AWS และ NVIDIA เร่งขยายโครงสร้างพื้นฐาน AI

Amazon Web Services หรือ AWS และ NVIDIA ประกาศการขยายความร่วมมือเชิงกลยุทธ์ครั้งสำคัญ เมื่อวันที่ 26 สิงหาคม 2026 เพื่อรองรับความต้องการด้าน AI Infrastructure ที่เพิ่มขึ้นอย่างต่อเนื่องทั่วโลก

หัวใจสำคัญของการประกาศครั้งนี้คือแผนการนำ NVIDIA GPU เพิ่มอีก 2 ล้านตัว เข้ามาใช้งานบน Global Infrastructure ของ AWS ในช่วงปี 2027–2028 โดยจะครอบคลุม NVIDIA GPU รุ่นใหม่อย่าง Blackwell Ultra, Rubin และ Rubin Ultra รวมถึง AI Factories ที่พัฒนาขึ้นเพื่อรองรับงาน AI ขนาดใหญ่

การลงทุนดังกล่าวเกิดขึ้นในช่วงที่องค์กรจำนวนมากกำลังเปลี่ยนผ่านจากการทดลองใช้งาน AI หรือ AI Pilot ไปสู่การนำ AI มาใช้งานจริงในระดับ Production ไม่ว่าจะเป็น Enterprise Automation, Agentic AI, Scientific Discovery หรือ Robotics

สำหรับภาคธุรกิจ การเปลี่ยนผ่านดังกล่าวไม่ได้หมายถึงการเลือก AI Model ที่มีประสิทธิภาพเพียงอย่างเดียว แต่ยังต้องให้ความสำคัญกับ Compute, Networking, Storage, Data Processing, Security และความสามารถในการ Scale Infrastructure ไปพร้อมกัน

จาก AI Pilot สู่ Production ต้องใช้ Infrastructure ที่พร้อมกว่าเดิม

ในช่วงแรกของการนำ AI มาใช้งาน หลายองค์กรอาจเริ่มต้นจากโครงการขนาดเล็ก เช่น Chatbot, Generative AI, Document Processing หรือระบบช่วยวิเคราะห์ข้อมูล แต่เมื่อ AI ถูกนำไปใช้กับกระบวนการทางธุรกิจมากขึ้น ปริมาณข้อมูลและจำนวน Workload ก็เพิ่มขึ้นตามไปด้วย

ตัวอย่างเช่น ระบบ AI ที่เคยใช้เพียงไม่กี่ทีม อาจขยายไปสู่การใช้งานทั่วทั้งองค์กร หรือ AI Agent ที่เดิมทำหน้าที่ตอบคำถาม อาจพัฒนาไปสู่ระบบที่สามารถวิเคราะห์ข้อมูล วางแผน และดำเนินงานหลายขั้นตอนแทนผู้ใช้งาน

สถานการณ์ดังกล่าวทำให้ Infrastructure กลายเป็นองค์ประกอบสำคัญในการขับเคลื่อน AI AWS และ NVIDIA จึงมองว่าความต้องการ Compute สำหรับ AI จะยังคงเพิ่มขึ้นอย่างต่อเนื่อง และจำเป็นต้องสร้าง Infrastructure ที่สามารถรองรับ Workload ขนาดใหญ่ได้ทั้งในปัจจุบันและอนาคต

เพิ่ม NVIDIA GPU อีก 2 ล้านตัวใน AWS

GPU ที่จะถูกนำมาใช้งานประกอบด้วย NVIDIA Blackwell Ultra, Rubin และ Rubin Ultra ซึ่งถูกออกแบบมาเพื่อรองรับ AI Workload รุ่นใหม่ที่มีความซับซ้อนและต้องการประสิทธิภาพในการประมวลผลสูง

AWS ยังมีแผนขยายความสามารถของ NVIDIA Blackwell ในรูปแบบต่าง ๆ รวมถึง NVIDIA RTX PRO 4500 Blackwell Server Edition สำหรับ Amazon EC2 G7 Instances

