· 35% ของผู้ใช้สมาร์ทโฟน 5G ยินดีจ่ายค่าบริการกับการเชื่อมต่อที่มีคุณภาพแตกต่างกัน

· ผลวิจัยฉบับนี้เป็นตัวแทนผู้บริโภค 1.1 พันล้านราย ซึ่งในจำนวนนี้มีผู้ใช้สมาร์ทโฟน 5G อยู่ 750 ล้านราย

· รายงานนี้ยังชี้ให้เห็นโอกาสในการสร้างรายได้ให้กับผู้ให้บริการด้านการสื่อสาร (CSP)

ผลวิจัยล่าสุดจาก Ericsson (NASDAQ: ERIC) ConsumerLab เผยการใช้แอปพลิเคชัน Generative AI กำลังกลายเป็นปัจจัยสำคัญที่กระตุ้นความสนใจกับการเชื่อมต่อที่แตกต่างตามการใช้งานที่จำเป็นของผู้ใช้สมาร์ทโฟน 5G ทั่วโลก พร้อมรับประกันว่าการเชื่อมต่อจะมีคุณภาพอยู่ในระดับไฮเอนด์และไม่สะดุดในเวลาที่ต้องการใช้งานมากที่สุด

จากจำนวนเจ้าของสมาร์ทโฟนที่ใช้แอป Generative AI อย่างน้อยสัปดาห์ละครั้งที่คาดว่าจะเพิ่มขึ้น 2.5 เท่าในอีก 5 ปีข้างหน้า โดยการเติบโตอย่างรวดเร็วนี้สอดคล้องกับยูสเคสการใช้งานเครือข่ายที่มีความแตกต่างกันเช่นวิดีโอคอล สตรีมมิ่ง และการชำระเงินออนไลน์ ที่ผู้ใช้ระบุว่าพวกเขาเต็มใจจ่ายเพิ่มกับบริการในระดับพรีเมียม

บริการเชื่อมต่อที่มีความแตกต่างและผู้บริโภคที่เต็มใจจ่ายค่าบริการให้กับผู้ให้บริการด้านการสื่อสาร (CSP) เพื่อรับประกันว่าจะได้รับการเชื่อมต่อประสิทธิภาพสูงในการใช้งานแอปที่จำเป็น เป็นหัวข้อในรายงานระดับโลกล่าสุดจาก Ericsson ConsumerLab ในชื่อว่า Elevating 5G with Differentiated Connectivity ซึ่งเผยแพร่เมื่อวันที่ 13 พฤศจิกายน ที่ผ่านมา

เกือบ 1 ใน 4 ของผู้ใช้ Gen AI ระบุว่ายินดีจ่ายค่าบริการเพิ่ม 35% กับบริการที่รับประกันว่าจะได้รับประสบการณ์การเชื่อมต่อที่รวดเร็วและปลอดภัยระหว่างที่ใช้แอปพลิเคชันที่มีความจุสูง

ผลการวิจัยยังชี้ให้เห็นว่า 35% ของผู้ใช้สมาร์ทโฟน 5G สนใจที่จะจ่ายค่าบริการเพื่อให้ได้ประสิทธิภาพการเชื่อมต่อที่แตกต่างกันสำหรับใช้งานแอปพลิเคชันที่จำเป็นต่าง ๆ

รายงานฉบับนี้ ยังระบุถึงโอกาสต่าง ๆ ในการสร้างรายได้สำหรับผู้ให้บริการด้านการสื่อสารอีกด้วย

แจสมีต เซธิ หัวหน้าฝ่ายวิจัย ConsumerLab ของอีริคสัน กล่าวว่า “ผลการวิจัยล่าสุดในรายงาน Ericsson ConsumerLab เผยว่า เมื่อแอปพลิเคชันที่ขับเคลื่อนด้วย AI ได้รับความนิยมแพร่หลายมากขึ้น ความคาดหวังของผู้ใช้ต่อประสบการณ์การเชื่อมต่อที่ดีก็เพิ่มขึ้นตามไปด้วย สะท้อนให้เห็นว่าผู้บริโภคคาดหวังความสามารถในอนาคตของแอปพลิเคชัน AI ที่อาจเกี่ยวข้องกับ การสร้างภาพ เสียง หรือวิดีโอ และพวกเขาเต็มใจที่จะจ่ายค่าบริการเพื่อให้ได้ความสามารถเหล่านั้นมาใช้ทำงานที่ได้ความรวดเร็วและมีคุณภาพสูง

นี่เป็นสัญญาณบ่งชี้ถึงโอกาสของผู้ให้บริการทั่วโลกที่จะสามารถตอบสนองความต้องการนี้ได้ด้วยการมอบประสบการณ์การเชื่อมต่อที่ปรับแต่งได้”

เซธิ กล่าวเพิ่มเติมว่า “เมื่อผู้ให้บริการปรับใช้โมเดลธุรกิจที่เน้นประสิทธิภาพ จะมีโอกาสสร้างรายได้เพิ่มขึ้นจากบริการเชื่อมต่อที่แตกต่าง รวมถึงการนำเสนอแพ็กเกจบริการที่สามารถปรับแต่งและการรับประกันคุณภาพการเชื่อมต่อที่เหมาะสมกับความต้องการของลูกค้าแต่ละกลุ่มในตลาด”

