งานวิจัยใหม่เห็นการเปลี่ยนโครงสร้างAI ขณะที่ปริมาณข้อมูลถูกจัดเก็บและเพิ่มขึ้น

วันที่ 10 กันยายน 2569 - 15:14 น.

กรุงเทพฯ, ประเทศไทย - 10 กันยายน 2026 - ที่ผ่านมาบทสนทนาเกี่ยวกับโครงสร้างพื้นฐาน AI มักให้ความสำคัญกับพลังการประมวลผล (Compute) เป็นหลัก อย่างไรก็ตาม งานวิจัยทั่วโลกล่าสุดจาก IDC เผยให้เห็นอีกหนึ่งปัจจัยสำคัญที่องค์กรจำเป็นต้องให้ความสำคัญเมื่อขยายการใช้งาน AI นั่นคือข้อมูลที่ยังคงถูกจัดเก็บและสะสมเพิ่มขึ้นอย่างต่อเนื่อง แม้ว่ารอบการประมวลผลแต่ละรอบจะเสร็จสิ้นไปนานแล้วก็ตาม

รายงานไวท์เปเปอร์โดย IDC หัวข้อ Built for Scale: The Enduring Role of HDDs in the AI Era สนับสนุนโดย WD พบว่ากลุ่มองค์กรที่เข้าร่วมการสำรวจAI กำลังทำให้ความต้องการด้านการจัดเก็บข้อมูลขยายตัวในเชิงโครงสร้าง องค์กรต่าง ๆ กำลังสร้างข้อมูลเพิ่มขึ้น สร้างมูลค่าให้กับข้อมูลมากขึ้น จัดเก็บข้อมูลไว้เป็นระยะเวลานานขึ้น และนำข้อมูลในอดีตกลับมาใช้งานมากขึ้น เพื่อรองรับเวิร์กโหลด AI รูปแบบใหม่

ผลลัพธ์ที่ตามมาคือ วงจรข้อมูลที่เติบโตอย่างต่อเนื่อง (Compounding Data Cycle) กล่าวคือ AI จำเป็นต้องใช้ข้อมูล ขณะเดียวกันก็ช่วยเพิ่มศักยภาพและคุณค่าของข้อมูลที่จัดเก็บไว้แล้ว แม้ว่าความต้องการด้านการประมวลผล (Compute)  จะผันแปรตามลักษณะการใช้งานและรอบการลงทุน แต่ข้อมูลที่เกิดขึ้นจาก AI จะยังคงถูกจัดเก็บและสะสมเพิ่มขึ้นอย่างต่อเนื่อง ส่งผลให้ความจุในการจัดเก็บ ความสามารถในการเข้าถึงข้อมูล และความคุ้มค่าทางเศรษฐศาสตร์ กลายเป็นปัจจัยที่มีความสำคัญมากขึ้นในการออกแบบโครงสร้างพื้นฐาน AI

ประเด็นสำคัญจากงานวิจัย ได้แก่:

AI กำลังสร้างวงจรข้อมูลที่เติบโตอย่างต่อเนื่อง

• 94.7% ขององค์กรที่เข้าร่วมการสำรวจ มีการจัดเก็บข้อมูลเพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา อันเป็นผลมาจากการนำ AI และ Generative AI มาใช้งาน
• 61% ขององค์กร มีปริมาณข้อมูลเพิ่มขึ้น 25% หรือมากกว่าในช่วงปีที่ผ่านมาเนื่องจากการใช้งาน AI ขณะที่ 74% คาดการณ์ว่า ปริมาณข้อมูลจะเพิ่มขึ้น 25% หรือมากกว่าในช่วงสามปีข้างหน้า
• 85.4% ขององค์กร รายงานว่า ปริมาณข้อมูลที่จัดเก็บในแหล่งเก็บข้อมูลขนาดใหญ่ (Data Lake) เพิ่มขึ้นในช่วง 12 เดือนที่ผ่านมา
• 59.4% ขององค์กรระบุว่า ข้อมูลที่สร้างขึ้นจาก AI ซึ่งรวมถึงข้อมูลสังเคราะห์ (Synthetic Data) ผลลัพธ์จากการประมวลผลของโมเดล (Inference Outputs) และบันทึกการทำงานของโมเดล (Model Logs) เป็นปัจจัยหลักที่ผลักดันให้ปริมาณข้อมูลในแหล่งเก็บข้อมูลขนาดใหญ่ (Data Lake) เพิ่มขึ้น

