🎮 Bazzite ดิสโทรเกมมิ่งมาแรง ข่าวนี้เล่าถึงความสำเร็จของ Linux ดิสโทร Bazzite ที่มียอดดาวน์โหลดทะลุ 1 เพตะไบต์ในเวลาเพียงเดือนเดียว หลังผู้ใช้จำนวนมากหนีจากการบังคับอัปเดต Windows 11 โดยเฉพาะกลุ่มเกมเมอร์ที่มองหาทางเลือกใหม่ ทีมพัฒนา Bazzite ประกาศว่าในช่วง 30 วันล่าสุดมีการดาวน์โหลดไฟล์ ISO รวมกว่า 1 เพตะไบต์ หรือประมาณ 150,000 ครั้ง ตัวเลขนี้สะท้อนถึงความนิยมที่เพิ่มขึ้นหลังจาก Microsoft ยุติการสนับสนุน Windows 10 และบังคับให้ผู้ใช้เปลี่ยนไปใช้ Windows 11 ซึ่งหลายคนไม่พอใจ 🕹️ จุดเด่นของ Bazzite Bazzite ถูกออกแบบมาเพื่อเป็น ทางเลือกสำหรับเกมเมอร์ โดยมีการปรับแต่งให้รองรับเกมบน Steam และยังรองรับ Launcher อื่น ๆ เช่น Epic, GOG และ Ubisoft จุดแข็งคือมี ไดรเวอร์ล่าสุดสำหรับทั้ง Nvidia และ AMD รวมถึงตัวเลือก Desktop Environment ที่หลากหลาย ทำให้ผู้ใช้สามารถติดตั้งได้ง่ายและใช้งานได้กับเครื่องหลายประเภท 🌍 สาระเพิ่มเติมจากโลกออนไลน์ ข้อมูลล่าสุดเผยว่า เกือบ 90% ของเกม Windows สามารถเล่นบน Linux ได้แล้ว ผ่านเครื่องมืออย่าง Proton และ Wine ทำให้การย้ายจาก Windows มาสู่ Linux ไม่ใช่เรื่องยากอีกต่อไป นอกจากนี้ยังมีดิสโทรอื่น ๆ เช่น Zorin OS ที่ได้รับความนิยมเช่นกัน โดยมีผู้ใช้ใหม่กว่า 780,000 รายในเวลาเพียง 5 สัปดาห์หลัง Windows 10 หมดอายุการสนับสนุน 📌 สรุปเป็นหัวข้อ ✅ เหตุการณ์ในข่าว ➡️ Bazzite มียอดดาวน์โหลดทะลุ 1 เพตะไบต์ใน 30 วัน ➡️ ผู้ใช้จำนวนมากหนีจาก Windows 11 หลัง Windows 10 หมดอายุการสนับสนุน ✅ ข้อมูลเสริมจาก Internet ➡️ เกือบ 90% ของเกม Windows เล่นได้บน Linux แล้ว ➡️ Zorin OS ก็ได้รับความนิยมสูง มีผู้ใช้ใหม่กว่า 780,000 รายใน 5 สัปดาห์ ‼️ คำเตือนสำหรับผู้ใช้ ⛔ การย้ายจาก Windows ไป Linux อาจมีปัญหาความเข้ากันได้กับบางโปรแกรมเฉพาะทาง ⛔ ผู้ใช้ใหม่ควรตรวจสอบว่าเกมหรือซอฟต์แวร์ที่ต้องการรองรับจริงก่อนเปลี่ยนระบบ https://www.tomshardware.com/software/linux/gaming-first-linux-distro-delivers-a-petabyte-of-isos-in-one-month-as-users-avoid-forced-updates-to-windows-11-bazzite-distro-is-another-safe-haven-for-win-10-refugees

