Data Center ไม่ได้เหมือนกันทุกแห่ง: แบบไหน “กินไฟ–กินน้ำ” เท่าไร และควรอยู่กรุงเทพฯ หรือ EEC?

เมื่อพูดถึง Data Center หลายคนมักนึกถึงอาคารขนาดมหึมาที่เต็มไปด้วย Server และ GPU ใช้ไฟฟ้าหลายร้อยเมกะวัตต์ และต้องใช้น้ำจำนวนมากเพื่อระบายความร้อน

ภาพนี้ถูกต้องสำหรับ Data Center “บางประเภท” แต่ไม่ใช่ทั้งหมด

ในความเป็นจริง Data Center มีตั้งแต่ศูนย์ข้อมูลขององค์กรที่มีขนาดไม่ใหญ่มาก ไปจนถึง Edge Data Center ที่ต้องอยู่ใกล้ผู้ใช้งาน Colocation ที่เป็นศูนย์กลางการเชื่อมต่อของหลายบริษัท Hyperscale ขนาดหลายสิบถึงหลายร้อยเมกะวัตต์ และ AI Data Center ที่มี GPU ความหนาแน่นสูง

ดังนั้น การตั้งคำถามว่า

“Data Center กินไฟเท่าไร?”

หรือ

“Data Center ใช้น้ำเท่าไร?”

โดยไม่ถามก่อนว่าเป็น Data Center ประเภทใด อาจทำให้เราเข้าใจอุตสาหกรรมนี้ผิดตั้งแต่ต้น

และยิ่งประเทศไทยกำลังเผชิญคำถามว่า Data Center ควรตั้งอยู่ในกรุงเทพฯ หรือกระจายไป EEC การแยกประเภทให้ชัดเจนยิ่งมีความสำคัญ

เพราะคำตอบอาจไม่ใช่การเลือก “กรุงเทพฯ หรือ EEC”

แต่อาจเป็น

“Data Center ประเภทไหน ควรอยู่ที่ไหน?”

1. Enterprise Data Center: ไม่ใหญ่ที่สุด แต่ต้องอยู่ใกล้องค์กร

ประเภทแรกคือ Enterprise Data Center หรือศูนย์ข้อมูลที่องค์กรสร้างขึ้นเพื่อใช้งานของตัวเอง เช่น ธนาคาร โรงพยาบาล บริษัทโทรคมนาคม หน่วยงานภาครัฐ มหาวิทยาลัย หรือโรงงานอุตสาหกรรม

Data Center ประเภทนี้อาจมีตั้งแต่ขนาดเล็กระดับต่ำกว่า 1 MW ไปจนถึงหลาย MW หรือมากกว่านั้นสำหรับองค์กรขนาดใหญ่ จึงไม่ควรใช้ตัวเลขเดียวแทน Enterprise Data Center ทุกแห่ง

สิ่งสำคัญคือ Enterprise Data Center มักไม่ได้ต้องการพื้นที่หลายร้อยไร่ แต่ต้องการความใกล้ชิดกับองค์กร บุคลากร Network และระบบงานที่เกี่ยวข้อง

ดังนั้น หากเป็น Enterprise Data Center ของสำนักงานใหญ่ ธนาคาร โรงพยาบาล หรือหน่วยงานที่อยู่ในกรุงเทพฯ การตั้งอยู่ในกรุงเทพฯ หรือปริมณฑลยังมีเหตุผล

แต่หากเป็น Enterprise Data Center ของโรงงานใน EEC ก็ควรอยู่ใกล้โรงงานนั้น

กล่าวง่าย ๆ คือ Enterprise Data Center ควร “ตามองค์กร” มากกว่า “ตามแหล่งพลังงาน”

ในด้านน้ำ ผลกระทบขึ้นอยู่กับ Cooling Technology มากกว่าคำว่า Enterprise หากเป็น Data Center ขนาดเล็กที่ใช้ Air-Cooled Chiller หรือ Dry Cooling ก็สามารถใช้น้ำโดยตรงเพื่อ Cooling น้อยมากได้ แต่หากใช้ Cooling Tower ปริมาณน้ำก็จะเพิ่มขึ้น