ข้อมูลถูกจัดเก็บไว้นานขึ้น มีการนำกลับมาใช้งานมากขึ้น และมีคุณค่าเพิ่มขึ้น

• เกือบ 95% ขององค์กร ระบุว่า มูลค่าของข้อมูลขององค์กรเพิ่มขึ้นจากการนำ AI และ Generative AI มาใช้งาน
• 74.3% ขององค์กร ระบุว่า การใช้งาน AI และ Generative AI ส่งผลให้องค์กรจัดเก็บข้อมูลนานขึ้น
• 75.9% ขององค์กร ระบุว่า มีการนำข้อมูลที่จัดเก็บในระยะยาวและไม่ค่อยถูกเรียกใช้งาน (Cold-tier Data) กลับมาออนไลน์ในปริมาณที่เพิ่มขึ้น เพื่อรองรับการใช้งาน AI
• 96% ขององค์กร คาดว่าจะต้องสามารถเรียกคืนข้อมูลจากระบบจัดเก็บถาวรได้รวดเร็วยิ่งขึ้น เพื่อรองรับการประมวลผลของ AI (AI Inference) และการใช้งานแบบ Retrieval-Augmented Generation (RAG)

โครงสร้างพื้นฐาน AI ต้องได้รับการออกแบบให้รองรับข้อมูลตลอดทั้งวงจรการใช้งาน

• 74.6% ขององค์กรที่เข้าร่วมการสำรวจ ระบุว่าข้อมูลองค์กรถูกจัดเก็บอยู่ในระดับการจัดเก็บข้อมูลแบบ Warm, Cool และ Cold ซึ่งเป็นข้อมูลที่มีความถี่ในการเข้าถึงแตกต่างกัน
• มากกว่า 60% ของปริมาณข้อมูลในแหล่งเก็บข้อมูลขนาดใหญ่ (Data Lake) เป็นข้อมูลที่ถูกจัดเก็บในระดับ Cold หรือเป็นข้อมูลที่ไม่ค่อยถูกเรียกใช้งาน
• 98.2% พิจารณาว่าต้นทุนรวมในการเป็นเจ้าของต่อเทราไบต์ (TCO per terabyte) มีความสำคัญหรือสำคัญอย่างยิ่งในการตัดสินใจเลือกซื้อระบบจัดเก็บข้อมูล

“หลายปีที่ผ่านมา การพูดถึงโครงสร้างพื้นฐาน AI มักมุ่งเน้นไปที่พลังการประมวลผลเป็นหลัก แต่แท้จริงแล้ว AI ขับเคลื่อนด้วยข้อมูล” คุณเออร์วิง แทน (Irving Tan) ประธานเจ้าหน้าที่บริหารของ WD กล่าว “องค์กรต่าง ๆ กำลังสร้างข้อมูลมากขึ้น จัดเก็บข้อมูลไว้นานขึ้น และค้นหาแนวทางใหม่ ๆ ในการสร้างมูลค่าจากข้อมูลที่มีอยู่ แม้ว่าความต้องการด้านการประมวลผลจะเปลี่ยนแปลงไปตามกาลเวลา แต่ความต้องการในการจัดเก็บ บริหารจัดการ และเข้าถึงข้อมูลในปริมาณมหาศาลจะเพิ่มขึ้นอย่างต่อเนื่อง รากฐานด้านข้อมูลนี้จะมีบทบาทสำคัญในการกำหนดว่า AI จะสามารถพัฒนาและก้าวไปได้ไกลเพียงใด”