💿 Seagate ประสบความสำเร็จในการพัฒนา แผ่นจาน (platter) HDD ขนาด 6.9TB ต่อแผ่น ข่าวนี้เล่าถึงการที่ Seagate ประสบความสำเร็จในการพัฒนา แผ่นจาน (platter) HDD ขนาด 6.9TB ต่อแผ่น ในห้องทดลอง ซึ่งทำให้การสร้างฮาร์ดดิสก์ความจุ 55TB–69TB เป็นไปได้จริงในอนาคต แม้ยังไม่พร้อมผลิตเชิงพาณิชย์ แต่ถือเป็นก้าวสำคัญของเทคโนโลยี HAMR (Heat-Assisted Magnetic Recording) Seagate ใช้เทคโนโลยี HAMR ร่วมกับ Mozaic 3+ เพื่อลดขนาดเม็ดสื่อแม่เหล็ก ทำให้สามารถบันทึกข้อมูลได้หนาแน่นขึ้น แผ่นจาน 6.9TB นี้มีความจุเกือบ สองเท่า ของแผ่นจาน 3TB ที่ใช้ใน HDD รุ่น 30TB ปัจจุบัน หากนำมาใช้จริง จะทำให้ HDD ความจุสูงสุดทะลุ 55TB–69TB ในฟอร์แมตเดียวกัน 🏭 แผนการผลิตในอนาคต แม้แผ่นจาน 6.9TB ยังอยู่ในขั้นทดลอง แต่ Seagate มีแผนจะผลิตแผ่นจาน 4TB, 5TB และ 6TB ในปี 2027–2029 และคาดว่าจะใช้แผ่นจาน 7TB–15TB หลังปี 2031 หากทุกอย่างเป็นไปตามแผน Seagate อาจผลิต HDD ขนาด petabyte ได้ก่อนปี 2040 🌍 ความสำคัญต่ออุตสาหกรรม แม้ SSD จะเติบโตอย่างรวดเร็ว แต่ HDD ยังคงเป็น กระดูกสันหลังของการจัดเก็บข้อมูลระยะยาว เพราะมีความคุ้มค่าต่อความจุและความน่าเชื่อถือ โดยเฉพาะใน Data Center และ AI workloads ที่ต้องการพื้นที่จัดเก็บมหาศาล ปัจจุบันความต้องการ HDD สูงจนเกิด backorder ยาว 2 ปี ในบางตลาด 🔒 ผลกระทบต่อผู้ใช้ สำหรับผู้ใช้ทั่วไป HDD ความจุสูงยังคงเป็นทางเลือกที่คุ้มค่าเมื่อเทียบกับ SSD ในด้านราคา/ความจุ การพัฒนานี้จึงเป็นสัญญาณว่าตลาด HDD จะยังคงมีบทบาทสำคัญอีกหลายสิบปี แม้เทคโนโลยี SSD จะก้าวหน้าไปมากก็ตาม 📌 สรุปสาระสำคัญ ✅ ความก้าวหน้าของ Seagate ➡️ พัฒนาแผ่นจาน HDD ขนาด 6.9TB ต่อแผ่น ➡️ ทำให้ HDD 55TB–69TB เป็นไปได้จริง ✅ แผนการผลิต ➡️ ปี 2027–2029 จะผลิตแผ่นจาน 4TB–6TB ➡️ หลังปี 2031 จะมีแผ่นจาน 7TB–15TB ✅ ความสำคัญต่ออุตสาหกรรม ➡️ HDD ยังคงเป็นหัวใจของ Data Center และ AI workloads ➡️ ความต้องการสูงจนเกิด backorder ยาว 2 ปี ✅ ผลกระทบต่อผู้ใช้ ➡️ HDD ยังคงคุ้มค่ากว่า SSD ในด้านราคา/ความจุ ➡️ ตลาด HDD จะยังมีบทบาทอีกหลายสิบปี ‼️ คำเตือนต่ออุตสาหกรรมจัดเก็บข้อมูล ⛔ หากความต้องการ AI เพิ่มขึ้นต่อเนื่อง อาจเกิดการขาดแคลน HDD ⛔ การพึ่งพา HDD มากเกินไปอาจเสี่ยงต่อการเปลี่ยนแปลงเทคโนโลยี SSD ในอนาคต https://www.tomshardware.com/pc-components/hdds/seagate-achieves-a-whopping-6-9tb-storage-capacity-per-platter-in-its-laboratory-55tb-to-69tb-hard-drives-now-physically-possible