2. Colocation Data Center: กรุงเทพฯ ยังมีความได้เปรียบ

ประเภทต่อมาคือ Colocation Data Center

ผู้ประกอบการสร้าง Data Center แล้วเปิดให้หลายบริษัทเช่า Rack, Cage, Room หรือกำลังไฟตามความต้องการ

สิ่งที่ Colocation ขายจึงไม่ใช่เพียง “พื้นที่”

แต่ขาย

Power + Cooling + Connectivity + Reliability

Colocation มีความต้องการสำคัญคือการเชื่อมต่อกับ Network Provider, Cloud Provider, Carrier และลูกค้าจำนวนมาก

Latency และ Connectivity จึงมีความสำคัญสูง

นี่เป็นเหตุผลที่กรุงเทพฯ และปริมณฑลยังมีความได้เปรียบสำหรับ Colocation โดยเฉพาะ Data Center ที่ทำหน้าที่เป็นจุดเชื่อมต่อของธุรกิจ ธนาคาร Cloud และ Network

Colocation ขนาดกลางอาจมี IT Load หลาย MW ไปจนถึงหลายสิบ MW ขณะที่ Campus ขนาดใหญ่สามารถสูงกว่านั้นได้มาก

ดังนั้นผลกระทบต่อระบบไฟฟ้าก็เริ่มมีนัยสำคัญ

ตัวอย่างการลงทุนจริงในประเทศไทยสะท้อนภาพนี้ได้ดี BOI เคยอนุมัติโครงการ Data Center ในกรุงเทพฯ ที่มี IT Load ประมาณ 12 MW ขณะที่โครงการอื่นในชลบุรีและระยองมีขนาด 35 MW และ 300 MW ตามลำดับ

สิ่งนี้สะท้อนว่า Urban Data Center กับ Large Campus สามารถมีบทบาทแตกต่างกันได้

3. Edge Data Center: ยิ่งใกล้ผู้ใช้ ยิ่งมีคุณค่า

Edge Data Center มีแนวคิดตรงกันข้ามกับการสร้าง Data Center ทุกอย่างให้ใหญ่ที่สุด

บาง Application ต้องการให้ Compute อยู่ใกล้ผู้ใช้ เช่น Smart Factory, 5G, IoT, Autonomous System, Gaming หรือ AI Inference ที่ต้องตอบสนองรวดเร็ว

Edge Data Center จึงมักมีขนาดเล็กกว่า Hyperscale อย่างมาก ตั้งแต่ระดับกิโลวัตต์ไปจนถึงไม่กี่ MW แล้วแต่การใช้งาน

ข้อดีคือใช้ไฟฟ้ารวมไม่มากเมื่อเทียบกับ Hyperscale Campus และสามารถเลือก Cooling แบบที่ใช้น้ำน้อยได้ง่ายกว่า

แต่สิ่งสำคัญที่สุดคือ

Edge ต้องอยู่ใกล้สิ่งที่มันให้บริการ

หาก Edge รองรับประชากรและธุรกิจในกรุงเทพฯ ก็ควรอยู่กรุงเทพฯ หรือปริมณฑล

หากรองรับ Smart Factory ในชลบุรีหรือระยอง ก็ควรอยู่ EEC

ดังนั้น Edge Data Center ไม่ควรถูกผลักออกจากเมืองเพียงเพราะคำว่า “Data Center”

เพราะหากย้ายออกไปไกลเกินไป เราอาจทำลายข้อได้เปรียบสำคัญที่สุดของ Edge คือ Low Latency

4. Hyperscale Data Center: เมื่อโจทย์เปลี่ยนจาก “อาคาร” เป็น “โครงสร้างพื้นฐาน”

เมื่อเข้าสู่ Hyperscale ภาพจะเปลี่ยนไปอย่างสิ้นเชิง

Hyperscale Data Center รองรับ Cloud และ Digital Services ขนาดใหญ่ สามารถมี IT Load ตั้งแต่หลายสิบ MW ไปจนถึงหลายร้อย MW ต่อ Campus และขยายเป็นหลายอาคารได้