“การเปลี่ยนแปลงนี้อาจส่งผลให้รายได้เฉลี่ยต่อผู้ใช้ (ARPU) ของบริการ 5G เพิ่มขึ้น 5-12% เนื่องจากผู้ใช้งานต้องการประสิทธิภาพที่เชื่อถือได้และมีการรับประกันสำหรับแอปพลิเคชันเฉพาะด้าน นอกจากนี้ ยังมีโอกาสปลดล็อกช่องทางสร้างรายได้ใหม่ ๆ จากความต้องการอย่างมีนัยสำคัญของกลุ่มผู้ใช้บริการ 5G ที่ต้องการใช้แอปประสิทธิภาพสูง โดย 1 ใน 3 ของผู้ใช้สมาร์ทโฟน 5G ยินดีจัดสรรงบประมาณ 10% จากค่าใช้จ่ายแอปมือถือในปัจจุบัน เพื่อมาซื้อแอปที่มีคุณภาพการเชื่อมต่อสูงอยู่ในตัว ด้วยการเปิดให้นักพัฒนาเข้าถึง Network APIs แบบ Quality on Demand (QoD) ทำให้ผู้ให้บริการฯ สามารถตอบสนองความต้องการนี้ได้ และช่วยให้นักพัฒนาสามารถนำเสนอประสบการณ์ระดับพรีเมียมที่มีประสิทธิภาพสูง พร้อมปลดล็อกช่องทางรายได้ใหม่ ๆ ในกระบวนการนี้ได้” เซธิ กล่าวเพิ่ม

ประเด็นสำคัญ:

· พร้อมจ่ายค่าบริการเพิ่ม: 35% ของผู้ใช้ 5G ทั่วโลก ยินดีจ่ายเพิ่มเพื่อรับบริการเชื่อมต่อที่มีคุณภาพแตกต่างกัน เพื่อรับประกันประสิทธิภาพที่ดีขึ้นกับงานที่มีความสำคัญ

· กลุ่มผู้ใช้ที่ต้องการความมั่นใจ หรือ Assurance Seekers: แม้จะมีความเชื่อว่าผู้ใช้จะไม่ยอมจ่ายค่าบริการเครือข่ายเพิ่ม แต่ผลสำรวจพบว่า 20% ของผู้ใช้งาน ซึ่งเรียกว่า 'Assurance Seekers' กำลังมองหาการเชื่อมต่อคุณภาพสูงเพื่อใช้แอปพลิเคชันสำคัญและพวกเขาเต็มใจจะจ่ายเพิ่ม

· ความต้องการใช้แอป Gen AI: คาดว่าจำนวนผู้ใช้สมาร์ทโฟนที่ใช้แอป Gen AI รายสัปดาห์จะเพิ่มขึ้น 2.5 เท่าในอีก 5 ปีข้างหน้า โดย 1 ใน 4 ของผู้ใช้ AI ในปัจจุบัน เต็มใจจ่ายค่าบริการเพิ่มถึง 35% เพื่อแลกกับบริการเชื่อมต่อที่มีคุณภาพแตกต่าง เพื่อให้มั่นใจว่าจะได้รับประสิทธิภาพที่รวดเร็วและตอบสนองเป็นอย่างดีเมื่อใช้แอป AI

· ความสนใจระดับภูมิภาค: ตลาดอินเดีย ประเทศไทยและซาอุดีอาระเบีย มีสัดส่วนผู้ใช้สมาร์ทโฟนที่สนใจบริการเชื่อมต่อที่แตกต่างหรือ Differentiated Connectivity มากกว่าฝรั่งเศสและสเปนถึง 2 เท่า

· 5 ขั้นตอนสำหรับผู้ให้บริการ: รายงานฉบับนี้ยังได้นำเสนอการวางแนวทางสำหรับผู้ให้บริการด้านการสื่อสาร เพื่อเปลี่ยนจากการให้บริการอินเทอร์เน็ตบรอดแบนด์มือถือทั่วไป ไปสู่โมเดลที่ขับเคลื่อนด้วยประสิทธิภาพและแพลตฟอร์ม ซึ่ง Network APIs จะช่วยให้นักพัฒนาสามารถสร้างประสบการณ์การใช้แอปที่ปรับแต่งเฉพาะได้

การสำรวจนี้เป็นการสำรวจทางออนไลน์กับผู้ใช้สมาร์ทโฟนจำนวนมากกว่า 23,000 ราย และมากกว่า 17,000 รายเป็นผู้ใช้สมาร์ทโฟน 5G โดยมีอายุระหว่าง 15-69 ปี ครอบคลุมใน 16 ตลาดสำคัญทั่วโลก นักวิจัยของอีริคสันยังระบุว่าการสำรวจนี้เสมือนเป็นตัวแทนผู้ใช้บริการมือถือ 1.1 พันล้านคนโดยในจำนวนนี้เป็นผู้ใช้สมาร์ทโฟน 5G 750 ล้านราย

