จาก Data Center สู่ AI Factory ที่ผลิต “ปัญญา” แต่ใช้ไฟระดับเมือง

เวลาพูดถึง Data Center หลายคนอาจนึกถึงอาคารที่เต็มไปด้วยเซิร์ฟเวอร์ ทำหน้าที่จัดเก็บข้อมูล เว็บไซต์ หรือบริการออนไลน์ต่าง ๆ แต่ในยุคปัญญาประดิษฐ์ บทบาทของศูนย์ข้อมูลกำลังเปลี่ยนไปอย่างรวดเร็ว

ศูนย์ข้อมูลรุ่นใหม่ไม่ได้เพียงเก็บและส่งต่อข้อมูล แต่กำลังนำข้อมูลจำนวนมหาศาลมาผ่านกระบวนการคำนวณ เพื่อฝึกโมเดล สร้างคำตอบ ผลิตภาพ วิดีโอ ซอฟต์แวร์ และองค์ความรู้รูปแบบใหม่

นี่คือจุดเริ่มต้นของสิ่งที่อุตสาหกรรมเรียกว่า AI Factory

คำว่า Factory ในที่นี้ไม่ได้หมายถึงโรงงานที่มีสายพานหรือเครื่องจักรผลิตสินค้า แต่หมายถึงโครงสร้างพื้นฐานที่รับข้อมูลเป็นวัตถุดิบ ใช้ GPU และระบบประมวลผลเป็นเครื่องจักร แล้วส่งออก “ปัญญาดิจิทัล” เป็นผลผลิต

การเปลี่ยนผ่านครั้งนี้กำลังทำให้ Data Center กลายเป็นทั้งโครงสร้างพื้นฐานดิจิทัลและโครงสร้างพื้นฐานด้านพลังงานของเศรษฐกิจโลก

 

จาก Internet Consumption สู่การผลิตปัญญาดิจิทัล

หากมองวิวัฒนาการอย่างง่าย Data Center สามารถแบ่งออกเป็นสามยุคสำคัญ

ยุคแรกคือ Data Center 1.0 ซึ่งเติบโตมาพร้อมกับอินเทอร์เน็ต เว็บไซต์ Search Engine สื่อสังคมออนไลน์ และแพลตฟอร์มวิดีโอ หน้าที่หลักคือจัดเก็บข้อมูลและให้บริการเนื้อหาแก่ผู้ใช้งานจำนวนมาก

นี่คือยุคที่ผู้คนใช้อินเทอร์เน็ตเพื่อค้นหา อ่าน ดู ฟัง และสื่อสาร หรืออาจเรียกได้ว่าเป็นยุคของ Internet Consumption

ต่อมาคือ Data Center 2.0 ซึ่งขยายตัวพร้อมกับ Cloud Computing, Big Data, Software as a Service และแพลตฟอร์มดิจิทัลของภาคธุรกิจ

องค์กรไม่จำเป็นต้องสร้างห้องเซิร์ฟเวอร์ของตนเองทั้งหมด แต่สามารถเช่ากำลังประมวลผล พื้นที่จัดเก็บข้อมูล และซอฟต์แวร์จากผู้ให้บริการ Cloud ได้ตามความต้องการ

ศูนย์ข้อมูลในยุคนี้จึงมีขนาดใหญ่ขึ้นและพัฒนาเป็น Hyperscale Data Center ที่รองรับผู้ใช้งานและองค์กรจำนวนมหาศาลทั่วโลก

แต่วันนี้เรากำลังก้าวเข้าสู่ Data Center 3.0 หรือยุค AI Factory

ศูนย์ข้อมูลไม่ได้เพียงตอบสนองคำขอของผู้ใช้งาน แต่ต้องฝึกโมเดลขนาดใหญ่ ประมวลผลข้อมูลแบบขนาน และให้บริการ Generative AI แก่ผู้ใช้งานจำนวนมากพร้อมกัน

ความแตกต่างสำคัญคือ จากเดิมที่ Data Center ทำหน้าที่ “ให้บริการข้อมูล” กำลังเปลี่ยนไปสู่การ “ผลิตผลลัพธ์จากข้อมูล”

AI เปลี่ยนทั้งขนาดและโครงสร้างของ Data Center

การฝึกโมเดลปัญญาประดิษฐ์ขนาดใหญ่ต้องใช้ GPU จำนวนมากเชื่อมต่อกันด้วยระบบเครือข่ายความเร็วสูง ขณะที่การให้บริการ AI หรือ Inference ก็ต้องรองรับคำสั่งจากผู้ใช้งานอย่างต่อเนื่อง

