ทำไม GPU ถึงยังครองโลก GenAI แม้จะมี NPU เกิดขึ้นมาแล้ว?

โลก AI กำลังลุกเป็นไฟ GenAI มาแรงเขย่าวงการ แต่เบื้องหลังพลังการประมวลผล GPU ยังครองบัลลังก์ด้านชิปเซ็ตประมวลผล แม้จะมี NPU ที่เกิดมาเพื่อประมวลผล AI โดยเฉพาะ

28 มกราคม 2568 - ในโลกที่เทคโนโลยีก้าวหน้าอย่างไม่หยุดยั้ง ปฏิเสธไม่ได้ว่า AI หรือปัญญาประดิษฐ์ ได้เข้ามามีบทบาทสำคัญต่อชีวิตประจำวันของมนุษย์มากขึ้นเรื่อย ๆ หนึ่งใน AI ที่โดดเด่นและเป็นที่พูดถึงกันอย่างกว้างขวางคือ Generative AI หรือ GenAI ซึ่งมีความสามารถในการสร้างสรรค์สิ่งต่าง ๆ ได้อย่างน่าทึ่ง ไม่ว่าจะเป็นการเขียนบทความ ตอบคำถาม สร้างรูปภาพ หรือแม้กระทั่งแต่งเพลง

ตัวอย่างที่เห็นได้ชัดของ GenAI คือ ChatGPT และ Gemini ซึ่งเป็นโมเดลภาษาขนาดใหญ่ที่สามารถสื่อสารโต้ตอบกับมนุษย์ได้อย่างเป็นธรรมชาติ เบื้องหลังความสามารถอันน่าอัศจรรย์นี้คือขุมพลังการประมวลผลอันมหาศาลจากฮาร์ดแวร์ประสิทธิภาพสูง

เมื่อพูดถึงฮาร์ดแวร์สำหรับ AI หลายคนอาจนึกถึง GPU หรือ Graphics Processing Unit เป็นอันดับแรก แต่รู้หรือไม่ว่า จริง ๆ แล้วมีหน่วยประมวลผลอีกชนิดหนึ่งที่ถูกออกแบบมาเพื่อ AI โดยเฉพาะอย่าง NPU หรือ Neural Processing Unit คำถามที่น่าสนใจคือ ทำไม GPU ถึงยังคงเป็นตัวเลือกยอดนิยมในการประมวลผล GenAI ขนาดใหญ่ ทั้ง ๆ ที่มี NPU เกิดขึ้นมาแล้ว

GPU และ NPU สองพลังประมวลผลแห่งโลก AI

ก่อนที่จะลงลึกไปถึงเหตุผลที่ GPU ยังคงครองโลกของ GenAI มาทำความรู้จักกับ GPU และ NPU ให้มากขึ้นกันก่อน

เดิมที GPU ถูกพัฒนาขึ้นเพื่อประมวลผลกราฟิกสำหรับเกมและงานด้านภาพ แต่ด้วยความสามารถในการประมวลผลแบบขนาน (Parallel Processing) ทำให้ GPU สามารถประมวลผลข้อมูลจำนวนมากพร้อม ๆ กันได้อย่างมีประสิทธิภาพ ซึ่งเป็นคุณสมบัติที่เหมาะสมกับงานด้าน AI เช่น การฝึกฝนโมเดล AI

ส่วน NPU คือหน่วยประมวลผลที่ถูกออกแบบมาโดยเฉพาะสำหรับงานด้าน AI โดยมีสถาปัตยกรรมที่เหมาะสมกับการประมวลผลโครงข่ายประสาทเทียม (neural network) ซึ่งเป็นหัวใจสำคัญของ AI เช่น Convolutional Neural Networks (CNNs) และ Recurrent Neural Networks (RNNs) NPU ใช้ systolic array ในการประมวลผล ซึ่งเป็นสถาปัตยกรรมที่ช่วยให้การคำนวณแบบเมทริกซ์ ซึ่งเป็นพื้นฐานของการทำงานของโครงข่ายประสาทเทียม มีประสิทธิภาพสูง

แม้ GPU และ NPU จะถูกนำมาใช้ในการประมวลผล AI เหมือนกัน แต่ทั้งสองก็มีความแตกต่างกันในด้านสถาปัตยกรรมและการทำงาน GPU เน้นการประมวลผลแบบขนานที่มีความยืดหยุ่นสูง สามารถปรับเปลี่ยนการใช้งานได้หลากหลาย ในขณะที่ NPU ถูกออกแบบมาเพื่อประมวลผล AI โดยเฉพาะ จึงมีประสิทธิภาพสูงกว่าและใช้พลังงานน้อยกว่าในการทำงานบางประเภท กล่าวโดยสรุปคือ GPU มีความยืดหยุ่นสูงกว่า ในขณะที่ NPU มีประสิทธิภาพในการประมวลผล AI สูงกว่า

GenAI ทำงานอย่างไร?

