🎙️ เรื่องเล่าจากห้องทดลอง: เมื่อควอนตัมมาช่วยออกแบบชิป ทีมนักวิจัยจากออสเตรเลียได้พัฒนาเทคนิคใหม่ที่ผสานระหว่างควอนตัมคอมพิวติ้งกับแมชชีนเลิร์นนิง เพื่อออกแบบชิปเซมิคอนดักเตอร์ได้แม่นยำและมีประสิทธิภาพมากขึ้น โดยใช้โมเดลที่เรียกว่า Quantum Kernel-Aligned Regressor (QKAR) ซึ่งสามารถแปลงข้อมูลคลาสสิกให้กลายเป็นสถานะควอนตัม แล้ววิเคราะห์หาความสัมพันธ์ซับซ้อนในข้อมูลขนาดเล็กได้อย่างมีประสิทธิภาพ การทดลองใช้กับตัวอย่างจริง 159 ชิ้นของ GaN HEMT (Gallium Nitride High Electron Mobility Transistor) พบว่า QKAR สามารถคาดการณ์ค่าความต้านทาน Ohmic contact ได้แม่นยำกว่าระบบแมชชีนเลิร์นนิงแบบเดิมถึง 8.8–20.1% ซึ่งเป็นขั้นตอนสำคัญในการออกแบบชิปให้กระแสไฟฟ้าไหลผ่านได้ดี ✅ นักวิจัยออสเตรเลียพัฒนาเทคนิค QKAR เพื่อออกแบบชิปเซมิคอนดักเตอร์ ➡️ ใช้ควอนตัมคอมพิวติ้งแปลงข้อมูลคลาสสิกเป็นสถานะควอนตัม ➡️ วิเคราะห์ข้อมูลผ่าน quantum kernel ก่อนส่งต่อให้แมชชีนเลิร์นนิงประมวลผล ✅ ใช้ข้อมูลจาก 159 ตัวอย่าง GaN HEMT เพื่อทดสอบโมเดล ➡️ GaN HEMT เป็นวัสดุที่ใช้ในอุปกรณ์อิเล็กทรอนิกส์ประสิทธิภาพสูง ➡️ โฟกัสที่การคาดการณ์ค่าความต้านทาน Ohmic contact ซึ่งเป็นจุดสำคัญในการออกแบบชิป ✅ QKAR มีประสิทธิภาพเหนือกว่าโมเดลแมชชีนเลิร์นนิงแบบเดิมถึง 20.1% ➡️ เหมาะกับข้อมูลขนาดเล็กและมีความซับซ้อนสูง ➡️ ช่วยลดต้นทุนการผลิตและเพิ่มประสิทธิภาพของอุปกรณ์ ✅ เทคนิคนี้สามารถใช้งานได้กับฮาร์ดแวร์ควอนตัมระดับ NISQ ที่มีอยู่ในปัจจุบัน ➡️ ไม่ต้องรอควอนตัมคอมพิวเตอร์ระดับใหญ่ ➡️ เป็นก้าวแรกสู่การนำควอนตัมมาใช้จริงในอุตสาหกรรมเซมิคอนดักเตอร์ ✅ การผสานควอนตัมกับแมชชีนเลิร์นนิงอาจเปลี่ยนวิธีออกแบบชิปในอนาคต ➡️ เปิดทางสู่การออกแบบที่แม่นยำและรวดเร็วขึ้น ➡️ ลดการพึ่งพาการทดลองในห้องแล็บแบบเดิม ‼️ ฮาร์ดแวร์ควอนตัมในปัจจุบันยังมีข้อจำกัดด้านความเสถียรและการแก้ไขข้อผิดพลาด ⛔ ต้องการ qubit ที่มีคุณภาพสูงและระบบควบคุมที่แม่นยำ ⛔ การขยายการใช้งานจริงยังต้องพัฒนาอีกมาก ‼️ การใช้ควอนตัมกับข้อมูลขนาดใหญ่ยังไม่สามารถทำได้เต็มรูปแบบ ⛔ ต้องใช้เทคนิคลดมิติข้อมูลก่อนเข้าสู่ระบบควอนตัม ⛔ อาจสูญเสียรายละเอียดบางส่วนที่สำคัญ ‼️ การเปรียบเทียบกับโมเดลคลาสสิกยังขึ้นอยู่กับการปรับแต่งพารามิเตอร์ของแต่ละโมเดล ⛔ โมเดลคลาสสิกอาจให้ผลลัพธ์ใกล้เคียงหากปรับแต่งอย่างเหมาะสม ⛔ ต้องมีการทดสอบในบริบทที่หลากหลายก่อนสรุปว่า QML เหนือกว่า ‼️ การนำเทคนิคนี้ไปใช้ในอุตสาหกรรมจริงยังต้องผ่านการพิสูจน์เพิ่มเติม ⛔ ต้องทดสอบกับกระบวนการผลิตจริงและอุปกรณ์หลากหลายประเภท ⛔ ต้องมีการประเมินความคุ้มค่าทางเศรษฐศาสตร์ก่อนนำไปใช้เชิงพาณิชย์ https://www.tomshardware.com/tech-industry/quantum-computing/quantum-machine-learning-unlocks-new-efficient-chip-design-pipeline-encoding-data-in-quantum-states-then-analyzing-it-with-machine-learning-up-to-20-percent-more-effective-than-traditional-models

🔐 เรื่องเล่าจากเคอร์เนล: เมื่อ Linux กลายเป็นแพลตฟอร์มที่ปลอดภัยที่สุดสำหรับงานลับสุดยอด ในเดือนกรกฎาคม 2025 Linux Kernel 6.16 ได้เพิ่มการรองรับ AMD SEV vTPM อย่างสมบูรณ์ ซึ่งเป็นการรวมเทคโนโลยี Secure Encrypted Virtualization (SEV) และ Virtual Trusted Platform Module (vTPM) เข้าด้วยกัน เพื่อสร้างสภาพแวดล้อมการทำงานที่ปลอดภัยและแยกออกจากระบบโฮสต์โดยสิ้นเชิง vTPM คือ TPM แบบเสมือนที่ทำงานภายใน VM โดยถูกเข้ารหัสและแยกออกจาก hypervisor ด้วยเทคโนโลยี SEV-SNP ของ AMD ทำให้สามารถใช้ฟีเจอร์อย่าง Secure Boot, Measured Boot และ Remote Attestation ได้อย่างปลอดภัยในระบบคลาวด์หรือองค์กรที่ต้องการความมั่นคงสูง ฟีเจอร์นี้เหมาะกับองค์กรในภาคการเงิน, สาธารณสุข, และภาครัฐ ที่ต้องการความมั่นใจว่าข้อมูลสำคัญจะไม่ถูกเข้าถึงโดยผู้ให้บริการคลาวด์หรือระบบโฮสต์ที่ไม่ไว้วางใจ ✅ Linux Kernel 6.16 เพิ่มการรองรับ AMD SEV vTPM อย่างสมบูรณ์ ➡️ รองรับการสร้าง vTPM ภายใน VM ที่ถูกเข้ารหัสด้วย SEV-SNP ➡️ ใช้โปรโตคอลจาก AMD SVSM spec เพื่อให้ guest OS ติดต่อกับ vTPM ได้ ✅ vTPM ทำงานในหน่วยความจำที่ถูกแยกและเข้ารหัสโดยฮาร์ดแวร์ ➡️ ป้องกันการเข้าถึงจาก hypervisor และ guest OS ➡️ รองรับ TPM 2.0 เต็มรูปแบบ เช่น PCRs และการเข้ารหัสคีย์ ✅ รองรับการตรวจสอบความน่าเชื่อถือของระบบ (attestation) และ Secure Boot ➡️ เหมาะกับการใช้งานใน Zero Trust Architecture ➡️ ช่วยให้มั่นใจว่า VM ทำงานในสภาพแวดล้อมที่ปลอดภัยจริง ✅ เหมาะกับองค์กรที่ต้องการความปลอดภัยระดับสูง เช่น การเงิน, สาธารณสุข, และภาครัฐ ➡️ รองรับการปฏิบัติตามข้อกำหนดด้านความปลอดภัยและการเข้ารหัส ➡️ ลดการพึ่งพาเฟิร์มแวร์หรือ TPM แบบ proprietary ✅ สามารถใช้งานร่วมกับ hypervisor อย่าง KVM และเครื่องมือจัดการ VM บน Linux ➡️ รองรับการตั้งค่า kernel เช่น CONFIG_TCG_SVSM=y ➡️ มีเครื่องมือสำหรับตรวจสอบสถานะการเข้ารหัสและการทำงานของ vTPM ‼️ การใช้งาน vTPM ต้องมีการตั้งค่าฮาร์ดแวร์และ BIOS ที่รองรับ SEV-SNP ⛔ หาก CPU หรือ BIOS ไม่รองรับ จะไม่สามารถเปิดใช้งานฟีเจอร์นี้ได้ ⛔ ต้องตรวจสอบว่าเปิดใช้งาน Secure Memory Encryption แล้ว ‼️ การเข้ารหัสและการตรวจสอบแบบฮาร์ดแวร์อาจเพิ่มภาระการประมวลผล ⛔ มี overhead ด้านประสิทธิภาพ โดยเฉพาะใน workload ที่ใช้ vTPM หนัก ⛔ ต้องวางแผนการจัดสรรทรัพยากรอย่างรอบคอบ ‼️ การตั้งค่า kernel และการคอมไพล์ต้องแม่นยำเพื่อให้ vTPM ทำงานได้สมบูรณ์ ⛔ ต้องเปิดใช้งานโมดูลที่เกี่ยวข้อง เช่น CONFIG_KVM_AMD_SEV ⛔ หากตั้งค่าผิด อาจทำให้ VM ไม่สามารถบูตหรือใช้งาน vTPM ได้ ‼️ การตรวจสอบความน่าเชื่อถือ (attestation) ต้องใช้เครื่องมือเฉพาะและการทดสอบอย่างละเอียด ⛔ ต้องใช้ AMD SEV tools และ kernel boot parameters เช่น amd_sev.debug=1 ⛔ หากไม่ตรวจสอบอย่างถูกต้อง อาจเกิดช่องโหว่ด้านความปลอดภัย https://linuxconfig.org/comprehensive-amd-sev-vtpm-support-in-linux-kernel-6-16-enhances-confidential-computing

🧠 เรื่องเล่าจากโลกชิป: จาก 4 บิตสู่ 10 ล้านล้านพารามิเตอร์ ย้อนกลับไปปี 1971 Intel เปิดตัวชิป 4004 ซึ่งเป็นไมโครโปรเซสเซอร์ตัวแรกของโลก ด้วยความเร็วเพียง 740kHz และประมวลผลได้ 92,600 คำสั่งต่อวินาที (IPS) ใช้หน่วยความจำแค่ 4KB ROM และ 640 bytes RAM—เล็กจนเทียบไม่ได้กับมือถือยุคนี้ แต่ในปี 2025 NVIDIA เปิดตัว Blackwell ซึ่งเป็นชิป AI ที่ทรงพลังที่สุดในโลก ด้วยพลังประมวลผลสูงถึง 20 PetaFLOPS ต่อ GPU รองรับโมเดลขนาด 10 ล้านล้านพารามิเตอร์ และใช้เทคโนโลยี NVLink รุ่นที่ 5 ที่เชื่อมต่อ GPU ได้ถึง 576 ตัวในคลัสเตอร์เดียว เมื่อเปรียบเทียบกันแล้ว Blackwell มีประสิทธิภาพมากกว่า Intel 4004 ถึง 217 ล้านเท่า! นี่คือผลลัพธ์ของการพัฒนาอย่างต่อเนื่องตามกฎของ Moore’s Law และความต้องการด้าน AI ที่เติบโตแบบทวีคูณ ✅ Intel 4004 คือจุดเริ่มต้นของยุคไมโครโปรเซสเซอร์ในปี 1971 ➡️ ความเร็ว 740kHz, 4-bit CPU, 2,300 ทรานซิสเตอร์ ➡️ ใช้ในเครื่องคิดเลขของบริษัท Busicom ✅ NVIDIA Blackwell คือชิป AI ที่ทรงพลังที่สุดในปี 2025 ➡️ มี 208 พันล้านทรานซิสเตอร์ ➡️ รองรับโมเดล AI ขนาด 10 ล้านล้านพารามิเตอร์ ➡️ ใช้เทคโนโลยี NVLink 5.0 ที่มีแบนด์วิดธ์ 1.8TB/s ต่อ GPU ✅ Blackwell มีพลังประมวลผลสูงถึง 20 PetaFLOPS ต่อ GPU ➡️ ใช้หน่วยความจำ HBM3e สูงสุด 192GB ➡️ มี Tensor Core รุ่นใหม่ที่รองรับ FP4 สำหรับ AI inference ✅ การพัฒนาใน 50 ปีทำให้ประสิทธิภาพเพิ่มขึ้นถึง 217 ล้านเท่า ➡️ จาก 92,600 IPS ของ 4004 สู่ระดับ ExaFLOPS ของ Blackwell ➡️ สะท้อนความก้าวหน้าของมนุษยชาติในด้านคอมพิวเตอร์ ✅ Blackwell ถูกนำไปใช้ในระบบ AI ของบริษัทชั้นนำทั่วโลก ➡️ เช่น Microsoft Azure, Google DeepMind, Meta, Tesla และ OpenAI ➡️ ใช้ในงาน LLM, quantum computing, และ data analytics https://wccftech.com/computing-power-has-skyrocketed-over-the-last-50-years-with-a-whopping-217-million-times-increase/