ผู้ใช้บริการ 5G ที่ร่วมการสำรวจมาจาก: ออสเตรเลีย, บราซิล, แคนาดา, จีน, ฝรั่งเศส, ฮ่องกง, อินเดีย, ซาอุดีอาระเบีย, สิงคโปร์, เกาหลีใต้, สเปน, ไต้หวัน, ไทย, สหรัฐอาหรับเอมิเรตส์, สหราชอาณาจักร และสหรัฐอเมริกา

การ์ทเนอร์คาดการณ์ว่าในอีกสามปี (พ.ศ. 2570) 40% ของโซลูชัน Generative AI จะทำงานในแบบมัลติโหมดที่จะสามารถประมวลผล ทำความเข้าใจและทำงานร่วมกับข้อมูลได้มากกว่าหนึ่งประเภท (อาทิ ข้อความ, รูปภาพ, เสียง และวิดีโอ) ซึ่งเพิ่มขึ้นจาก 1% ในปี 2566 โดยการเปลี่ยนแปลงนี้ทำให้ Human-AI มีปฏิสัมพันธ์ที่พัฒนายิ่งขึ้น และยังมอบโอกาสที่จะสร้างความต่างให้กับสิ่งที่ GenAI มีให้

เอริค เบรทเดอนิวซ์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “เนื่องจากตลาด GenAI วิวัฒน์ไปสู่โมเดลที่เกิดและพัฒนาด้วยโหมดต่าง ๆ มากกว่าหนึ่งโหมด สิ่งนี้ช่วยสะท้อนภาพความสัมพันธ์ระหว่างข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นต่อเนื่องที่แตกต่างกัน และมีศักยภาพในการปรับขนาดการใช้และเพิ่มประโยชน์ของ GenAI ให้ครอบคลุมประเภทข้อมูลและแอปพลิเคชันทั้งหมด นอกจากนี้ยังช่วยให้ AI สนับสนุนการทำงานของมนุษย์ได้มากขึ้นโดยไม่คำนึงถึงสภาพแวดล้อม”

Multimodal GenAI เป็นหนึ่งในสองเทคโนโลยีที่ได้รับการระบุไว้ในรายงาน Gartner Hype Cycle for Generative AI ปีนี้ โดยการนำมาใช้ช่วงแรกอาจสร้างความได้เปรียบในการแข่งขันที่สำคัญและเพิ่มประสิทธิภาพในด้านระยะเวลาในการนำออกสู่ตลาด ควบคู่ไปกับโมเดลภาษาโอเพนซอร์สขนาดใหญ่ (LLM) ทำให้เทคโนโลยีทั้งสองมีศักยภาพที่จะสร้างผลกระทบสูงต่อองค์กรอย่างสูงภายในห้าปีข้างหน้านี้  บรรดานวัตกรรม GenAI ที่การ์ทเนอร์คาดว่าจะได้รับการยอมรับแพร่หลายภายใน 10 ปีนั้น มีเทคโนโลยี 2 ประเภทที่ได้รับการระบุว่ามีศักยภาพสูงสุด ได้แก่ Domain-Specific GenAI Models และ Autonomous Agents

อรุณ จันทรเศกการัน รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “การวิเคราะห์แนวโน้มระบบนิเวศของ GenAI ยังคงเป็นเรื่องยากสำหรับองค์กร เนื่องจากระบบนิเวศของเทคโนโลยีนี้และผู้ผลิตหรือผู้ให้บริการเทคโนโลยีนั้นมีการเปลี่ยนแปลงอย่างรวดเร็ว โดย GenAI กำลังอยู่ในช่วงขาลงเมื่ออุตสาหกรรมเริ่มรวมตัวเข้าด้วยกัน ทว่าประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระแสนี้ลดลง และตามมาด้วยขีดความสามารถที่ก้าวหน้าขึ้นจะเกิดขึ้นรวดเร็วไปอีกมากในอีกไม่กี่ปีข้างหน้านี้”

Multimodal GenAI

Multimodal GenAI จะมีผลกระทบต่อแอปพลิเคชันองค์กรอย่างมาก จากการเพิ่มคุณสมบัติและฟังก์ชันใหม่ ๆ ที่วิธีอื่น ๆ ทำไม่ได้ และผลกระทบนั้นไม่ได้จำกัดอยู่แค่เฉพาะอุตสาหกรรมหรือยูสเคสการใช้งานเฉพาะเท่านั้น แต่ยังสามารถนำไปประยุกต์ใช้ในทุก Touchpoint ระหว่าง AI กับมนุษย์ ปัจจุบัน Multimodal Model หลาย ๆ ตัวยังมีข้อจำกัดอยู่เพียงสองหรือสามโหมดเท่านั้น แต่อีกไม่กี่ปีข้างหน้าจะเพิ่มขึ้นเพื่อให้ครอบคลุมมากขึ้น

