Qualcomm ยักษ์ชิปมือถือกำลังเอาจริงกับตลาดดาต้าเซ็นเตอร์ AI ด้วยแนวคิดที่ฟังดูย้อนสามัญสำนึก — “ฝังหน่วยคำนวณไว้ใต้ชั้นหน่วยความจำ DRAM” เทคโนโลยีนี้เรียกว่า High-Bandwidth Compute (HBC) และจะเปิดตัวในระบบแร็ก AI250-series “Dragonfly” เป้าหมายคือทำให้ต้นทุนงาน inference ถูกและประหยัดไฟกว่า GPU ในปัจจุบัน

บทความนี้จะเจาะว่า HBC ทำงานอย่างไร ต่างจาก HBM ที่ใช้กันทุกวันนี้ตรงไหน ทำไมตัวเลข “แบนด์วิดท์” ของ Qualcomm ถึงต้องอ่านอย่างระวัง และการซื้อบริษัท Modular มาเสริมทัพซอฟต์แวร์สำคัญแค่ไหน — ละเอียดกว่าเว็บข่าวทั่วไป

สรุปสเปกและตัวเลขสำคัญ

ปัญหาที่ HBC พยายามแก้: “กำแพงหน่วยความจำ”

บน GPU ทั่วไป ข้อมูลต้องวิ่งไปมาระหว่างหน่วยความจำ (HBM) กับไดคำนวณตลอดเวลา แม้จะใช้เทคนิคแพ็กเกจขั้นสูงอย่าง CoWoS ของ TSMC พลังงานที่ใช้ “ขนข้อมูล” ไปกลับก็ยังสูงมาก ปัญหานี้เรียกว่า “กำแพงหน่วยความจำ” (memory wall) — คอขวดที่ไม่ได้อยู่ที่พลังคำนวณ แต่อยู่ที่การเคลื่อนย้ายข้อมูล

Qualcomm แก้ด้วยการ ซ้อนชั้น DRAM ไว้บนไดตรรกะ (logic die) โดยตรง แล้วเชื่อมกันด้วย through-silicon via (TSV) — รูเจาะทะลุซิลิคอนที่ทำหน้าที่เป็นสายสัญญาณแนวตั้ง ทำให้เส้นทางจากหน่วยคำนวณถึงหน่วยความจำสั้นลงมาก Tony Pialis รองประธานฝ่ายดาต้าเซ็นเตอร์เปรียบว่าเหมือน “อยู่บ้านและทำงานในตึกเดียวกัน” — ขึ้นลงในตึกเท่านั้น ไม่ต้องออกไปวิ่งบนถนนระหว่างเมือง ผลคือใช้ไฟน้อยลง ร้อนน้อยลง และไม่ต้องใช้ silicon interposer ราคาแพงแบบที่ HBM ต้องใช้

HBM vs HBC ต่างกันอย่างไร

อ่านตัวเลข “effective” อย่างมีวิจารณญาณ

ทำไมเหมาะกับงาน “decode” โดยเฉพาะ

การรันโมเดลภาษาแบ่งเป็นสองช่วง Prefill (ประมวลผล prompt ทั้งก้อน กินพลังคำนวณสูง) และ Decode (สร้างคำตอบทีละ token โดยสตรีมน้ำหนักโมเดลจากหน่วยความจำ) — decode ติดคอขวดที่แบนด์วิดท์หน่วยความจำ ไม่ใช่พลังคำนวณ จึงเหมาะกับ HBC พอดี และการไม่ต้องคำนวณหนักยังช่วยเลี่ยงปัญหาความร้อนจากการฝังตรรกะไว้ใต้ DRAM หลายชั้น

เป็นความได้เปรียบจริงไหม

Qualcomm ออกมาพูดเรื่อง near-memory/HBC ค่อนข้างเร็วในกลุ่มผู้ออกแบบชิป แต่ไม่ใช่เจ้าแรกและเทคโนโลยีนี้ก็ไม่เกินเอื้อมของ Nvidia หรือ AMD ทั้งคู่มีข่าวลือว่ากำลังทำ custom base die ร่วมกับผู้ผลิต HBM และ TSMC ส่วนสตาร์ทอัพอย่าง d-Matrix ก็พัฒนาชิปที่ใช้ DRAM ซ้อน 3 มิติเช่นกัน จุดขายที่แท้จริงของ Qualcomm อาจอยู่ที่ ความสามารถทำงานร่วมกับ Nvidia และ AMD ได้ ในโลกที่ inference แยกส่วน (disaggregated) — ที่ Nvidia เป็นได้ทั้งมิตรและคู่แข่ง

เกมซอฟต์แวร์: ซื้อ Modular มาข้าม “คูเมือง CUDA”

ในวัน investor day เดียวกัน Qualcomm ประกาศซื้อสตาร์ทอัพซอฟต์แวร์ AI ชื่อ Modular ก่อตั้งโดย Tim Davis และ Chris Lattner — ผู้สร้าง LLVM, Clang, ภาษา Swift และ MLIR ทีมนี้พัฒนา Mojo ภาษาโปรแกรมระดับล่างสำหรับ GPU ที่เป็นทางเลือกแทน CUDA ของ Nvidia และ ROCm ของ AMD แนวคิดคือ “เขียนครั้งเดียว รันได้บนฮาร์ดแวร์อะไรก็ได้”

นี่คือหมากสำคัญ เพราะ “คูเมือง CUDA” (CUDA moat) — การที่นักพัฒนาผูกติดกับซอฟต์แวร์ของ Nvidia — คืออุปสรรคใหญ่ที่ทำให้ AMD ตามไม่ทันมาตลอด Mojo เปิดทางให้ลูกค้ารันแอปบนชิปอะไรก็ได้ รวมถึงการผสมฮาร์ดแวร์ (GPU ทำ prefill, AI250 ทำ decode) ดีลนี้ยังได้ Max แพลตฟอร์มเสิร์ฟโมเดล LLM (คล้าย vLLM/SGLang) ติดมาด้วย โดยคาดว่าจะปิดดีลภายในปีนี้หากไม่มีอุปสรรคด้านกฎระเบียบ

โรดแมป

มุมมองต่อวงการและตลาดไทย

การมีผู้เล่นเพิ่มในสนามชิป inference เป็นข่าวดีต่อผู้ใช้ปลายทาง เพราะการแข่งขันช่วยกดต้นทุนต่อการเรียกใช้โมเดล และแนวทาง “รันได้บนฮาร์ดแวร์อะไรก็ได้” ของ Mojo อาจช่วยให้นักพัฒนาไทยไม่ต้องผูกติดกับระบบนิเวศเดียว อย่างไรก็ตาม HBC ยังต้องพิสูจน์ตัวจริงในปี 2027 และตัวเลข “effective” ที่ยังไม่มี FLOPS กำกับ ทำให้ต้องรอผลทดสอบอิสระก่อนสรุป

ศัพท์น่ารู้

แหล่งอ้างอิง

• The Register — “Qualcomm’s proposed solution to catch up in AI infra: Bury the compute under the DRAM” โดย Tobias Mann (30 มิ.ย. 2026)

หมายเหตุ: ตัวเลขประสิทธิภาพเป็นการเปิดเผยของ Qualcomm ในงาน investor day โดยเฉพาะค่าแบนด์วิดท์ “effective” ที่ยังไม่มี peak FLOPS กำกับ ควรรอผลทดสอบอิสระเพื่อยืนยัน