🔥 “DGX Spark ของ Nvidia เจอแรงกดดัน – John Carmack ชี้ประสิทธิภาพไม่ถึงเป้า ร้อนจัด แถมรีบูตเอง!” Nvidia กำลังเผชิญแรงวิจารณ์หนัก หลังเปิดตัว DGX Spark ชุดพัฒนา AI ขนาดเล็กมูลค่า $4,000 ที่ใช้ชิป Grace Blackwell GB10 โดยอดีต CTO ของ Oculus VR อย่าง John Carmack ออกมาเปิดเผยว่าอุปกรณ์นี้ไม่สามารถดึงพลังงานได้ถึงระดับที่โฆษณาไว้ และมีปัญหารีบูตตัวเองเมื่อใช้งานหนัก แม้จะโฆษณาว่า DGX Spark รองรับการประมวลผล FP4 แบบ sparse ได้ถึง 1 petaflop และรองรับการใช้พลังงานสูงสุด 240W แต่ Carmack พบว่าเครื่องของเขาดึงไฟได้เพียง 100W และให้ประสิทธิภาพต่ำกว่าที่ควรจะเป็นมาก นอกจากนี้ยังมีรายงานจากผู้ใช้หลายรายในฟอรัมของ Nvidia ว่าเครื่องมีปัญหารีบูตและความร้อนสูง การทดสอบจากเว็บไซต์ ServeTheHome ก็ยืนยันว่า DGX Spark ไม่สามารถดึงไฟได้ถึง 240W แม้จะใช้ CPU และ GPU พร้อมกัน โดยดึงได้เพียง 200W เท่านั้น AMD และ Framework ไม่รอช้า รีบเสนอทางเลือกใหม่ให้ Carmack ทดลองใช้ Strix Halo ซึ่งเป็นแพลตฟอร์มที่อาจตอบโจทย์ด้านประสิทธิภาพและความเสถียรได้ดีกว่า ✅ ข้อมูลสำคัญจากข่าว ➡️ DGX Spark ราคา $4,000 ใช้ชิป Grace Blackwell GB10 ➡️ โฆษณาว่ารองรับ 1 PF FP4 (sparse) และใช้ไฟได้สูงสุด 240W ➡️ John Carmack พบว่าเครื่องดึงไฟได้แค่ 100W และรีบูตตัวเอง ➡️ ServeTheHome ยืนยันว่าเครื่องดึงไฟได้ไม่ถึง 240W แม้ใช้งานเต็มที่ ➡️ AMD และ Framework เสนอ Strix Halo ให้ Carmack ทดลองแทน ✅ จุดเด่นของ DGX Spark (ตามสเปก) ➡️ 128GB LPDDR5X RAM แบบ unified memory ➡️ 273GB/s memory bandwidth ➡️ ใช้โครงสร้าง Grace CPU 20 คอร์ Arm + Blackwell GPU ➡️ ออกแบบให้รันโมเดลขนาด 20B พารามิเตอร์ในเครื่องเดียว https://www.tomshardware.com/tech-industry/semiconductors/users-question-dgx-spark-performance

🧠💾 SK hynix เปิดตัวกลยุทธ์ AI NAND ยุคใหม่ พร้อม SSD ความจุระดับเพตะไบต์ และความเร็วทะลุ 100 ล้าน IOPS ลองจินตนาการว่า AI ไม่ได้แค่ฉลาดขึ้น แต่ยังเร็วขึ้นและจัดการข้อมูลได้มหาศาลแบบที่ฮาร์ดดิสก์ธรรมดาเทียบไม่ติด ล่าสุด SK hynix ผู้ผลิตหน่วยความจำรายใหญ่จากเกาหลีใต้ ได้เปิดตัวกลยุทธ์ใหม่ในงาน Global Summit 2025 ที่จะเปลี่ยนโฉมวงการเก็บข้อมูลสำหรับ AI โดยเฉพาะ พวกเขาแบ่งผลิตภัณฑ์ออกเป็น 3 สายหลัก ได้แก่ AIN D, AIN P และ AIN B ซึ่งแต่ละตัวมีจุดเด่นเฉพาะตัว: 💠 AIN D (Density): ใช้เทคโนโลยี 3D QLC NAND เพื่อสร้าง SSD ที่มีความจุระดับ “เพตะไบต์” สำหรับเก็บข้อมูล