จากเป้าหมาย 3 เท่า สู่ “20×2030”

AMD ตั้งเป้าว่า ภายในปี 2030 ประสิทธิภาพพลังงานของระบบระดับแร็กสำหรับการเทรนและอินเฟอเรนซ์ AI จะเพิ่มขึ้น 20 เท่าเมื่อเทียบกับปี 2024 บริษัทระบุว่าอัตราความก้าวหน้านี้เร็วกว่าแนวโน้มการเพิ่มประสิทธิภาพของอุตสาหกรรมในช่วงปี 2018–2025 เกือบ 3 เท่า

ตัวอย่างที่ AMD ใช้อธิบายขนาดของเป้าหมายคือ แร็ก AMD ในปี 2030 เพียงประมาณ 2 แร็ก อาจให้ความสามารถในการประมวลผล AI เทียบเท่ากับแร็กที่ใช้ Instinct MI300X ในปี 2024 ถึง 570 แร็ก

หากทำได้ตามสมมติฐานด้านประสิทธิภาพพลังงาน 20 เท่า งานเดียวกันจะใช้ไฟฟ้าลดลงประมาณ 95% หรือเหลือหนึ่งใน 20 ของเดิม แหล่งข่าวบางแห่งระบุสถานการณ์จำลองว่าความเข้มคาร์บอนอาจลดลง 28 เท่า แต่ตัวเลขดังกล่าวควรถือเป็นการประมาณตามสถานการณ์ ไม่ใช่ผลลัพธ์ที่ใช้ได้กับทุกศูนย์ข้อมูล เพราะขึ้นอยู่กับแหล่งผลิตไฟฟ้าและสัดส่วนพลังงานหมุนเวียนของแต่ละพื้นที่ด้วย

ทำไมต้องวัดทั้งแร็ก ไม่ใช่เฉพาะชิป

เป้าหมายเดิมของ AMD ในโครงการ 30x25 วัดประสิทธิภาพในระดับโหนด ซึ่งประกอบด้วย CPU และ GPU โดยบริษัทระบุว่าในช่วงปี 2020–2025 สามารถทำได้ถึง 38 เท่า คิดเป็นการใช้พลังงานลดลง 97% สำหรับประสิทธิภาพงานเท่าเดิม

เป้าหมายใหม่ขยับกรอบการวัดให้ครอบคลุมระบบมากขึ้น ไม่ได้ดูเฉพาะตัวเร่งประมวลผล แต่รวมถึง

• GPU และ CPU
• หน่วยความจำและการเคลื่อนย้ายข้อมูล
• เครือข่ายภายในและระหว่างแร็ก
• ระบบจ่ายไฟและระบายความร้อน
• ซอฟต์แวร์ การจัดตารางงาน และอัตราการใช้ทรัพยากรจริง

การวัดระดับแร็กมีความสำคัญ เพราะตัวเลข FLOPS สูงเพียงอย่างเดียวไม่ได้รับประกันว่าการเทรนหรือการตอบคำขอของโมเดลหนึ่งงานจะใช้พลังงานน้อยลง หากระบบต้องเสียเวลาและพลังงานไปกับการรอข้อมูลหรือการสื่อสารระหว่างชิปมากเกินไป

อะไรอยู่เบื้องหลังประสิทธิภาพที่เพิ่มขึ้น

AMD อธิบายว่าความก้าวหน้าไม่ได้มาจากปัจจัยเดียว แต่เป็นการออกแบบร่วมกันทั้งระบบ ได้แก่

1. สถาปัตยกรรมการประมวลผลที่มีประสิทธิภาพขึ้น และการใช้รูปแบบตัวเลขความแม่นยำต่ำ เช่น FP4 หรือ FP8 ช่วยเพิ่มจำนวนงาน AI ที่ทำได้ต่อพลังงานหนึ่งหน่วย
2. หน่วยความจำ HBM ที่มีความจุและแบนด์วิดท์สูงขึ้น ช่วยลดคอขวดจากการดึงข้อมูล และลดพลังงานที่ต้องใช้ในการเคลื่อนย้ายข้อมูล
3. อินเตอร์คอนเนกต์ความเร็วสูง ทั้งการเชื่อมต่อภายในแร็กและระหว่างแร็ก ช่วยลดเวลาที่ตัวเร่งประมวลผลต้องรอข้อมูล
4. ซอฟต์แวร์และการใช้ฮาร์ดแวร์อย่างเต็มประสิทธิภาพ ผ่านการปรับแต่งเคอร์เนล การจัดตารางงาน การแบ่งงานของโมเดล และการจัดการหน่วยความจำ

