เปิดฉากอย่างเป็นทางการสำหรับ GTC 2025 หนึ่งในงานด้าน AI ที่ใหญ่ที่สุดในโลก โดยในปีนี้มาพร้อมกับธีม What’s Next in AI Starts Here (อนาคตของ AI เริ่มที่นี่) โดยไฮไลต์ที่ทุกคนทั่วโลกจับตามองก็คือ Keynote จาก Jensen Haung แห่ง NVIDIA โดยในปีช่วงต้นปี 2025 นี้ Nvidia มีอะไรน่าสนใจเกิดขึ้นบ้าง Techsauce ขอสรุปไว้ให้ดังนี้

AI Factory แนวคิดของ Data Center ยุคใหม่

Jensen Huang ได้เสนอแนวคิด AI Factory คือ Data Center ยุคใหม่ที่ออกแบบมาเพื่อผลิต Tokens ซึ่งเป็นหน่วยพื้นฐานของ AI โดยเฉพาะ แตกต่างกับ Data Center แบบดั้งเดิมที่เน้นการจัดเก็บข้อมูล และประมวลผล โดยจะเน้นไปที่การสร้าง token ให้ได้มากที่สุดต่อหน่วยเวลา ใช้พลังงานให้น้อยที่สุดต่อการสร้าง token และรองรับการขยายตัวของ workload ได้อย่างยืดหยุ่น 

กล่าวอีกมุมคือ AI Factory มีไว้เพื่อผลิต ’ความฉลาด’ (token) ในระดับ scale โดยเปลี่ยนข้อมูลดิบ (raw data) ให้เป็นข้อมูลเชิงลึกแบบเรียลไทม์ หากเปรียบเทียบกับโรงงาน AI Factory ก็เปรียบเสมือนโรงงานที่ผลิตสินค้า แทนที่จะเป็นโรงงานเก็บสินค้า ซึ่งจะช่วยให้องค์กรต่างๆ ได้รับประโยชน์จาก AI ได้เร็วขึ้น เปลี่ยนจากการลงทุนระยะยาวเป็นการขับเคลื่อนด้านการแข่งขันได้ทันที 

ซึ่งการจะไปถึงจุดนั้นได้ Nvidia ได้เตรียมของไว้ให้เรียบร้อยแล้วนั่นก็คือ CPU และ GPU ยุคใหม่ที่เปิดตัววันนี้นั่นเอง

แล้วทำไม NVIDIA ถึงจริงจังกับ AI Factory ?

ที่ผ่านมา AI เน้นไปที่การฝึกโมเดลขนาดใหญ่ให้เก่ง แต่ตอนนี้สิ่งที่ใหญ่ยิ่งกว่าคือ การใช้งาน (inference) เพราะโมเดลเหล่านี้กินพลังการประมวลผลมาก เนื่องมาจาก 3 เหตุผลนี้

1. AI ยิ่งใหญ่ ยิ่งเก่ง (Pre-training Scaling)

นึกภาพการสอนเด็ก ยิ่งมีหนังสือเยอะ ครูเยอะ ก็จะยิ่งทำให้เด็กเรียนรู้ได้มาก AI ก็เหมือนกัน ถ้าเรามีข้อมูล (dataset) และตัวแปรในโมเดล (model parameters) เยอะ ก็จะทำให้ AI ยิ่งฉลาดมากขึ้น 

แต่การจะสอน AI ให้เก่งขนาดนั้นต้องใช้ทรัพยากรมหาศาลทั้งคนเก่งๆ ข้อมูล และลังการประมวลผล ซึ่งแค่ในช่วง 5 ปีที่ผ่านมา ความต้องการพลังประมวลผลสำหรับสอน AI แบบนี้เพิ่มขึ้นมากถึง 50 ล้านเท่า แต่ก็มีข้อดีคือ เมื่อเราสอน AI ให้เก่งได้แล้ว คนอื่นๆ ก็จะสามารถนำไปพัฒนาต่อยอดได้ง่าย

2.เก่งแล้วต้องดัดให้เข้าที่ (Post-training calling)

หลังจากที่สอน AI ให้เก่งแล้ว เราต้องนำมาปรับ (fine-tuning) ให้เหมาะกับงานเฉพาะ เช่น ให้ AI ช่วยตอบคำถามลูกค้า หรือให้ AI ช่วยควบคุมหุ่นยนต์ ซึ่งการปรับ AI ให้ตรงกับงานเฉพาะแบบนี้ต้องใช้พลังประมวลผลในตอนใช้งานมากกว่าตอนสอนถึง 30 เท่า และนึกภาพว่าบริษัทต่างๆ นำ AI ไปปรับแต่งให้เข้ากับธุรกิจที่ตัวเองมี ความต้องการพลังประมวลผลก็เพิ่มอย่างทวีคูณ

