เราจะตรวจสอบ Data Center ได้อย่างไรว่าใครคือผู้ใช้ Server/CPU/GPU ที่แท้จริงในประเทศไทย?

การลงทุน Data Center และ AI Infrastructure กำลังขยายตัวอย่างรวดเร็วในประเทศไทย ทั้ง Hyperscale Cloud, Colocation และ AI Data Center ที่ติดตั้ง GPU จำนวนมาก หลายโครงการใช้กำลังไฟฟ้าระดับหลายสิบถึงหลายร้อยเมกะวัตต์ พร้อมได้รับสิทธิประโยชน์จากภาครัฐและใช้ทรัพยากรโครงสร้างพื้นฐานของประเทศ

แต่มีคำถามเชิงนโยบายที่สำคัญมากขึ้นเรื่อย ๆ ว่า

แม้ Server, CPU และ GPU จะตั้งอยู่ในประเทศไทย แต่ใครคือผู้ใช้ Compute เหล่านั้นจริง ๆ และผู้ใช้เหล่านั้นอยู่ที่ไหน?

คำถามนี้มีความสำคัญ เพราะการที่ Data Center ตั้งอยู่ในประเทศไทย ไม่ได้หมายความโดยอัตโนมัติว่า Compute Capacity ทั้งหมดถูกใช้เพื่อสร้างประโยชน์ให้แก่ผู้ประกอบการหรือผู้บริโภคในประเทศไทย

ในยุค Cloud Computing ผู้ใช้งานสามารถอยู่คนละประเทศกับ Server ได้อย่างสมบูรณ์

บริษัทในสหรัฐฯ อาจเช่า GPU ที่ติดตั้งอยู่ในไทย นักพัฒนาในสิงคโปร์อาจสั่ง AI Training Job มาประมวลผลที่ประเทศไทย ขณะที่ผู้ใช้ปลายทางของบริการอาจอยู่ในยุโรป

ดังนั้น หากประเทศไทยต้องการทราบว่า Data Center ที่ใช้ไฟฟ้า น้ำ ที่ดิน และโครงสร้างพื้นฐานของประเทศกำลังสร้างมูลค่าให้เศรษฐกิจไทยมากน้อยเพียงใด การดูเพียงว่า “เครื่องตั้งอยู่ที่ไหน” จึงไม่เพียงพออีกต่อไป

“ผู้ใช้ที่แท้จริง” มีอย่างน้อย 4 ชั้น

ก่อนจะตรวจสอบ จำเป็นต้องแยกความหมายของคำว่า “ผู้ใช้” ออกเป็นอย่างน้อย 4 ระดับ

ระดับแรกคือ Physical Location หรือที่ตั้งทางกายภาพของเครื่อง เช่น Server หรือ GPU ตั้งอยู่ใน Data Center กรุงเทพฯ ชลบุรี หรือระยอง ซึ่งสามารถตรวจสอบได้จาก Asset Register, Serial Number, Rack Location และระบบ Hardware Attestation

ระดับที่สองคือ Tenant หรือผู้เช่าทรัพยากร ตัวอย่างเช่น บริษัทต่างชาติเปิด Cloud Account และเช่า GPU Cluster ในประเทศไทย สามารถตรวจสอบได้จาก KYC/KYB สัญญา Billing Account และ Tax ID

ระดับที่สามคือ Compute Originator หรือผู้สั่งงานประมวลผล เช่น นักพัฒนาที่อยู่ในสิงคโปร์ Login เข้ามาสั่ง GPU Training Job ที่ประเทศไทย หลักฐานอาจมาจาก IAM Log, API Log, Source IP, ASN, VPN หรือ Dedicated Network

และระดับสุดท้ายคือ End User หรือผู้ใช้บริการปลายทาง เช่น ผู้ใช้งาน Generative AI Application ที่อยู่ในสหรัฐฯ หรือยุโรป ซึ่งอาจต้องพิจารณาจาก Application Log, CDN Log, Access Log หรือข้อมูลที่ผู้เช่าเป็นผู้รวบรวม

ทั้ง 4 กลุ่มนี้สามารถอยู่คนละประเทศกันทั้งหมด

นี่คือเหตุผลที่คำถามว่า “ใครใช้ Data Center ไทย?” ไม่สามารถตอบด้วย IP Address เพียงตัวเดียว