“ในโลกความเป็นจริง ผู้คนจะพบเจอและเข้าใจข้อมูลผ่านการประมวลผลที่เป็นการผสมผสานของข้อมูลหลากหลายประเภท อาทิ เสียง ภาพและการสัมผัส โดย Multimodal GenAI นั้นมีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลโดยทั่วไปนั้นจะประกอบด้วยประเภทต่าง ๆ อยู่แล้ว เมื่อนำ Single Modality Models มาประกอบเข้าด้วยกันเพื่อรองรับแอปพลิเคชัน Multimodal GenAI มักส่งผลให้เกิดความล่าช้าและลดความแม่นยำของผลลัพธ์ ส่งผลให้ได้รับประสบการณ์ที่มีคุณภาพต่ำ” เบรทเดอนิวซ์ กล่าวเพิ่ม

Open-Source LLMs LLM แบบโอเพ่นซอร์สเป็นโมเดลพื้นฐานการเรียนรู้เชิงลึกที่เร่งมูลค่าองค์กรจากการนำ GenAI ไปปรับใช้งาน โดยทำให้การเข้าถึงเชิงพาณิชย์ได้อย่างเสรีและอนุญาตให้ผู้พัฒนาปรับแต่งโมเดลให้เหมาะกับงานและยูสเคสการใช้งานเฉพาะ นอกจากนี้ ยังสามารถเข้าถึงชุมชนนักพัฒนาในองค์กร สถาบันการศึกษา และบทบาทการวิจัยอื่น ๆ ที่กำลังทำงานเพื่อเป้าหมายร่วมกันปรับปรุงและทำให้โมเดลนี้มีคุณค่ามากขึ้น

“LLM แบบโอเพ่นซอร์สเพิ่มศักยภาพด้านนวัตกรรมผ่านการปรับแต่งอย่างเหมาะสม ทำให้การควบคุมความเป็นส่วนตัวและความปลอดภัยดีขึ้น โมเดลมีความโปร่งใส มีความสามารถเพิ่มจากการพัฒนาร่วมกัน และมีศักยภาพในการลดการผูกขาดของผู้ขาย ท้ายที่สุดแล้ว LLM นำเสนอโมเดลขนาดเล็กกว่าให้กับองค์กร ซึ่งฝึกฝนได้ง่ายและมีค่าใช้จ่ายน้อยกว่า และเปิดใช้งานแอปพลิเคชันทางธุรกิจและกระบวนการทางธุรกิจหลัก” จันทราเสการัน กล่าวเพิ่ม

Domain-Specific GenAI Models

Domain-Specific GenAI Models ได้รับการพัฒนาเพื่อตอบสนองต่อความต้องการของอุตสาหกรรม ฟังก์ชันทางธุรกิจ หรือภารกิจที่มีความเฉพาะ โดยโมเดลเหล่านี้สามารถเพิ่มประสิทธิภาพของการจัดวางยูสเคสการใช้งานภายในองค์กรได้ พร้อมมอบความแม่นยำ ความปลอดภัย และความเป็นส่วนตัวที่ดีกว่า รวมถึงคำตอบที่เข้าใจบริบท ซึ่งช่วยลดความจำเป็นในการออกแบบข้อความที่ใช้สื่อสารกับโมเดล AI เทียบกับโมเดล AI ที่พัฒนามาเพื่อวัตถุประสงค์ทั่วไป และยังสามารถลดความเสี่ยงจากกรณีที่ AI อาจสร้างภาพหลอนขึ้นมาเอง (Hallucination Risks) จากการฝึกฝนที่เน้นการกำหนดเป้าหมาย

“Domain-specific models สามารถร่นระยะเวลาส่งมอบบริการตามความต้องการ (Time to Value) ประสิทธิภาพเพิ่มขึ้นและมีความปลอดภัยสูงขึ้นสำหรับโครงการ AI ต่าง ๆ โดยการนำเสนอจุด Start ที่ก้าวล้ำกว่าสำหรับงานอุตสาหกรรมเฉพาะ สิ่งนี้จะส่งเสริมการนำ GenAI มาใช้อย่างแพร่หลายมากขึ้น เนื่องจากองค์กรต่าง ๆ จะสามารถนำไปประยุกต์ใช้ในยูสเคสที่ General-Purpose Models ไม่มีประสิทธิภาพเพียงพอ” จันทราเสการัน กล่าวเพิ่ม

Autonomous Agents

Autonomous Agents คือ ระบบรวม (Combined Systems) ที่สามารถบรรลุเป้าหมายที่กำหนดไว้ได้โดยปราศจากมนุษย์ โดยใช้เทคนิค AI ที่หลากหลายในการระบุรูปแบบของสภาพแวดล้อม การตัดสินใจ การจัดลำดับการดำเนินการและสร้างผลลัพธ์ โดยตัวแทนเหล่านี้มีศักยภาพเรียนรู้จากสภาพแวดล้อมและปรับปรุงตลอดเวลา ทำให้สามารถจัดการงานที่ซับซ้อนได้

“Autonomous Agents เป็นการเปลี่ยนแปลงครั้งสำคัญของความสามารถ AI โดยความสามารถดำเนินการและตัดสินใจได้อย่างอิสระช่วยปรับปรุงการดำเนินธุรกิจ สร้างประสบการณ์ที่ดีให้กับลูกค้า และใช้ในการเปิดตัวผลิตภัณฑ์และบริการใหม่ ๆ ส่งผลให้ประหยัดต้นทุนและมีความได้เปรียบทางการแข่งขัน นอกจากนี้ยังเปลี่ยนบทบาทของทีมงานในองค์กรจากการส่งมอบ (Delivery) เป็นการควบคุมดูแล (Supervision) แทน”

