บทบาทของเซิร์ฟเวอร์ GPU แบบ liquid‑cooled

หัวใจสำคัญของความร่วมมือนี้คือ แพลตฟอร์มเซิร์ฟเวอร์ GPU ความหนาแน่นสูงที่ใช้การระบายความร้อนด้วยของเหลว (liquid‑cooled) จาก Compal .

เทคโนโลยีนี้มีความสำคัญต่อศูนย์ข้อมูล AI ยุคใหม่ เนื่องจากการฝึกโมเดลขนาดใหญ่ต้องใช้ GPU จำนวนมาก ซึ่งสร้างความร้อนสูงและใช้พลังงานจำนวนมาก

ข้อดีหลักของระบบดังกล่าว ได้แก่

• สามารถติดตั้ง GPU จำนวนมากในพื้นที่ศูนย์ข้อมูลที่จำกัด
• ควบคุมอุณหภูมิและความเสถียรของระบบได้ดีกว่าการระบายความร้อนด้วยอากาศ
• เพิ่มประสิทธิภาพด้านพลังงานและลดความเสี่ยงจากความร้อนสะสม

สิ่งเหล่านี้ทำให้ระบบเหมาะกับงานอย่าง การฝึกโมเดล AI ขนาดใหญ่ การประมวลผล inference ปริมาณสูง และระบบ AI หลายเอเจนต์ ที่ต้องทำงานต่อเนื่องเป็นเวลานาน

สัญญาณความต้องการ GPU ที่เพิ่มขึ้นทั่วโลก

ความร่วมมือกับ Verda ไม่ใช่สัญญาณเดียวของความต้องการโครงสร้างพื้นฐาน AI ที่กำลังพุ่งสูง

บริษัทซอฟต์แวร์ญี่ปุ่น Datasection ยังได้ขยายความร่วมมือกับ Compal และตกลงซื้อ เซิร์ฟเวอร์ GPU จำนวน 635 เครื่อง ที่ใช้สถาปัตยกรรม Nvidia B300 รวม 5,080 GPU มูลค่าประมาณ 325 ล้านดอลลาร์สหรัฐ (ราว 51.6 พันล้านเยน) .

การลงทุนนี้จะกลายเป็น โครงสร้างพื้นฐานหลักของโครงการศูนย์ข้อมูล AI รุ่นใหม่ของ Datasection ซึ่งมีเป้าหมายให้บริการกำลังประมวลผลระดับสูงแก่ลูกค้าคลาวด์รายใหญ่และรองรับความต้องการ AI ที่เพิ่มขึ้นทั่วโลก .

ภาพรวมของการแข่งขันด้านโครงสร้างพื้นฐาน AI

เมื่อมองภาพรวม ความร่วมมือเหล่านี้สะท้อนแนวโน้มสำคัญในอุตสาหกรรมเทคโนโลยี

• ผู้ผลิตฮาร์ดแวร์อย่าง Compal กำลังวางตำแหน่งตัวเองเป็นผู้จัดหา “บล็อกพื้นฐาน” ของศูนย์ข้อมูล AI
• ผู้ให้บริการคลาวด์และผู้ดำเนินการศูนย์ข้อมูลอย่าง Verda และ Datasection เป็นฝั่งที่ต้องการกำลัง GPU ขนาดใหญ่

GPU คลัสเตอร์ความหนาแน่นสูงกำลังกลายเป็นทรัพยากรสำคัญสำหรับ generative AI การฝึกโมเดลขนาดใหญ่ และระบบ AI อัตโนมัติแบบ agentic ในยุคถัดไป .

อย่างไรก็ตาม รายละเอียดเชิงลึก เช่น สถานที่ตั้งศูนย์ข้อมูล ระยะเวลาการติดตั้งจริง หรือกำลังไฟฟ้าที่ใช้ ยังไม่ได้เปิดเผยมากนัก เนื่องจากข้อมูลส่วนใหญ่ในตอนนี้มาจากประกาศของบริษัทและรายงานข่าวเบื้องต้น.