ภาระงานเหล่านี้ทำให้ความหนาแน่นของกำลังไฟฟ้าต่อ Rack เพิ่มขึ้นอย่างรวดเร็ว

Data Center แบบเดิมอาจมีความหนาแน่นเพียงไม่กี่กิโลวัตต์ต่อ Rack แต่ระบบ AI รุ่นใหม่สามารถเพิ่มขึ้นเป็นหลักหลายสิบกิโลวัตต์ และระบบระดับ Rack-scale บางรุ่นใช้กำลังไฟประมาณ 120 กิโลวัตต์ต่อ Rack แล้ว ตัวอย่างเช่น NVIDIA DGX GB200 NVL72 ซึ่งออกแบบให้ใช้ระบบ Direct Liquid Cooling เพื่อจัดการกับความร้อนจากกำลังประมวลผลความหนาแน่นสูงดังกล่าว 

นั่นหมายความว่า Data Center ที่เคยใช้การระบายความร้อนด้วยอากาศเป็นหลัก อาจไม่สามารถรองรับ AI Infrastructure รุ่นใหม่ได้อย่างมีประสิทธิภาพ

ระบบไฟฟ้า หม้อแปลง สวิตช์เกียร์ ระบบสำรองไฟ ท่อน้ำเย็น และระบบควบคุมอุณหภูมิทั้งหมดจึงต้องถูกออกแบบใหม่ไปพร้อมกับระบบคอมพิวเตอร์

กล่าวอีกนัยหนึ่ง การนำ GPU รุ่นใหม่เข้ามาติดตั้ง ไม่ได้เป็นเพียงการเปลี่ยนอุปกรณ์ไอที แต่เป็นการเปลี่ยนสถาปัตยกรรมของ Data Center ทั้งระบบ

AI Factory อาจใช้ไฟฟ้าระดับเดียวกับเมือง

ในยุคอินเทอร์เน็ต Data Center ขนาดไม่กี่เมกะวัตต์สามารถรองรับบริการออนไลน์จำนวนมากได้ แต่เมื่อเข้าสู่ยุค Cloud ขนาดของศูนย์ข้อมูลขยายขึ้นเป็นหลายสิบหรือหลายร้อยเมกะวัตต์

สำหรับ AI Factory และ Hyperscale Campus รุ่นใหม่ ความต้องการไฟฟ้าอาจอยู่ในระดับหลายร้อยเมกะวัตต์ และโครงการที่พัฒนาเป็น Campus ขนาดใหญ่อาจวางแผนกำลังไฟรวมใกล้ระดับกิกะวัตต์

ศูนย์ข้อมูลขนาด 200 เมกะวัตต์เพียงแห่งเดียว หากทำงานต่อเนื่องตลอด 24 ชั่วโมง จะใช้ไฟฟ้าประมาณ 4.8 ล้านกิโลวัตต์-ชั่วโมงต่อวัน หรือ 1.75 เทราวัตต์-ชั่วโมงต่อปี

เมื่อแปลงเป็นภาพที่ประชาชนเข้าใจได้ง่าย การใช้ไฟฟ้าระดับนี้อาจเทียบได้กับครัวเรือนหลายแสนหลัง ขึ้นอยู่กับรูปแบบการใช้ไฟฟ้าและเกณฑ์เปรียบเทียบของแต่ละประเทศ

ดังนั้น AI Factory จึงไม่ควรถูกพิจารณาเป็นเพียงโครงการอสังหาริมทรัพย์หรือโครงการดิจิทัล แต่ต้องถูกนำเข้าสู่การวางแผนกำลังผลิตไฟฟ้า สายส่ง สถานีไฟฟ้า แหล่งน้ำ และระบบพลังงานของประเทศตั้งแต่ต้น

วิกฤตพลังงานจาก AI เกิดขึ้นจริง แต่ไม่ควรขยายตัวเลขเกินหลักฐาน

รายงานล่าสุดขององค์การพลังงานระหว่างประเทศ หรือ IEA ประเมินว่า Data Center ทั่วโลกใช้ไฟฟ้าประมาณ 485 เทราวัตต์-ชั่วโมงในปี 2025 และอาจเพิ่มเป็นประมาณ 950 เทราวัตต์-ชั่วโมงในปี 2030 หรือเกือบสองเท่าภายในห้าปี คิดเป็นประมาณ 3% ของการใช้ไฟฟ้าทั่วโลก โดยความต้องการไฟฟ้าจากศูนย์ข้อมูลที่เน้น AI มีแนวโน้มเพิ่มขึ้นราวสามเท่าในช่วงดังกล่าว ตัวเลขนี้สูงมากและเพียงพอที่จะสร้างแรงกดดันต่อระบบไฟฟ้า สิ่งที่น่ากังวลกว่าสัดส่วนระดับโลกคือ การกระจุกตัวของโหลด