ซิสโก้ (NASDAQ: CSCO)  บริษัทชั้นนำด้านเทคโนโลยีระบบรักษาความปลอดภัยและเครือข่าย ได้ประกาศเปิดตัวโซลูชั่นคลัสเตอร์ AI ที่ก้าวล้ำ พร้อมด้วยเทคโนโลยีจาก NVIDIA สำหรับดาต้าเซ็นเตอร์ยุคใหม่ที่จะพลิกโฉมการสร้าง การจัดการ และการปรับแต่งโครงสร้างพื้นฐานและซอฟต์แวร์

ภายใต้วิสัยทัศน์ Cisco Networking Cloud ซึ่งมุ่งที่จะลดความซับซ้อนของเครือข่าย ซิสโก้ได้นำเสนอโซลูชั่นโครงสร้างพื้นฐานแบบครบวงจรที่พร้อมใช้งานในระดับองค์กร เพื่อรองรับเวิร์กโหลด Generative AI โดยโซลูชั่นคลัสเตอร์ Cisco Nexus HyperFabric AI ผสานรวมเครือข่ายแบบ AI-native ของซิสโก้ เข้ากับระบบประมวลผลที่มีการเร่งความเร็วและซอฟต์แวร์ AI ของ NVIDIA และที่เก็บข้อมูล VAST ที่แข็งแกร่ง โซลูชั่นดังกล่าวได้รับการออกแบบเป็นพิเศษเพื่อช่วยให้ลูกค้าสามารถโฟกัสไปที่การสร้างสรรค์นวัตกรรมที่ขับเคลื่อนด้วย AI รวมถึงโอกาสใหม่ๆ ในการสร้างรายได้ โดยไม่ต้องวุ่นวายกับการจัดการระบบไอที

รายงานแนวโน้มด้านระบบเครือข่ายทั่วโลก (Global Networking Trends Report) ฉบับล่าสุดของซิสโก้ ระบุว่า ในช่วงสองปีข้างหน้า 60% ของผู้บริหารและบุคลากรด้านไอทีคาดว่าจะมีการปรับใช้ระบบเครือข่ายอัตโนมัติเชิงคาดการณ์ที่รองรับ AI ในทุกโดเมน เพื่อให้สามารถจัดการ NetOps ได้ดียิ่งขึ้น1 นอกจากนี้ 75% มีแผนที่จะปรับใช้เครื่องมือที่รองรับการตรวจสอบแบบครบวงจรผ่านคอนโซลหนึ่งเดียว ครอบคลุมโดเมนเครือข่ายที่แตกต่างกัน เช่น เครือข่ายแคมปัสและสาขา, WAN, ดาต้าเซ็นเตอร์, อินเทอร์เน็ต, ระบบ คลาวด์สาธารณะ และเครือข่ายอุตสาหกรรม

โจนาธาน เดวิดสัน รองประธานบริหารและผู้จัดการทั่วไปของ Cisco Networking กล่าวว่า “ถึงแม้ว่าอนาคตของ AI จะมีความชัดเจน แต่หนทางข้างหน้าสำหรับหลายๆ องค์กรที่เพิ่งเริ่มต้นการปรับใช้เทคโนโลยีกลับไม่เป็นเช่นนั้น กล่าวคือ ลูกค้าส่วนใหญ่มักจะต้องเผชิญกับปัญหาท้าทายทางด้านการเงินและการดำเนินงานสำหรับการเริ่มต้นใช้งาน AI Stack ซิสโก้มุ่งมั่นที่จะปรับปรุงการติดตั้งใช้งานและการจัดการโครงสร้างพื้นฐาน AI ให้สะดวกง่ายดายมากขึ้น โดยเราได้ร่วมมือกับ NVIDIA เพื่อนำเสนอโซลูชั่น AI Stack ที่ปรับใช้ได้อย่างง่ายดายและควบคุมผ่านระบบคลาวด์ โซลูชั่นที่ว่านี้สร้างขึ้นภายใต้วิสัยทัศน์แพลตฟอร์ม Cisco Networking Cloud ของเรา ซึ่งมุ่งเน้นการทำงานแบบอัตโนมัติและเรียบง่าย”

เควิน ไดเออร์ลิง รองประธานอาวุโสฝ่ายระบบเครือข่ายของ NVIDIA กล่าวว่า “Generative AI จำเป็นต้องใช้โครงสร้างพื้นฐานและซอฟต์แวร์ที่ออกแบบและสร้างขึ้นเพื่อการนี้โดยเฉพาะ เพื่อให้องค์กรต่างๆ สามารถเปลี่ยนข้อมูลที่มีอยู่ให้กลายเป็นเชื้อเพลิงสำหรับการพลิกโฉมธุรกิจได้อย่างปลอดภัยและมีประสิทธิภาพ NVIDIA และซิสโก้ร่วมมือกันเพื่อส่งมอบแพลตฟอร์ม AI และระบบควบคุมที่พร้อมใช้งานสำหรับองค์กร เพื่อเพิ่มความสะดวกในการติดตั้งใช้งานระบบประมวลผลแบบเร่งความเร็ว ระบบเครือข่าย และซอฟต์แวร์ที่จำเป็นสำหรับเวิร์กโหลด Generative AI”