⚡ เรื่องเล่าจากวงการชิป: เมื่อ “แฟลช” จะมาแทน “แรม” ในงาน AI ลองจินตนาการว่า GPU สำหรับงาน AI ไม่ต้องพึ่ง DRAM แบบ HBM ที่แพงและจำกัดความจุอีกต่อไป แต่ใช้แฟลชความเร็วสูงที่มีความจุระดับ SSD—นั่นคือเป้าหมายของ Sandisk กับเทคโนโลยี HBF (High Bandwidth Flash) Sandisk ได้ตั้งคณะกรรมการที่ปรึกษาด้านเทคนิค โดยดึงสองตำนานแห่งวงการคอมพิวเตอร์มาเป็นผู้นำ ได้แก่ Prof. David Patterson ผู้ร่วมพัฒนา RISC และ RAID และ Raja Koduri อดีตหัวหน้าฝ่ายกราฟิกของ AMD และ Intel เพื่อผลักดัน HBF ให้กลายเป็นมาตรฐานใหม่ของหน่วยความจำสำหรับ AI HBF ใช้ NAND Flash แบบ BiCS ร่วมกับเทคนิค CBA wafer bonding และการจัดเรียงชิปแบบ 16 ชั้นต่อแพ็กเกจ ทำให้สามารถให้แบนด์วิดธ์ระดับ HBM ได้ แต่มีความจุสูงถึง 4TB ต่อ GPU และต้นทุนต่ำกว่าอย่างมหาศาล ✅ Sandisk เปิดตัวเทคโนโลยี HBF (High Bandwidth Flash) เพื่อใช้แทน HBM ในงาน AI ➡️ ใช้ NAND Flash แบบ BiCS ร่วมกับ CBA wafer bonding ➡️ รองรับการจัดเรียงชิปแบบ 16 ชั้นต่อแพ็กเกจ ✅ HBF ให้แบนด์วิดธ์ระดับเดียวกับ HBM แต่มีความจุสูงกว่า 8 เท่าในต้นทุนใกล้เคียงกัน ➡️ GPU ที่ใช้ HBF สามารถมี VRAM ได้ถึง 4TB ➡️ หากใช้ร่วมกับ HBM จะได้รวมสูงสุดถึง 3TB ✅ Sandisk ตั้งคณะกรรมการที่ปรึกษาโดยมี David Patterson และ Raja Koduri เป็นผู้นำ ➡️ Patterson คือผู้ร่วมพัฒนา RISC และ RAID ➡️ Koduri เคยเป็นหัวหน้าฝ่ายกราฟิกของ AMD และ Intel ✅ HBF ถูกออกแบบมาเพื่อรองรับงาน AI ทั้งในดาต้าเซ็นเตอร์และ edge computing ➡️ Patterson ระบุว่า HBF จะช่วยลดต้นทุนของงาน AI ที่ปัจจุบันยังแพงเกินไป ➡️ Koduri ระบุว่า HBF จะพลิกโฉม edge AI โดยให้แบนด์วิดธ์และความจุสูงในอุปกรณ์ขนาดเล็ก ✅ HBF ใช้ electrical interface เดียวกับ HBM และต้องปรับ protocol เพียงเล็กน้อย ➡️ ทำให้สามารถนำไปใช้กับ GPU ได้ง่ายขึ้น ➡️ ไม่จำเป็นต้องออกแบบระบบใหม่ทั้งหมด ✅ เปิดตัวครั้งแรกในงาน Future FWD 2025 พร้อมแผนพัฒนา HBF รุ่นต่อไป ➡️ มี roadmap เพิ่มความจุและแบนด์วิดธ์ในอนาคต ➡️ อาจมี trade-off ด้านการใช้พลังงาน ‼️ HBF ยังไม่ใช่ตัวแทนโดยตรงของ HBM และมีข้อจำกัดด้าน latency ⛔ NAND Flash มี latency สูงกว่า DRAM ⛔ เหมาะกับงาน inference และ training มากกว่างานที่ต้องตอบสนองเร็ว ‼️ การใช้งาน HBF ต้องอาศัยการสนับสนุนจากผู้ผลิต GPU โดยตรง ⛔ ต้องใช้ interposer ที่เชื่อมต่อกับ GPU โดยเฉพาะ ⛔ หาก NVIDIA ไม่รับรอง HBF อาจจำกัดการใช้งานในตลาด ‼️ ยังไม่มีการประกาศวันเปิดตัวหรือผลิตภัณฑ์ที่ใช้ HBF อย่างเป็นทางการ ⛔ อยู่ในขั้นตอนการพัฒนาและทดสอบ ⛔ ต้องรอการยอมรับจากอุตสาหกรรมก่อนใช้งานจริง ‼️ การแข่งขันกับผู้ผลิต HBM อย่าง Samsung และ SK Hynix ยังเข้มข้น ⛔ HBM มี ecosystem ที่แข็งแกร่งและได้รับการสนับสนุนจาก NVIDIA ⛔ Sandisk ต้องผลักดัน HBF ให้เป็นมาตรฐานเปิดเพื่อหลีกเลี่ยงการผูกขาด https://www.techradar.com/pro/sandisk-recruits-risc-cofounder-amd-graphics-legend-to-spearhead-cheaper-rival-to-hbm-high-bandwidth-flash-could-bring-ssd-capacities-to-ai-gpus-without-the-cost

🧠 เรื่องเล่าจากข่าว: AMD กลับมาท้าชน NVIDIA ด้วย “RX 10090 XT” สุดโหด หลังจากปล่อยให้ NVIDIA ครองบัลลังก์ GPU ระดับไฮเอนด์มาหลายปี AMD ก็เหมือนจะ “ถอย” ไปเน้นตลาดกลาง แต่ล่าสุดมีข่าวหลุดว่า AMD เตรียมเปิดตัว GPU รุ่นใหม่ในสถาปัตยกรรม RDNA 5 ที่อาจใช้ชื่อว่า Radeon RX 10090 XT — และมันดู “โหด” จนหลายคนคิดว่าอาจเป็นคู่แข่งตัวจริงของ NVIDIA RTX 6090 ที่กำลังจะมา! เจ้า RX 10090 XT นี้มีสเปกที่น่าตื่นตาตื่นใจ: - 154 Compute Units - 36GB GDDR7 VRAM บนบัส 384-bit - Bandwidth สูงถึง 1.728 TB/s - TDP อยู่ที่ 380W ทั้งหมดนี้ถูกสร้างบนเทคโนโลยี TSMC 3nm และคาดว่าจะเปิดตัวช่วงปี 2026–2027 ซึ่งเป็นช่วงเดียวกับที่ NVIDIA จะเปิดตัว RTX 6090 เช่นกัน แม้จะยังไม่มีการยืนยันอย่างเป็นทางการ แต่การกลับมาของ AMD ในตลาดไฮเอนด์ครั้งนี้อาจเป็นจุดเปลี่ยนสำคัญของวงการ GPU ที่กำลังขาดการแข่งขันอย่างแท้จริง ✅ AMD เตรียมเปิดตัว GPU RDNA 5 รุ่นไฮเอนด์ ➡️ ใช้ชื่อชั่วคราวว่า Radeon RX 10090 XT ➡️ ตั้งเป้าแข่งขันกับ NVIDIA RTX 6090 ✅ สเปกที่หลุดออกมานั้นทรงพลังมาก ➡️ 154 Compute Units ➡️ 36GB GDDR7 VRAM ความเร็ว 36Gbps ➡️ บัส 384-bit และ Bandwidth 1.728 TB/s ➡️ ใช้พลังงาน 380W ✅ ใช้เทคโนโลยีการผลิตระดับสูง ➡️ ผลิตบนกระบวนการ TSMC 3nm ➡️ คาดว่าจะมีประสิทธิภาพต่อวัตต์ดีขึ้นจาก RDNA 4 ✅ วางแผนเปิดตัวระหว่างปี 2026–2027 ➡️ อาจเปิดตัวพร้อมกับ RTX 6090 ของ NVIDIA ➡️ เป็นการกลับเข้าสู่ตลาดไฮเอนด์ของ AMD อีกครั้ง ✅ อาจเป็นจุดเปลี่ยนของการแข่งขันในตลาด GPU ➡️ NVIDIA ครองตลาดไฮเอนด์มานานโดยไม่มีคู่แข่งที่สูสี ➡️ การกลับมาของ AMD อาจช่วยลดราคาตลาดและเพิ่มทางเลือกให้ผู้บริโภค https://www.techradar.com/computing/gpu/amd-isnt-giving-up-on-high-end-gpus-a-new-leak-hints-at-a-new-radeon-gpu-challenging-nvidias-next-gen-flagship-graphics-card

🎙️ เรื่องเล่าจากศูนย์ข้อมูล: เมื่อจีนมีพลังคอมพิวเตอร์เหลือใช้ แต่ยังขายไม่ได้ Tom’s Hardware รายงานว่า จีนกำลังพัฒนาเครือข่ายระดับประเทศเพื่อขายพลังประมวลผลส่วนเกินจากศูนย์ข้อมูล ที่ไม่ได้ใช้งานเต็มประสิทธิภาพ โดยมีเป้าหมายเพื่อเพิ่มการใช้ทรัพยากรให้คุ้มค่าและสนับสนุนการเติบโตของ AI และคลาวด์ในประเทศ แต่ก็เผชิญกับอุปสรรคสำคัญ เช่น ความล่าช้าในการเชื่อมต่อ (latency) และ ความหลากหลายของฮาร์ดแวร์ ที่ทำให้การรวมระบบเป็นเรื่องยาก จีนเคยผลักดันยุทธศาสตร์ “Eastern Data, Western Computing” โดยให้สร้างศูนย์ข้อมูลในพื้นที่ตะวันตกที่ค่าไฟถูก เพื่อรองรับความต้องการจากเมืองเศรษฐกิจฝั่งตะวันออก แต่ความจริงกลับไม่เป็นไปตามแผน: - ศูนย์ข้อมูลหลายแห่งใช้งานเพียง 20–30% ของความสามารถ - รัฐลงทุนไปกว่า $3.4 พันล้านในปี 2024 แต่ผลตอบแทนยังไม่คุ้ม - มีโครงการถูกยกเลิกกว่า 100 แห่งใน 18 เดือนที่ผ่านมา เพื่อแก้ปัญหา รัฐบาลจีนจึงเตรียมสร้าง เครือข่ายคลาวด์ระดับชาติ โดยรวมพลังประมวลผลที่เหลือจากศูนย์ต่าง ๆ มาให้บริการผ่านระบบรวมศูนย์ โดยร่วมมือกับ China Mobile, China Telecom และ China Unicom แต่ก็มีอุปสรรคใหญ่: - ความล่าช้าในการเชื่อมต่อจากศูนย์ข้อมูลในพื้นที่ห่างไกล - ความหลากหลายของฮาร์ดแวร์ เช่น บางแห่งใช้ Nvidia CUDA บางแห่งใช้ Huawei CANN ทำให้รวมกันไม่ได้ง่าย แม้จะมีความท้าทาย แต่รัฐบาลยังคงมุ่งมั่น เพราะเชื่อว่าแนวทางนี้จะช่วยให้การลงทุนใน AI และคลาวด์มีประสิทธิภาพมากขึ้น 💡 ศูนย์ข้อมูลในพื้นที่ห่างไกลมักมีค่าไฟถูก แต่ latency สูง ➡️ ไม่เหมาะกับงานที่ต้องการความเร็วตอบสนองทันที 💡 การรวมพลังประมวลผลแบบ distributed computing ต้องใช้ระบบจัดการที่ซับซ้อน ➡️ เช่น Kubernetes, scheduling algorithms และระบบ billing ที่แม่นยำ 💡 ความหลากหลายของฮาร์ดแวร์ในคลาวด์อาจต้องใช้ containerization หรือ virtualization ➡️ เพื่อให้ผู้ใช้งานเลือกได้ว่าจะใช้ GPU แบบไหน 💡 การสร้างเครือข่ายคลาวด์ระดับชาติอาจช่วยลดการพึ่งพา hyperscalers ต่างชาติ ➡️ เช่น AWS, Azure และ Google Cloud https://www.tomshardware.com/desktops/servers/china-is-developing-nation-spanning-network-to-sell-surplus-data-center-compute-power-latency-disparate-hardware-are-key-hurdles