3. AI คิดแล้วคิดอีก (Long-Thinking)

AI ขั้นสูง เช่น AI ที่ทำงานได้เอง AI ที่ควบคุมหุ่นยนต์ ต้องคิดหลายๆ ตลบก่อนจะตัดสินใจทำอะไร เหมือนกับมนุษย์ที่กำลังแก้ปัญหาอะไรสักอย่าง เราก็มักจะคิดหลายๆ วิธีเพื่อหาคำตอบที่ดีที่สุด และการคิดหลายๆ ตลบแบบนี้ต้องใช้พลังประมวลผลตอนใช้งานมากกว่าแบบธรรมดาถึง 100 เท่า (เหมือนกับคนเราเวลาคิดเรื่องชวนปวดหัว ก็มักจะเติมพลังมากกว่าปกติ)

แต่อะไรอยู่ใน AI Factory บ้าง NVIDIA อธิบายไว้ว่ามี 3 ส่วนด้วยกัน นั่นคือ

วัตถุดิบ

• Foundation Models - โมเดล AI ขนาดใหญ่ที่ถูกฝึกมาแล้ว เหมือนสมองเริ่มต้นของ AI
• Secure Customer Data - ข้อมูลลูกค้าที่ปลอดภัย
• AI Tools - เครื่องมือ AI ที่ใช้ในการสร้าง ปรับแต่ง และใช้งานโมเดล AI

Process

• Inference serving - การนำโมเดล AI ที่ฝึกมาแล้วไปใช้งานจริง
• Prototyping - การสร้างต้นแบบของ AI Application
• Fine-tuning - การปรับแต่งโมเดล AI ให้เหมาะสมกับงานเฉพาะ

Output

• Customized Model - โมเดล AI ที่ถูกปรับแต่งให้เหมาะกับงานเฉพาะแล้ว พร้อมเอาไปใช้งานจริง 

ซึ่งทั้งหมดนี้เป็นเหตุผลที่ทำให้ AI Factory กำลังเป็นตัวแปรสำคัญที่จะเปลี่ยนแปลงอุตสาหกรรมระดับโลก ใครที่สามารถครองตลาดเพื่อผลิต tokens ให้กับ AI ที่กำลังจะใช้พลังการประมวลผลมากขึ้นเรื่อยๆ ก็อาจจะเป็นผู้นำโลกอีกใบเลยก็ว่าได้

Vera Rubin ซูเปอร์ชิป AI 

Vera Rubin คือชื่อของนักดาราศาสตร์หญิงที่เป็นแรงบันดาลใจด้านจักรวาล ซึ่ง NVIDIA นำมาใช้ตั้งชื่อให้กับ CPU (Vera) และ GPU (Rubin) เจนเนเรชันต่อไป โดย Vera เป็นชิป CPU ที่ Nvidia ออกแบบเอง มีทั้งหมด 88 Cores, 176 Threads มีความเร็วกว่า CPU ที่ใช้ในชิป AI รุ่นก่อนอย่าง Grace Blackwell

ส่วน Rubin เป็น GPU ที่จะเปิดตัวให้เห็นในช่วงครึ่งหลังของปี 2026 มีจุดเด่นในเรื่องของหน่วยความจำ HBM จำนวนมาก และ NVLink 144 เชื่อมต่อ GPU เข้าหากันได้มากถึง 144 ตัว โดย NVIDIA บอกทิ้งท้ายว่าจะมีชิป AI ตัวถัดไปไปในชื่อ Feynan แต่ยังไม่เปิดเผยรายละเอียดให้ทราบมากนัก

ชิป Blackwell Ultra 

ชิป AI ตัวใหม่ที่เตรียมวางขายช่วงครึ่งหลังปี 2025 โดยเป็นชิปที่พัฒนสต่อยอดมาจาก Blackwell ที่เคยเปิดตัวไป มีความสามารถในด้านการสร้าง Tokens ต่อวินาทีได้มากขึ้น 

ซึ่งหมายความว่าจะช่วยให้ AI สามารถ Generate คอนเทนต์ได้มากขึ้นในขณะที่ใช้เวลาประมวลผลเท่าเดิม ทำให้ Cloud Provider สามารถนำ Blackwell Ultra ไปใช้รัน Premium AI ได้มีประสิทธิภาพกว่าชิป Hopper ซึ่งเป็นชิปเจนเก่าได้ถึง 50 เท่า (เมื่อเทียบในเชิงรายได้)

คอมพิวเตอร์ AI ตัวจิ๋ว

DGX Station คือคอมพิวเตอร์เดสท็อปที่ออกแบบมาเพื่องาน AI ด้านในใส่ชิป GB300 Blackwell Ultra จำนวน 1 ตัว พร้อมหน่วยความจำระบบ (Unified Memory) รวม 784GB, ติดตั้งเครือข่ายความเร็วสูงของ NVIDIA มาให้ในตัวที่ความเร็ว 800Gbps พร้อมประสิทธิภารการประมวลผล AI ที่ 20 petaflops 

Jensen Huang พูดติดตลกว่า DGX Station น่าจะเป็นของขวัญคริสมาสตร์ที่น่าจะถูกอกถูกใจคนที่มีแฟน หรือคนรู้ใจที่รักในการทำ AI Research เบื้องต้นยังไม่มีการประกาศราคาออกมา