ซิสโก้ได้ตอกย้ำถึงความมุ่งมั่นในการช่วยให้ลูกค้าสามารถปรับใช้โครงสร้างพื้นฐาน AI ได้อย่างรวดเร็ว นอกจากนี้ ซิสโก้ยังส่งมอบเครื่องมือที่เหมาะสมให้กับลูกค้าเพื่อสร้างเครือข่าย AI-native ที่ใช้งานง่าย สามารถคาดการณ์ความล้มเหลวในการทำงาน ตลอดจนวินิจฉัยและแก้ไขปัญหาได้อย่างฉับไว

วิธีการทำงานของ Cisco Nexus HyperFabric AI Cluster

โซลูชั่นนี้รองรับการออกแบบ ปรับใช้ ตรวจสอบ และรับรองพ็อด AI และเวิร์กโหลดของดาต้าเซ็นเตอร์อย่างครบวงจร โดยจะแนะนำผู้ใช้ตั้งแต่ขั้นตอนการออกแบบ ไปจนถึงการติดตั้งใช้งานที่ผ่านการตรวจสอบยืนยัน ไปจนถึงการตรวจสอบดูแลและรับรองโครงสร้างพื้นฐาน AI ที่พร้อมใช้งานระดับองค์กร ด้วยความสามารถในการจัดการระบบคลาวด์ ลูกค้าจะสามารถติดตั้งและจัดการแฟบริคขนาดใหญ่ที่ครอบคลุมทั่วทั้งดาต้าเซ็นเตอร์ ระบบโคโลเคชั่น (Colocation) และไซต์ Edge ได้อย่างง่ายดาย

โซลูชั่นคลัสเตอร์ Cisco Nexus HyperFabric AI นำเสนอการทำงานแบบอัตโนมัติที่ควบคุมจัดการผ่านระบบคลาวด์ ครอบคลุมระบบประมวลผลและเครือข่ายแบบครบวงจรที่ผสานรวมความเชี่ยวชาญด้านสวิตช์อีเธอร์เน็ตของซิสโก้บน Cisco Silicon One โดยบูรณาการเข้ากับระบบประมวลผลแบบเร่งความเร็วของ NVIDIA และซอฟต์แวร์ NVIDIA AI Enterprise รวมไปถึงแพลตฟอร์มการจัดเก็บข้อมูลของ VAST โซลูชั่นดังกล่าวประกอบด้วย:

· ความสามารถในการจัดการระบบคลาวด์ของซิสโก้ ซึ่งจะช่วยลดความยุ่งยากซับซ้อนของการดำเนินงานด้านไอทีในทุกขั้นตอนของเวิร์กโฟลว์

· สวิตช์ Cisco Nexus 6000 series สำหรับ Spine และ Leaf ซึ่งให้ประสิทธิภาพของแฟบริคอีเธอร์เน็ต 400G และ 800G

· โมดูล QSFP-DD ในตระกูล Cisco Optics ซึ่งช่วยเพิ่มทางเลือกให้แก่ลูกค้าและให้ความหนาแน่นสูงมาก

· ซอฟต์แวร์ NVIDIA AI Enterprise ซึ่งช่วยเพิ่มความคล่องตัวในการพัฒนาและปรับใช้เวิร์กโหลด Generative AI ในระดับเทียบเท่าการใช้งานจริง

· ไมโครเซอร์วิสการอนุมาน NVIDIA NIM ที่เพิ่มความรวดเร็วในการปรับใช้โมเดลพื้นฐาน พร้อมทั้งรับประกันความปลอดภัยของข้อมูล และสามารถใช้งานร่วมกับ NVIDIA AI Enterprise · NVIDIA Tensor Core GPU ที่เริ่มต้นด้วย NVIDIA H200 NVL ได้รับการออกแบบเป็นพิเศษเพื่อเพิ่มพลังให้กับเวิร์กโหลด Generative AI ด้วยสมรรถนะที่เหนือชั้นและความสามารถของหน่วยความจำที่เหนือกว่า

· หน่วยประมวลผลข้อมูล NVIDIA BlueField-3 DPU และ BlueField-3 SuperNIC สำหรับการเร่งความเร็วของเวิร์กโหลดด้านเครือข่ายประมวลผล AI การเข้าถึงข้อมูล และการรักษาความปลอดภัย

· ดีไซน์ต้นแบบระดับองค์กรสำหรับ AI ที่สร้างขึ้นบน NVIDIA MGX ซึ่งเป็นสถาปัตยกรรมเซิร์ฟเวอร์แบบแยกส่วนที่มีความยืดหยุ่นสูง