🎙️ เรื่องเล่าจากชิปเล็กจิ๋ว: เมื่อแสงควอนตัมถูกผลิตบนซิลิคอนแบบเดียวกับ CPU ชิปนี้ใช้โครงสร้างที่เรียกว่า microring resonators จำนวน 12 วง ซึ่งทำหน้าที่ผลิตคู่โฟตอนที่มีคุณสมบัติควอนตัม — โดยปกติการผลิตโฟตอนแบบนี้ต้องใช้ห้องแล็บที่ซับซ้อน แต่ทีมวิจัยสามารถทำให้เกิดขึ้นบนชิปขนาดเท่าเล็บนิ้ว ความท้าทายคือ microring resonators มีความไวต่ออุณหภูมิและความคลาดเคลื่อนในการผลิต — หากไม่ปรับจูนอย่างแม่นยำจะไม่สามารถผลิตโฟตอนได้ ทีมจึงสร้างระบบ feedback บนชิป: - มี photodiode ตรวจสอบการทำงานของแต่ละ resonator - มี heater และวงจรควบคุมปรับจูนอัตโนมัติ - ทำให้ทั้ง 12 วงทำงานร่วมกันได้อย่างเสถียร โดยไม่ต้องใช้เครื่องมือภายนอก ชิปนี้ถูกผลิตด้วยเทคโนโลยี CMOS 45nm ซึ่งแม้จะไม่ใช่ระดับ cutting-edge แต่มีความเสถียรและสามารถผลิตจำนวนมากได้ในโรงงานทั่วไป เช่นของ GlobalFoundries และ Ayar Labs Nvidia CEO ยังเคยกล่าวว่า microring resonators คือ “หัวใจของการเชื่อมต่อแบบ optical สำหรับ AI” — และงานวิจัยนี้แสดงให้เห็นว่า photonics เดียวกันสามารถใช้กับควอนตัมได้เช่นกัน ✅ นักวิจัยสร้าง “โรงงานแสงควอนตัม” บนชิปขนาด 1 มม² โดยใช้ CMOS 45nm ➡️ เป็นการรวม photonics, electronics และ quantum optics บนแพลตฟอร์มเดียว ✅ ใช้ microring resonators 12 วงเพื่อผลิตคู่โฟตอนที่มีคุณสมบัติควอนตัม ➡️ โดยปกติการผลิตโฟตอนต้องใช้ห้องแล็บที่ซับซ้อน ✅ มีระบบ feedback บนชิปเพื่อปรับจูน resonator แบบเรียลไทม์ ➡️ ใช้ photodiode, heater และวงจรควบคุมเพื่อให้ทำงานเสถียร ✅ ผลิตด้วยเทคโนโลยี CMOS 45nm ที่ใช้ใน CPU และ GPU ทั่วไป ➡️ ทำให้สามารถผลิตในโรงงานอุตสาหกรรมได้ ไม่ต้องใช้เทคนิคเฉพาะทาง ✅ ชิปนี้ถูกพัฒนาร่วมกับ GlobalFoundries และ Ayar Labs ➡️ บริษัทที่เชี่ยวชาญด้าน optical interconnects สำหรับ AI และ HPC ✅ Nvidia เคยกล่าวว่า microring resonators คือกุญแจสำคัญของการเชื่อมต่อ AI แบบ optical ➡️ งานวิจัยนี้แสดงให้เห็นว่า photonics เดียวกันสามารถใช้กับควอนตัมได้เช่นกัน ✅ นักวิจัยบางคนในทีมได้เข้าร่วมบริษัทเชิงพาณิชย์ เช่น PsiQuantum, Ayar Labs และ Google X ➡️ แสดงถึงการเปลี่ยนผ่านจากงานวิจัยสู่ผลิตภัณฑ์จริง https://www.tomshardware.com/tech-industry/quantum-computing/researchers-pack-a-quantum-light-factory-into-a-1mm-square-chip-combines-photonics-electronics-and-quantum-hardware-with-traditional-silicon-manufacturing

🎙️ เรื่องเล่าจากเบื้องหลังคลาวด์: เมื่อเซิร์ฟเวอร์เก่ากลับมาเพราะคลาวด์ไม่ตอบโจทย์ จากผลสำรวจโดย Liquid Web: - 42% ของทีม IT ย้าย workload กลับจากคลาวด์มาใช้เซิร์ฟเวอร์ dedicated ภายใน 1 ปี - 86% ขององค์กรยังใช้เซิร์ฟเวอร์ dedicated อยู่ แม้จะอยู่ในยุคที่คลาวด์ครองตลาด - เหตุผลหลักคือ: ค่าคลาวด์ที่พุ่งสูง, ความไม่แน่นอนของราคา, และการขาดการควบคุม ภาคส่วนที่ใช้เซิร์ฟเวอร์ dedicated มากที่สุด: - ภาครัฐ: 93% - IT: 91% - การเงิน: 90% - แม้แต่ธุรกิจขนาดเล็กก็ใช้ถึง 68% หลายองค์กรเจอ “ค่าใช้จ่ายคลาวด์ที่ไม่คาดคิด” ระหว่าง $5,000–$25,000 และ 32% เชื่อว่า “งบประมาณคลาวด์ถูกใช้ไปกับฟีเจอร์ที่ไม่จำเป็น” Ryan MacDonald, CTO ของ Liquid Web กล่าวว่า “การย้ายกลับมาใช้เซิร์ฟเวอร์ dedicated เป็นกลยุทธ์เพื่อควบคุมต้นทุนและสร้างระบบที่มั่นคงในระยะยาว” ✅ 42% ของทีม IT ย้าย workload กลับจากคลาวด์มาใช้เซิร์ฟเวอร์ dedicated ในปีที่ผ่านมา ➡️ เหตุผลหลักคือความต้องการควบคุม, ความปลอดภัย, และต้นทุนที่คาดการณ์ได้ ✅ 86% ขององค์กรยังใช้เซิร์ฟเวอร์ dedicated อยู่ แม้จะอยู่ในยุคคลาวด์ ➡️ แสดงว่า dedicated ยังมีบทบาทสำคัญในโครงสร้างพื้นฐาน ✅ ภาครัฐ, IT, และการเงินเป็นกลุ่มที่ใช้เซิร์ฟเวอร์ dedicated มากที่สุด ➡️ เพราะต้องการ uptime สูงและการปฏิบัติตามข้อกำกับด้านข้อมูล ✅ 55% ของผู้ตอบแบบสอบถามเลือก dedicated เพราะต้องการการปรับแต่งและควบคุมเต็มรูปแบบ ➡️ รวมถึงความปลอดภัยทางกายภาพและประสิทธิภาพของเครือข่าย ✅ 32% เชื่อว่างบประมาณคลาวด์ถูกใช้ไปกับฟีเจอร์ที่ไม่จำเป็น ➡️ เช่นการจ่ายค่าความจุหรือฟังก์ชันที่ไม่เคยถูกใช้งานจริง ✅ 45% คาดว่าเซิร์ฟเวอร์ dedicated จะมีบทบาทเพิ่มขึ้นภายในปี 2030 ➡️ 53% มองว่าเป็น “สิ่งจำเป็น” ในโครงสร้างพื้นฐานองค์กร https://www.techradar.com/pro/in-the-shadow-of-ai-has-cloud-peaked-a-survey-shows-that-more-businesses-are-moving-away-from-cloud-computing-to-dedicated-servers

🎙️ เรื่องเล่าจากโลก Open Source: เมื่อ Linux เวอร์ชันแรงสุดจาก Intel ถูกปลดจากสายพาน Clear Linux เป็นระบบปฏิบัติการที่ Intel ออกแบบมาโดยเฉพาะเพื่อเร่ง performance แบบ out-of-the-box โดยมีฟีเจอร์ระดับสูงที่ระบบอื่นไม่กล้าใช้ เช่น: - ใช้ compiler flags แบบ aggressive (ทั้ง GCC และ Clang) - ทำ PGO (Profile-Guided Optimization) และ LTO (Link-Time Optimization) ทั่วทั้งระบบ - kernel ถูกปรับแต่งเพื่อใช้ CPU แบบ multi-threading เต็มที่ - ปรับใช้งาน AVX2, AVX-512 และเทคโนโลยีอย่าง Optane ตั้งแต่วันแรก - มี clr-boot-manager สำหรับอัปเดต kernel แบบเร็ว ผลลัพธ์คือ Clear Linux มักจะชนะ benchmark ด้านประสิทธิภาพทั้งในงาน build, render และ scientific computing — แม้ใช้บน AMD ก็ตาม! แต่ด้วยนโยบายลดต้นทุนของ Intel บริษัทเริ่มตัดคนและทีม software ออกจำนวนมาก — ส่งผลให้ Clear Linux ถูก “พักถาวร” โดยไม่มีแพตช์ความปลอดภัยหรืออัปเดตใหม่อีก นักพัฒนา Linux หลายคนแสดงความเสียดาย เพราะฟีเจอร์และแนวคิดของ Clear Linux เริ่มถูกนำไปใช้ใน distro อื่น ๆ แล้ว เช่น CachyOS และบางส่วนใน Arch-based รุ่นใหม่ ✅ Intel ประกาศหยุดพัฒนา Clear Linux อย่างเป็นทางการ ➡️ ไม่มีแพตช์ ไม่มีอัปเดตความปลอดภัย และ archive repo บน GitHub เป็นแบบ read-only ✅ Clear Linux มีจุดเด่นคือเร่ง performance ตั้งแต่แกนระบบ ➡️ ใช้ toolchain ใหม่สุด, flags รุนแรง, และ optimization เชิงลึก เช่น PGO/LTO ✅ ทำงานดีทั้งบน Intel และ AMD แม้จะออกแบบมาเพื่อ Intel โดยตรง ➡️ เป็น distro เดียวที่ “แรงสุด” ในหลาย benchmark แบบไม่ต้องปรับแต่งเอง ✅ ฟีเจอร์เด่นคือ clr-boot-manager และระบบจัดการ kernel ที่เร็วมาก ➡️ เหมาะกับ developer และงาน HPC ที่ต้องใช้ kernel ใหม่อยู่ตลอด ✅ ระบบใช้ได้ดีใน workload ที่เน้น CPU, I/O, memory และ multithreading ➡️ เป็นที่นิยมในกลุ่มนักพัฒนาเทคโนโลยีใหม่ เช่น AI และการ render แบบหนัก ๆ ✅ Intel จะยังคงสนับสนุน Linux ผ่าน upstream และ distro หลักอื่น ๆ ➡️ เช่น Fedora, Ubuntu หรือโครงการ kernel โดยตรง ✅ CachyOS และ distro อื่น ๆ เริ่มนำ optimization ของ Clear Linux ไปใช้งาน ➡️ แสดงว่าเทคโนโลยียังมีชีวิตอยู่ใน ecosystem แม้ต้นฉบับจะเลิกทำแล้ว ‼️ ผู้ใช้ Clear Linux ควรวางแผนย้ายออกทันที ⛔ หากไม่ย้ายจะมีความเสี่ยงเรื่องความปลอดภัย เพราะไม่มีแพตช์ใหม่ ‼️ ระบบที่ยัง deploy ด้วย Clear Linux อาจเจอปัญหาความเข้ากันในอนาคต ⛔ library หรือ driver ใหม่อาจไม่รองรับ โดยไม่มีทีมดูแลให้ ‼️ ฟีเจอร์ที่ใช้เทคโนโลยี Intel โดยตรง เช่น AVX-512 อาจใช้งานยากขึ้นใน distro อื่น ⛔ ต้องปรับแต่งเองหรือเขียน config เพื่อให้ทำงานแบบที่ Clear Linux เคยทำ ‼️ การหยุดพัฒนาอาจเป็นสัญญาณว่า Intel ลดบทบาทในด้าน software ecosystem ⛔ ส่งผลต่อความเร็วของ innovation ด้าน HPC และ AI บน Linux https://www.tomshardware.com/software/linux/intel-axes-clear-linux-the-fastest-distribution-on-the-market-company-ends-support-effective-immediately

