ทุกวันนี้ไม่ว่าจะเป็น ChatGPT, AI สร้างภาพ, AI ตัดต่อวิดีโอ, ระบบจดจำใบหน้า หรือ AI ที่ช่วยวิเคราะห์ข้อมูลมหาศาล เรามักจะได้ยินคำหนึ่งอยู่เสมอว่า

“ถ้าจะรัน AI ให้แรง ต้องมี GPU”

คำถามคือ ทำไมต้องเป็นการ์ดจอ?

ในเมื่อคอมพิวเตอร์ทุกเครื่องก็มี CPU ซึ่งเป็นเหมือน “สมองหลัก” ของเครื่องอยู่แล้ว ทำไมเราไม่ใช้ CPU ประมวลผล AI ไปเลย และเหตุใดการ์ดจอที่เดิมถูกสร้างมาเพื่อเล่นเกม กลับกลายเป็นหัวใจสำคัญของโลก AI?

คำตอบอยู่ที่ธรรมชาติของการคำนวณ AI ซึ่งแตกต่างจากงานคอมพิวเตอร์ทั่วไปอย่างมาก

CPU กับ GPU ต่างกันอย่างไร?

ถ้าเปรียบคอมพิวเตอร์เป็นบริษัทหนึ่งแห่ง

CPU เปรียบเหมือนผู้บริหารระดับสูงที่เก่งมาก สามารถแก้ปัญหาซับซ้อน ทำงานหลายรูปแบบ ตัดสินใจตามเงื่อนไข และสลับไปมาระหว่างงานต่าง ๆ ได้อย่างรวดเร็ว

แต่จำนวน “คนเก่ง” ใน CPU มีไม่มากนัก

ในขณะที่ GPU เปรียบเหมือนโรงงานที่มีพนักงานจำนวนมหาศาล แต่ละคนอาจไม่ได้เก่งและยืดหยุ่นเท่า CPU แต่สามารถทำงานแบบเดียวกันพร้อม ๆ กันเป็นจำนวนมากได้

และนี่คือสิ่งที่ AI ต้องการพอดี

AI ไม่ได้ต้องการเพียงหน่วยประมวลผลที่ฉลาดมากเพียงไม่กี่ตัว แต่ต้องการหน่วยประมวลผลจำนวนมากที่สามารถทำโจทย์คณิตศาสตร์คล้าย ๆ กันพร้อมกันเป็นพันหรือเป็นหมื่นงาน

เบื้องหลัง AI คือคณิตศาสตร์จำนวนมหาศาล

เวลาคุณพิมพ์ข้อความถาม AI ว่า

“ช่วยเขียนบทความเกี่ยวกับคอมพิวเตอร์ให้หน่อย”

สำหรับมนุษย์ นี่คือประโยคธรรมดา ๆ

แต่ในมุมของโมเดล AI ข้อความเหล่านี้จะถูกแปลงเป็นตัวเลข และตัวเลขจำนวนมหาศาลจะต้องผ่านการคำนวณในโครงข่ายประสาทเทียม หรือ Neural Network

สิ่งที่เกิดขึ้นเบื้องหลังเต็มไปด้วยการคำนวณ เช่น

การบวกและคูณตัวเลขจำนวนมาก
Matrix Multiplication
Vector Operations
Tensor Operations
การคำนวณค่าความน่าจะเป็น
การส่งข้อมูลผ่าน Neural Network หลายสิบหรือหลายร้อย Layer

โมเดล AI ขนาดใหญ่อาจมี Parameter ตั้งแต่หลายพันล้านไปจนถึงระดับหลายแสนล้านค่า

ดังนั้น เมื่อ AI ต้องสร้างคำตอบหนึ่งคำ ระบบอาจต้องคำนวณตัวเลขจำนวนมหาศาลก่อนที่จะรู้ว่าคำต่อไปควรเป็นอะไร

จุดแข็งของ GPU คือ “ทำพร้อมกันเยอะมาก”

CPU มี Core จำนวนไม่มากเมื่อเทียบกับ GPU

CPU สำหรับคอมพิวเตอร์ทั่วไปอาจมีตั้งแต่หลักหน่วยไปจนถึงหลักสิบ Core ขณะที่ GPU สมัยใหม่สามารถมีหน่วยประมวลผลย่อยจำนวนมหาศาล