รถยนต์ไร้คนขับเป็นไปได้จริง ถ้าพึ่งพิง NVIDIA

NVIDIA มองว่ารถยนต์ไร้คนขับเป็นหนึ่งในอุตสาหกรรมหลักที่ AI จะเข้ามามีบทบาทสำคัญเป็นบริษัทได้พัฒนาเทคโนโลยี และแพลตฟอร์มที่ครอบคลุมเพื่อผลักดันอุตสาหกรรมนี้ 

ตอนนี้มีการจับมือกับ General Motors (GM) ในการพัฒนารถยนต์ไร้คตนขับรุ่นต่อไป พร้อมทำงานร่วมกับบริษัท Autonomous Vehicle (AV) หลายเจ้า เช่น Waymo, Zoox

แล้ว NVIDIA ทำอะไรในรถยนต์ไร้คนขับ ? ในงานครั้งนี้ฉายภาพให้เห็น 3 อย่างคือ

Halos

Halos เฟรมเวิร์คสำหรับพัฒนารถยนต์ไร้คนขับ ครอบคลุมทั้งชิป, ระบบ, ซอฟต์แวร์, การตัดสินใจ, การรับรู้ หรือก็คือระบบที่เกี่ยวข้องกับความปลอดภัยทั้งหมดภายในรถ โดย NVIDIA อ้างว่าเป็นบริษัทแห่งแรกของโลกที่มีการประเมินความปลอดภัยของโค้ดที่เกี่ยวข้องกับระบบความปลอดภัสำหรับรถยนต์ไร้คนขับทุกบรรทัด โดยโค้ดมีจำนวนมากถึง 7 ล้านบรรทัด

Omniverse 

แพลตฟอร์มหลักสำหรับจำลอง (Simulation) และสร้างโลกเสมือน (Digital Twins) สำหรับรถยนต์ไร้คนขับ โดยใน Omniverse จะสร้างข้อมูลสังเคราะห์มหาศาลเพื่อฝึก AI ให้ขับรถในสภาวะเสมือนจริง แถมยังสามารถจำลองข้อมูลจากเซ็นเซอร์ต่างๆ ที่อยู่ในรถ (กล้อง, lidar, เรดาร์) ได้อีกด้วย 

Cosmos 

World Foundation Models ช่วยให้ Omniverse มีความสามารถในการสร้าง และทำความเข้าใจโลกเสมือนได้ดีขึ้น เช่น การสร้างสถานการณ์ในโลกเสมือนโดยใช้ข้อมูลเสมือนจาก Multimodal Inputs เช่น ข้อความ, ภาพ, วิดีโอ เพื่อให้ AI ฝึกขับรถในสถานการณ์ที่ไม่คาดคิด

ถึงเวลาหุ่นยนต์ครองโลก ? 

Jensen Huang ได้เน้นย้ำถึงความสำคัญของหุ่นยนต์ในอนาคต โดยกล่าวว่า "Everything that moves will be autonomous" (ทุกสิ่งที่เคลื่อนไหวจะได้เป็นอัตโนมัติ) และ "The age of generalist robotics is here" (ยุคของหุ่นยนต์อเนกประสงค์มาถึงแล้ว) 

NVIDIA มองว่าหุ่นยนต์จะเป็นอุตสาหกรรมขนาดใหญ่ และบริษัทกำลังพัฒนาเทคโนโลยีและแพลตฟอร์มเพื่อสนับสนุนการพัฒนาหุ่นยนต์ในหลายด้าน เช่น

• Isaac GR00T N1 รากฐานสำหรับหุ่นยนต์ Humanoid
• Foundation Model สำหรับหุ่นยนต์ Humanoid เป็นโมเดล AI ที่ได้รับการฝึกฝนมาล่วงหน้าบนข้อมูลมหาศาล ทำให้มีความสาารถพื้นฐานในการทำความเข้าใจ และทำงานต่างๆ 
• โดยตอนนี้ NVIDIA เปิดให้ใช้งานเป็น Open-source สามารถนำไปพัฒนาต่อยอดเพื่อสร้างหุ่นยนต์ที่ตรงความสามารถตัวเองได้

Newton Physic Engine สำหรับหุ่นยนต์

Newton คือ Physic Engine แบบ Open-source ที่พัฒนาร่วมกับ Google DeepMind และ Disney Research โดยมีเป้าหมายเพื่อให้หุ่นยนต์สามารถเรียนรู้วิธีการจัดการกับงานที่ซับซ้อนได้อย่างแม่นยำ และมีประสิทธิภาพมากขึ้น 

โดย NVIDIA จะเป็นผู้พัฒนาหลักของ Newton โดยใช้ความเชี่ยวชาญด้าน GPU, Simulation และ AI ส่วน Google DeepMind มีส่วนร่วมในการพัฒนาเรื่อง Reinforcement Learning รวมถึง Robotics 

ทางฟากฝั่ง Disney Research จะนำความเชี่ยวชาญด้านการสร้างตัวละคร และการจำลองพฤติกรรมของตัวละครมาใช้ ซึ่งในงานนี้ก็มีเซอร์ไพร์สกับน้องหุ่นยนต์ตัวจิ๋วในชื่อ GR00T N1 มาโชว์ด้วย