Data Center เองอาจไม่รู้ว่า End User คือใคร

Data Center แบบ Colocation มักทราบเพียงว่า บริษัทใดเช่า Rack จำนวนเท่าใด ใช้ไฟฟ้ากี่กิโลวัตต์ และเชื่อมต่อ Network อย่างไร

แต่ Data Center Operator อาจไม่สามารถเห็นได้ว่า Application ภายใน Server กำลังให้บริการใคร เพราะ Traffic อาจถูกเข้ารหัส และระบบ Application ทั้งหมดเป็นของ Tenant

แม้แต่ Hyperscale Cloud ก็มีโครงสร้างแยกหน้าที่หลายชั้น

ดังนั้น หากประเทศไทยต้องการตรวจสอบเรื่องนี้อย่างจริงจัง จำเป็นต้องสร้างระบบที่ผมเสนอเรียกว่า

“Compute Resource Traceability”

คือระบบตรวจสอบย้อนกลับว่า Compute Capacity ถูกถือครองโดยใคร ใครเป็นผู้เรียกใช้ ถูกใช้มากน้อยเพียงใด และกำลังสร้างบริการให้แก่ตลาดใด

โดยไม่จำเป็นต้องเปิดดูเนื้อหาของข้อมูลหรือ AI Prompt ของผู้ใช้งาน

1. ต้องรู้ก่อนว่าใครเป็นเจ้าของหรือผู้เช่า Compute

ชั้นแรกคือการตรวจสอบ Tenant

ผู้ให้บริการ Cloud, GPU-as-a-Service หรือ Data Center ควรมีข้อมูล KYC/KYB ของลูกค้าในระดับนิติบุคคล ได้แก่ ชื่อนิติบุคคล ประเทศที่จดทะเบียน ที่อยู่สำนักงานใหญ่ เลขประจำตัวผู้เสียภาษี บริษัทแม่ บริษัทในเครือ และ Reseller

ควรทราบประเทศของ Billing Account และแหล่งชำระเงิน รวมถึงประเภทของการใช้ Compute เช่น AI Training, AI Inference, Cloud Service, Scientific Computing หรือบริการอื่น

ข้อมูลนี้สามารถตอบได้ว่า

“ใครเป็นผู้ซื้อ Compute?”

แต่ยังตอบไม่ได้ว่า Compute เหล่านั้นถูกนำไปให้บริการประชาชนหรือธุรกิจในประเทศใด

2. ต้องติดตามว่าใครเป็นผู้สั่ง CPU/GPU ทำงาน

ขั้นถัดไปคือ Workload Traceability

Cloud และ GPU Operator สามารถเชื่อมข้อมูลในลักษณะ

Tenant ID → User/Service Account → Workload ID → CPU/GPU ID → เวลาเริ่ม–สิ้นสุด → GPU-hours/CPU-hours → Source Network

ข้อมูลสำคัญประกอบด้วย IAM และ Authentication Log, API Call, Job Scheduler Log, Source IP, ASN, VPN, Private Link และ Dedicated Circuit

รวมถึง Region ที่สร้าง Virtual Machine หรือ GPU Cluster และจำนวน GPU-hours หรือ CPU-hours ที่ Tenant แต่ละรายใช้งาน

ข้อมูลเหล่านี้ช่วยตอบคำถามว่า

“Compute ถูกเรียกใช้โดยใคร และคำสั่งมาจากเครือข่ายหรือประเทศใด?”

ได้ดีกว่าการดู Network Traffic เพียงอย่างเดียว

3. ถ้าต้องการรู้ End User ต้องดูถึงระดับ Application

ส่วนที่ยากที่สุดคือการหาว่า ผู้ใช้ปลายทางจริงอยู่ประเทศใด

กรณี SaaS, Generative AI, Streaming หรือ AI API ตัว Data Center Operator มักมองไม่เห็น End User

ดังนั้น Tenant หรือ Cloud Service Provider ควรรายงานข้อมูลในรูปแบบ Aggregate โดยไม่ต้องส่งข้อมูลส่วนบุคคลให้รัฐ