สำหรับองค์กร ความสามารถในการเพิ่ม Compute Capacity อย่างต่อเนื่องมีความสำคัญ เพราะ AI Workload มีแนวโน้มไม่ได้หยุดอยู่ที่การ Training Model แต่ครอบคลุมตั้งแต่ Data Processing, Model Training, Inference ไปจนถึงการทำงานแบบ Real-Time

การมี Infrastructure ที่รองรับ GPU จำนวนมากจึงช่วยให้องค์กรสามารถขยาย AI Workload ได้โดยไม่จำเป็นต้องออกแบบระบบใหม่ทั้งหมดเมื่อปริมาณการใช้งานเพิ่มขึ้น

NVIDIA Vera CPU เตรียมเข้าสู่ AWS

อีกหนึ่งความเคลื่อนไหวสำคัญคือ AWS และ NVIDIA กำลังทำงานร่วมกันเพื่อนำ NVIDIA Vera CPU มาใช้งานบน AWS โดย Vera ถูกออกแบบมาเพื่อรองรับ AI Workload รุ่นใหม่ โดยเฉพาะ Workload ที่ต้องการประสิทธิภาพของ CPU ควบคู่กับ GPU Accelerator

แนวคิดนี้มีความสำคัญกับ Agentic AI เนื่องจาก AI Agent ไม่ได้ทำงานด้วย GPU เพียงอย่างเดียว แต่ต้องมีการประมวลผลหลายขั้นตอน เช่น การจัดการข้อมูล การเรียกใช้ Tools การวางแผนงาน และการประสานงานระหว่างระบบต่าง ๆ

ดังนั้น Infrastructure สำหรับ AI รุ่นใหม่จึงมีแนวโน้มเป็น Heterogeneous Computing ซึ่งรวม CPU, GPU, Custom Silicon และ Accelerator หลายประเภทเข้าด้วยกัน AWS เองก็มี Custom Silicon อย่าง Trainium และ Graviton ขณะที่ NVIDIA มี GPU และ CPU ของตัวเอง การทำงานร่วมกันระหว่าง Hardware หลายประเภทจึงเปิดทางให้ลูกค้าเลือก Infrastructure ให้เหมาะกับ Workload แต่ละรูปแบบมากขึ้น

NVLink Fusion และการเชื่อมต่อกับ AWS Trainium

AWS และ NVIDIA ยังขยายความร่วมมือด้าน NVIDIA NVLink Fusion ซึ่งเป็นเทคโนโลยี High-Speed Chip Interconnect สำหรับเชื่อมต่อ Compute Components ที่ต้องทำงานร่วมกันในระบบ AI

ก่อนหน้านี้ AWS ได้ประกาศการสนับสนุน NVLink Fusion ใน Next-Generation Trainium Chips และล่าสุดทั้งสองบริษัทกำลังขยายความร่วมมือไปสู่การใช้งาน NVIDIA Custom High-Bandwidth Memory หรือ NVHBM

การเพิ่ม Memory Bandwidth มีความสำคัญต่อ AI Workload เพราะโมเดลขนาดใหญ่จำเป็นต้องประมวลผลและเคลื่อนย้ายข้อมูลจำนวนมหาศาลระหว่างหน่วยประมวลผลและหน่วยความจำ

เมื่อผสาน NVLink Fusion เข้ากับเทคโนโลยี Memory รุ่นใหม่ AWS สามารถพัฒนาแนวทางที่ทำให้ Trainium และ NVIDIA GPU สามารถทำงานภายใน Rack-Scale Architecture เดียวกันได้อย่างมีประสิทธิภาพมากขึ้น สำหรับองค์กร สิ่งนี้สะท้อนทิศทางสำคัญของ AI Infrastructure ที่กำลังเปลี่ยนจากการมอง Server เป็นเครื่องแยกกัน ไปสู่การออกแบบเป็น AI System ระดับ Rack และ Cluster

AWS และ NVIDIA สนับสนุน Agentic AI

หนึ่งในเทคโนโลยีที่ได้รับความสนใจอย่างมากในปัจจุบันคือ Agentic AI แตกต่างจาก Generative AI แบบดั้งเดิมที่เน้นการสร้างข้อความหรือเนื้อหาตาม Prompt, Agentic AI สามารถออกแบบให้ AI ดำเนินงานหลายขั้นตอน โดยอาศัยการวางแผน การเรียกใช้ Tools และการเชื่อมต่อกับระบบอื่น ๆ