AI ขนาดใหญ่ โดยมีเป้าหมายแทนที่ HDD แบบใกล้เคียงเซิร์ฟเวอร์ 💠 AIN P (Performance): SSD ที่ออกแบบมาเพื่อการประมวลผล AI โดยเฉพาะ เช่นการค้นหาฐานข้อมูลแบบเวกเตอร์ ด้วยความเร็วสูงถึง 100 ล้าน IOPS ผ่าน PCIe 6.0 ภายในปี 2027 💠 AIN B (Bandwidth): ใช้เทคโนโลยี High Bandwidth Flash (HBF) ที่ร่วมพัฒนากับ SanDisk เพื่อให้ได้แบนด์วิดธ์ระดับเดียวกับ HBM แต่ยังไม่มีมาตรฐานกลางหรือตัวเลขประสิทธิภาพที่ชัดเจน นอกจากนั้น SK hynix ยังร่วมมือกับ SanDisk จัดงาน “HBF Night” เพื่อผลักดันการพัฒนา ecosystem ของ NAND สำหรับ AI โดยเฉพาะ ซึ่งสะท้อนถึงแนวโน้มใหม่ที่ผู้ผลิตหน่วยความจำกำลังปรับตัวเพื่อรองรับการเติบโตของ AI อย่างรวดเร็ว และถ้ามองจากภาพรวมของอุตสาหกรรมตอนนี้ เราจะเห็นว่าเทคโนโลยีเก็บข้อมูลกำลังกลายเป็นหัวใจสำคัญของการพัฒนา AI ไม่ใช่แค่เรื่องของชิปประมวลผลอีกต่อไป แต่รวมถึงการจัดเก็บและส่งข้อมูลที่เร็วและใหญ่กว่าที่เคยเป็นมา ✅ กลยุทธ์ใหม่ของ SK hynix สำหรับตลาด AI ➡️ เปิดตัวผลิตภัณฑ์ NAND 3 สาย: AIN D, AIN P, AIN B ➡️ มุ่งเน้นการใช้งานเฉพาะด้าน เช่น การเก็บข้อมูล, การประมวลผล, และการส่งข้อมูลความเร็วสูง ✅ AIN D: ความจุสูงสุดในตลาด ➡️ ใช้ 3D QLC NAND เพื่อสร้าง SSD ความจุระดับเพตะไบต์ ➡️ ตั้งเป้าแทนที่ nearline HDD สำหรับเซิร์ฟเวอร์ AI ✅ AIN P: SSD ความเร็วสูงสำหรับ AI inference ➡️ รองรับการประมวลผลแบบละเอียด เช่น vector search ➡️ ความเร็วสูงสุด 100 ล้าน IOPS ผ่าน PCIe 6.0 ภายในปี 2027 ➡️ มีข้อจำกัดด้านแบนด์วิดธ์ของ PCIe 6.0 x4 ที่ต้องใช้ x8 หรือ x16 เพื่อให้ถึงเป้าหมาย ✅ AIN B: เทคโนโลยีใหม่ High Bandwidth Flash ➡️ พัฒนาโดยร่วมมือกับ SanDisk ➡️ เป้าหมายคือให้แบนด์วิดธ์ระดับ HBM แต่ยังไม่มีมาตรฐานกลาง ➡️ เหมาะสำหรับงาน inference ที่ต้องการ throughput สูงโดยไม่ต้องเพิ่ม accelerator ✅ ความร่วมมือเพื่อผลักดันมาตรฐานใหม่ ➡️ SK hynix และ SanDisk จัดงาน HBF Night เพื่อรวมผู้พัฒนา ecosystem ➡️ สะท้อนการเปลี่ยนแปลงของตลาด NAND ที่มุ่งสู่ AI โดยเฉพาะ ‼️ ข้อจำกัดด้านเทคโนโลยีที่ต้องจับตา ⛔ PCIe 6.0 x4 ไม่สามารถรองรับ 100 ล้าน IOPS ได้จริง ต้องใช้ x8 หรือ x16 ⛔ AIN B ยังไม่มีตัวเลขประสิทธิภาพหรือกำหนดการวางจำหน่ายที่ชัดเจน ⛔ มาตรฐานของ HBF ยังไม่ถูกกำหนด ทำให้การใช้งานยังไม่แพร่หลาย https://www.tomshardware.com/pc-components/ssds/sk-hynix-unveils-ai-nand-strategy-including-gargantuan-petabyte-class-qlc-ssds-ultra-fast-hbf-and-100m-iops-ssds-also-in-the-pipeline