ตัวอย่างข้อมูลที่สามารถรายงานได้ ได้แก่ ประเทศของผู้ใช้งานจาก Application Access Log ประเทศของ API Consumer จำนวน Inference Request หรือ Token แยกตามประเทศ Compute-hours ที่จัดสรรให้ตลาดแต่ละประเทศ ปริมาณ Network Egress และรายได้จากลูกค้าไทยเทียบกับต่างประเทศ

ตัวอย่างเช่น ในไตรมาสหนึ่ง GPU Cluster แห่งหนึ่งอาจมีการใช้งานดังนี้

ประเทศผู้ใช้ GPU-hours CPU-hours Inference Requests Egress Data

ไทย 120,000 480,000 75 ล้านครั้ง 320 TB

สิงคโปร์ 80,000 210,000 42 ล้านครั้ง 190 TB

สหรัฐฯ 240,000 500,000 130 ล้านครั้ง 610 TB

ข้อมูลลักษณะนี้มีประโยชน์ต่อนโยบายมากกว่าการถามเพียงว่า Data Center มี Server กี่เครื่อง

4. ต้องกระทบยอด “ข้อมูลดิจิทัล” กับ “โลกกายภาพ”

หากให้ผู้ประกอบการรายงานเองอย่างเดียว ระบบก็มีช่องโหว่

จึงต้องนำข้อมูล Compute ไปกระทบยอดกับข้อมูลทางกายภาพ

เช่น จำนวน Server, CPU และ GPU จริง Serial Number และ Rack Location พลังงานไฟฟ้าจาก PDU หรือ Rack Meter GPU Utilization จากระบบ Cluster จำนวน GPU-hours ที่เรียกเก็บเงิน Network Ingress/Egress และไฟฟ้าที่ระบบจำหน่ายให้กับ Data Center

หลักการคือ หาก Data Center รายงานว่ามี Compute Usage จำนวนมหาศาล ก็ต้องมี Consumption และ Metering ที่สอดคล้องกัน

หรือหากรายงานว่ามีผู้ใช้ในประเทศไทยเป็นสัดส่วนสูง แต่ Billing Account, API Origin, Network Egress และรายได้เกือบทั้งหมดเกิดจากต่างประเทศ ก็ต้องตั้งคำถามว่ากิจกรรมดังกล่าวควรถูกจัดเป็น Domestic-serving Compute หรือ Foreign-serving Compute

5. ต้องมี Independent Auditor

ระบบที่น่าเชื่อถือไม่ควรพึ่ง Self-declaration เพียงอย่างเดียว

ผมเสนอการตรวจสอบ 3 ระดับ

ระดับแรก ผู้ประกอบการรายงานข้อมูล Aggregate รายไตรมาสต่อหน่วยงานกำกับ โดยไม่เปิดเผยข้อมูลส่วนบุคคล

ระดับที่สอง มี Independent Auditor ตรวจตัวอย่าง Tenant, Workload และ Compute Metering อย่างน้อยปีละครั้ง

ระดับที่สาม หน่วยงานรัฐเข้าถึงข้อมูลรายละเอียดได้เฉพาะกรณีมีเหตุอันควรและมีฐานอำนาจตามกฎหมาย

ส่วน Audit Log ควรออกแบบให้แก้ไขย้อนหลังได้ยาก เช่นใช้ Digitally Signed Log, Immutable Storage, Trusted Timestamp หรือ Hash-chain เพื่อป้องกันการแก้ข้อมูลหลังเกิดเหตุ

อย่านับ “จำนวนผู้ใช้” ต้องนับ Compute จริง

การวัดว่ามีผู้ใช้ไทยกี่คนอาจไม่สะท้อนการใช้ทรัพยากรเลย

AI Training Project เพียงโครงการเดียวอาจใช้ GPU และไฟฟ้ามากกว่าผู้ใช้ Application ทั่วไปหลายล้านคน

ดังนั้น ตัวชี้วัดควรอิงทรัพยากรจริง เช่น GPU-hours, CPU-hours หรือ Accelerator-hours