· VAST Data Platform ซึ่งให้พื้นที่จัดเก็บข้อมูลแบบครบวงจร ฐานข้อมูล และเอนจิ้นฟังก์ชั่นที่ขับเคลื่อนด้วยข้อมูลซึ่งสร้างขึ้นเป็นพิเศษสำหรับ AI

การนำ ChatGPT มาใช้อย่างรวดเร็วได้ยกระดับผลกระทบเชิงลบด้านสิ่งแวดล้อมในหลายมิติ จากที่ Generative AI เป็นเทคโนโลยีใหม่ที่กำลังได้รับความนิยม ได้กลายเป็นความกังวลขององค์กรทันที เมื่อยูสเคสที่เหมือนจะดูดีและถูกขับเคลื่อนโดยเทคโนโลยีเกิดใหม่นี้กลับสร้างผลเสียมากกว่าผลดีในแง่ของการปล่อยก๊าซเรือนกระจก (GHG) และปริมาณการใช้ไฟฟ้าและน้ำ

อย่างไรก็ตามหากใช้อย่างถูกวิธีและอยู่ภายใต้การควบคุมดูแลของมนุษย์ Generative AI ยังสามารถเร่งให้เกิดความยั่งยืนเชิงบวกพร้อมสร้างผลลัพธ์ทางการเงินได้ โดยเทคโนโลยีนี้อาจช่วยให้บริษัทลดความเสี่ยงด้านความยั่งยืน ปรับต้นทุนให้เหมาะสม และขับเคลื่อนการเติบโตได้เพื่อสร้างสมดุลระหว่างอันตรายและประโยชน์ของเทคโนโลยีนี้ องค์กรจำเป็นต้องดำเนินการ 2 ประการ ประการแรก คือ สร้างการรับรู้และลดการปล่อยพลังงานของ Generative AI เพื่อให้มันเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น จากนั้นระบุ ประเมินและจัดลำดับความสำคัญยูสเคสที่เกี่ยวกับความยั่งยืนด้านสิ่งแวดล้อมตระหนักถึงปัญหาด้านการบริโภคพลังงานของ Generative AI

Generative AI นั้นพึ่งพาโมเดลภาษาขนาดใหญ่ที่ได้รับการเทรนจากข้อมูลมหาศาล ซึ่งต้องระบายความร้อนด้วยน้ำหล่อเย็นและใช้พลังงานไฟฟ้า หรืออาจใช้พลังงานทั้งสองจำนวนมหาศาล แม้ในระยะยาวการปล่อยก๊าซเรือนกระจกที่เกี่ยวข้องกับไฟฟ้าจะลดลงเมื่อมีการใช้แหล่งพลังงานหมุนเวียนมากขึ้น ซึ่งโมเดล Generative AI ที่ทรงพลังยิ่งขึ้นจะต้องการความสามารถในการประมวลผลมากขึ้นตามไปด้วย

ปัญหาเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้าและน้ำนั้นมีมากกว่าของ Generative AI การ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 ผู้บริหาร 75% จะเผชิญกับข้อจำกัดของเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้า เนื่องจากความต้องการเทคโนโลยีและการแข่งขันกันทางด้านสังคมจะทวีความดุเดือดมากขึ้น ดังนั้นผู้บริหาร CIO จึงไม่ต้องการที่จะติดอยู่ในศึกการแย่งชิงทรัพยากรที่มีจำกัดกับชุมชนท้องถิ่น

มุ่งมั่นลดการปล่อยพลังงาน Generative AI

Generative AI จะต้องมีประสิทธิภาพการทำงานเทียบเท่ากับสมองมนุษย์ เพื่อให้เป็นมิตรกับสิ่งแวดล้อมมากขึ้น สาเหตุหนึ่งที่ทำให้สมองประหยัดพลังงานมากก็คือ สมองสามารถจัดระเบียบความรู้ในโครงสร้างเครือข่ายได้ โดยแนวทางที่ใกล้เคียงที่สุดคือ Composite AI คือการรวมโมเดล AI หลายแบบเข้าด้วยกันเพื่อให้ได้ประสิทธิภาพและความแม่นยำที่ดีขึ้น ซึ่งใช้โครงสร้างเครือข่ายและเทคนิคคล้ายกันเพื่อเสริมกำลังมหาศาลด้วยวิธีการเรียนรู้เชิงลึกในปัจจุบัน

Generative AI ยังบริโภคพลังงานไฟฟ้าและน้ำเป็นหลัก ดังนั้นการหยุดเทรน AI ในทันทีหรือการเก็บข้อมูลการเทรนโมเดล การนำโมเดลที่ได้รับการเทรนแล้วกลับมาใช้ใหม่ และการใช้ฮาร์ดแวร์และอุปกรณ์เครือข่ายที่ประหยัดพลังงานมากขึ้น จะสามารถสร้างสมดุลแนวทางปริมาณงานในดาต้าเซ็นเตอร์แบบ "ตามสถานการณ์และความเป็นจริง - Follow The Sun" ซึ่งดีกว่าสำหรับการผลิตพลังงานสะอาด กับการใช้แนวทาง "แยกเดินออกมา Unfollow The Sun" สำหรับประสิทธิภาพการใช้น้ำที่ดีกว่า