บทบาทของเซิร์ฟเวอร์ GPU แบบ liquid‑cooled

หัวใจสำคัญของความร่วมมือนี้คือ แพลตฟอร์มเซิร์ฟเวอร์ GPU ความหนาแน่นสูงที่ใช้การระบายความร้อนด้วยของเหลว (liquid‑cooled) จาก Compal .

เทคโนโลยีนี้มีความสำคัญต่อศูนย์ข้อมูล AI ยุคใหม่ เนื่องจากการฝึกโมเดลขนาดใหญ่ต้องใช้ GPU จำนวนมาก ซึ่งสร้างความร้อนสูงและใช้พลังงานจำนวนมาก

ข้อดีหลักของระบบดังกล่าว ได้แก่

• สามารถติดตั้ง GPU จำนวนมากในพื้นที่ศูนย์ข้อมูลที่จำกัด
• ควบคุมอุณหภูมิและความเสถียรของระบบได้ดีกว่าการระบายความร้อนด้วยอากาศ
• เพิ่มประสิทธิภาพด้านพลังงานและลดความเสี่ยงจากความร้อนสะสม

สิ่งเหล่านี้ทำให้ระบบเหมาะกับงานอย่าง การฝึกโมเดล AI ขนาดใหญ่ การประมวลผล inference ปริมาณสูง และระบบ AI หลายเอเจนต์ ที่ต้องทำงานต่อเนื่องเป็นเวลานาน

สัญญาณความต้องการ GPU ที่เพิ่มขึ้นทั่วโลก

ความร่วมมือกับ Verda ไม่ใช่สัญญาณเดียวของความต้องการโครงสร้างพื้นฐาน AI ที่กำลังพุ่งสูง

บริษัทซอฟต์แวร์ญี่ปุ่น Datasection ยังได้ขยายความร่วมมือกับ Compal และตกลงซื้อ เซิร์ฟเวอร์ GPU จำนวน 635 เครื่อง ที่ใช้สถาปัตยกรรม Nvidia B300 รวม 5,080 GPU มูลค่าประมาณ 325 ล้านดอลลาร์สหรัฐ (ราว 51.6 พันล้านเยน) .

การลงทุนนี้จะกลายเป็น โครงสร้างพื้นฐานหลักของโครงการศูนย์ข้อมูล AI รุ่นใหม่ของ Datasection ซึ่งมีเป้าหมายให้บริการกำลังประมวลผลระดับสูงแก่ลูกค้าคลาวด์รายใหญ่และรองรับความต้องการ AI ที่เพิ่มขึ้นทั่วโลก .

ภาพรวมของการแข่งขันด้านโครงสร้างพื้นฐาน AI

เมื่อมองภาพรวม ความร่วมมือเหล่านี้สะท้อนแนวโน้มสำคัญในอุตสาหกรรมเทคโนโลยี

• ผู้ผลิตฮาร์ดแวร์อย่าง Compal กำลังวางตำแหน่งตัวเองเป็นผู้จัดหา “บล็อกพื้นฐาน” ของศูนย์ข้อมูล AI
• ผู้ให้บริการคลาวด์และผู้ดำเนินการศูนย์ข้อมูลอย่าง Verda และ Datasection เป็นฝั่งที่ต้องการกำลัง GPU ขนาดใหญ่

GPU คลัสเตอร์ความหนาแน่นสูงกำลังกลายเป็นทรัพยากรสำคัญสำหรับ generative AI การฝึกโมเดลขนาดใหญ่ และระบบ AI อัตโนมัติแบบ agentic ในยุคถัดไป .

อย่างไรก็ตาม รายละเอียดเชิงลึก เช่น สถานที่ตั้งศูนย์ข้อมูล ระยะเวลาการติดตั้งจริง หรือกำลังไฟฟ้าที่ใช้ ยังไม่ได้เปิดเผยมากนัก เนื่องจากข้อมูลส่วนใหญ่ในตอนนี้มาจากประกาศของบริษัทและรายงานข่าวเบื้องต้น.