ดังนั้น ตัวชี้วัดที่สำคัญจึงไม่ใช่เพียงประสิทธิภาพสูงสุดบนเอกสารสเปก แต่คือจำนวนงานที่ระบบทำสำเร็จต่อหน่วยพลังงานภายใต้การใช้งานจริง

Helios คือชิ้นส่วนสำคัญของแผนนี้

AMD กำลังผลักดัน Helios ในฐานะระบบ AI แบบครบแร็ก แทนที่จะจำหน่ายเฉพาะ GPU หรือชิปเป็นส่วนประกอบแยกกัน ระบบดังกล่าวประกอบด้วย GPU AMD Instinct MI455X จำนวน 72 ตัว, ซีพียู EPYC รุ่น “Venice” และระบบเครือข่าย Pensando

สเปกที่ AMD ระบุสำหรับหนึ่งแร็ก ได้แก่

• ประสิทธิภาพสูงสุด 2.9 exaFLOPS ที่ FP4
• ประสิทธิภาพสูงสุด 1.4 exaFLOPS ที่ FP8
• หน่วยความจำ HBM4 ขนาด 31 TB
• แบนด์วิดท์ scale-up สูงสุด 260 TB/s
• แบนด์วิดท์ scale-out สูงสุด 43 TB/s

AMD ระบุว่า Helios เข้าสู่การผลิตเต็มรูปแบบในเดือนกรกฎาคม 2026 โดยมีกำหนดเริ่มจัดส่งช่วงปลายไตรมาส 3 และเพิ่มปริมาณการส่งมอบในไตรมาสถัดไป หลักฐานที่มีอยู่ยังไม่ได้ยืนยันหมุดหมายการผลิตเฉพาะเจาะจงในปี 2027 ดังนั้นกรอบเวลา “2026–2027” ควรเข้าใจว่าเป็นช่วงการเริ่มใช้งานและขยายกำลังส่งมอบ มากกว่าจะเป็นกำหนดการที่ยืนยันแล้ว

การท้าทาย Nvidia ในระดับระบบ

Helios สะท้อนความพยายามของ AMD ที่จะเข้าแข่งขันกับ Nvidia ในระดับโครงสร้างพื้นฐานทั้งระบบ ไม่ใช่เพียงตลาดชิปเร่งประมวลผล AMD อ้างว่า Helios ให้ประสิทธิภาพ FP4 สูงสุดมากกว่า Nvidia Vera Rubin NVL72 ถึง 15% มีความจุ HBM มากกว่า 50% และมีแบนด์วิดท์ scale-out มากกว่า 50%

ตัวเลขเหล่านี้เป็นการเปรียบเทียบจากผู้ผลิตเอง ไม่ใช่ผลทดสอบอิสระ จึงยังควรพิจารณาร่วมกับชนิดโมเดล ซอฟต์แวร์ การตั้งค่าระบบ และรูปแบบงานที่ใช้วัด

การแข่งขันเกิดขึ้นในช่วงที่ธุรกิจศูนย์ข้อมูลของ AMD ขยายตัวอย่างรวดเร็ว โดยมีรายงานว่ารายได้ธุรกิจศูนย์ข้อมูลไตรมาส 2 ปี 2026 อยู่ที่ประมาณ 6.7 พันล้านดอลลาร์ เพิ่มขึ้น 107% จากปีก่อนหน้า ตัวเลขนี้รวมทั้งธุรกิจ CPU EPYC และ GPU Instinct จึงไม่ควรตีความว่าเป็นรายได้จาก GPU AI เพียงอย่างเดียว

สำหรับประเด็นกลยุทธ์ด้านการจัดหาเงินทุนของ Nvidia และรายได้จากระบบ TPU ของ Google แหล่งข้อมูลที่มีอยู่ยังไม่เพียงพอที่จะสรุปเป็นตัวเลขหรือข้อกล่าวอ้างที่น่าเชื่อถือ จึงควรแยกตรวจสอบจากรายงานข่าวและเอกสารทางการเงินที่จัดทำขึ้นสำหรับประเด็นเหล่านั้นโดยเฉพาะ