Data Center มักรวมอยู่ในพื้นที่ที่มีไฟฟ้า ระบบสื่อสาร และที่ดินพร้อม ทำให้บางเมืองหรือบางเขตอุตสาหกรรมต้องรับโหลดใหม่จำนวนมหาศาลภายในระยะเวลาไม่กี่ปี แม้สัดส่วนเฉลี่ยทั่วโลกจะอยู่เพียงประมาณ 3% ก็ตาม

Cooling ไม่ใช่ระบบสนับสนุนอีกต่อไป

พลังงานไฟฟ้าที่เข้าสู่ชิปและเซิร์ฟเวอร์เกือบทั้งหมดจะเปลี่ยนเป็นความร้อน ความสามารถในการประมวลผลจึงขึ้นอยู่กับความสามารถในการนำความร้อนออกจากอุปกรณ์อย่างต่อเนื่อง

ใน Data Center แบบเดิม ระบบปรับอากาศและการหมุนเวียนอากาศสามารถรองรับ Rack ความหนาแน่นต่ำถึงปานกลางได้ แต่เมื่อ Rack ของ AI ใช้ไฟระดับ 80–120 กิโลวัตต์ หรือสูงกว่านั้น การระบายความร้อนด้วยอากาศเพียงอย่างเดียวเริ่มมีข้อจำกัด

เทคโนโลยีอย่าง Direct-to-Chip Liquid Cooling, Immersion Cooling, Rear-Door Heat Exchanger และระบบน้ำอุณหภูมิสูง จึงเข้ามามีบทบาทมากขึ้น

อย่างไรก็ตาม ไม่ควรสรุปเหมารวมว่าระบบทำความเย็นของ Data Center ทุกแห่งใช้ไฟเกือบครึ่งหนึ่ง เพราะสัดส่วนดังกล่าวเปลี่ยนแปลงตามภูมิอากาศ เทคโนโลยี Cooling ค่า PUE ความหนาแน่นของโหลด และประสิทธิภาพของแต่ละโครงการ

ศูนย์ข้อมูลรุ่นใหม่ที่ออกแบบดีอาจใช้พลังงานส่วนใหญ่กับอุปกรณ์ IT ขณะที่ลดพลังงานส่วนเพิ่มสำหรับ Cooling และระบบประกอบลงได้มาก

คำถามสำคัญจึงไม่ใช่ว่า Cooling ใช้ไฟกี่เปอร์เซ็นต์ในทุกกรณี แต่คือ

เราจะกำจัดความร้อนจาก AI ได้ด้วยพลังงานและน้ำที่น้อยที่สุดอย่างไร

จากวิกฤตไฟฟ้า สู่โจทย์น้ำและคาร์บอน

เมื่อ AI Factory ขยายตัว ความท้าทายไม่ได้หยุดอยู่ที่ปริมาณไฟฟ้า

ระบบทำความเย็นบางประเภทต้องใช้น้ำผ่าน Cooling Tower การเพิ่มโหลดความร้อนจึงอาจทำให้ความต้องการใช้น้ำเพิ่มขึ้น โดยเฉพาะในประเทศเขตร้อนหรือพื้นที่ที่มีความเสี่ยงด้านภัยแล้ง

ขณะเดียวกัน หากไฟฟ้าส่วนเพิ่มยังผลิตจากเชื้อเพลิงฟอสซิล การขยายตัวของ AI ก็อาจเพิ่มการปล่อยก๊าซเรือนกระจกและสร้างแรงกดดันต่อเป้าหมาย Net Zero

การแก้ปัญหาจึงไม่สามารถทำได้ด้วยการสร้างโรงไฟฟ้าเพิ่มเพียงอย่างเดียว แต่ต้องดำเนินการพร้อมกันหลายด้าน ได้แก่ การเพิ่มประสิทธิภาพของชิป การลดพลังงานของระบบ Cooling การใช้พลังงานหมุนเวียน ระบบกักเก็บพลังงาน แหล่งผลิตไฟฟ้าที่จ่ายได้ต่อเนื่อง และการบริหารโหลดอย่างยืดหยุ่น