HighPoint Technologies เปิดตัว Rocket 1628A และ Rocket 1528D ซึ่งเป็นอะแดปเตอร์ PCIe ที่ออกแบบมาเพื่อขยายการเชื่อมต่ออุปกรณ์ NVMe และ PCIe ผ่านสล็อตเดียว โดยใช้เทคโนโลยี PCIe switching และ lane allocation ที่ช่วยแบ่งแบนด์วิดธ์ x16 ออกเป็น x4 และ x8 ได้อย่างมีประสิทธิภาพ อุปกรณ์ทั้งสองรุ่นรองรับการเชื่อมต่อโดยตรงกับอุปกรณ์ PCIe ได้ 8 ตัว หรือเชื่อมต่อ NVMe SSD ได้สูงสุด 32 ตัวผ่าน backplane ที่รองรับมาตรฐาน UBM โดยใช้คอนเนกเตอร์แบบ MCIO (Rocket 1628A) และ SlimSAS (Rocket 1528D) นอกจากนี้ยังรองรับการใช้งานกับ GPU, NIC, capture card และ storage controller ได้อีกด้วย เหมาะกับงานใน data center, edge computing, AI/ML, automation และ workstation ขนาดเล็ก อะแดปเตอร์ทั้งสองรุ่นมีฟีเจอร์ plug-and-play, LED diagnostic, hot-swap และรองรับทั้งแพลตฟอร์ม x86 และ ARM โดย Rocket 1628A วางจำหน่ายแล้วในราคา $1,499 ส่วน Rocket 1528D ราคา $699 ‼️ อะแดปเตอร์เหล่านี้ออกแบบมาสำหรับงานระดับองค์กร ⛔ ไม่รองรับ SSD แบบ M.2 ที่ใช้กันทั่วไปในคอมพิวเตอร์ส่วนบุคคล ‼️ ต้องใช้ backplane ที่รองรับมาตรฐาน UBM เพื่อเชื่อมต่อ NVMe 32 ตัว ⛔ หากไม่มี backplane ที่เหมาะสม จะไม่สามารถใช้ฟีเจอร์เต็มรูปแบบได้ ‼️ การใช้งานอุปกรณ์ PCIe จำนวนมากต้องมีระบบระบายความร้อนที่ดี ⛔ หากไม่จัดการความร้อนอย่างเหมาะสม อาจเกิดปัญหาด้านเสถียรภาพ ‼️ ราคาสูงเมื่อเทียบกับอะแดปเตอร์ทั่วไป ⛔ อาจไม่คุ้มค่าสำหรับผู้ใช้ทั่วไปหรือองค์กรขนาดเล็ก https://www.tomshardware.com/pc-components/storage/new-adapters-offer-substantial-industrial-pcie-expansion-highpoints-rocket-1628a-and-1528d-support-deploying-up-to-32-nvme-drives-and-8-pcie-devices-in-a-single-slot

🎙️ เรื่องเล่าจากโลกควอนตัม: เดนมาร์กเตรียมสร้าง “Magne” คอมพิวเตอร์ควอนตัมที่ทรงพลังที่สุดในโลก มูลนิธิ Novo Nordisk Foundation ร่วมกับกองทุนรัฐของเดนมาร์ก (EIFO) ประกาศลงทุน 80 ล้านยูโร (ประมาณ 93 ล้านดอลลาร์สหรัฐ) ในโครงการ QuNorth เพื่อสร้างคอมพิวเตอร์ควอนตัมที่ทรงพลังที่สุดในโลก โดยมีเป้าหมายเพื่อเร่งการค้นพบใหม่ในด้านเภสัชกรรม เคมี และวัสดุศาสตร์ คอมพิวเตอร์ควอนตัมเครื่องนี้จะมีชื่อว่า “Magne” ตามชื่อบุตรของเทพธอร์ในตำนานนอร์ส ซึ่งเป็นสัญลักษณ์ของพลังมหาศาล โดยจะเริ่มก่อสร้างในฤดูใบไม้ร่วงปีนี้ และคาดว่าจะพร้อมใช้งานภายในสิ้นปี 2026 Microsoft ซึ่งมีห้องวิจัยควอนตัมใหญ่ที่สุดในเดนมาร์ก จะเป็นผู้พัฒนาซอฟต์แวร์ ส่วน Atom Computing จะรับหน้าที่สร้างฮาร์ดแวร์ โดยเริ่มต้นด้วย 50 logical qubits ซึ่งเป็นระดับที่เริ่มแสดง “quantum advantage” หรือความสามารถที่เหนือกว่าคอมพิวเตอร์ทั่วไป Jason Zander รองประธานของ Microsoft ระบุว่า เมื่อถึงระดับ 100 qubits จะสามารถแก้ปัญหาทางวิทยาศาสตร์ได้ และเมื่อถึง 1,000 qubits จะสามารถแก้ปัญหาทางเคมีและฟิสิกส์ที่ซับซ้อนได้อย่างแท้จริง ✅ เดนมาร์กลงทุน 80 ล้านยูโรในโครงการ QuNorth ➡️ เพื่อสร้างคอมพิวเตอร์ควอนตัมที่ทรงพลังที่สุดในโลก ✅ คอมพิวเตอร์จะมีชื่อว่า “Magne” ตามตำนานนอร์ส ➡️ สื่อถึงพลังและความแข็งแกร่งของระบบ ✅ Microsoft จะพัฒนาซอฟต์แวร์ควอนตัม ➡️ โดยใช้ประสบการณ์จากห้องวิจัยควอนตัมในเดนมาร์ก ✅ Atom Computing จะสร้างฮาร์ดแวร์ของระบบ ➡️ เริ่มต้นด้วย 50 logical qubits ✅ 50 qubits คือระดับที่เริ่มแสดง quantum advantage ➡️ สามารถแก้ปัญหาที่คอมพิวเตอร์ทั่วไปทำไม่ได้ ✅ เมื่อถึง 100–1,000 qubits จะสามารถแก้ปัญหาทางวิทยาศาสตร์และเคมีขั้นสูง ➡️ เช่น การจำลองโมเลกุลหรือวัสดุใหม่ที่ซับซ้อน https://www.thestar.com.my/tech/tech-news/2025/07/17/denmark-aims-to-host-worlds-most-powerful-quantum-computer

🎙️ เรื่องเล่าจากโลกเทคโนโลยี: เมื่อภาพ AI กลายเป็นสัญลักษณ์ของความไม่เข้าใจมนุษย์ Mike Matsel หัวหน้าฝ่ายพัฒนา Xbox Graphics ได้โพสต์ประกาศรับสมัครนักออกแบบกราฟิกบน LinkedIn พร้อมภาพประกอบที่สร้างด้วย AI ซึ่งดูเผิน ๆ อาจไม่ผิดปกติ แต่เมื่อพิจารณาใกล้ ๆ กลับเต็มไปด้วยข้อผิดพลาด เช่น โค้ดปรากฏอยู่ด้านหลังจอภาพ, โต๊ะที่หายไปครึ่งหนึ่ง, เงาที่ไม่สมจริง และผู้หญิงในภาพใส่หูฟัง Apple รุ่นสายจากยุค 2000 ทั้งที่เป็นปี 2025 สิ่งที่ทำให้โพสต์นี้กลายเป็นไวรัลคือความย้อนแย้ง—Microsoft เพิ่งปลดพนักงานกว่า 9,000 คน รวมถึงทีม Xbox บางส่วน แต่กลับใช้ภาพ AI ที่ผิดพลาดในการประกาศรับสมัครงานด้านศิลป์ ซึ่งเป็นตำแหน่งที่ถูกลดไปก่อนหน้านี้ ผู้คนในวงการกราฟิกและนักพัฒนาแสดงความไม่พอใจในคอมเมนต์ โดยบางคนตั้งข้อสงสัยว่าเป็นการประชด หรือ “compliance แบบประชดประชัน” ที่ใช้ AI ตามคำสั่งแม้จะรู้ว่าผลลัพธ์ไม่เหมาะสม ยิ่งไปกว่านั้น ยังมีกรณีที่ Matt Turnbull ผู้บริหาร Xbox เคยโพสต์แนะนำให้พนักงานที่ถูกปลดใช้ AI chatbot เพื่อ “เยียวยาอารมณ์” และ “หางานใหม่” ซึ่งก็ถูกวิจารณ์อย่างหนักจนต้องลบโพสต์ไป ✅ Mike Matsel โพสต์รับสมัครนักออกแบบกราฟิกสำหรับ Xbox บน LinkedIn ➡️ ใช้ภาพ AI ที่มีข้อผิดพลาดชัดเจนเป็นภาพประกอบ ✅ Microsoft เพิ่งปลดพนักงานกว่า 9,000 คน รวมถึงทีม Xbox ➡️ ทำให้การใช้ภาพ AI ในการรับสมัครงานดูย้อนแย้ง ✅ ภาพ AI มีข้อผิดพลาดหลายจุด เช่น: ➡️ โค้ดอยู่ด้านหลังจอ, โต๊ะหายไป, เงาไม่สมจริง, หูฟังรุ่นเก่า ✅ ผู้คนในวงการกราฟิกแสดงความไม่พอใจในคอมเมนต์ ➡️ บางคนสงสัยว่าเป็นการประชดหรือจงใจเรียกความสนใจ ✅ Matt Turnbull เคยโพสต์แนะนำให้ใช้ AI chatbot เพื่อเยียวยาอารมณ์ ➡️ โพสต์ถูกลบหลังถูกวิจารณ์อย่างหนัก ‼️ การใช้ภาพ AI ที่ผิดพลาดอาจบั่นทอนความเชื่อมั่นในองค์กร ⛔ โดยเฉพาะในช่วงหลังการปลดพนักงานจำนวนมาก ‼️ การใช้ AI แทนมนุษย์ในงานศิลป์อาจสร้างความรู้สึกด้อยค่าให้กับผู้เชี่ยวชาญ ⛔ โดยเฉพาะเมื่อใช้เพื่อประกาศรับสมัครงานที่เกี่ยวข้องกับความคิดสร้างสรรค์ ‼️ การสื่อสารที่ไม่ละเอียดอ่อนในช่วงวิกฤตอาจสร้างความเสียหายต่อภาพลักษณ์ ⛔ เช่น การแนะนำให้ใช้ AI เพื่อเยียวยาอารมณ์หลังถูกปลด ‼️ แม้ภาพจะไม่ได้รับการอนุมัติอย่างเป็นทางการจาก Microsoft แต่ยังมีโลโก้ Xbox อยู่ ⛔ ทำให้ผู้คนเชื่อมโยงกับแบรนด์โดยตรงและวิจารณ์องค์กร https://www.techradar.com/computing/artificial-intelligence/microsoft-employee-uses-terrible-ai-generated-image-to-advertise-for-xbox-artists-just-weeks-after-massive-layoffs