จากเป้าหมาย 3 เท่า สู่ “20×2030”

AMD ตั้งเป้าว่า ภายในปี 2030 ประสิทธิภาพพลังงานของระบบระดับแร็กสำหรับการเทรนและอินเฟอเรนซ์ AI จะเพิ่มขึ้น 20 เท่าเมื่อเทียบกับปี 2024 บริษัทระบุว่าอัตราความก้าวหน้านี้เร็วกว่าแนวโน้มการเพิ่มประสิทธิภาพของอุตสาหกรรมในช่วงปี 2018–2025 เกือบ 3 เท่า

ตัวอย่างที่ AMD ใช้อธิบายขนาดของเป้าหมายคือ แร็ก AMD ในปี 2030 เพียงประมาณ 2 แร็ก อาจให้ความสามารถในการประมวลผล AI เทียบเท่ากับแร็กที่ใช้ Instinct MI300X ในปี 2024 ถึง 570 แร็ก

หากทำได้ตามสมมติฐานด้านประสิทธิภาพพลังงาน 20 เท่า งานเดียวกันจะใช้ไฟฟ้าลดลงประมาณ 95% หรือเหลือหนึ่งใน 20 ของเดิม แหล่งข่าวบางแห่งระบุสถานการณ์จำลองว่าความเข้มคาร์บอนอาจลดลง 28 เท่า แต่ตัวเลขดังกล่าวควรถือเป็นการประมาณตามสถานการณ์ ไม่ใช่ผลลัพธ์ที่ใช้ได้กับทุกศูนย์ข้อมูล เพราะขึ้นอยู่กับแหล่งผลิตไฟฟ้าและสัดส่วนพลังงานหมุนเวียนของแต่ละพื้นที่ด้วย

ทำไมต้องวัดทั้งแร็ก ไม่ใช่เฉพาะชิป

เป้าหมายเดิมของ AMD ในโครงการ 30x25 วัดประสิทธิภาพในระดับโหนด ซึ่งประกอบด้วย CPU และ GPU โดยบริษัทระบุว่าในช่วงปี 2020–2025 สามารถทำได้ถึง 38 เท่า คิดเป็นการใช้พลังงานลดลง 97% สำหรับประสิทธิภาพงานเท่าเดิม

เป้าหมายใหม่ขยับกรอบการวัดให้ครอบคลุมระบบมากขึ้น ไม่ได้ดูเฉพาะตัวเร่งประมวลผล แต่รวมถึง

• GPU และ CPU
• หน่วยความจำและการเคลื่อนย้ายข้อมูล
• เครือข่ายภายในและระหว่างแร็ก
• ระบบจ่ายไฟและระบายความร้อน
• ซอฟต์แวร์ การจัดตารางงาน และอัตราการใช้ทรัพยากรจริง

การวัดระดับแร็กมีความสำคัญ เพราะตัวเลข FLOPS สูงเพียงอย่างเดียวไม่ได้รับประกันว่าการเทรนหรือการตอบคำขอของโมเดลหนึ่งงานจะใช้พลังงานน้อยลง หากระบบต้องเสียเวลาและพลังงานไปกับการรอข้อมูลหรือการสื่อสารระหว่างชิปมากเกินไป

อะไรอยู่เบื้องหลังประสิทธิภาพที่เพิ่มขึ้น

AMD อธิบายว่าความก้าวหน้าไม่ได้มาจากปัจจัยเดียว แต่เป็นการออกแบบร่วมกันทั้งระบบ ได้แก่

1. สถาปัตยกรรมการประมวลผลที่มีประสิทธิภาพขึ้น และการใช้รูปแบบตัวเลขความแม่นยำต่ำ เช่น FP4 หรือ FP8 ช่วยเพิ่มจำนวนงาน AI ที่ทำได้ต่อพลังงานหนึ่งหน่วย
2. หน่วยความจำ HBM ที่มีความจุและแบนด์วิดท์สูงขึ้น ช่วยลดคอขวดจากการดึงข้อมูล และลดพลังงานที่ต้องใช้ในการเคลื่อนย้ายข้อมูล
3. อินเตอร์คอนเนกต์ความเร็วสูง ทั้งการเชื่อมต่อภายในแร็กและระหว่างแร็ก ช่วยลดเวลาที่ตัวเร่งประมวลผลต้องรอข้อมูล
4. ซอฟต์แวร์และการใช้ฮาร์ดแวร์อย่างเต็มประสิทธิภาพ ผ่านการปรับแต่งเคอร์เนล การจัดตารางงาน การแบ่งงานของโมเดล และการจัดการหน่วยความจำ