นี่ทำให้ GPU สามารถแบ่งงานคำนวณขนาดใหญ่ออกเป็นงานเล็ก ๆ และประมวลผลพร้อมกันได้

แนวคิดนี้เรียกว่า

Parallel Processing

หรือการประมวลผลแบบขนาน

ลองจินตนาการว่ามีโจทย์คณิตศาสตร์ 10,000 ข้อ

ถ้าให้คนเก่ง 10 คนช่วยกันทำ ก็ต้องแบ่งกันคนละหลายร้อยหรือหลายพันข้อ

แต่ถ้าเรามีพนักงาน 5,000 คน ทุกคนสามารถช่วยกันทำโจทย์ในเวลาเดียวกันได้

งานก็เสร็จเร็วขึ้นอย่างมหาศาล

นี่คือเหตุผลหลักว่าทำไม GPU จึงเหมาะกับ AI

ทำไม GPU ถึงเก่งเรื่อง Matrix?

หัวใจของ Deep Learning คือสิ่งที่เรียกว่า Matrix Multiplication

ตัวอย่างง่าย ๆ ของ Matrix อาจมีหน้าตาแบบนี้

[1 2 3]
[4 5 6]
[7 8 9]

แต่ใน AI จริง Matrix อาจมีขนาดมหาศาล

เช่น

4,096 × 4,096

หรือใหญ่กว่านั้นมาก

และไม่ได้คำนวณเพียงครั้งเดียว แต่ต้องคำนวณซ้ำไปซ้ำมาผ่าน Neural Network จำนวนมาก

GPU ถูกออกแบบให้ทำการคำนวณตัวเลขลักษณะนี้พร้อมกันจำนวนมาก จึงมีประสิทธิภาพสูงกว่า CPU อย่างชัดเจนในงานประเภท Machine Learning และ Deep Learning

แล้วทำไมการ์ดจอถึงถูกออกแบบมาทำแบบนี้ตั้งแต่แรก?

ที่น่าสนใจคือ GPU ไม่ได้ถูกสร้างขึ้นมาเพื่อ AI ตั้งแต่แรก

มันถูกพัฒนาขึ้นเพื่อ ประมวลผลกราฟิก

เวลาเล่นเกม 3D การ์ดจอต้องคำนวณ Pixel จำนวนหลายล้าน Pixel พร้อมกัน เช่น

สีของ Pixel
แสง
เงา
Texture
Reflection
ตำแหน่งวัตถุ
Polygon
Animation

หน้าจอ 4K มี Pixel มากกว่า 8 ล้าน Pixel และเกมอาจต้องสร้างภาพใหม่ 60, 120 หรือมากกว่า 200 ครั้งต่อวินาที

ดังนั้น GPU จึงถูกออกแบบมาตั้งแต่ต้นให้สามารถคำนวณข้อมูลจำนวนมากพร้อมกัน

นักวิจัยจึงค้นพบในเวลาต่อมาว่า

สถาปัตยกรรมแบบเดียวกับที่ใช้คำนวณภาพ 3D เหมาะอย่างมากกับการคำนวณ Neural Network

จากการ์ดสำหรับเล่นเกม GPU จึงกลายมาเป็นเครื่องจักรสำคัญของยุค AI

Training กับ Inference ใช้ GPU ต่างกันอย่างไร?

เมื่อพูดถึง AI เราควรแยกออกเป็นสองกระบวนการใหญ่

1. AI Training — การฝึก AI

Training คือช่วงที่ AI กำลังเรียนรู้

ระบบอาจได้รับข้อมูลเป็น

ข้อความ
รูปภาพ
เสียง
วิดีโอ
Code
หรือข้อมูลประเภทอื่น

จากนั้นโมเดลจะค่อย ๆ ปรับค่าภายใน Neural Network เพื่อให้สามารถคาดเดาคำตอบได้แม่นยำขึ้น

กระบวนการนี้ต้องมีทั้ง

Forward Pass → คำนวณผลลัพธ์

และ

Backward Pass → ปรับค่า Weight ของโมเดล

Training จึงเป็นงานที่ใช้พลังประมวลผลสูงมาก

โมเดลขนาดใหญ่อาจไม่ได้ใช้ GPU เพียงใบเดียว แต่อาจใช้ GPU จำนวนหลายร้อยหรือหลายพันตัวทำงานร่วมกัน

2. AI Inference — การนำ AI ที่ฝึกแล้วมาใช้งาน

เมื่อโมเดลได้รับการ Training เสร็จแล้ว ขั้นตอนที่เราเรียก AI มาใช้งานจริงเรียกว่า