ลืม ransomware ไปก่อน—Quantum Computing คือภัยไซเบอร์ที่องค์กรทั่วโลกกลัวที่สุด รายงานล่าสุดจาก Capgemini Research Institute ซึ่งสำรวจองค์กรขนาดใหญ่กว่า 1,000 แห่งใน 13 ประเทศ พบว่า 70% ขององค์กรเหล่านี้มองว่า Quantum Computing คือภัยคุกคามด้านความปลอดภัยที่ร้ายแรงที่สุดในอนาคต มากกว่าการโจมตีแบบ ransomware ที่เคยเป็นอันดับหนึ่ง เหตุผลคือ Quantum Computer จะสามารถ “ถอดรหัส” ระบบเข้ารหัสที่ใช้อยู่ในปัจจุบันได้ทั้งหมด เช่น RSA, ECC และ AES ซึ่งเป็นหัวใจของการรักษาความปลอดภัยในระบบธนาคาร, การสื่อสาร, โครงสร้างพื้นฐาน และแม้แต่ระบบป้องกันประเทศ สิ่งที่น่ากังวลที่สุดคือแนวโน้ม “Harvest Now, Decrypt Later” หรือการที่หน่วยงานบางแห่ง (โดยเฉพาะรัฐ) กำลังเก็บข้อมูลที่เข้ารหัสไว้ล่วงหน้า เพื่อรอวันที่ Quantum Computer มีพลังมากพอจะถอดรหัสได้—ซึ่งหลายองค์กรเชื่อว่า “Q-Day” หรือวันที่เกิดเหตุการณ์นี้จะมาถึงภายใน 5–10 ปี Capgemini แนะนำให้องค์กรเริ่มเปลี่ยนไปใช้ระบบ “Post-Quantum Cryptography” ตั้งแต่วันนี้ เพื่อป้องกันความเสียหายในอนาคต และสร้างความเชื่อมั่นระยะยาว ✅ ข้อมูลจากข่าว - รายงานจาก Capgemini พบว่า 70% ขององค์กรขนาดใหญ่มองว่า Quantum Computing เป็นภัยไซเบอร์อันดับหนึ่ง - Quantum Computer สามารถถอดรหัสระบบเข้ารหัสแบบดั้งเดิมได้ เช่น RSA, ECC, AES - แนวโน้ม “Harvest Now, Decrypt Later” คือการเก็บข้อมูลไว้ล่วงหน้าเพื่อรอถอดรหัสในอนาคต - 65% ขององค์กรกังวลว่า Q-Day จะเกิดภายใน 5 ปี และ 60% เชื่อว่าจะเกิดภายใน 10 ปี - องค์กรเริ่มเปลี่ยนไปใช้ Post-Quantum Cryptography เพื่อป้องกันล่วงหน้า - Capgemini แนะนำให้เปลี่ยนเร็วเพื่อความต่อเนื่องทางธุรกิจและความเชื่อมั่นระยะยาว ‼️ คำเตือนและข้อควรระวัง - หากไม่เปลี่ยนระบบเข้ารหัสให้รองรับ Quantum ภายในเวลาอันใกล้ องค์กรอาจเสี่ยงต่อการสูญเสียข้อมูลมหาศาล - ข้อมูลที่ถูกเก็บไว้วันนี้ อาจถูกถอดรหัสในอนาคตโดยไม่มีทางป้องกัน - การเปลี่ยนระบบเข้ารหัสต้องใช้เวลาและทรัพยากรจำนวนมาก องค์กรควรวางแผนล่วงหน้า - การรอให้ Q-Day มาถึงก่อนค่อยเปลี่ยนอาจสายเกินไป และส่งผลต่อความมั่นคงของระบบทั้งหมด - องค์กรที่ไม่เตรียมตัวอาจเสียเปรียบด้านการแข่งขันและความไว้วางใจจากลูกค้า https://www.techradar.com/pro/security/forget-ransomware-most-firms-think-quantum-computing-is-the-biggest-security-risk-to-come

MIPS จากตำนาน RISC สู่การเริ่มต้นใหม่ในอ้อมแขนของ GlobalFoundries ย้อนกลับไปในยุค 1980s MIPS คือหนึ่งในผู้บุกเบิกสถาปัตยกรรม RISC (Reduced Instruction Set Computing) โดยมี John Hennessy จาก Stanford เป็นผู้ร่วมออกแบบ และเปิดตัว CPU รุ่นแรกคือ R2000 ซึ่งมีเพียง 110,000 ทรานซิสเตอร์ แต่สามารถทำงานได้เร็วถึง 15MHz MIPS เคยเป็นคู่แข่งของ Intel และ Arm และมีบทบาทสำคัญในอุปกรณ์ระดับสูง เช่น: - Workstation ของ Silicon Graphics - เครื่องเล่นเกม Sony PlayStation รุ่นแรก - ยานสำรวจอวกาศ New Horizons ของ NASA แต่หลังจากนั้น MIPS ก็เปลี่ยนมือหลายครั้ง—ผ่าน Silicon Graphics, Imagination Technologies, Tallwood Ventures และ Wave Computing ก่อนจะล้มละลายและกลับมาอีกครั้งในปี 2020 โดยหันไปใช้สถาปัตยกรรม RISC-V แบบโอเพนซอร์ส แม้จะเปิดตัวซีรีส์ eVocore และ Atlas Explorer เพื่อเจาะตลาด AI และ edge computing แต่ก็ไม่สามารถสร้างแรงกระเพื่อมได้มากนัก จนล่าสุด GlobalFoundries เข้าซื้อกิจการ และจะให้ MIPS ดำเนินงานเป็นหน่วยธุรกิจอิสระที่เน้น AI, อุตสาหกรรม และระบบอัตโนมัติ ✅ ข้อมูลจากข่าว - MIPS เคยเป็นผู้นำด้าน RISC และอยู่เบื้องหลัง PlayStation รุ่นแรกและภารกิจของ NASA - เปิดตัว CPU รุ่นแรก R2000 ในปี 1986 และ R3000 ในปี 1988 - ถูกซื้อโดย GlobalFoundries ซึ่งเคยเป็นโรงงานผลิตชิปของ AMD - MIPS จะดำเนินงานเป็นหน่วยธุรกิจอิสระภายใต้ GlobalFoundries - เป้าหมายใหม่คือ AI, ระบบอัตโนมัติ และ edge computing - เคยเปลี่ยนมาใช้ RISC-V architecture เพื่อกลับเข้าสู่ตลาด - CEO ของ MIPS มองว่าการเข้าร่วม GlobalFoundries คือ “การเริ่มต้นบทใหม่ที่กล้าหาญ” ‼️ คำเตือนและข้อควรระวัง - แม้จะมีประวัติยิ่งใหญ่ แต่ MIPS ยังไม่สามารถสร้างแรงกระเพื่อมในตลาด AI ได้จริง - การเปลี่ยนมือบ่อยครั้งสะท้อนถึงความไม่มั่นคงของโมเดลธุรกิจ - RISC-V แม้จะเป็นมาตรฐานเปิด แต่ยังมีความไม่แน่นอนในด้าน ecosystem และการสนับสนุนเชิงพาณิชย์ - การพึ่งพา GlobalFoundries อาจทำให้ MIPS ต้องปรับตัวตามกลยุทธ์ของบริษัทแม่ - ผู้พัฒนาและองค์กรที่ใช้ IP ของ MIPS ควรติดตามการเปลี่ยนแปลงอย่างใกล้ชิด เพื่อประเมินผลกระทบในระยะยาว https://www.techradar.com/pro/arms-legendary-rival-was-in-the-original-playstation-now-in-a-twist-of-fate-mips-has-been-sold-to-amds-former-foundry

GlobalFoundries เคยเป็นโรงงานผลิตชิปที่เปิดให้ใครก็ได้มาออกแบบชิป แล้วให้ GF ผลิตให้ (เช่น AMD เคยใช้บริการช่วงแรก) → แต่ตอนนี้ GF ไม่อยากเป็นแค่ “โรงงาน” อีกต่อไป → จึงคว้าตัว MIPS มาเสริมทัพ เพื่อให้สามารถ “ออกแบบและขายซีพียูเองได้” โดยเฉพาะบนพื้นฐานสถาปัตยกรรม RISC-V ที่กำลังมาแรงมาก MIPS เคยโด่งดังจากชิปฝังตัวบนอุปกรณ์เครือข่าย และตอนนี้ก็หันมาใช้ RISC-V เต็มตัว โดยมีซีพียูตระกูล Atlas ที่ครอบคลุมทั้ง - งานทั่วไป (general-purpose) - งานเรียลไทม์ (real-time) - และงาน AI บน edge ประโยชน์สำคัญของดีลนี้คือ → MIPS จะได้ใช้งานสายการผลิตของ GF ที่มีความปลอดภัยระดับกลาโหมสหรัฐฯ → ส่วน GF จะสามารถเสนอ “ชิปแบบเบ็ดเสร็จ” ที่รวม IP ซีพียู + AI + การผลิต ไว้ที่เดียวกัน → โดยเฉพาะอย่างยิ่งเหมาะกับลูกค้าในอุตสาหกรรมยานยนต์, โรงงานอัจฉริยะ และ edge computing ✅ GlobalFoundries ประกาศซื้อกิจการ MIPS เพื่อเสริมพอร์ตผลิตภัณฑ์ซีพียู RISC-V และ AI   • ไม่เปิดเผยมูลค่าดีล   • MIPS จะยังดำเนินงานแยกเป็นธุรกิจอิสระภายใน GF ✅ เทคโนโลยีจาก MIPS ที่ GF จะได้รับ:   • ซีพียู IP แบบ general-purpose   • หน่วยเร่ง AI inference   • เทคโนโลยีสำหรับระบบเซ็นเซอร์แบบฝังตัว ✅ RISC-V จาก MIPS รองรับทั้งงานทั่วไป–เรียลไทม์–AI edge   • ประหยัดพลังงาน และเหมาะกับระบบฝังตัวที่โหลดหนัก ✅ GF จะสามารถผลิตชิป RISC-V + AI ได้ครบวงจรในโรงงานของตัวเอง   • ช่วยให้ลูกค้าบางกลุ่ม (เช่น กระทรวงกลาโหมสหรัฐฯ) มั่นใจในความปลอดภัย   • ลดระยะเวลานำสินค้าออกสู่ตลาด ✅ ดีลนี้สะท้อนวิสัยทัศน์ใหม่ของ GF → ไม่ใช่แค่โรงงานรับจ้างผลิต แต่เป็น “ผู้พัฒนาโซลูชันแบบครบวงจร” สำหรับอุตสาหกรรม ✅ คาดว่าการควบรวมจะเสร็จสิ้นช่วงครึ่งหลังของปี 2025 (รอการอนุมัติจากหน่วยงานกำกับ) https://www.tomshardware.com/pc-components/cpus/globalfoundries-to-make-risc-v-cpus-fab-acquires-mips-will-integrate-risc-v-and-ai-ip-into-its-portfolio

