ช่วงไม่กี่ปีมานี้ การพัฒนา AI เป็นไปอย่างก้าวกระโดด เรามี Model ใหม่กันแทบจะเดือนต่อเดือนเลยทีเดียว นอกจากนักพัฒนา AI จะออกแบบโมเดลสำหรับการทำงานใหม่ ๆ มาแล้ว อีกหนึ่งชิ้นส่วนที่เป็นฟันเฟืองอันสำคัญมาก ๆ ในการขับเคลื่อนการพัฒนาของ AI ก็คือ GPU วันนี้ SUM UP จะมาเล่าให้อ่านกันว่า ทำไมมันถึงเป็นแบบนั้น และตอนนี้ GPU สำหรับการทำงานกับ AI มันพัฒนาไปถึงไหนแล้ว
GPU คืออะไร ?
ก่อนอื่น เราจะต้องมาทำความเข้าใจกันก่อนว่า GPU คืออะไร จริง ๆ มันย่อมาจากคำว่า Graphic Processing Unit หรือถ้าบ้าน ๆ เราเรียกมันว่า การ์ดจอ สำหรับเครื่องคอมพิวเตอร์ตามบ้านทั่วไป เราใช้มันสำหรับเพิ่มช่องเชื่อมต่อออกหน้าจอให้กับเครื่องคอมพิวเตอร์ของเรา ใช้รันเกม และโปรแกรมต่าง ๆ อย่าง โปรแกรมตัดต่อ ซึ่งปัจจุบันมันได้รับการพัฒนาให้มีเทคโนโลยีสนับสนุนหลาย ๆ อย่างเพิ่มเข้าไป เพื่อทำให้ประสบการณ์การใช้งานดีขึ้น
หากเราอ่านชื่อเต็มของ GPU แล้วอาจจะเอ๊ะว่า ทำไมมันคล้าย ๆ กับ CPU หรือ Central Processing Unit เลยล่ะ จริง ๆ แล้วทั้งสองอุปกรณ์นี้ทำหน้าที่เหมือนกันอย่างหนึ่งคือ การประมวลผลตามชื่อของมัน CPU เป็นหน่วยประมวลผลกลาง และ GPU ก็คือหน่วยประมวลผลด้านกราฟิก แต่ในเมื่อมันเป็นหน่วยประมวลผลเหมือนกัน ทำไมเราจะต้องแยกมันด้วยล่ะ ทำไมเราไม่มีแค่ CPU และไม่ต้องมี GPU ก็ได้
หากพูดในเชิงทฤษฎี เราสามารถทำแบบนั้นได้ งานที่เราป้อนให้ GPU ทำ จริง ๆ แล้ว CPU สามารถทำได้ รวมไปถึงการเล่นเกมด้วย ลองไปหาคลิปที่คนเอาเกมในตำนานอย่าง Crysis มารันบน CPU ล้วน ๆ และมันเล่นได้จริง แต่… ผลที่ได้คือ แย่มาก ๆ จนแทบเล่นไม่ได้ ขนาดว่า CPU ที่เขาเอามาทดสอบอยู่ในระดับที่ใช้ในงานได้ระดับ Professional ราคาสูงลิ่วแล้ว แล้ว CPU ที่เราใช้งานตามบ้านที่มีสเปกต่ำกว่าจะไปเหลืออะไร นี่แหละ คือเหตุผลของการที่เราจะต้องมี GPU แยกออกมา
งานทางด้าน Graphic ส่วนใหญ่จะเป็นการคำนวณด้าน Vector ในรูปของ Matrix ใช่แล้ว มันคือ Matrix ที่เราเรียนกันตอนมัธยมปลาย ถ้าเราจำกันได้ การดำเนินการบน Matrix ไม่ได้พึ่งพาผลลัพธ์จากตัวก่อนหน้ามาคำนวณ เช่น เราต้องการหาผลบวกของ Matrix 2 ตัว เราสามารถเอา ตัวเลขในแต่ละตำแหน่งบวกกันแล้วได้ออกมาเป็น Matrix อันใหม่ได้เลย ซึ่งเราสามารถแบ่งงานกันได้เลยว่า นายบวกส่วนนี้นะ เดี๋ยวเราบวกอีกส่วนหนึ่ง ยิ่งมีคนเยอะ ก็ยิ่งช่วยบวกเสร็จเร็วขึ้น ถามว่า เราเอา CPU มาทำได้ไหม คำตอบคือทำได้สบาย ๆ ซึ่งใน CPU ตามบ้านอาจจะมี 16 Core เสมือนว่ามีคน 16 คนมาแบ่งงานช่วย ๆ กันบวก
แต่ GPU มันมาเหนือกว่านั้น คือ แทนที่เราจะเอาคนกล้ามใหญ่ ทำงานเก่ง ทำงานเร็ว ที่มีจำนวนเพียงหยิบมือมาช่วยกันบวก GPU บอกว่า ไม่ ๆๆๆ เราไม่ทำแบบนั้นที่นี่ มันเอาคนตัวเล็ก ๆ คนธรรมดาที่ไม่ต้องเก่งมากเป็นกองทัพมาช่วยกันบวกไปพร้อม ๆ กัน เช่นใน GPU ของบ้านตัวที่โหดสุด ล่าสุด อย่าง Nvidia RTX 5090 ในสเปกบอกว่ามีจำนวน Core มากถึง 21,760 Core ยังไงก็ต้องบวกเสร็จก่อนอีกทีมที่มีแค่ 16 คนแน่นอน
ทำไมเราเอา GPU มาใช้กับ AI ?