ประเทศไทยอาจกำหนดตัวชี้วัดอย่างน้อย 4 ตัว คือ

Thai-owned Tenant Ratio

สัดส่วน Compute ที่ถือครองหรือเช่าโดยนิติบุคคลไทย

Thai-originated Compute Ratio

สัดส่วน Compute ที่คำสั่งประมวลผลมีต้นทางจากประเทศไทย

Thai End-user Service Ratio

สัดส่วน Compute ที่ให้บริการ End User หรือตลาดในประเทศไทย

และ

Foreign-serving Compute Ratio

สัดส่วน Compute ที่ตั้งอยู่ในไทย แต่ใช้เพื่อให้บริการตลาดต่างประเทศ

อาจพัฒนาไปสู่ตัวชี้วัดที่เรียกว่า Domestic Compute Utilization Ratio — DCUR

โดยคำนวณจาก

DCUR = Compute-hours ที่สนับสนุนกิจกรรมทางเศรษฐกิจหรือผู้ใช้ในประเทศไทย ÷ Compute-hours ทั้งหมด × 100

ตัวเลขนี้อาจมีความหมายทางเศรษฐกิจมากกว่าการรายงานว่า ประเทศไทยมี Data Center กี่ MW

ไม่ควรใช้ IP Address เป็นหลักฐานเพียงอย่างเดียว

ข้อจำกัดสำคัญคือ เราไม่สามารถพิสูจน์ตำแหน่งผู้ใช้งานได้ 100%

ผู้ใช้อาจเชื่อมผ่าน VPN, NAT, Proxy, CDN หรือ Gateway ต่างประเทศ

Bot และ Machine-to-Machine System ก็ไม่สามารถอธิบายด้วยแนวคิด “ผู้ใช้อยู่ประเทศไหน” แบบเดียวกับคนทั่วไป

บริษัทต่างชาติอาจมีพนักงานทำงานจากกรุงเทพฯ ในขณะที่บริษัทไทยอาจใช้ Cloud Gateway ที่สิงคโปร์

ดังนั้นควรใช้ระบบ Confidence Level

ระดับสูง หมายถึง KYC, Billing, IAM และ Application Log สอดคล้องกัน

ระดับปานกลาง หมายถึง Billing และ Network Origin สอดคล้องกัน

ระดับต่ำ หมายถึงมีเพียง IP Geolocation

และระดับไม่ทราบ หมายถึง Traffic ถูกเข้ารหัสและไม่มีหลักฐานจาก Tenant เพียงพอ

การตัดสินว่า Compute เป็นของไทยหรือไม่ จึงควรใช้หลักฐานอย่างน้อย 2–3 ชั้นประกอบกัน ไม่ใช่ใช้ IP Address เพียงตัวเดียว

ต้องแยก “Compute อยู่ในไทย” ออกจาก “Compute สร้างประโยชน์ให้ไทย”

ในเชิงเทคนิค เราสามารถใช้ Hardware Root of Trust, Remote Attestation หรือ Trusted Compute Pool เพื่อยืนยันได้ว่า Workload ถูกประมวลผลบน Hardware ชุดใด และอยู่ใน Geographic Boundary ใด

แต่เทคโนโลยีเหล่านี้ยืนยันเพียงว่า

“Compute อยู่ที่ไหน”

ไม่ได้ยืนยันว่า

“ผู้ได้รับประโยชน์จาก Compute อยู่ที่ไหน”

นี่เป็นความแตกต่างที่สำคัญอย่างยิ่งต่อการออกแบบนโยบาย Data Center ของประเทศไทย

ข้อเสนอสำหรับ BOI และ กสทช.

สำหรับ Data Center ที่ได้รับสิทธิส่งเสริมการลงทุนจาก BOI ใช้ไฟฟ้าปริมาณสูง หรืออยู่ภายใต้การกำกับของหน่วยงานรัฐ ผมเห็นว่าควรกำหนดหลักการว่า

ผู้ประกอบการต้องสามารถตรวจสอบย้อนกลับการจัดสรรทรัพยากร CPU/GPU ในระดับ Tenant และรายงานสัดส่วนการใช้ Compute เพื่อให้บริการประเทศไทยและต่างประเทศ โดยใช้ข้อมูล KYC/KYB, Billing, IAM, Workload, Network และ Compute Metering ที่สามารถตรวจสอบโดยบุคคลที่สามได้

อย่างไรก็ตาม รัฐไม่ควรขอข้อมูลเกินความจำเป็น

ไม่ควรอ่านข้อความ ไม่ควรเข้าถึง AI Prompt และไม่ควรรวบรวมข้อมูลส่วนบุคคลของ End User หากไม่มีฐานกฎหมาย