Inference

ตัวอย่างเช่น

คุณพิมพ์คำถามให้ Chatbot
AI สร้างรูปภาพ
AI สรุปเอกสาร
AI แปลภาษา
AI วิเคราะห์ภาพจากกล้อง

ทั้งหมดนี้คือ Inference

Inference ใช้พลังประมวลผลน้อยกว่า Training มาก แต่สำหรับโมเดลขนาดใหญ่ก็ยังต้องใช้การคำนวณจำนวนมหาศาล

GPU จึงยังช่วยให้ AI สามารถตอบกลับได้เร็วขึ้น

VRAM สำคัญกับ AI ไม่แพ้ความแรงของ GPU

เวลาซื้อการ์ดจอเพื่อเล่นเกม หลายคนอาจดูว่า GPU รุ่นไหนแรงกว่า

แต่สำหรับ AI อีกสิ่งหนึ่งที่สำคัญมากคือ

VRAM

หรือ Video Memory

เพราะโมเดล AI จำเป็นต้องถูกโหลดเข้าไปอยู่ใน Memory ของ GPU ก่อนจึงจะสามารถคำนวณได้อย่างรวดเร็ว

ยิ่งโมเดลใหญ่ ยิ่งต้องใช้ VRAM มาก

ตัวอย่างเช่น AI สำหรับ

สร้างภาพ
Large Language Model
Video Generation
Fine-tuning
Training

มักต้องการ VRAM มากกว่างานคอมพิวเตอร์ทั่วไปอย่างชัดเจน

ถ้า VRAM ไม่เพียงพอ ระบบอาจต้องโยกข้อมูลบางส่วนไปเก็บใน RAM ของเครื่อง

และเนื่องจาก RAM อยู่ไกลจาก GPU และมีข้อจำกัดด้าน Bandwidth การประมวลผลก็อาจช้าลงอย่างเห็นได้ชัด

ดังนั้นในโลก AI

GPU แรงอย่างเดียวอาจไม่พอ ต้องมี VRAM เพียงพอกับโมเดลด้วย

Memory Bandwidth อีกหนึ่งตัวเลขที่คนเล่น AI ควรรู้

นอกจาก VRAM แล้ว สิ่งที่สำคัญคือ

Memory Bandwidth

เพราะ GPU ต้องอ่าน Weight และข้อมูลจำนวนมหาศาลจากหน่วยความจำอยู่ตลอดเวลา

ถ้าคุณมี GPU ที่คำนวณเร็วมาก แต่ส่งข้อมูลเข้า GPU ได้ไม่ทัน ก็เหมือนมีโรงงานขนาดใหญ่ แต่มีถนนเข้ามาในโรงงานแค่เลนเดียว

เครื่องจักรก็ต้องยืนรอวัตถุดิบ

GPU สำหรับ Data Center และ AI ระดับสูงจึงให้ความสำคัญกับ Memory Bandwidth อย่างมาก

Tensor Core คืออะไร?

GPU รุ่นใหม่บางตระกูลมีหน่วยประมวลผลที่ออกแบบมาเพื่อช่วยงาน AI โดยเฉพาะ

หนึ่งในเทคโนโลยีที่คนทำ AI มักได้ยินคือ

Tensor Core

Tensor Core ถูกออกแบบมาให้ช่วยคำนวณ Matrix และ Tensor ซึ่งเป็นหัวใจของ Deep Learning ได้อย่างมีประสิทธิภาพมากขึ้น

จึงช่วยเร่งงานอย่าง

AI Training
AI Inference
Large Language Model
Generative AI
Computer Vision
Image Generation

ได้อย่างมากเมื่อ Software รองรับ

แล้ว CPU รัน AI ได้ไหม?