สมมติ Hyperscale Data Center มี

IT Load = 100 MW

หากมี PUE = 1.30

กำลังไฟฟ้ารวมจะอยู่ประมาณ

130 MW

หากเดินเต็มกำลังตลอดปี จะเท่ากับพลังงานประมาณ

1.14 TWh ต่อปี

เพียง Data Center แห่งเดียวจึงมีลักษณะใกล้เคียงผู้ใช้ไฟฟ้าอุตสาหกรรมขนาดใหญ่มากกว่าอาคารสำนักงานทั่วไป

หากขยายเป็น IT Load 300 MW ที่ PUE 1.30 กำลังไฟรวมจะอยู่ประมาณ 390 MW

นี่คือเหตุผลที่ Hyperscale ไม่ควรเลือกพื้นที่จากราคาที่ดินเพียงอย่างเดียว

แต่ต้องถามว่า

Grid รองรับได้หรือไม่?

สถานีไฟฟ้าอยู่ที่ไหน?

มี Transmission Capacity เพียงพอหรือไม่?

Fiber มีกี่เส้นทาง?

พื้นที่ขยายในอนาคตมีหรือไม่?

น้ำมาจากไหน?

และชุมชนโดยรอบจะได้รับผลกระทบอย่างไร?

สำหรับประเทศไทย EEC จึงมีความน่าสนใจมากกว่าใจกลางกรุงเทพฯ สำหรับ Hyperscale Campus ขนาดใหญ่ เนื่องจากมีพื้นที่อุตสาหกรรมและโอกาสวาง Infrastructure ขนาดใหญ่ได้มากกว่า แม้ทุกโครงการยังต้องพิสูจน์ความพร้อมของ Grid น้ำ Fiber และสิ่งแวดล้อมเป็นรายพื้นที่

5. AI Data Center: ตัวเปลี่ยนเกมที่สำคัญที่สุด

AI Data Center คือประเภทที่กำลังเปลี่ยนวิธีคิดทั้งหมด

เหตุผลคือ GPU Cluster สำหรับ Training และ AI ขนาดใหญ่สามารถทำให้ Power Density ต่อ Rack สูงกว่า Server แบบเดิมอย่างมาก

ผลที่ตามมาคือ Data Center ต้องการทั้งไฟฟ้าปริมาณสูงและ Cooling ที่สามารถนำความร้อนออกจาก Chip ได้อย่างรวดเร็ว

AI Data Center จึงเริ่มใช้ Direct-to-Chip Liquid Cooling มากขึ้น โดยของเหลวรับความร้อนจาก CPU และ GPU ผ่าน Cold Plate แล้วส่งความร้อนออกไปยังระบบภายนอก

จุดนี้มีความสำคัญต่อเรื่อง “น้ำ”

คำว่า Liquid Cooling ไม่ได้หมายความว่า Data Center ต้องสูญเสียน้ำจำนวนมาก เพราะของเหลวในวงจร Chip Cooling สามารถหมุนเวียนอยู่ในระบบปิดได้

ตัวกำหนดการใช้น้ำที่สำคัญคือ สุดท้ายเราระบายความร้อนออกจาก Data Center อย่างไร

ถ้าใช้ Cooling Tower น้ำบางส่วนจะสูญเสียจากการระเหย

แต่หากใช้ Dry Cooler หรือระบบ Heat Rejection ที่ไม่พึ่งการระเหย การใช้น้ำโดยตรงสามารถลดลงได้มาก แม้อาจต้องแลกกับการใช้ไฟฟ้าที่เพิ่มขึ้นในบางช่วงของอากาศร้อน

นี่คือเหตุผลที่ไม่ควรพูดว่า

“AI Data Center ต้องกินน้ำมหาศาลเสมอไป”

สิ่งที่ถูกต้องกว่าคือ

“AI Data Center มี Heat Load สูงมาก แต่ปริมาณน้ำขึ้นอยู่กับ Cooling Architecture”

ถ้า AI Data Center ใหญ่มาก EEC เริ่มได้เปรียบ

สำหรับ AI Training Campus ขนาด 100–500 MW หรือมากกว่านั้น ผู้เขียนเห็นว่าควรศึกษาพื้นที่ EEC เป็นลำดับต้น ๆ

ไม่ใช่เพราะ AI ไม่สามารถตั้งในกรุงเทพฯ ได้

แต่เพราะ AI Training ขนาดใหญ่ไม่ได้จำเป็นต้องอยู่ห่างจากผู้ใช้งานเพียงไม่กี่กิโลเมตรเสมอไปเหมือน Edge Application