เมื่อก่อน ถ้าเรียนคอมฯ ก็ต้องเรียนเขียนโค้ด จดจำ syntax จัดการอัลกอริธึม…แต่วันนี้ AI อย่าง Copilot, ChatGPT หรือ Claude ก็ “เขียนให้เราได้หมด” → ทำให้หลายคนเริ่มตั้งคำถามว่า “จำเป็นไหมที่นักศึกษายังต้องเรียนเขียนโค้ดจาก 0?” จากรายงานของ TechSpot พบว่า: - หลายมหาวิทยาลัย เช่น Carnegie Mellon University (CMU) กำลัง “รีเซ็ต” หลักสูตร - เน้น “การคิดเชิงระบบ + ความเข้าใจพื้นฐาน AI” มากกว่าทักษะเชิงเทคนิคล้วน ๆ - นักศึกษาเริ่มใช้ AI เป็น “ไม้เท้า” แต่อาจลืมว่า “ยังต้องรู้ว่ากำลังเดินไปไหน” บางวิชาก็อนุญาตให้ใช้ AI ได้ตั้งแต่ปีแรก → สุดท้ายพบว่า นักศึกษาใช้ AI ทำการบ้าน แล้ว “ไม่เข้าใจโค้ดครึ่งหนึ่งที่ได้มา” → ทำให้หลายคนเริ่มกลับไปตั้งใจเรียนเขียนโค้ดเอง ผลกระทบยังไปไกลถึงตลาดแรงงาน → งานสาย software entry-level ถูกลดลงอย่างชัดเจน (ลด 65% ในรอบ 3 ปี ตามข้อมูลของ CompTIA) → นักศึกษาที่เคยคิดว่า “เรียนคอม = จบแล้วได้เงินเดือนดี” ก็เริ่มวางแผนเรียน minor ด้านอื่น ๆ เพิ่ม เช่น ความมั่นคงปลอดภัย, ปัญญาสังคม, หรือการเมือง มีข้อเสนอว่าวิทยาการคอมพิวเตอร์จะกลายเป็นเหมือน “วิชาศิลปศาสตร์ยุคใหม่” ที่ต้องผสานทักษะด้านเทคนิค + ความคิดเชิงวิพากษ์ + การสื่อสาร เพื่ออยู่รอดในยุคที่ AI เป็นเพื่อนร่วมงานทุกที่ ✅ หลายมหาวิทยาลัยสหรัฐฯ ปรับหลักสูตรคอมพิวเตอร์ เน้น “AI literacy” และ “computational thinking”   • ลดการเน้น syntax ของภาษาโปรแกรม   • สนับสนุนวิชาข้ามศาสตร์ เช่น คอมพิวเตอร์ + ชีววิทยา, คอมฯ + นโยบาย ✅ Carnegie Mellon University เป็นหนึ่งในผู้นำการเปลี่ยนแปลง   • บางวิชาอนุญาตให้นักศึกษาใช้ AI ทำการบ้าน   • แต่พบว่า AI ทำให้ “หลงทาง” และไม่เข้าใจโค้ดจริง   • ทำให้นักศึกษาหลายคนกลับมาสนใจเรียน code อย่างตั้งใจอีกครั้ง ✅ NSF จัดโครงการ ‘Level Up AI’ เพื่อร่วมกำหนด “พื้นฐานด้าน AI” สำหรับนักศึกษาสายคอม   • ร่วมมือกับสมาคมวิจัย (Computing Research Association) และมหาวิทยาลัยทั่วประเทศ   • ระยะโครงการ 18 เดือน ✅ แนวโน้ม: คอมพิวเตอร์อาจกลายเป็นวิชา “พื้นฐาน” ที่เหมือนศิลปศาสตร์ยุคใหม่   • ต้องใช้ทักษะคิดวิเคราะห์–สื่อสาร–เข้าใจสังคมควบคู่กับเทคนิค ✅ หลายคนใช้ AI ช่วย coding แต่เริ่มระวังไม่ให้ใช้จน “ทื่อ” หรือไม่มีพื้นฐาน https://www.techspot.com/news/108574-universities-rethinking-computer-science-curriculum-response-ai-tools.html

หากพูดถึงบริษัทแม่ที่อยู่เบื้องหลัง NTT DC REIT ก็คือ NTT Ltd. ซึ่งเป็นเครือในกลุ่มโทรคมนาคมยักษ์ใหญ่อย่าง Nippon Telegraph and Telephone Corp. (NTT) จากญี่ปุ่น → ตอนนี้ NTT DC REIT เป็นเจ้าของดาต้าเซ็นเตอร์ 6 แห่งใน ออสเตรีย, สิงคโปร์ และสหรัฐฯ รวมมูลค่าทรัพย์สินกว่า 1.57 พันล้านดอลลาร์ บริษัทจะเริ่ม IPO วันที่ 14 กรกฎาคม 2025 → เสนอขายหน่วยทรัสต์จำนวน เกือบ 600 ล้านหน่วย ในราคาประมาณ 1 ดอลลาร์/หน่วย (หรือ 1.276 ดอลลาร์สิงคโปร์) → มี GIC (กองทุนความมั่งคั่งแห่งชาติของสิงคโปร์) ถือหุ้นเป็นผู้ลงทุนรายใหญ่รองจาก NTT Ltd. โดย GIC ถือ 9.8% และ NTT Ltd. ถือ 25% แม้การลงทุนครั้งนี้จะเน้นสร้างโครงสร้างพื้นฐานเพื่อรองรับคลาวด์, AI และความต้องการ data ที่พุ่งสูงขึ้นในภูมิภาค → แต่ก็ยังต้องจับตาว่าการเปิด IPO ครั้งนี้จะสำเร็จแค่ไหน ในยุคที่ตลาดทุนผันผวน และการเติบโตของ edge computing กำลังเปลี่ยนบทบาทของดาต้าเซ็นเตอร์แบบดั้งเดิม ✅ NTT DC REIT เตรียมระดมทุน ~773 ล้านดอลลาร์สหรัฐ ผ่าน IPO บนตลาดหลักทรัพย์สิงคโปร์   • วันเริ่มเสนอขาย: 14 กรกฎาคม 2025   • ราคาต่อหน่วย: ~US$1.00 หรือ S$1.276 ✅ ถือครองดาต้าเซ็นเตอร์รวม 6 แห่งใน 3 ประเทศ (ออสเตรีย, สิงคโปร์, สหรัฐฯ)   • มูลค่าทรัพย์สินรวม: 1.57 พันล้านดอลลาร์ ✅ NTT Ltd. เป็นผู้สนับสนุนหลักของกองทรัสต์ (ถือ 25%)   • เป็นบริษัทลูกของกลุ่ม NTT จากญี่ปุ่น ✅ GIC (Singapore Sovereign Fund) ถือหุ้น 9.8% เป็นผู้ลงทุนหลักรองจาก NTT   • บ่งชี้ถึงความมั่นใจจากนักลงทุนเชิงสถาบัน ✅ วัตถุประสงค์: ใช้ลงทุนในโครงสร้างพื้นฐานข้อมูล รองรับความต้องการ AI/Cloud ที่ขยายตัว https://www.thestar.com.my/tech/tech-news/2025/07/07/singapore-data-centre-ntt-dc-reit-to-raise-around-773-million-from-ipo

🌍 AI: พลังขับเคลื่อนความก้าวหน้า... หรือเร่งโลกให้ร้อนขึ้น? 📝 บทนำ: ยุค AI กับผลกระทบที่มองไม่เห็น ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงโลก จากการค้นหาข้อมูล รถยนต์ไร้คนขับ ไปจนถึงการวินิจฉัยทางการแพทย์ แต่ความก้าวหน้านี้มาพร้อมต้นทุนที่ซ่อนอยู่: การใช้พลังงานมหาศาลและความร้อนที่เกิดขึ้น ซึ่งส่งผลต่อภาวะโลกร้อน บทความนี้สำรวจสาเหตุที่ AI ใช้พลังงานมาก ผลกระทบต่อสิ่งแวดล้อม และนวัตกรรมเพื่อความยั่งยืน ⚡ AI กับความต้องการพลังงานมหาศาล ❓ ทำไม AI ถึงใช้พลังงานมาก? AI โดยเฉพาะโมเดลกำเนิด เช่น GPT-4 ต้องการพลังการประมวลผลสูง ใช้หน่วยประมวลผลกราฟิก (GPUs) และหน่วยประมวลผลเทนเซอร์ (TPUs) ซึ่งกินไฟมากและสร้างความร้อนที่ต้องระบายด้วยระบบทำความเย็นซับซ้อน การฝึกโมเดล เช่น GPT-3 ใช้ไฟฟ้า ~1,300 MWh และ GPT-4 ใช้ ~1,750 MWh ส่วนการอนุมาน (เช่น การสอบถาม ChatGPT) ใช้พลังงานรวมมากกว่าการฝึกเมื่อมีผู้ใช้จำนวนมาก 📊 ตัวอย่างการใช้พลังงาน - ชั้นวาง AI ใช้ไฟมากกว่าครัวเรือนสหรัฐฯ 39 เท่า - การฝึก GPT-3 เทียบเท่าการใช้ไฟของบ้าน 120-130 หลังต่อปี - การสอบถาม ChatGPT ครั้งหนึ่งใช้พลังงานมากกว่าการค้นหา Google 10-15 เท่า และปล่อย CO2 มากกว่า 340 เท่า - ศูนย์ข้อมูลทั่วโลกในปี 2022 ใช้ไฟ 460 TWh และคาดว่าในปี 2026 จะเพิ่มเป็น ~1,050 TWh เทียบเท่าการใช้ไฟของเยอรมนี 🔥 ความร้อนจาก AI: ตัวเร่งโลกร้อน 🌡️ จากไฟฟ้าสู่ความร้อน พลังงานไฟฟ้าที่ AI ใช้เกือบทั้งหมดแปลงเป็นความร้อน โดย 1 วัตต์ผลิตความร้อน 3.412 BTU/ชั่วโมง GPUs สมัยใหม่ใช้ไฟเกิน 1,000 วัตต์ต่อตัว สร้างความร้อนที่ต้องระบาย 🌱 รอยเท้าคาร์บอนและน้ำ การฝึกโมเดล AI ปล่อย CO2 ได้ถึง 284 ตัน เทียบเท่ารถยนต์สหรัฐฯ 5 คันต่อปี การระบายความร้อนศูนย์ข้อมูลใช้ไฟฟ้าถึง 40% และน้ำราว 2 ลิตรต่อ kWh โดย ChatGPT-4o ใช้น้ำเทียบเท่าความต้องการน้ำดื่มของ 1.2 ล้านคนต่อปี คาดว่าภายในปี 2030 ศูนย์ข้อมูล AI อาจใช้ไฟมากกว่าฝรั่งเศสทั้งประเทศ 🛠️ ความท้าทายด้านความร้อน ความร้อนสูงเกินไปทำให้ประสิทธิภาพลดลง อายุฮาร์ดแวร์สั้นลง และระบบไม่เสถียร การระบายความร้อนด้วยอากาศแบบดั้งเดิมไม่เพียงพอต่อความร้อนจาก AI สมัยใหม่ และระบบทำความเย็นใช้พลังงานสูง ตัวอย่างการใช้พลังงาน GPU ในอนาคต: - ปี 2025 (Blackwell Ultra): 1,400W, ใช้การระบายความร้อนแบบ Direct-to-Chip - ปี 2027 (Rubin Ultra): 3,600W, ใช้ Direct-to-Chip - ปี 2029 (Feynman Ultra): 6,000W, ใช้ Immersion Cooling - ปี 2032: 15,360W, ใช้ Embedded Cooling 🌱 นวัตกรรมเพื่อ AI ที่ยั่งยืน 💧 การระบายความร้อนที่ชาญฉลาด - การระบายความร้อนด้วยของLikely ResponseHed: มีประสิทธิภาพสูงกว่าอากาศ 3000 เท่า ใช้ในระบบ Direct-to-Chip และ Immersion Cooling - ระบบ HVAC ขั้นสูง: ใช้การระบายความร้อนแบบระเหยและท่อความร้อน ลดการใช้พลังงานและน้ำ - ตัวชี้วัด TUE: วัดประสิทธิภาพพลังงานโดยรวมของศูนย์ข้อมูล 🖥️ การออกแบบ AI ที่ประหยัดพลังงาน - การตัดแต่งโมเดล/ควอนไทซ์: ลดขนาดโมเดลและพลังงานที่ใช้ - การกลั่นความรู้: ถ่ายทอดความรู้สู่โมเดลขนาดเล็ก - ชิปประหยัดพลังงาน: เช่น TPUs และ NPUs - AI จัดการพลังงาน: ใช้ AI วิเคราะห์และลดการใช้พลังงานในโครงข่ายไฟฟ้าอัจฉริยะ - Edge Computing: ลดการส่งข้อมูลไปยังคลาวด์ ☀️ พลังงานหมุนเวียน ศูนย์ข้อมูลเปลี่ยนไปใช้พลังงานแสงอาทิตย์ ลม และน้ำ รวมถึงนวัตกรรมอย่างการระบายความร้อนด้วยน้ำทะเลและพลังงานแสงอาทิตย์แบบ Dispatchable 🤝 ความรับผิดชอบร่วมกัน 📊 ความโปร่งใสของบริษัท AI บริษัทควรเปิดเผยข้อมูลการใช้พลังงานและรอยเท้าคาร์บอน เพื่อให้เกิดความรับผิดชอบ 📜 นโยบายและกฎระเบียบ รัฐบาลทั่วโลกผลักดันนโยบาย Green AI เช่น กฎหมาย AI ของสหภาพยุโรป เพื่อความยั่งยืน 🧑‍💻 บทบาทของนักพัฒนาและผู้ใช้ - นักพัฒนา: เลือกโมเดลและฮาร์ดแวร์ประหยัดพลังงาน ใช้เครื่องมือติดตามคาร์บอน - ผู้ใช้: ตระหนักถึงการใช้พลังงานของ AI และสนับสนุนบริษัทที่ยั่งยืน 🌟 บทสรุป: วิสัยทัศน์ Green AI AI มีศักยภาพเปลี่ยนแปลงโลก แต่ต้องจัดการกับการใช้พลังงานและความร้อนที่ส่งผลต่อภาวะโลกร้อน ด้วยนวัตกรรมการระบายความร้อน การออกแบบ AI ที่ประหยัดพลังงาน และพลังงานหมุนเวียน รวมถึงความโปร่งใสและนโยบายที่เหมาะสม เราสามารถสร้างอนาคต AI ที่ยั่งยืน โดยไม่ต้องเลือกว่าจะพัฒนา AI หรือรักษาสภาพภูมิอากาศ #ลุงเขียนหลานอ่าน