สิ่งที่รัฐต้องการคือ Metadata และ Aggregate Compute Accounting ไม่ใช่เนื้อหาที่ประชาชนกำลังประมวลผล

กฎหมายคอมพิวเตอร์ของไทยกำหนดหน้าที่เกี่ยวกับการเก็บข้อมูลจราจรทางคอมพิวเตอร์อยู่แล้ว แต่ข้อมูลจราจรไม่ได้สามารถตอบได้โดยอัตโนมัติว่าใครคือ “ผู้ได้รับประโยชน์ทางเศรษฐกิจที่แท้จริง” จาก Compute

ดังนั้น หากประเทศไทยต้องการวัดผลประโยชน์จากอุตสาหกรรม AI Data Center จริง จำเป็นต้องเพิ่มมิติของ Tenant, Workload และ Compute Metering

Server อยู่ไทย ไม่ได้แปลว่า Compute ถูกใช้เพื่อประเทศไทย

นี่คือประเด็นที่สำคัญที่สุด

ในอนาคตประเทศไทยอาจมี Data Center หลายพัน MW และมี GPU หลายแสนตัวตั้งอยู่ภายในประเทศ

แต่ตัวเลขเหล่านี้ยังไม่เพียงพอที่จะสรุปว่าไทยประสบความสำเร็จในการสร้างเศรษฐกิจ AI

เพราะหาก

Server อยู่ไทย ไม่ได้แปลว่า Compute ถูกใช้เพื่อประเทศไทย

นี่คือประเด็นที่สำคัญที่สุด

ในอนาคตประเทศไทยอาจมี Data Center หลายพัน MW และมี GPU หลายแสนตัวตั้งอยู่ภายในประเทศ

แต่ตัวเลขเหล่านี้ยังไม่เพียงพอที่จะสรุปว่าไทยประสบความสำเร็จในการสร้างเศรษฐกิจ AI

เพราะหาก Compute Capacity ส่วนใหญ่ถูกใช้โดยบริษัทต่างชาติ เพื่อประมวลผลข้อมูลและให้บริการตลาดต่างประเทศ ประเทศไทยอาจมีบทบาทเพียงเป็นสถานที่ตั้ง Hardware ใช้ไฟฟ้า ใช้น้ำ และใช้โครงสร้างพื้นฐาน ขณะที่มูลค่าเพิ่มระดับสูงไหลออกไปอยู่ที่อื่น

ในทางกลับกัน การที่บริษัทต่างชาติเป็นเจ้าของ Data Center ก็ไม่ได้หมายความว่าประเทศไทยไม่ได้ประโยชน์ หาก Compute เหล่านั้นถูกใช้โดยธุรกิจไทย โรงพยาบาลไทย มหาวิทยาลัยไทย Startup ไทย และสร้างผลิตภาพให้ระบบเศรษฐกิจภายในประเทศ

ดังนั้น สิ่งที่ประเทศไทยควรติดตามไม่ใช่เพียง Data Flow

แต่ต้องติดตามทั้ง

Compute Flow และ Economic Value Flow

โจทย์ของนโยบาย Data Center ยุคใหม่จึงไม่ควรถามเพียงว่า

“ประเทศไทยมี Data Center กี่ MW?”

หรือ

“ประเทศไทยมี GPU กี่ตัว?”

แต่ต้องถามต่อว่า

“Compute เหล่านั้นใครเป็นผู้ใช้ ถูกใช้เพื่อเศรษฐกิจประเทศใด และประเทศไทยได้รับมูลค่าเพิ่มกลับมามากน้อยเพียงใด?”

เพราะในโลกของ AI Infrastructure

Server อยู่ในประเทศไทย ไม่ได้หมายความว่า Compute ถูกใช้เพื่อประเทศไทยเสมอไป

และหากประเทศไทยกำลังจะใช้ทรัพยากรจำนวนมหาศาลเพื่อสร้าง Data Center Hub ของภูมิภาค สิ่งที่เราควรสร้างควบคู่กันตั้งแต่วันนี้ คือระบบ Compute Resource Traceability ที่ทำให้ประเทศสามารถตอบคำถามนี้ได้อย่างโปร่งใส ตรวจสอบได้ และไม่ละเมิดความเป็นส่วนตัวของผู้ใช้งาน