สิ่งที่สำคัญกว่าอาจเป็น

Power + Land + Cooling + Fiber + Expansion Capacity

ขณะที่ AI Inference ที่ต้องตอบสนองผู้ใช้ในกรุงเทพฯ อย่างรวดเร็ว สามารถกระจาย Compute บางส่วนกลับมาอยู่ใกล้เมืองได้

จึงเกิดสถาปัตยกรรมที่น่าสนใจว่า

กรุงเทพฯ = Digital Gateway / Colocation / Enterprise / Edge / AI Inference

ขณะที่

EEC = Hyperscale / AI Training / Large Compute Campus / Energy-Intensive Infrastructure

ไม่จำเป็นต้องเลือกระหว่างสองพื้นที่

แต่ให้ทั้งสองพื้นที่ทำหน้าที่แตกต่างกัน

6. Modular Data Center: จริง ๆ แล้วไม่ใช่ประเภทตาม “งานที่ทำ”

Modular Data Center มีความแตกต่างจากห้าประเภทข้างต้นเล็กน้อย

เพราะคำว่า Modular อธิบาย “วิธีสร้าง” มากกว่า “ประเภทของ Workload”

Enterprise ก็สร้างแบบ Modular ได้

Colocation ก็ Modular ได้

Edge ก็ Modular ได้

แม้แต่ Hyperscale และ AI Data Center ก็สามารถใช้ Modular Architecture ได้

แนวคิดคือแทนที่จะสร้างระบบทุกอย่างที่หน้างาน เราผลิตและประกอบบางส่วนในโรงงาน เช่น IT Module, Power Module, UPS, Cooling Module หรือ CDU แล้วนำไปติดตั้งที่ Site

ข้อดีคือสามารถสร้างและทดสอบเป็นระบบซ้ำได้ เพิ่ม Capacity เป็นช่วง ๆ และลดระยะเวลาหน้างานบางส่วน

ดังนั้น Modular Data Center จะอยู่กรุงเทพฯ หรือ EEC ก็ได้

คำตอบขึ้นอยู่กับว่า Module นั้นกำลังรองรับ Enterprise, Edge, Hyperscale หรือ AI

แล้ว Data Center แต่ละประเภท “กินไฟ–กินน้ำ” ต่างกันแค่ไหน?

หากต้องการเปรียบเทียบให้คนทั่วไปเห็นภาพ สามารถสรุปเชิงแนวคิดได้ดังนี้

ประเภท    ขนาดไฟฟ้าโดยทั่วไป*    ความเสี่ยงใช้น้ำ    สิ่งที่สำคัญที่สุด    พื้นที่เหมาะสม

Enterprise    <1–หลาย MW    ต่ำ–ปานกลาง    ใกล้องค์กร / Reliability    กรุงเทพฯ หรือใกล้องค์กร

Colocation    หลาย–หลายสิบ MW+    ปานกลาง    Network / ลูกค้า / Reliability    กรุงเทพฯ–ปริมณฑล / EEC

Edge    kW–ไม่กี่ MW    ต่ำ    Latency    ใกล้ผู้ใช้

Hyperscale    หลายสิบ–หลายร้อย MW    ปานกลาง–สูง หากใช้ Evaporative Cooling    Power / Land / Fiber / Expansion    EEC เหมาะกับ Campus ใหญ่

AI Data Center    หลายสิบ–หลายร้อย MW+    ตั้งแต่ต่ำถึงสูง ขึ้นกับ Cooling    Power Density / Liquid Cooling / Grid    EEC สำหรับ Training ใหญ่; เมืองสำหรับ Inference

Modular    ขึ้นกับ Workload    ขึ้นกับ Cooling    Speed / Scalability    ได้ทั้งกรุงเทพฯ และ EEC

*ตัวเลขเป็น ช่วงเพื่ออธิบาย Scale เท่านั้น ไม่ใช่นิยามมาตรฐานของ Data Center แต่ละประเภท เพราะ Data Center จริงสามารถมีขนาดนอกช่วงดังกล่าวได้