GenAI อย่าง GPT หรือ Gemini คือโมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) ที่ถูกฝึกฝนด้วยข้อมูลมหาศาล โดย LLM เหล่านี้ใช้โครงข่ายประสาทเทียม (neural network) ที่มีความซับซ้อนสูงในการเรียนรู้รูปแบบและความสัมพันธ์ของภาษา

การฝึกฝน LLM จึงต้องใช้พลังการประมวลผลมหาศาลในการคำนวณและปรับแต่งพารามิเตอร์นับล้านๆ ตัว ในกระบวนการฝึกฝนการคำนวณแบบวนซ้ำ ซึ่งรวมถึงการส่งข้อมูลไปข้างหน้า (forward propagation) เพื่อทำนายผลลัพธ์ และการส่งข้อมูลย้อนกลับ (backward propagation) เพื่อปรับแต่งพารามิเตอร์ของโมเดลให้มีความแม่นยำมากขึ้น และนั่นคือจุดที่ GPU และ NPU เข้ามามีบทบาท

ทั้ง GPU และ NPU มีบทบาทสำคัญในการประมวลผล GenAI โดยสามารถนำมาใช้ได้ทั้งในขั้นตอนการฝึกฝน (training) และการอนุมาน (inference)

ในขั้นตอนการฝึกฝน โมเดล AI จะเรียนรู้จากข้อมูลจำนวนมหาศาล ด้วยความสามารถของ GPU ในการประมวลผลแบบขนาน จึงถูกนำมาใช้อย่างแพร่หลายในการฝึกฝน LLM อย่างไรก็ตาม NPU ก็เริ่มมีบทบาทมากขึ้นในขั้นตอนนี้เช่นกัน เนื่องจากมีประสิทธิภาพสูงกว่าในการประมวลผลโครงข่ายประสาทเทียม

หลังจากที่โมเดล AI ถูกฝึกฝนแล้ว จะนำมาใช้ในการสร้างผลลัพธ์ เช่น การตอบคำถาม การแปลภาษา หรือการสร้างรูปภาพ ในขั้นตอนนี้ NPU มักจะมีประสิทธิภาพสูงกว่า GPU เนื่องจากใช้พลังงานน้อยกว่าและมีความหน่วงต่ำ ตัวอย่างการใช้งาน NPU ในการอนุมาน ได้แก่ การประมวลผลภาษาธรรมชาติ (natural language processing) การจดจำรูปภาพ (image recognition) และการควบคุมหุ่นยนต์ (robotics)

แล้วทำไม GPU ถึงยังครองตลาด?

แม้ NPU จะมีข้อได้เปรียบในด้านประสิทธิภาพและการใช้พลังงาน แต่ GPU ก็ยังคงเป็นตัวเลือกยอดนิยมในการประมวลผล GenAI ด้วยเหตุผลหลายประการ ดังนี้

1. ความพร้อมใช้งาน : GPU มีวางจำหน่ายในท้องตลาดอย่างแพร่หลาย และสามารถใช้งานร่วมกับฮาร์ดแวร์และซอฟต์แวร์ต่างๆ ได้ง่าย ในขณะที่ NPU ยังมีตัวเลือกให้เลือกน้อยกว่า และอาจต้องใช้ฮาร์ดแวร์และซอฟต์แวร์เฉพาะ

2. ระบบนิเวศ : GPU ได้รับการสนับสนุนจากระบบนิเวศซอฟต์แวร์ที่แข็งแกร่ง มีเครื่องมือและไลบรารีมากมายที่ช่วยให้การพัฒนาและใช้งาน AI เป็นเรื่องง่าย เช่น CUDA และ OpenCL เฟรมเวิร์กเหล่านี้ช่วยให้นักพัฒนาสามารถใช้ประโยชน์จาก GPU ได้อย่างเต็มประสิทธิภาพ ในทางกลับกัน การพัฒนาซอฟต์แวร์และเครื่องมือต่าง ๆ ให้สนับสนุนการใช้งาน NPU ยังอยู่ในช่วงเริ่มต้น ทำให้นักพัฒนาอาจต้องใช้ความพยายามและเวลาในการปรับแต่งและใช้งาน NPU ให้เหมาะสมกับงานของตน

3. ความคุ้นเคย : นักพัฒนาและนักวิจัย AI ส่วนใหญ่คุ้นเคยกับการใช้งาน GPU มากกว่า การเปลี่ยนมาใช้ NPU อาจต้องใช้เวลาในการเรียนรู้และปรับตัว

4. การเข้าถึง NPU ในระดับอุตสาหกรรม : แม้ NPU จะมีประสิทธิภาพสูงกว่า แต่ในปัจจุบัน GPU ยังคงสามารถถึงได้ง่ายกว่าในแง่ของการใช้งานระดับอุตสาหกรรม