ในปัจจุบัน เราจะเห็นว่า พอ AI มันมา ราคา GPU หรือการ์ดจอพุ่งกระฉูด ราคาหุ้นของบริษัทผลิต GPU เจ้าใหญ่อย่าง Nvidia เรียกได้ว่า To the moon ของแทร่ไม่เกินจริง พนักงานบริษัทนั้นที่ได้หุ้นเป็นค่าตอบแทนเรียกว่ารวยกันจัด ๆ เลยทีเดียว
เหตุผลที่มันเป็นแบบนั้น เพราะในการทำงานกับ AI ทั้งหลาย พื้นฐานของมันคือการใช้สิ่งที่เรียกว่า Neural Network ซึ่งเบื้องหลังของการคำนวณทั้งหมดนั้นเราทำให้มันอยู่ในรูปแบบของ Vector หรือ Matrix ขนาดใหญ่มาก ๆ คล้ายกับที่เราเอามาใช้ในการเล่นเกม ซึ่งเราสามารถใช้ GPU ช่วยเร่งความเร็วในการคำนวณได้มหาศาลมาก ๆ เหมือนกับที่เราเอามาเร่งความเร็วในการประมวลผลกราฟิกในเกม เช่น จากเดิมอาจจะใช้เวลาสร้างโมเดล 10 ชั่วโมง แต่พอใช้ GPU แล้วอาจจะเหลือเพียง 1 ชั่วโมงเท่านั้นเอง นั่นทำให้นักพัฒนาและวิศวกร AI ทั้งหลายต่างตามล่า GPU มาเพื่อใช้ในการสร้าง และใช้งานโมเดล AI
GPU สำหรับ AI ต่างจาก GPU บ้านอย่างไร
ช่วงแรก ๆ เมื่อสัก 10 กว่าปีที่แล้วเราก็ใช้งาน GPU ตามบ้านที่ใช้เล่นเกมทั่ว ๆ ไป หรือไม่ก็เป็น GPU สำหรับ Workstation ในการสร้างโมเดล แต่พอ AI ได้รับความนิยมสูงขึ้น และโมเดลมีขนาดใหญ่มากขึ้นเรื่อย ๆ เช่นกลุ่มของ Large Language Model (LLM) ผู้ผลิต GPU เขารับทราบถึงความต้องการแน่นอน จึงมีการผลิต GPU สำหรับการทำงานทางด้าน AI ขึ้นมาโดยเฉพาะ
โดยพื้นฐานมันมีลักษณะสถาปัตยกรรมที่คล้ายกับ GPU สำหรับการใช้งานตามบ้าน แต่มีการเพิ่มส่วนประกอบบางอย่างที่ค่อนข้างจำเป็นกับการทำงานกับโมเดลขนาดใหญ่ ๆ เข้าไป เช่น การใส่ Core พิเศษที่สามารถคำนวณตัวเลขบางประเภทที่โมเดลมักจะใช้ได้เร็วกว่า Core ปกติ และหน่วยความจำตัวที่ใช้สำหรับเล่นเกม อาจจะมีแค่ 24 GB แต่ตัวสำหรับการทำงานกับ AI อาจจะมีได้มากถึงเกือบ 200 GB เลยทีเดียว เช่น Nvidia H200 มีหน่วยความจำในตัวถึง 141 GB ต่อใบเลยทีเดียว
แต่ถ้าเราเอามาทำงานกับโมเดลขนาดใหญ่ ๆ แค่นี้มันไม่พอแน่นอน อาจจะใช้เวลาหลายเดือนถึงหลายปีในการสร้างโมเดลขึ้นมา ทำให้เขายังมีการเอา GPU ขนาดใหญ่พวกนี้มาเชื่อมต่อกันหลักหลายร้อยตัว เพื่อเพิ่มประสิทธิภาพการทำงานให้สูงขึ้นกว่าเดิม พูดง่าย ๆ คือ เขาแทบจะพยายามสร้าง Super Computer ขนาดย่อม ๆ ขึ้นมากันแล้ว เช่น Nvidia เอง เขามีผลิตภัณฑ์อย่าง Nvidia GB300 NVL72 ที่มาเป็นตู้ ภายในตู้มี GPU 72 ใบ และ CPU อีก 2,592 Core ถ้าลองเทียบสเกลกับคอมที่บ้านเราใช้ตอนนี้คือ ห่างกันระดับแบคทีเรียเทียบกับจักรวาลได้เลย นี่แค่ตู้เดียวเท่านั้นนะ เพราะในกลุ่มบริษัทขนาดใหญ่เขาไม่ได้ใช้กันตู้เดียว แต่เขาใช้กันเป็นหลักสิบ หรือใน Data Center ของผู้ให้บริการ Cloud อาจจะมีหลักร้อยตู้อยู่ในนั้นได้เลย
ดังนั้น เราจะเห็นได้ว่านอกจากการพัฒนาวิธีการสร้างโมเดล AI แล้ว อีกหนึ่งฟันเฟืองที่สำคัญไม่แพ้กันสำหรับการพัฒนา AI คือ Hardware หรืออุปกรณ์ที่เราใช้ในการสร้างและทำงานกับมัน ซึ่ง ณ วันนี้ การใช้งาน GPU ยังคงเป็นตัวเลือกที่ดีที่สุดอยู่ และครั้งต่อไปที่เรา Prompt AI เข้าไป มันก็จะต้องไปผ่าน GPU ที่ไหนสักที่บนโลกอย่างแน่นอน
AUTHOR
I believe in technology and sharing, as they enable us with a better world via several clicks. Especially, programming is one of the most powerful tools which inspire people to make their dreams come true. I want to share, publicise and innovate new technology so as to change our world in the way we could hardly imagine.
Graphic Designer