เคยจินตนาการไหมครับว่า ถ้าจะผลิตชิปที่ “ไร้ฝุ่นสุด ๆ” ไม่ปนเปื้อนแม้แต่ไอน้ำ หรือให้ผลึกเซมิคอนดักเตอร์เติบโตได้สวยอย่างสมบูรณ์ จะต้องมีสภาพแวดล้อมแบบไหนถึงจะเพอร์เฟกต์? Space Forge คิดว่า “ต้องไปทำบนอวกาศเท่านั้น!” เพราะในวงโคจรต่ำรอบโลก (LEO) เราจะได้: - สูญญากาศสมบูรณ์แบบ → ไม่มีฝุ่น ไม่มีการปนเปื้อน - อุณหภูมิต่ำกว่าศูนย์มาก ๆ → ไม่ต้องใช้ระบบ cryo แพง ๆ - สภาพไร้น้ำหนัก → ทำให้ผลึกเติบโตได้สมมาตรกว่าบนโลก ดาวเทียม ForgeStar-1 ถูกส่งขึ้นโดย SpaceX (Transporter-14) และจะกลายเป็นเวทีทดสอบการ “จุดเตาหลอมผลึกบนวงโคจร” เป็นครั้งแรกของสหราชอาณาจักร แม้ดาวเทียมรุ่นแรกนี้จะยังไม่ส่งวัสดุกลับโลก (มันจะสลายตัวเป็นลูกไฟตอนจบภารกิจ) แต่เป็นก้าวสำคัญก่อนเข้าสู่รุ่น ForgeStar-2 ที่จะ “ผลิตจริง-ส่งกลับโลก-คุ้มทุน” ✅ ประโยชน์ของการผลิตชิปในอวกาศ:   • ใช้สูญญากาศและอุณหภูมิต่ำโดยไม่ต้องสร้างเอง   • ช่วยสร้างผลึก GaN/SiC ที่สมบูรณ์กว่าการผลิตบนโลก   • เหมาะกับชิป AI, ควอนตัม, และทหาร ที่ต้องการความแม่นยำสูง ✅ ForgeStar-1 ยังเป็นเพียงการทดสอบเทคโนโลยี เช่น:   • ระบบควบคุมวงโคจร   • เกราะกันความร้อน Pridwen สำหรับนำกลับ   • ฟีเจอร์ failsafe เผื่อเก็บคืนไม่ได้ → สลายตัวแบบปลอดภัย ✅ รุ่นถัดไป (ForgeStar-2) จะเป็นรุ่นแรกที่ “ผลิต-ส่งกลับ-ขายได้จริง” • ตั้งเป้าสร้างชิปมูลค่าสูงพอให้คุ้มค่ากับค่าปล่อยดาวเทียม ✅ แผนในอนาคตของ Space Forge คือผลิตดาวเทียม 10–12 ดวง/ปี และอาจไปถึง 100+ ดวง/ปี • แต่ละดวงจะหมุนเวียนใช้ใหม่ได้ทุก 1–6 เดือน https://www.tomshardware.com/tech-industry/semiconductors/spacex-launches-uk-satellite- to-create-semiconductors-in-low-earth-orbit-sub-zero-temps-and-vacuum-of-space-could-advance-ai-data-centers-and-quantum-computing

สมัยก่อนเวลาเราพูดถึงอินเทอร์เน็ตในหมู่เกาะห่างไกล เช่น ตูวาลู (Tuvalu) — ประเทศเล็ก ๆ กลางมหาสมุทรแปซิฟิก — ก็คงคิดถึงเน็ตช้าหรือไม่มีอินเทอร์เน็ตเลย แต่ตอนนี้เปลี่ยนไปแล้ว เพราะ Starlink เข้ามาให้บริการในประเทศนี้ และเปิดให้ใช้งานบน IPv6 “เต็มรูปแบบ” แค่ไม่กี่เดือนหลัง Starlink เข้ามา ส่วนแบ่ง IPv6 ของตูวาลูพุ่งจาก 0% เป็น 59% — กลายเป็นหนึ่งใน 21 ประเทศที่ “ใช้ IPv6 มากกว่า 50% ของการเชื่อมต่อทั้งหมด” ทันที! ประเทศอื่นที่เพิ่งเข้าสู่ “Majority IPv6 Club” ในปีที่ผ่านมา ได้แก่ บราซิล, เม็กซิโก, กัวเตมาลา, ศรีลังกา, ฮังการี, ญี่ปุ่น, เปอร์โตริโก ฯลฯ ✅ จำนวนประเทศที่มีการใช้งาน IPv6 เกิน 50% เพิ่มจาก 13 → 21 ประเทศในรอบ 1 ปี   • ข้อมูลจาก Akamai, APNIC, Google และ Meta ✅ ประเทศที่ใช้งาน IPv6 มากที่สุดในโลกขณะนี้ ได้แก่:   • อินเดีย (73%)   • ฝรั่งเศส (73%) ✅ Starlink ของ SpaceX เป็นผู้เล่นหลักที่เร่งการเปลี่ยนผ่านไปใช้ IPv6   • เครือข่ายของ Starlink “ออกแบบให้รองรับ IPv6 ตั้งแต่ต้น”   • ช่วยให้ประเทศขนาดเล็กหรือห่างไกล “ข้ามขั้น” โครงสร้างเก่าไปใช้ระบบใหม่ทันที ✅ IPv6 แก้ข้อจำกัดของ IPv4 ที่มีแค่ 4.3 พันล้านหมายเลข IP   • IPv6 มีหมายเลขได้ถึง 340 undecillion (340 ล้านล้านล้านล้าน)   • เพียงพอต่อยุคอุปกรณ์ IoT, รถยนต์อัจฉริยะ, บ้านอัจฉริยะ ✅ ข้อดีอื่นของ IPv6 เช่น:   • ไม่ต้อง NAT → เชื่อมอุปกรณ์ได้แบบ end-to-end   • ปรับ routing ให้เร็วขึ้น  • รองรับการเข้ารหัส IPsec เป็นมาตรฐาน ✅ ประเทศอื่นที่กำลังเข้าใกล้ 50% เช่น ไทย, อังกฤษ และเอสโตเนีย ‼️ บางประเทศที่เคยใช้ IPv6 เกิน 50% มีอัตราการลดลงชั่วคราว   • เช่น ญี่ปุ่นและเปอร์โตริโก เคยหลุดจากกลุ่มนี้ก่อนจะกลับเข้ามาใหม่   • อาจเกิดจากการขยายเครือข่ายเดิมที่ยังใช้ IPv4 อยู่ ‼️ องค์กรหรือผู้ให้บริการที่ยังไม่อัปเกรดระบบ → เสี่ยงถูกตัดขาดจากเครือข่ายที่ใช้ IPv6-only   • โดยเฉพาะระบบ IoT, cloud หรือ edge computing ‼️ การใช้ IPv6 ยังต้องอาศัยการอัปเดต DNS, firewall, VPN และระบบความปลอดภัยให้รองรับ format ใหม่ • ไม่ใช่แค่เปลี่ยน router อย่างเดียว ‼️ การก้าวเข้าสู่ยุค IPv6 ไม่ได้แปลว่าปลอดภัยเสมอไป   • เพราะการเข้ารหัสและ config ก็ต้องทำอย่างถูกต้อง มิฉะนั้นอาจเกิดช่องโหว่ใหม่ได้ https://www.techspot.com/news/108490-ipv6-reaches-majority-use-21-countries-starlink-other.html

ย้อนกลับไปปีที่แล้ว CoreWeave เคยเสนอยื่นซื้อกิจการ Core Scientific มาแล้วครั้งหนึ่งด้วยเงิน $1.02 พันล้าน แต่ถูกปฏิเสธเพราะทาง CoreSci มองว่ามูลค่าดังกล่าวยังต่ำกว่าความเป็นจริง เวลาผ่านไป…ดูเหมือนสถานการณ์เปลี่ยนครับ เพราะวันนี้ WSJ รายงานว่า ทั้งสองบริษัท “กลับมาเจรจากันใหม่” และอาจปิดดีลได้ภายในไม่กี่สัปดาห์ข้างหน้า อะไรคือเหตุผลเบื้องหลัง? เพราะตอนนี้บริษัท AI อย่าง CoreWeave ต้องการ “แหล่งพลังงานราคาถูกและพร้อมใช้งานได้ทันที” — ซึ่งตรงกับสิ่งที่ CoreSci มีอยู่ เพราะศูนย์เหมืองคริปโตต้องใช้ไฟมหาศาลระดับหลายร้อยเมกะวัตต์อยู่แล้ว และมีสัญญาโรงไฟฟ้าระยะยาวพร้อมใช้งาน นอกจากนี้ ทั้งคู่เพิ่งเซ็นสัญญาร่วมกันไปเมื่อกลางปี 2024 โดย CoreSci จะจัดหาโครงสร้างพื้นฐาน 200 เมกะวัตต์ให้ CoreWeave ใช้กับการประมวลผล AI ✅ CoreWeave กำลังเจรจาซื้อกิจการ Core Scientific อีกครั้ง หลังเคยถูกปฏิเสธเมื่อปีที่แล้ว   • รอบก่อนเสนอซื้อที่ $1.02 พันล้าน หรือ $5.75/หุ้น แต่โดนปัดตกว่า “ราคาต่ำเกินไป” ✅ ดีลใหม่นี้มีมูลค่ายังไม่เปิดเผย และยังอยู่ระหว่างเจรจา   • หากสำเร็จ อาจเสร็จสิ้นภายในไม่กี่สัปดาห์ ✅ Core Scientific ปัจจุบันมีมูลค่าตลาดราว $4 พันล้าน   • ราคาหุ้นเพิ่มขึ้นกว่า 8% หลังมีข่าวเจรจา ✅ ทั้งสองบริษัทมีสัญญาระยะยาวร่วมกันอยู่แล้ว   • CoreSci ให้พลังงาน 200MW สำหรับศูนย์ AI ของ CoreWeave   • เป็นระบบพลังงานระดับ “High-performance computing infrastructure” ✅ เทรนด์ในอุตสาหกรรมตอนนี้: บริษัท AI ซื้อหรือร่วมมือกับผู้ขุดเหมืองคริปโตเพื่อแย่งพลังงานราคาถูก https://www.thestar.com.my/tech/tech-news/2025/06/27/coreweave-in-talks-to-buy-core-scientific-wsj-reports