5. ประสิทธิภาพในการฝึกฝนโมเดล AI ขนาดใหญ่ : แม้ว่า NPU จะมีประสิทธิภาพสูงในการอนุมานมากกว่า แต่ GPU ยังคงมีข้อได้เปรียบในด้านการ Training โมเดล AI ขนาดใหญ่ ซึ่งมักต้องใช้หน่วยความจำและกำลังประมวลผลสูงจากการประมวลผลแบบ Parallel Processing

6. ความยืดหยุ่น : NPU ถูกออกแบบมาให้ทำงานเฉพาะทางด้าน AI โดยเฉพาะ เช่น การเรียนรู้เชิงลึก และการอนุมาน ทำให้มีความยืดหยุ่นน้อยกว่าในการประมวลผลงานประเภทอื่น ๆ ที่ดาต้าเซ็นเตอร์ต้องรับมือ ในขณะที่ดาต้าเซ็นเตอร์ต้องรองรับงานหลากหลายประเภท ทั้งการประมวลผลข้อมูล การวิเคราะห์ข้อมูล การจัดการฐานข้อมูล และการให้บริการแอปพลิเคชั่นต่าง ๆ ซึ่ง GPU มีความสามารถในการประมวลผลทั่วไป (General Purpose Computing) ที่ดีกว่า ทำให้สามารถรองรับงานต่างๆ เหล่านี้ได้อย่างมีประสิทธิภาพ

อนาคตของ GPU และ NPU ในโลก GenAI ต่อจากนี้

แม้ GPU จะยังคงเป็นผู้นำในปัจจุบัน แต่ NPU ก็กำลังได้รับความนิยมเพิ่มขึ้นเรื่อย ๆ โดยเฉพาะอย่างยิ่งในงานที่ต้องการประสิทธิภาพสูงและใช้พลังงานต่ำ เช่น การประมวลผล AI บนอุปกรณ์พกพาเช่นสมาร์ทโฟน หรือ AI PC เนื่องจาก NPU ถูกออกแบบมาให้ใช้พลังงานต่ำมาก ซึ่งเป็นสิ่งสำคัญอย่างยิ่งสำหรับอุปกรณ์พกพาที่ใช้พลังงานจากแบตเตอรี่ การใช้ GPU ในการประมวลผล AI จะทำให้แบตเตอรี่หมดเร็วขึ้นอย่างมาก

นอกจากนี้ NPU มีขนาดเล็กกว่า GPU มาก ทำให้เหมาะสำหรับการใช้งานในอุปกรณ์พกพาที่มีพื้นที่จำกัด อีกทั้ง NPU สามารถประมวลผล AI ได้เร็วขึ้นและแม่นยำขึ้น ส่งผลให้ประสบการณ์การใช้งาน AI บนสมาร์ทโฟน เช่น การถ่ายภาพ การรู้จำใบหน้า และผู้ช่วยเสมือน มีความลื่นไหลและเป็นธรรมชาติมากขึ้น

จากข้อมูลที่ได้กล่าวมาทั้งหมด จะเห็นได้ว่า GPU ยังคงเป็นตัวเลือกยอดนิยมในการประมวลผลหากมองถึงขุมพลังหลักในการประมวลผล GenAI เนื่องจากความพร้อมใช้งาน ระบบนิเวศที่แข็งแกร่ง และความคุ้นเคยของนักพัฒนา

อย่างไรก็ตาม NPU ก็เป็นเทคโนโลยีที่น่าจับตามอง และมีศักยภาพที่จะเข้ามาเปลี่ยนแปลงโลกของ GenAI ในอนาคต พัฒนาการของ GPU และ NPU จะช่วยผลักดันให้เกิดนวัตกรรมและการพัฒนา AI อย่างต่อเนื่อง นำไปสู่ GenAI ที่มีประสิทธิภาพ เข้าถึงได้ง่าย และเป็นประโยชน์ต่อมนุษย์มากยิ่งขึ้น

แม้ว่าในปัจจุบัน GPU จะยังคงครองตลาด GenAI อยู่ แต่ NPU ก็มีโอกาสที่จะก้าวขึ้นมาเป็นผู้นำในอนาคต ด้วยประสิทธิภาพที่สูงกว่าและการใช้พลังงานที่น้อยกว่า โดยเฉพาะอย่างยิ่งเมื่อเทคโนโลยี NPU มีการพัฒนาให้มีความพร้อมมากขึ้น การเลือกระหว่าง GPU และ NPU ขึ้นอยู่กับปัจจัยหลายอย่าง เช่น งบประมาณ ความต้องการด้านประสิทธิภาพ และความเชี่ยวชาญของทีมพัฒนา

ในอนาคตอันใกล้นี้ อาจจะได้เห็น NPU เข้ามามีบทบาทสำคัญในการขับเคลื่อน GenAI และสร้างสรรค์นวัตกรรมใหม่ๆ ที่จะเปลี่ยนแปลงโลกของเราไปอย่างสิ้นเชิง

อ่านข่าวที่เกี่ยวข้องกับ แวดวงเทคโนโลยี ทั่วโลก ได้ที่นี่