ประเด็นสำคัญจากตารางนี้คือ

“ขนาดไฟ” มีความสัมพันธ์กับประเภท Data Center อยู่บ้าง แต่ “ปริมาณน้ำ” ไม่สามารถบอกได้จากประเภท Data Center เพียงอย่างเดียว

Data Center 100 MW ที่ใช้ Dry Cooling อาจใช้น้ำโดยตรงน้อยกว่า Data Center ที่เล็กกว่าแต่พึ่ง Cooling Tower อย่างมากก็ได้

ตัวอย่าง 100 MW ทำให้เห็นเรื่องน้ำชัดที่สุด

สมมติ Data Center มี IT Load 100 MW และทำงานตลอดปี

IT Energy เท่ากับ

876 GWh/ปี

หากระบบมี WUE เท่ากับ 1.0 L/kWh การใช้น้ำที่อยู่ในขอบเขตของ WUE นั้นจะเท่ากับประมาณ

876 ล้านลิตร/ปี

หรือประมาณ

876,000 ลูกบาศก์เมตร/ปี

เฉลี่ยประมาณ

2,400 ลูกบาศก์เมตร/วัน

หาก WUE = 2.0 L/kWh ตัวเลขก็เพิ่มเป็นประมาณ

4,800 ลูกบาศก์เมตร/วัน

แต่ถ้าออกแบบระบบจน WUE เหลือ 0.3 L/kWh จะเหลือประมาณ

720 ลูกบาศก์เมตร/วัน

นี่ทำให้เห็นทันทีว่า

ขนาด Data Center สำคัญ แต่ Cooling Architecture สำคัญไม่แพ้กัน

ดังนั้นแทนที่จะถามว่า “Data Center ใช้น้ำเท่าไร?” ประเทศไทยควรถามว่า

“Data Center ขนาดกี่ MW และออกแบบ WUE เท่าไร?”

PUE ก็เช่นเดียวกัน

Uptime Institute รายงานผลสำรวจปี 2026 ว่า PUE เฉลี่ยของอุตสาหกรรมอยู่ประมาณ 1.52 ขณะที่ Data Center รุ่นใหม่ขนาดใหญ่ที่มีระบบ Power และ Cooling ประสิทธิภาพสูงสามารถรายงานค่า PUE ระดับ 1.3 หรือต่ำกว่า ได้

ดังนั้น Data Center ขนาดใหญ่ไม่ได้แปลว่าไม่มีประสิทธิภาพเสมอไป

ในทางกลับกัน Data Center ใหม่ขนาดใหญ่อาจมี Economy of Scale ที่ช่วยให้ระบบไฟฟ้าและ Cooling มีประสิทธิภาพสูงกว่า Data Center เก่าขนาดเล็กจำนวนมาก

แต่แม้ PUE ต่ำ ก็ยังต้องดู WUE ควบคู่กัน

เพราะระบบที่ประหยัดไฟที่สุดอาจไม่ใช่ระบบที่ประหยัดน้ำที่สุด

กรุงเทพฯ มีข้อได้เปรียบอะไร?

กรุงเทพฯ มีสิ่งที่ EEC ทดแทนไม่ได้ทั้งหมด นั่นคือ ความใกล้กับ Demand

มีสำนักงานใหญ่ ธนาคาร ธุรกิจ Digital Service ผู้ใช้งานจำนวนมาก Network Provider และ Connectivity

ดังนั้น Data Center ที่ต้องการ Latency ต่ำและต้องเชื่อมโยงกับ Ecosystem ของเมืองจึงยังมีเหตุผลที่จะอยู่ใกล้กรุงเทพฯ

แต่ข้อจำกัดคือที่ดินราคาแพง การขยายพื้นที่ยาก ความหนาแน่นของเมือง ระบบไฟฟ้าบางพื้นที่มีข้อจำกัด และ Data Center ขนาดใหญ่มากอาจสร้างภาระต่อ Infrastructure ของเมือง

จึงไม่จำเป็นที่กรุงเทพฯ ต้องรับ Data Center ทุกประเภท

EEC มีข้อได้เปรียบอะไร?