ดังนั้น ตัวชี้วัดที่สำคัญจึงไม่ใช่เพียงประสิทธิภาพสูงสุดบนเอกสารสเปก แต่คือจำนวนงานที่ระบบทำสำเร็จต่อหน่วยพลังงานภายใต้การใช้งานจริง

Helios คือชิ้นส่วนสำคัญของแผนนี้

AMD กำลังผลักดัน Helios ในฐานะระบบ AI แบบครบแร็ก แทนที่จะจำหน่ายเฉพาะ GPU หรือชิปเป็นส่วนประกอบแยกกัน ระบบดังกล่าวประกอบด้วย GPU AMD Instinct MI455X จำนวน 72 ตัว, ซีพียู EPYC รุ่น “Venice” และระบบเครือข่าย Pensando

สเปกที่ AMD ระบุสำหรับหนึ่งแร็ก ได้แก่

• ประสิทธิภาพสูงสุด 2.9 exaFLOPS ที่ FP4
• ประสิทธิภาพสูงสุด 1.4 exaFLOPS ที่ FP8
• หน่วยความจำ HBM4 ขนาด 31 TB
• แบนด์วิดท์ scale-up สูงสุด 260 TB/s
• แบนด์วิดท์ scale-out สูงสุด 43 TB/s

AMD ระบุว่า Helios เข้าสู่การผลิตเต็มรูปแบบในเดือนกรกฎาคม 2026 โดยมีกำหนดเริ่มจัดส่งช่วงปลายไตรมาส 3 และเพิ่มปริมาณการส่งมอบในไตรมาสถัดไป หลักฐานที่มีอยู่ยังไม่ได้ยืนยันหมุดหมายการผลิตเฉพาะเจาะจงในปี 2027 ดังนั้นกรอบเวลา “2026–2027” ควรเข้าใจว่าเป็นช่วงการเริ่มใช้งานและขยายกำลังส่งมอบ มากกว่าจะเป็นกำหนดการที่ยืนยันแล้ว

การท้าทาย Nvidia ในระดับระบบ

Helios สะท้อนความพยายามของ AMD ที่จะเข้าแข่งขันกับ Nvidia ในระดับโครงสร้างพื้นฐานทั้งระบบ ไม่ใช่เพียงตลาดชิปเร่งประมวลผล AMD อ้างว่า Helios ให้ประสิทธิภาพ FP4 สูงสุดมากกว่า Nvidia Vera Rubin NVL72 ถึง 15% มีความจุ HBM มากกว่า 50% และมีแบนด์วิดท์ scale-out มากกว่า 50%

ตัวเลขเหล่านี้เป็นการเปรียบเทียบจากผู้ผลิตเอง ไม่ใช่ผลทดสอบอิสระ จึงยังควรพิจารณาร่วมกับชนิดโมเดล ซอฟต์แวร์ การตั้งค่าระบบ และรูปแบบงานที่ใช้วัด

การแข่งขันเกิดขึ้นในช่วงที่ธุรกิจศูนย์ข้อมูลของ AMD ขยายตัวอย่างรวดเร็ว โดยมีรายงานว่ารายได้ธุรกิจศูนย์ข้อมูลไตรมาส 2 ปี 2026 อยู่ที่ประมาณ 6.7 พันล้านดอลลาร์ เพิ่มขึ้น 107% จากปีก่อนหน้า ตัวเลขนี้รวมทั้งธุรกิจ CPU EPYC และ GPU Instinct จึงไม่ควรตีความว่าเป็นรายได้จาก GPU AI เพียงอย่างเดียว

สำหรับประเด็นกลยุทธ์ด้านการจัดหาเงินทุนของ Nvidia และรายได้จากระบบ TPU ของ Google แหล่งข้อมูลที่มีอยู่ยังไม่เพียงพอที่จะสรุปเป็นตัวเลขหรือข้อกล่าวอ้างที่น่าเชื่อถือ จึงควรแยกตรวจสอบจากรายงานข่าวและเอกสารทางการเงินที่จัดทำขึ้นสำหรับประเด็นเหล่านั้นโดยเฉพาะ