ตัวอย่างการใช้งานในองค์กร ได้แก่

• AI Agent สำหรับงาน Customer Service
• ระบบช่วยจัดการเอกสารและข้อมูลภายในองค์กร
• AI สำหรับวิเคราะห์ข้อมูลธุรกิจ
• ระบบ Automation สำหรับกระบวนการทำงานซ้ำ ๆ
• AI สำหรับช่วย IT Operations
• AI ที่สามารถเชื่อมต่อกับ Business Applications และ Enterprise Systems

เมื่อ Agentic AI มีความซับซ้อนมากขึ้น Infrastructure ที่อยู่เบื้องหลังก็ต้องสามารถรองรับทั้ง Compute และ Data Processing ในปริมาณสูง การเพิ่ม GPU, CPU และ Networking ของ AWS และ NVIDIA จึงเป็นส่วนสำคัญในการรองรับ AI Agent ที่ต้องทำงานต่อเนื่องและมีผู้ใช้งานจำนวนมาก

NVIDIA Nemotron เพิ่มทางเลือกด้าน Open Models

อีกส่วนหนึ่งของความร่วมมือคือการสนับสนุน NVIDIA Nemotron Open Models บน AWS โดยสามารถใช้งานผ่าน Amazon Bedrock ในรูปแบบ Managed และ Serverless Models รวมถึง Amazon SageMaker สำหรับลูกค้าที่ต้องการ Deploy และ Fine-Tune Model บน Infrastructure ของตนเอง

การมี Open Models เป็นอีกทางเลือกหนึ่งสำหรับองค์กร เพราะแต่ละธุรกิจมีข้อกำหนดที่แตกต่างกัน ทั้งเรื่อง Data Privacy, Model Customization, Cost และ Deployment

บางองค์กรอาจเลือกใช้ Managed AI Service เพื่อความรวดเร็ว ขณะที่องค์กรที่มีข้อกำหนดด้านข้อมูลหรือมีทีม AI Engineering อาจต้องการควบคุม Model และ Infrastructure มากขึ้น การรองรับทั้งสองแนวทางจึงช่วยให้องค์กรสามารถเลือกวิธี Deploy AI ให้เหมาะกับ Business Requirement ของตัวเอง

เร่ง Data Processing และ Vector Indexing ด้วย GPU

AI ไม่สามารถทำงานได้อย่างมีประสิทธิภาพหากไม่มี Data Infrastructure ที่ดี AWS และ NVIDIA จึงขยายความร่วมมือไปยังการประมวลผลข้อมูล โดยนำ NVIDIA CUDA-X Libraries อย่าง cuDF และ cuVS มาใช้กับ AWS Services

อีกส่วนหนึ่งคือ Vector Indexing บน Amazon OpenSearch Service ซึ่งมีความสำคัญต่อระบบ AI ที่ใช้ Semantic Search และ Retrieval-Augmented Generation หรือ RAG เมื่อฐานข้อมูล Vector ขยายไปถึงระดับหลายพันล้าน Records การสร้างและปรับแต่ง Index สามารถกลายเป็น Bottleneck ของระบบได้

ประเด็นนี้มีความสำคัญกับองค์กรที่กำลังสร้าง Enterprise AI เพราะประสิทธิภาพของ AI ไม่ได้ขึ้นอยู่กับ Model เพียงอย่างเดียว แต่ขึ้นอยู่กับความเร็วในการเข้าถึงและประมวลผลข้อมูลด้วย

Physical AI และ Robotics กำลังเข้าสู่การใช้งานจริง

นอกจาก AI Software แล้ว AWS และ NVIDIA ยังขยายความร่วมมือไปยัง Physical AI หรือ AI ที่สามารถรับรู้และทำงานร่วมกับโลกจริง Amazon Robotics กำลังทำงานร่วมกับ NVIDIA เพื่อพัฒนา Next-Generation Robots โดยใช้เทคโนโลยีอย่าง NVIDIA Jetson, NVIDIA Omniverse และ NVIDIA Isaac