EEC ครอบคลุมฉะเชิงเทรา ชลบุรี และระยอง และมีฐานอุตสาหกรรมขนาดใหญ่ พื้นที่สำหรับพัฒนา Campus และ Infrastructure ด้านพลังงานอยู่แล้ว

การลงทุนจริงกำลังสะท้อนแนวโน้มนี้

BOI รายงานในปี 2026 ว่ามี Data Center หลายโครงการตั้งอยู่ในชลบุรี ระยอง และสมุทรปราการ ขณะที่ข้อมูลปี 2025 มีโครงการในชลบุรีขนาดประมาณ 50, 80 และ 96 MW และในระยองประมาณ 150 และ 160 MW

จึงเห็นได้ว่าพื้นที่ภาคตะวันออกกำลังรองรับ Data Center Scale ที่ใหญ่ขึ้น

อย่างไรก็ตาม คำว่า EEC ไม่ได้หมายความว่าทุกพื้นที่มีไฟ น้ำ และ Fiber พร้อมไม่จำกัด

ทุกโครงการยังต้องพิสูจน์

Grid Capacity + Water Capacity + Fiber + Environmental Capacity

เป็นรายพื้นที่

และนี่คือจุดที่ LNG Cold Energy เข้ามา

EEC มีทรัพยากรที่กรุงเทพฯ ไม่มีในระดับเดียวกัน คือ Infrastructure ด้าน LNG

LNG ถูกเก็บและขนส่งที่อุณหภูมิประมาณ −160°C ก่อนนำก๊าซไปใช้ต้องรับความร้อนเพื่อเปลี่ยน LNG กลับเป็นก๊าซ

ขณะเดียวกัน Data Center มีความร้อนที่ต้องระบายออกตลอด 24 ชั่วโมง

จึงเกิดความสัมพันธ์ที่น่าสนใจมาก

LNG ต้องการรับความร้อน

ขณะที่

Data Center ต้องการทิ้งความร้อน

หาก Data Center ตั้งอยู่ใกล้ LNG Infrastructure มากพอ เราสามารถใช้ Heat Exchanger และวงจรตัวกลางนำ Cold Energy จากกระบวนการ Regasification มาใช้กับระบบ Cooling ได้

ไม่ใช่การนำ LNG −160°C เข้าไปวิ่งผ่าน Server โดยตรง

แต่เป็นการออกแบบ Energy Integration ระหว่างสองระบบ

LNG Cold Energy อาจแก้โจทย์ “ไฟกับน้ำ” พร้อมกัน

นี่เป็นจุดที่น่าสนใจสำหรับประเทศไทยมาก

ประเทศเขตหนาวสามารถใช้ Ambient Air ช่วย Cooling Data Center ได้หลายช่วงของปี

ประเทศไทยทำแบบนั้นได้จำกัดกว่า เพราะอากาศร้อนและชื้น

แต่ประเทศไทยมี LNG Infrastructure

งานวิจัยที่ผู้เขียนศึกษาเกี่ยวกับการบูรณาการ LNG Regasification กับ AI Data Center พบว่า ในกรณีศึกษาที่ออกแบบไว้ สามารถลดการใช้ไฟฟ้าของ Cooling ได้ประมาณ 79%

PUE ลดจาก

2.00 → 1.36

และ WUE ลดจากประมาณ

1.9–3.0 → 0.3 L/kWh

คิดเป็นการลดการใช้น้ำประมาณ

89–93%

ตัวเลขเหล่านี้เป็น ผลจากกรณีศึกษาเฉพาะ ไม่ใช่ผลที่ Data Center ทุกแห่งจะได้รับโดยอัตโนมัติ

แต่สะท้อนว่าความเย็น LNG อาจช่วยประเทศไทยลด Trade-off ระหว่าง

ประหยัดไฟ กับ ประหยัดน้ำ

ได้ในพื้นที่ที่เหมาะสม

แต่อย่าย้าย Data Center ทุกแห่งไปหา LNG

ตรงนี้ต้องระวังไม่ให้แนวคิด LNG Cold Energy กลายเป็นคำตอบสำหรับ Data Center ทุกประเภท

Enterprise Data Center ของธนาคารไม่จำเป็นต้องย้ายไปมาบตาพุดเพื่อประหยัด Cooling

Edge Data Center ที่ต้องอยู่ใกล้ผู้ใช้ก็ไม่ควรเสียข้อได้เปรียบด้าน Latency เพียงเพื่อไปหา Cold Energy