คำตอบคือ

ได้

AI ไม่ได้มีกฎว่าต้องใช้ GPU เท่านั้น

โมเดลบางประเภทสามารถรันบน CPU ได้ดี โดยเฉพาะ

โมเดลขนาดเล็ก
งาน Machine Learning แบบดั้งเดิม
งานที่ไม่ได้ต้องตอบแบบ Real-time
ระบบที่ต้องการประหยัดพลังงาน
Edge Device บางประเภท

แม้แต่ Large Language Model บางตัวก็สามารถรันด้วย CPU ได้หากมี RAM เพียงพอ

ปัญหาคือ

“รันได้” กับ “รันได้เร็ว” เป็นคนละเรื่องกัน

โมเดลที่ GPU สามารถประมวลผลได้อย่างลื่นไหล อาจใช้เวลานานกว่ามากเมื่อใช้ CPU เพียงอย่างเดียว

โดยเฉพาะเมื่องานต้องทำ Matrix Multiplication จำนวนมาก

CPU ไม่ได้หมดความสำคัญเมื่อใช้ AI

แม้ GPU จะเป็นพระเอกของการคำนวณ AI แต่ไม่ได้หมายความว่า CPU ไม่สำคัญ

CPU ยังคงทำหน้าที่หลายอย่าง เช่น

ควบคุมระบบปฏิบัติการ
เตรียมข้อมูลก่อนส่งให้ GPU
จัดการ Storage
จัดการ Network
รัน Application
Tokenization
Data Loading
ควบคุม Workflow
ติดต่อ Database
ประสานงาน GPU หลายตัว

ดังนั้นระบบ AI ที่ดีต้องมีความสมดุลระหว่าง

CPU + GPU + RAM + VRAM + Storage + Network

ไม่ใช่ใส่ GPU แรงที่สุดแล้วทุกอย่างจะเร็วโดยอัตโนมัติ

ทำไม Data Center สำหรับ AI ถึงต้องใช้ GPU จำนวนมหาศาล?

โมเดล AI ยิ่งใหญ่ การคำนวณก็ยิ่งมหาศาล

เมื่อ GPU ตัวเดียวไม่สามารถทำงานทั้งหมดได้ ระบบจะกระจายโมเดลและข้อมูลออกไปยัง GPU หลายตัว

เช่น

GPU ตัวที่ 1 คำนวณส่วนหนึ่ง
GPU ตัวที่ 2 คำนวณอีกส่วน
GPU ตัวที่ 3 ประมวลผลอีกชุดหนึ่ง

จากนั้นทุก GPU ต้องส่งข้อมูลหากันอย่างรวดเร็ว

นี่คือเหตุผลที่ Server สำหรับ AI ไม่ได้ต้องการเพียง GPU แรง แต่ต้องการระบบเชื่อมต่อความเร็วสูงระหว่าง GPU รวมถึง Network และ Storage ที่รวดเร็วมากด้วย

AI Data Center จึงเป็นหนึ่งในระบบคอมพิวเตอร์ที่ซับซ้อนและใช้ทรัพยากรสูงที่สุดในปัจจุบัน

แล้ว NPU คืออะไร? จะมาแทน GPU หรือไม่?

ทุกวันนี้นอกจาก CPU และ GPU เรายังเริ่มได้ยินคำว่า

NPU – Neural Processing Unit

NPU เป็นหน่วยประมวลผลที่ออกแบบมาสำหรับงาน AI โดยเฉพาะ

ข้อดีคือสามารถทำงาน AI บางประเภทได้โดยใช้พลังงานต่ำกว่า GPU

จึงเหมาะกับอุปกรณ์อย่าง

Notebook
Smartphone
Tablet
Edge Device
AI PC

ตัวอย่างงานที่เหมาะกับ NPU คือ

ลบเสียงรบกวน
เบลอ Background
ตรวจจับใบหน้า
แปลภาษา
AI Assistant บางส่วน
Computer Vision

แต่ GPU ยังมีข้อได้เปรียบเรื่องความยืดหยุ่นและกำลังประมวลผลสำหรับโมเดลขนาดใหญ่

ในอนาคตจึงมีแนวโน้มว่าเครื่องคอมพิวเตอร์จะไม่ได้เลือกเพียงอย่างใดอย่างหนึ่ง แต่จะใช้

CPU + GPU + NPU

ร่วมกัน โดยส่งงานแต่ละประเภทไปยัง Hardware ที่เหมาะสมที่สุด

ถ้าจะประกอบคอมสำหรับ AI ควรดูอะไรบ้าง?

หลายคนเริ่มต้นด้วยคำถามว่า

“ซื้อการ์ดจอรุ่นไหนดี?”