จากวงจรการประมวลผล สู่การจัดการข้อมูลที่คงอยู่ตลอดการใช้งาน

การใช้งาน AI ก่อให้เกิดข้อมูลตลอดทั้งวงจรการใช้งาน ตั้งแต่ชุดข้อมูลที่ใช้สำหรับการฝึกโมเดลและข้อมูลบันทึกสถานะของโมเดล (Model Checkpoints) ไปจนถึงผลลัพธ์จากการประมวลผลของโมเดล (Inference Outputs) บันทึกการทำงาน (Logs) และข้อมูลสังเคราะห์ (Synthetic Data) โดยข้อมูลเหล่านี้ส่วนใหญ่ยังคงถูกจัดเก็บไว้แม้ว่าการประมวลผลจะเสร็จสิ้นแล้ว ซึ่งแตกต่างจากวงจรการประมวลผลที่สิ้นสุดลง และข้อมูลดังกล่าวยังสามารถนำกลับมาใช้เป็นข้อมูลตั้งต้นสำหรับการใช้งาน AI ในอนาคตได้ ผลการศึกษาชี้ให้เห็นถึง การขยายตัวของความต้องการด้านการจัดเก็บข้อมูลในเชิงโครงสร้าง เนื่องจากองค์กรต่าง ๆ จัดเก็บข้อมูลในปริมาณที่มากขึ้นและเป็นระยะเวลานานขึ้น พร้อมทั้งค้นหาแนวทางใหม่ ๆ ในการนำข้อมูลที่มีอยู่มาใช้ประโยชน์

AI กำลังนำข้อมูลในอดีตกลับมาใช้ประโยชน์อีกครั้ง

ผลการวิจัยยังพบว่า เส้นแบ่งแบบเดิมระหว่างข้อมูลที่มีการใช้งานอยู่และข้อมูลที่จัดเก็บถาวรกำลังเปลี่ยนแปลงไป เนื่องจากข้อมูลในอดีตกำลังกลายเป็นแหล่งข้อมูลที่มีคุณค่ามากขึ้นสำหรับการใช้งาน AI ข้อมูลที่เคยถูกจัดเก็บไว้และแทบไม่ได้ถูกเรียกใช้งานจึงถูกนำกลับเข้าสู่วงจรการใช้งานอีกครั้ง ส่งผลให้องค์กรต้องปรับแนวทางในการจัดเก็บ บริหารจัดการ และเตรียมข้อมูลให้พร้อมสำหรับการเข้าถึงและนำมาใช้งานเมื่อต้องการ

โครงสร้างพื้นฐาน AI คือระบบที่ทำงานร่วมกัน ไม่ใช่การจัดเก็บข้อมูลเพียงระดับเดียว

การเปลี่ยนแปลงเหล่านี้ตอกย้ำถึงความจำเป็นในการออกแบบสถาปัตยกรรมการจัดเก็บข้อมูลให้ครอบคลุมตลอดทั้งวงจรการใช้งานของข้อมูล AI เมื่อปริมาณข้อมูลเพิ่มขึ้น ระยะเวลาในการจัดเก็บยาวนานขึ้น และข้อมูลในอดีตถูกนำกลับมาใช้งานอีกครั้ง องค์กรจึงจำเป็นต้องสร้างสมดุลระหว่าง ประสิทธิภาพ ความจุ ความสามารถในการเข้าถึง และความคุ้มค่าทางเศรษฐศาสตร์ ให้เหมาะสมกับความต้องการของการใช้งานแต่ละประเภท เมื่อการใช้งาน AI ขยายตัวในระดับใหญ่ การพิจารณาว่าข้อมูลควรถูกจัดเก็บไว้ที่ใด รวมถึงต้นทุนในการจัดเก็บและเข้าถึงข้อมูล จึงกลายเป็นปัจจัยสำคัญมากขึ้นในการออกแบบสถาปัตยกรรมโครงสร้างพื้นฐาน

ความสามารถในการบริหารจัดการข้อมูลปริมาณมหาศาลได้อย่างคุ้มค่า ไม่ใช่ปัจจัยรองในการพิจารณาด้านโครงสร้างพื้นฐานอีกต่อไป แต่กำลังกลายเป็นปัจจัยสำคัญต่อความสำเร็จของ AI