AI Factory ที่ยั่งยืนต้องบริหาร Compute, Power, Cooling, Water และ Carbon เป็นระบบเดียวกัน

ประเทศไทยกำลังมีโอกาส แต่โอกาสมาพร้อมภาระด้านโครงสร้างพื้นฐาน

ประเทศไทยกำลังได้รับความสนใจจากบริษัทเทคโนโลยีระดับโลก

AWS เปิด AWS Asia Pacific (Thailand) Region ในเดือนมกราคม 2025 ซึ่งเป็นส่วนหนึ่งของแผนลงทุนระยะยาวมูลค่า 5,000 ล้านดอลลาร์สหรัฐ ขณะที่ Microsoft ประกาศสร้างโครงสร้างพื้นฐาน Cloud และ AI ในประเทศไทย และ Google ได้ประกาศการลงทุนด้าน Data Center และ Cloud Region เช่นกัน 

การลงทุนเหล่านี้สะท้อนว่าไทยมีศักยภาพในการเป็นศูนย์กลาง Cloud และ AI ของภูมิภาค แต่การมีเงินลงทุนและที่ดินยังไม่เพียงพอ

สิ่งที่นักลงทุนต้องการคือไฟฟ้าที่จ่ายได้ตรงเวลา มีความมั่นคง ราคาแข่งขันได้ และสามารถพิสูจน์แหล่งที่มาของพลังงานสะอาดได้

ประเทศไทยจึงต้องเตรียมพร้อมทั้งกำลังผลิต ระบบส่ง สถานีไฟฟ้า พลังงานหมุนเวียน ระบบกักเก็บพลังงาน ระบบทำความเย็นประสิทธิภาพสูง ตลอดจนแผนบริหารจัดการน้ำที่ไม่กระทบต่อชุมชน

เพราะ Data Center อาจก่อสร้างเสร็จภายในเวลาไม่กี่ปี แต่สายส่ง โรงไฟฟ้า และสถานีไฟฟ้าขนาดใหญ่มักต้องใช้เวลาวางแผน อนุมัติ และก่อสร้างนานกว่านั้น

หากโครงสร้างพื้นฐานเติบโตไม่ทัน การลงทุนที่ประกาศไว้ก็อาจไม่สามารถเปิดดำเนินการได้ตามแผน

ผู้ชนะในยุค AI อาจไม่ใช่ประเทศที่มีชิปมากที่สุด

การเปลี่ยนจาก Data Center สู่ AI Factory กำลังเปลี่ยนกติกาของเศรษฐกิจดิจิทัล

การแข่งขันไม่ได้วัดเพียงว่าใครมีโมเดล AI ที่ฉลาดกว่า หรือใครสามารถซื้อ GPU ได้มากกว่า แต่ยังวัดว่าใครสามารถจัดหาไฟฟ้า ระบายความร้อน บริหารน้ำ และลดคาร์บอนได้อย่างมีประสิทธิภาพกว่า

ประเทศที่มีเทคโนโลยีแต่ไม่มีไฟฟ้าเพียงพอ ย่อมไม่สามารถขยาย AI ได้เต็มศักยภาพ

ประเทศที่มีไฟฟ้า แต่ระบบส่งไปไม่ถึงพื้นที่ลงทุน ก็อาจพลาดโอกาส

และประเทศที่มีพลังงานเพียงพอ แต่มีต้นทุนสูงหรือปล่อยคาร์บอนมาก ก็อาจสูญเสียความสามารถในการแข่งขันในระยะยาว

หัวใจสำคัญจึงสามารถสรุปได้ว่า

AI Factory ไม่ได้ผลิตสินค้า แต่ผลิตปัญญาดิจิทัล และปัญญาดิจิทัลทุกหน่วยต้องอาศัยไฟฟ้า ความเย็น น้ำ และโครงสร้างพื้นฐานจริงรองรับอยู่เบื้องหลัง

อนาคตของ AI จึงไม่ได้ถูกกำหนดโดยชิปเพียงอย่างเดียว แต่จะถูกกำหนดด้วยว่า ประเทศใดสามารถสร้างระบบพลังงานและโครงสร้างพื้นฐานรองรับ AI ได้เร็ว มั่นคง มีประสิทธิภาพ และยั่งยืนที่สุด