อีกวิธีหนึ่งในการทำให้ Generative AI มีความเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น คือการใช้งานในสถานที่ที่ใช่ ในเวลาที่เหมาะสม โดยความเข้มข้นของคาร์บอนจากแหล่งพลังงานในท้องถิ่นจะแตกต่างกันไปตามปัจจัยหลายประการ แนวปฏิบัติที่ดีที่สุดคือการใช้การจัดตารางเวลางานที่คำนึงถึงพลังงาน ควบคู่ไปกับบริการการติดตามและการคาดการณ์คาร์บอนเพื่อลดการปล่อยก๊าซที่เกี่ยวข้อง

พร้อมตั้งเป้าซื้อแหล่งพลังงานสะอาดใหม่ตามที่วางแผนไว้สำหรับนำมาใช้ The Greenhouse Gas Protocol ที่กำลังกำหนดให้บริษัทต่าง ๆ จัดทำการวิเคราะห์พลังงานสะอาดอย่างละเอียดเพิ่มเติมตามแหล่งสถานที่ ช่วงเวลาของวัน หรือทั้งสองอย่าง

ระบุยูสเคสความยั่งยืนด้านสิ่งแวดล้อมที่มีศักยภาพ

มี 3 กรอบการดำเนินงานกว้าง ๆ ที่ยูสเคส Generative AI สามารถเร่งความยั่งยืนด้านสิ่งแวดล้อม ได้แก่ การลดความเสี่ยง การเพิ่มประสิทธิภาพต้นทุน และใช้ขับเคลื่อนการเติบโต

การปฏิบัติตามกฎระเบียบเป็นวิธีการนึงที่ Generative AI สามารถช่วยองค์กรลดความเสี่ยงด้านสิ่งแวดล้อมโดยการระบุและตีความตัวบทกฎหมาย มาตรฐาน คำสั่ง และข้อกำหนดการรายงานความยั่งยืน รวมถึงการอัปเดตอยู่ตลอดเวลา ที่สามารถพัฒนาแผนปฏิบัติการเพื่อให้บรรลุตามข้อกำหนดและเป็นเครื่องมือฝึกอบรมเพื่อให้ความรู้แก่พนักงานด้านกฎระเบียบเฉพาะ

จากมุมมองของการเพิ่มประสิทธิภาพต้นทุน Generative AI สามารถช่วยสนับสนุนการตัดสินใจได้ สามารถวิเคราะห์ข้อมูลความยั่งยืนภายใน และระบุรูปแบบ แนวโน้ม พื้นที่การปรับปรุง ความเป็นไปได้ ความเสี่ยง และเกณฑ์มาตรฐาน โดยสามารถให้ข้อมูลเชิงลึกว่าการตัดสินใจขององค์กรจะส่งผลต่อความยั่งยืนอย่างไร และคาดการณ์ประสิทธิภาพในอนาคตที่อาจเกิดขึ้น องค์กรสามารถวางแผนและเลือกแนวทางที่เหมาะสมที่สุดเพื่อบรรลุเป้าหมายการลดการปล่อยก๊าซเรือนกระจก

Generative AI ยังสามารถใช้ขับเคลื่อนการเติบโตที่ยั่งยืนโดยนำมาใช้เพื่อค้นหาแหล่งทรัพยากรและวัสดุทางเลือก สามารถให้คำแนะนำสิ่งทดแทนปัจจัยการผลิตแบบเดิมไปสู่ความยั่งยืน เช่น ข้อมูลเชิงลึกเกี่ยวกับนวัตกรรมทางเทคโนโลยีอย่างวัสดุนาโน และข้อมูลเกี่ยวกับความพร้อม ประสิทธิภาพ และผลกระทบต่อสิ่งแวดล้อม

เมื่อพิจารณายูสเคส Generative AI เพื่อเป้าหมายความยั่งยืน การประเมินผลกระทบเชิงบวกและเชิงลบเป็นสิ่งสำคัญ ผู้บริหารต้องเข้าใจมูลค่าธุรกิจเชิงบวกทั้งในแง่ของผลประโยชน์ทางการเงินและความยั่งยืน ตลอดจนความเป็นไปได้ และผลกระทบเชิงลบต่อสิ่งแวดล้อมด้วยการวัดจากการปล่อยก๊าซเรือนกระจก การใช้พลังงานไฟฟ้าและน้ำ

จากนั้นจัดลำดับความสำคัญการลงทุนเป็น 3 ระดับ ได้แก่ 1.ลงทุนทันที 2.ลงทุนเพื่อลดความเสี่ยงและลดการใช้พลังงานเป็นสำคัญ หรือ 3.ไม่ลงทุนเลย ด้วยวิธีการนี้ คุณจะใช้ Generative AI เร่งผลลัพธ์ด้านความยั่งยืนเชิงบวกขององค์กร โดยใช้ประโยชน์จากเคสการใช้งานที่สร้างมูลค่ามากกว่าทำลายเพียงอย่างเดียว

บทความ  :  คริสติน โมเยอร์  รองประธานฝ่ายวิจัย  การ์ทเนอร์