การพัฒนา Robotics ในปัจจุบันไม่ได้ต้องการเพียง Hardware แต่ยังต้องใช้ Simulation, Synthetic Data, Robot Training, Route Optimization และ Real-to-Sim Validation GPU-Accelerated Amazon EC2 จึงถูกนำมาใช้เป็นส่วนหนึ่งของ Infrastructure สำหรับ Workload เหล่านี้

แนวทางดังกล่าวสามารถนำไปประยุกต์ใช้กับอุตสาหกรรมต่าง ๆ เช่น Warehouse Automation, Manufacturing, Logistics และระบบ Robotics ในอนาคต Physical AI จึงเป็นอีกหนึ่งตลาดที่มีแนวโน้มเติบโตควบคู่กับ Generative AI และ Agentic AI

AI Infrastructure ต้องให้ความสำคัญกับ Security และ Reliability

สำหรับองค์กรขนาดใหญ่ การเพิ่ม Compute Capacity เพียงอย่างเดียวไม่เพียงพอ เพราะ AI Workload ที่นำไปใช้จริงต้องมีทั้ง Security, Reliability และ Network Performance

AWS และ NVIDIA จึงเน้นการผสาน NVIDIA Platform เข้ากับ AWS Nitro System และ Elastic Fabric Adapter หรือ EFA โดย Nitro System ช่วยสนับสนุนด้าน Security และ Isolation ของ AWS Infrastructure ขณะที่ EFA ช่วยให้ระบบสามารถ Scale Workload ระหว่าง Compute Nodes ได้อย่างมีประสิทธิภาพ

สิ่งเหล่านี้มีความสำคัญอย่างมากสำหรับ AI Training และ Inference ที่ต้องใช้ GPU จำนวนมากทำงานร่วมกัน โดยเฉพาะองค์กรที่นำ AI ไปใช้กับข้อมูลสำคัญ เช่น ข้อมูลลูกค้า ข้อมูลทางการเงิน ข้อมูลธุรกิจ หรือระบบภายในองค์กร Security ของ Infrastructure จึงต้องถูกพิจารณาตั้งแต่ขั้นตอนการออกแบบ

AI Infrastructure สำหรับหน่วยงานรัฐบาล

AWS และ NVIDIA ยังประกาศแผนสร้าง AI Factories สำหรับรัฐบาลสหรัฐฯ โดยมีแผนจัดหา NVIDIA GPU จำนวน 100,000 ตัวบน AWS Secure Infrastructure เพื่อรองรับงานด้าน Federal และ National Security

โครงสร้างพื้นฐานดังกล่าวจะรองรับ Workload ที่มีข้อกำหนดด้านความปลอดภัยในระดับสูง รวมถึงการใช้งานที่เกี่ยวข้องกับ Impact Level 6 หรือสูงกว่า

ประเด็นนี้สะท้อนให้เห็นว่า AI Infrastructure กำลังกลายเป็น Infrastructure เชิงยุทธศาสตร์ ไม่ใช่เพียง Technology สำหรับทดลองหรือเพิ่ม Productivity เท่านั้น ทั้งภาคเอกชน ภาครัฐ และองค์กรขนาดใหญ่ต่างต้องการ Infrastructure ที่สามารถรองรับ AI ในระดับ Production พร้อม Security และ Compliance ที่เหมาะสม

สิ่งที่องค์กรควรเตรียมตัวจากการขยาย AI Infrastructure

การประกาศของ AWS และ NVIDIA สะท้อนภาพที่ชัดเจนว่า AI กำลังเข้าสู่ช่วงที่ต้องการ Infrastructure ขนาดใหญ่ขึ้นอย่างต่อเนื่อง สำหรับองค์กรที่กำลังวางแผนลงทุนด้าน AI สิ่งที่ควรพิจารณาไม่ได้มีเพียงการเลือก AI Model แต่ควรมองภาพรวมของ Infrastructure ตั้งแต่ต้นทางถึงปลายทาง