แม้แต่ Hyperscale Data Center ก็ต้องพิจารณาระยะทาง Fiber, Grid และ Business Requirement ประกอบกัน

LNG Cold Energy จึงเหมาะที่สุดกับ Large Compute Campus ที่สามารถวางแผนตำแหน่งร่วมกับ Energy Infrastructure ตั้งแต่ต้น

นี่ทำให้ EEC มีความน่าสนใจสำหรับ AI และ Hyperscale Campus มากขึ้น

บางปะกงอาจเป็นพื้นที่เชื่อม “กรุงเทพฯ กับ EEC”

ยังมีพื้นที่ที่น่าสนใจอีกแบบหนึ่งคือแนวบางปะกง–ฉะเชิงเทรา

พื้นที่นี้อยู่ใกล้กรุงเทพฯ มากกว่าโซนระยอง แต่ยังอยู่ในแนวพื้นที่อุตสาหกรรมภาคตะวันออกและมี Infrastructure ด้านไฟฟ้าขนาดใหญ่

หากในอนาคตมีการพัฒนา Small-Scale LNG หรือ Cold Energy Infrastructure ตามความเหมาะสม พื้นที่ลักษณะนี้อาจสร้างจุดสมดุลระหว่าง

ใกล้กรุงเทพฯ + มีพื้นที่ขยาย + ใกล้ระบบไฟฟ้า + เชื่อม EEC

และสามารถพัฒนาเป็น Energy–Digital Hub ได้

อย่างไรก็ตาม ต้องผ่าน Feasibility Study ด้าน Grid, LNG Logistics, Marine Infrastructure, Fiber, Flood Risk, Environmental Impact และ Economics ก่อน ไม่ควรตีความว่าเป็นโครงการที่พร้อมสร้างแล้ว

ทางออกอาจไม่ใช่ Bangkok vs EEC แต่คือ “Bangkok + EEC”

เมื่อมอง Data Center ทั้งหกประเภท จะเห็นว่าประเทศไทยไม่ควรพยายามบังคับทุกประเภทเข้าสู่พื้นที่เดียวกัน

โครงสร้างที่มีเหตุผลกว่าอาจเป็น

กรุงเทพฯ และปริมณฑล ทำหน้าที่เป็น Digital Gateway

รองรับ Enterprise, Colocation, Edge และ AI Inference ที่ต้องอยู่ใกล้ผู้ใช้และ Network

ขณะที่

EEC ทำหน้าที่เป็น Compute & Energy Hub

รองรับ Hyperscale, AI Training Campus และ Data Center ขนาดใหญ่ที่ต้องการไฟฟ้า พื้นที่ และ Cooling Infrastructure จำนวนมาก

แล้วเชื่อมทั้งสองพื้นที่ด้วย Fiber ความจุสูงและเส้นทางสำรอง

ภาพที่เกิดขึ้นคือ

Bangkok Digital Gateway ↔ High-Capacity Fiber ↔ EEC Compute & Energy Hub

Compute ที่ต้องการ Latency ต่ำอยู่ใกล้ผู้ใช้

Compute ที่ต้องการพลังงานมหาศาลย้ายไปอยู่ใกล้ Energy Infrastructure

นี่อาจมีประสิทธิภาพกว่าการพยายามสร้าง Data Center ทุกอย่างไว้ในกรุงเทพฯ หรือผลักทุกอย่างออกไป EEC

Data Center 100 MW ไม่เท่ากัน

ประเด็นสุดท้ายที่สำคัญมากสำหรับนโยบายของประเทศไทยคือ เราไม่ควรมอง Data Center จาก MW เพียงตัวเลขเดียว

Data Center 100 MW สองแห่งอาจสร้างผลกระทบต่อประเทศแตกต่างกันอย่างมาก

แห่งหนึ่งอาจมี PUE 1.50 ใช้ Cooling Tower และใช้น้ำปริมาณสูง

อีกแห่งอาจมี PUE 1.20 ใช้ Direct-to-Chip + Dry Cooling และแทบไม่ใช้น้ำสำหรับ Heat Rejection