แต่จริง ๆ ควรดูอย่างน้อย 5 เรื่อง

1. GPU Compute Performance

ยิ่งประมวลผล Matrix และ Tensor ได้เร็ว งาน AI ก็ยิ่งเร็ว

2. VRAM

สำคัญมากหากต้องการรันโมเดลขนาดใหญ่หรือสร้างภาพความละเอียดสูง

3. Memory Bandwidth

ช่วยให้ GPU ดึงข้อมูลมาคำนวณได้รวดเร็วขึ้น

4. Software Ecosystem

การ์ดที่แรงแต่ Software หรือ Framework ที่คุณใช้งานรองรับไม่ดี ก็อาจสร้างปัญหาได้

5. Power และ Cooling

GPU สำหรับ AI สามารถทำงานเต็ม Load ต่อเนื่องเป็นเวลานาน ต่างจากการใช้งานทั่วไป ดังนั้น Power Supply และระบบระบายความร้อนต้องได้รับการออกแบบให้เหมาะสมด้วย

GPU สำหรับเล่นเกม ใช้ทำ AI ได้หรือไม่?

ได้ และนี่คือเหตุผลที่คนจำนวนมากเริ่มทดลอง AI ด้วย Gaming GPU

งานอย่าง

Stable Diffusion
Large Language Model แบบ Local
AI Upscaling
Object Detection
Computer Vision
Fine-tuning โมเดลขนาดไม่ใหญ่มาก

สามารถใช้งานบนการ์ดจอ Consumer ได้

แต่เมื่อระบบใหญ่ขึ้น องค์กรอาจเปลี่ยนไปใช้ GPU สำหรับ Workstation หรือ Data Center เนื่องจากต้องการ

VRAM มากกว่า
เสถียรภาพสูงกว่า
การทำงานหลาย GPU
Memory Bandwidth สูง
ระบบจัดการระดับ Enterprise

ตัวอย่างง่าย ๆ ว่าทำไม GPU ถึงเหมาะกับ AI

สมมติ AI ต้องคำนวณตัวเลขหนึ่งล้านชุด

CPU อาจพูดว่า

“ส่งมา เดี๋ยวฉันค่อย ๆ ทำให้ทีละชุดอย่างมีประสิทธิภาพ”

GPU จะพูดว่า

“ส่งมาพร้อมกันเลย แบ่งกันทำ!”

นี่คือความแตกต่างเชิงแนวคิดที่สำคัญที่สุด

CPU เก่งด้าน

งานซับซ้อนและลำดับการตัดสินใจ

GPU เก่งด้าน

งานคำนวณมหาศาลที่สามารถทำพร้อมกันได้

และ Deep Learning เต็มไปด้วยงานประเภทหลัง

สรุป: ทำไม AI ถึงต้องใช้ GPU?

เหตุผลไม่ได้อยู่ที่ว่า CPU “ไม่แรง”

แต่เป็นเพราะ CPU กับ GPU ถูกออกแบบมาคนละแนวทาง

CPU มี Core จำนวนน้อยแต่แต่ละ Core มีความสามารถสูง เหมาะกับการประมวลผลทั่วไปและงานที่มีเงื่อนไขซับซ้อน

GPU มีหน่วยประมวลผลจำนวนมากและเก่งด้านการคำนวณแบบ Parallel จึงเหมาะอย่างมากกับ Matrix, Vector และ Tensor ซึ่งเป็นหัวใจของ Neural Network

นี่จึงเป็นเหตุผลที่เมื่อโลกเข้าสู่ยุค

Generative AI, Large Language Model, AI Image, AI Video และ Deep Learning

GPU ซึ่งครั้งหนึ่งถูกมองว่าเป็นเพียง “การ์ดสำหรับเล่นเกม” กลับกลายเป็นหนึ่งใน Hardware ที่สำคัญที่สุดของอุตสาหกรรมเทคโนโลยี

และในอนาคต ความแรงของระบบ AI อาจไม่ได้ถูกวัดเพียงว่า CPU เร็วแค่ไหนอีกต่อไป

แต่จะวัดจากความสามารถของทั้งระบบว่า

สามารถเคลื่อนย้ายข้อมูล คำนวณ Tensor และประมวลผล AI จำนวนมหาศาลได้เร็วเพียงใด

เพราะเบื้องหลัง AI ที่ดูเหมือนกำลัง “คิด” อยู่ตรงหน้าเรา

แท้จริงแล้วคือเครื่องจักรที่กำลังคำนวณตัวเลขนับไม่ถ้วนด้วยความเร็วระดับมหาศาลอยู่ตลอดเวลา

ทำไมการรัน AI ถึงต้องใช้การ์ดจอ GPU เบื้องหลังความแรงที่ CPU ทั่วไปทำแทนไม่ได้