ทุกวันนี้ศูนย์ข้อมูลระดับโลกมีปัญหาใหญ่มากคือ “ความร้อน” — เพราะเซิร์ฟเวอร์ และโดยเฉพาะชิป AI สมัยใหม่ ร้อนขึ้นทุกปีจนระบบทำความเย็นต้องวิ่งตามแบบหืดขึ้นคอ และตอนนี้การทำความเย็นคิดเป็นเกือบ 40% ของพลังงานทั้งหมดในศูนย์ข้อมูล แล้วด้วยนะ ทีม UC San Diego เลยคิด “เราจะลอกระบบระบายความร้อนจากธรรมชาติดีไหม?” พวกเขาเลยสร้างแผ่นไฟเบอร์ที่ใช้กลไกแบบเดียวกับ “เหงื่อของมนุษย์” — คือน้ำถูกดูดขึ้นมาบนพื้นผิวด้วยแรง capillary จากรูเล็ก ๆ แล้วระเหยออกเพื่อพาความร้อนไป ซึ่งไม่ต้องใช้พลังงานอะไรเพิ่มเลย ทีมนักวิจัยสามารถทดสอบแผ่นนี้ภายใต้ความร้อนสูงกว่า 800 วัตต์/ตารางเซนติเมตร (ระดับเดียวกับการระบายความร้อนของ GPU/CPU ที่หนักมาก) และพบว่าแผ่นไม่เพียงแต่ทนได้ — แต่ยังระบายความร้อนได้ต่อเนื่องหลายชั่วโมงโดยไม่อุดตันหรือรั่วซึมเหมือนวัสดุแบบเดิม ๆ พวกเขากำลังจะพัฒนาต่อไปเป็น cold plate สำหรับชิปโดยตรง และวางแผนจะต่อยอดเชิงพาณิชย์ด้วยบริษัทสตาร์ทอัปเร็ว ๆ นี้ ✅ ทีม UC San Diego พัฒนาแผ่นไฟเบอร์ระบายความร้อนด้วยการระเหยแบบ passive   • เลียนแบบกลไกการระเหยของเหงื่อในสิ่งมีชีวิต   • ใช้รูพรุนละเอียดช่วยดูดน้ำขึ้นมาระบายความร้อนโดยไม่ต้องใช้พลังงานเพิ่ม ✅ แผ่นสามารถรองรับความร้อนสูงได้ถึง 800 วัตต์/ตารางเซนติเมตร   • สูงกว่าการระบายความร้อนทั่วไปหลายเท่า และไม่เกิดการเดือดหรืออุดตัน ✅ พัฒนาโดยทีมนักวิจัยนำโดยศาสตราจารย์ Renkun Chen ร่วมกับนักศึกษาปริญญาเอกและนักวิจัยหลังปริญญา   • ตีพิมพ์ในวารสาร Joule ✅ โครงสร้างของแผ่นมาจากวัสดุที่เคยใช้ในระบบกรองน้ำ   • มีรูเชื่อมต่อกัน (interconnected pores) และขนาดรูเหมาะสมเพื่อให้เกิดแรง capillary พอดี ✅ เตรียมขยายผลสู่งานจริงโดยต่อยอดเป็น cold plate ติดกับชิป และเริ่มดำเนินการเชิงพาณิชย์ ✅ อาจนำไปใช้กับอุปกรณ์ในระดับ edge computing หรือมือถือได้ในอนาคต   • เพราะใช้พลังงานน้อยและมีประสิทธิภาพดีแม้ในพื้นที่จำกัด https://www.techradar.com/pro/cooling-data-centers-is-a-multi-billion-dollar-problem-researchers-want-to-use-a-common-cooling-mechanism-found-in-animals-to-solve-that-issue

ใครที่รู้จัก Raspberry Pi ก็คงคุ้นกับคำว่า SBC (Single-Board Computer) — คือคอมพิวเตอร์ย่อส่วนที่ประกอบทุกอย่างไว้บนแผ่นเดียว มีพอร์ตครบ ใช้ต่อใช้งานได้เลย ซึ่งปกติพวกนี้จะใช้ชิป ARM แบบเบา ๆ แต่ de next-RAP8 จาก AAEON มัน “ยกระดับทั้งวงการ” เพราะใช้ Intel Core i3/i5/i7 รุ่น U-Series (15W) ได้จริง บนบอร์ดขนาด 84 x 55 mm — แค่กว้างยาวกว่า Raspberry Pi 5 ไม่กี่มิล! สิ่งที่น่าทึ่งคือสเปกมันเทียบกับโน้ตบุ๊ก mid-range ได้เลย: - CPU สูงสุดถึง i7-1365UE (10 คอร์ / 12 เทรด) - RAM LPDDR5x สูงสุด 16GB - iGPU Intel Iris Xe รองรับ media acceleration - พอร์ต Ethernet x2, USB 3.2 Gen 2, HDMI, GPIO, และ M.2 สำหรับใส่ Wi-Fi/4G/SSD - มีโมดูลเสริมของ AAEON สำหรับ AI acceleration และการเชื่อมต่อแบบพิเศษ (ผ่าน PCIe/FPC) แต่แน่นอน มันไม่ได้ออกแบบมาสำหรับใช้เป็นคอมพิวเตอร์สำนักงานทั่วไป เพราะต้องใช้ความรู้เชิงเทคนิคเยอะ โดยเฉพาะการต่อกับอุปกรณ์ในโรงงาน, หุ่นยนต์, หรือโดรนแบบ custom ✅ de next-RAP8 จาก AAEON เป็น SBC ขนาด 84mm x 55mm ที่มาพร้อม Intel Core 13th Gen   • รองรับ Core i3-1315UE, i5-1335UE หรือ i7-1365UE   • ใช้พลังงานต่ำเพียง 15W เทียบกับพีซีขนาดใหญ่ ✅ สเปกเทียบเท่าคอมพิวเตอร์ระดับโน้ตบุ๊ก:   • RAM LPDDR5x สูงสุด 16GB   • iGPU Iris Xe รองรับการประมวลผล media และกราฟิกเบา ๆ ✅ การเชื่อมต่อครบครัน:   • Ethernet 2.5GbE และ 1GbE, USB 3.2 Gen 2, HDMI 1.2a, 12V DC   • 40-pin header รองรับ GPIO, USB 2.0, RS-232/422/485, SMBus/I2C ✅ รองรับ M.2 2280 และ FPC connector สำหรับต่อ AI module, SSD หรือ Wi-Fi/4G   • มีโมดูลเสริม เช่น PER-T642 หรือ PER-R41P สำหรับเพิ่มพลัง AI หรืออุปกรณ์ industrial ✅ ออกแบบมาเพื่อใช้งานในระบบ edge computing, หุ่นยนต์, โดรน, คีออส, หรือ embedded system อื่น ๆ   • รองรับการทำงานในพื้นที่จำกัดที่ต้องใช้กำลังประมวลผลสูง https://www.techradar.com/pro/this-intel-core-i7-motherboard-is-probably-the-worlds-most-powerful-sbc-and-yet-it-is-as-small-as-the-raspberry-pi-5

หลายคนอาจคิดว่า Starlink ของ Elon Musk คือสุดยอดแล้วในเรื่องอินเทอร์เน็ตดาวเทียม แต่ทีมวิจัยจากสถาบันวิทยาศาสตร์จีนและมหาวิทยาลัยการสื่อสารปักกิ่งเพิ่งโชว์ว่า เขาสามารถส่งข้อมูลที่ความเร็ว 1Gbps จากดาวเทียมที่โคจรอยู่ไกลกว่ากันถึง 67 เท่า ได้สำเร็จ แถมใช้เลเซอร์แค่ “2 วัตต์” ซึ่งเบามาก — เปรียบเทียบได้กับหลอดไฟกลางคืนเลยทีเดียว เคล็ดลับอยู่ที่การผสมสองเทคโนโลยีเข้าด้วยกัน: - Adaptive Optics (AO): ช่วยแก้ปัญาแสงเลเซอร์โดนรบกวนจากชั้นบรรยากาศ - Mode Diversity Reception (MDR): เลือกสัญญาณจากช่องที่ดีที่สุด (จาก 8 ช่อง) ในเวลาเรียลไทม์ ผลที่ได้ไม่ใช่แค่ความเร็ว แต่ยังมี “ความนิ่ง” ที่ดีกว่าระบบเดิม 20% และมีอัตราการส่งข้อมูลผิด (error rate) ต่ำมาก ✅ ทีมวิจัยจีนประสบความสำเร็จในการส่งข้อมูล 1Gbps จากดาวเทียม geostationary ที่สูง 22,807 ไมล์   • เปรียบเทียบกับ Starlink ที่โคจรแค่ ~341 ไมล์   • เป็นระยะทางไกลกว่าเกือบ 70 เท่า ✅ ใช้เลเซอร์กำลังเพียง 2 วัตต์ ในการส่งข้อมูลลงมายังโลก   ให้ความเร็วใกล้เคียง fiber optics   • คิดเป็นพลังงานต่ำมากเมื่อเทียบกับอุปกรณ์ระดับเดียวกัน ✅ ใช้เทคนิค AO + MDR เพื่อแก้ปัญหาแสงโดนรบกวนในชั้นบรรยากาศ   • AO ช่วยปรับรูปร่างแสงเลเซอร์ให้คม   • MDR เลือก 3 ใน 8 ช่องที่ดีที่สุด เพื่อลด error rate ✅ อัตราความสำเร็จของสัญญาณเพิ่มจาก 72% → 91.1%   • ทำให้สัญญาณนิ่ง ใช้จริงได้ทั้งดูวิดีโอ, ส่งไฟล์, และใช้งานในสภาพแวดล้อมรุนแรง ✅ ระบบนี้ทดลองที่หอดูดาว Lijiang ด้วยกล้องโทรทรรศน์ที่มี AO แบบกระจกจิ๋วนับร้อย ✅ ดาวเทียมนี้ยังเหมาะกับการสื่อสารในพื้นที่ห่างไกล, ภารกิจในอวกาศ, หรือแม้กระทั่งสื่อสารกับสถานีอวกาศ (ISS) https://www.techradar.com/computing/wi-fi-broadband/forget-starlink-this-chinese-satellite-internet-tech-is-capable-of-1gbps-speeds-that-are-five-times-faster

จากเดิมการรับ ESU ต้องผ่านฝ่าย IT องค์กรหรือผู้ให้บริการ แต่ตอนนี้ Microsoft ใจดีเปิดช่องให้ “คนทั่วไป” ก็สมัครใช้งานได้ง่าย ๆ เลยครับ — แค่ใช้เครื่องมือบน Windows 10 ที่เตรียมไว้ให้ แล้วเลือกว่าจะเข้าร่วม ESU แบบไหน: - ใช้ Windows Backup ผูกบัญชี Microsoft - แลก 1,000 คะแนน Microsoft Rewards - หรือจ่าย ครั้งเดียว $30 เพื่อครอบคลุม 1 ปี ระบบนี้จะทำให้คอมพิวเตอร์ของเรายังได้รับอัปเดตความปลอดภัยต่อไปตั้งแต่วันที่ 15 ตุลาคม 2025 ถึง 13 ตุลาคม 2026 แม้ Windows 10 จะหมดซัพพอร์ตแล้วก็ตาม แต่ Microsoft ย้ำว่านี่เป็น “ทางเลือกชั่วคราว” เพื่อให้ผู้ใช้มีเวลาหาทางย้ายไป Windows 11 ซึ่งปลอดภัยและมีฟีเจอร์ใหม่ดีกว่า https://www.techradar.com/computing/windows/windows-10-users-who-dont-want-to-upgrade-to-windows-11-get-new-lifeline-from-microsoft