อีกแห่งอาจตั้งใกล้ LNG Terminal และใช้ Cold Energy ลดทั้งไฟฟ้าและน้ำ

แม้ทั้งสามแห่งจะเขียนบนกระดาษว่า

“100 MW Data Center”

เหมือนกัน

ผลกระทบต่อ Grid น้ำ คาร์บอน และชุมชนกลับแตกต่างกันมาก

นี่คือเหตุผลที่การกำกับ Data Center ในอนาคตควรดูมากกว่า Installed MW

แต่ควรดู

IT Load + PUE + WUE + Carbon + Cooling Technology + Location + Reliability

ควบคู่กัน

ประเทศไทยไม่ควรถามเพียงว่า “จะรับ Data Center ได้อีกกี่ MW?”

ปัจจุบันหน่วยงานไทยเองก็เริ่มให้ความสำคัญกับประเด็นนี้มากขึ้น โดย BOI ระบุในปี 2569 ว่าการพิจารณา Data Center จะครอบคลุมทั้ง พลังงาน ทรัพยากรน้ำ สิ่งแวดล้อม ประโยชน์ต่อประเทศ และการเปลี่ยนผ่านสู่พลังงานสะอาด

นี่เป็นทิศทางที่สำคัญ

เพราะคำถามที่ประเทศไทยควรถามต่อไปไม่ใช่เพียง

“เรามีไฟเหลือให้ Data Center อีกกี่ MW?”

แต่คือ

“เราควรใช้ไฟฟ้าและน้ำที่มีอยู่กับ Data Center ประเภทใด ที่ไหน และสร้างมูลค่าให้ประเทศมากที่สุด?”

Enterprise, Colocation, Edge, Hyperscale และ AI Data Center มีหน้าที่แตกต่างกัน

ส่วน Modular เป็นวิธีการสร้างที่สามารถนำไปใช้กับหลายประเภท

ดังนั้นการวางผัง Data Center ของประเทศไทยควรสะท้อนความแตกต่างเหล่านี้

กรุงเทพฯ ไม่จำเป็นต้องกลายเป็นเมืองที่เต็มไปด้วย AI Campus ขนาดหลายร้อยเมกะวัตต์

และ EEC ก็ไม่จำเป็นต้องดึง Edge Data Center ทุกแห่งออกจากกรุงเทพฯ

สิ่งที่ควรเกิดขึ้นคือการวางระบบให้

Compute อยู่ใกล้สิ่งที่มันต้องการมากที่สุด

Edge อยู่ใกล้ User

Colocation อยู่ใกล้ Network

Hyperscale อยู่ใกล้ Infrastructure

AI Training อยู่ใกล้ Power และ Cooling

และ Data Center ที่สามารถใช้ LNG Cold Energy ได้ ควรอยู่ในระยะที่การเชื่อมโยงทางวิศวกรรมและเศรษฐศาสตร์มีความคุ้มค่า

นี่คือการเปลี่ยนคำถามจาก

“Data Center ควรอยู่กรุงเทพฯ หรือ EEC?”

ไปสู่คำถามที่สำคัญกว่า

“Data Center ประเภทใดควรอยู่ตรงไหน เพื่อใช้ไฟฟ้า น้ำ ที่ดิน และโครงสร้างพื้นฐานของประเทศไทยให้เกิดมูลค่าสูงที่สุด?”

หากประเทศไทยตอบคำถามนี้ได้ เราจะไม่ได้เพียงเพิ่มจำนวน Data Center

แต่จะสามารถออกแบบ Digital Infrastructure ของประเทศ ให้กรุงเทพฯ และ EEC ทำงานร่วมกัน

จาก

Bangkok Digital Gateway

ไปสู่

EEC Compute & Energy Hub

และในพื้นที่ที่เหมาะสม เชื่อม

Electricity + Clean Energy + LNG Cold Energy + Data Center + AI

เข้าด้วยกัน

นี่อาจเป็นเส้นทางที่ทำให้ประเทศไทยไม่เพียงเป็นสถานที่ตั้ง Data Center ของโลก แต่เป็น Sustainable AI Infrastructure Hub ที่ใช้พลังงานและทรัพยากรได้อย่างมีประสิทธิภาพจริง