็วขึ้นหรือมี GPU เพิ่มขึ้น แต่เป็นการขยายความสัมพันธ์ระหว่างพลังการคำนวณ ข้อมูล เครือข่าย และคน จากเดิมที่ HPC รองรับงาน Scientific Computing และ Simulation วันนี้ AI เพิ่มความต้องการทรัพยากรขึ้นมาอีกระดับ พร้อมกับทำให้ข้อมูลกลายเป็นองค์ประกอบที่สำคัญมากขึ้น
สิ่งที่ประเทศไทยมีอยู่แล้วจึงเป็นโครงสร้างพื้นฐานหลายส่วนที่ทำหน้าที่ต่างกัน ตั้งแต่ระบบคำนวณระดับชาติ คลาวด์ภาครัฐ เครือข่ายวิจัย ไปจนถึงระบบเฉพาะทางด้านน้ำและดาราศาสตร์ ส่วนโจทย์ต่อจากนี้ตามสิ่งที่ผู้เชี่ยวชาญทั้งห้าคนนำเสนอ คือการรักษาความต่อเนื่องของโครงสร้างพื้นฐานเหล่านี้ รับมือกับข้อจำกัดด้านพลังงานและบุคลากร ทำให้ข้อมูลที่กระจายอยู่สามารถนำมาใช้ประโยชน์ และสร้างความสามารถของคนไทยในการเลือก ใช้ และดูแลเทคโนโลยีเหล่านี้ได้เอง
เพราะเมื่อพลังการคำนวณเพิ่มขึ้นอย่างรวดเร็ว เครื่องมือก็จะเปลี่ยนต่อไปจาก HPC สู่ AI และเทคโนโลยีใหม่ในอนาคต แต่สิ่งที่จะกำหนดว่าโครงสร้างพื้นฐานเหล่านี้สร้างประโยชน์ให้ประเทศได้มากเพียงใด ไม่ได้อยู่ที่ขนาดของเครื่องเพียงอย่างเดียว แต่อยู่ที่ประเทศไทยมีคน ข้อมูล เครือข่าย และความสามารถในการนำพลังการคำนวณที่มีอยู่ไปใช้กับโจทย์จริงได้มากแค่ไหน
ข่าวอื่น ๆ ที่น่าสนใจ
YouTube ย้ำเบอร์ 1 วิดีโอสตรีมมิงไทย เดินหน้า Full Funnel เชื่อมช้อปปิ้งครบวงจร
AI ยิ่งเก่ง ‘ทักษะมนุษย์’ ยิ่งสำคัญ