🧠 QNAP เปิดตัว NAS รุ่นใหม่ TVS-AIh1688ATX – แรงระดับ 36 TOPS รองรับ AI และ Virtualization เต็มรูปแบบ QNAP เปิดตัว NAS รุ่นใหม่ TVS-AIh1688ATX ที่ออกแบบมาเพื่อรองรับงานด้าน AI, การวิเคราะห์ภาพ/วิดีโอ, การทำ Virtualization และการสำรองข้อมูลขนาดใหญ่ โดยใช้ชิป Intel Core Ultra พร้อม NPU และ GPU ในตัว ให้พลังประมวลผลสูงถึง 36 TOPS ✅ สเปกเด่นของ TVS-AIh1688ATX ➡️ ใช้ Intel Core Ultra 9/7 พร้อม NPU และ GPU ➡️ พลังประมวลผล AI สูงสุด 36 TOPS ➡️ รองรับ DDR5 ECC สูงสุด 192GB ➡️ มี 12 ช่อง SATA HDD และ 4 ช่อง U.2 NVMe/SATA SSD ✅ การเชื่อมต่อและขยายระบบ ➡️ รองรับ Thunderbolt 5 และ USB4 ➡️ มีพอร์ต 10GbE และ 2.5GbE ในตัว ➡️ รองรับการขยายเครือข่ายถึง 100GbE ผ่าน PCIe ✅ ระบบปฏิบัติการ QuTS hero (ZFS) ➡️ มีฟีเจอร์ self-healing, snapshot, deduplication ➡️ รองรับ SnapSync สำหรับการกู้คืนข้อมูล ➡️ รองรับการทำ HA cluster เพื่อความต่อเนื่องทางธุรกิจ ✅ การใช้งานในองค์กร ➡️ เหมาะกับงาน AI inference, video analytics, virtualization ➡️ รองรับการทำงานร่วมกับ workstation ผ่าน Thunderbolt ➡️ ขยายพื้นที่เก็บข้อมูลได้ระดับ petabyte ด้วย JBOD https://www.techpowerup.com/342280/qnap-launches-tvs-aih1688atx-ai-nas-with-36-tops-for-ai-and-virtualization

🚚 “Jensen Huang ส่ง DGX Spark ด้วยตัวเองให้ Elon Musk และ Sam Altman — สะท้อนความแตกแยกในวงการ AI” Jensen Huang ซีอีโอของ NVIDIA กลับมาสวมบทบาท “พนักงานส่งของ” อีกครั้ง โดยนำ DGX Spark — ซูเปอร์คอมพิวเตอร์ขนาดเล็กที่ใช้ชิป Grace Blackwell GB200 — ไปส่งให้ Elon Musk และ Sam Altman ด้วยตัวเอง แต่ที่น่าสนใจคือเขาส่งให้ “แยกกัน” เพราะทั้งสองเคยเป็นผู้ร่วมก่อตั้ง OpenAI แต่ปัจจุบันกลายเป็นคู่แข่งที่ขับเคี่ยวกันอย่างดุเดือด DGX Spark มีพลังประมวลผลถึง 1 petaflop และหน่วยความจำ unified 128GB รองรับโมเดลขนาด 200B parameters ได้แบบ local โดยไม่ต้องพึ่งคลาวด์ ซึ่งเหมาะกับการใช้งานในระดับนักวิจัยหรือผู้พัฒนา AI ชั้นนำ Huang ส่งเครื่องให้ Musk ที่ฐาน Starbase ของ SpaceX พร้อมแซวว่า “ส่งซูเปอร์คอมพิวเตอร์ที่เล็กที่สุดให้กับจรวดที่ใหญ่ที่สุด” ส่วนฝั่ง Altman เขาไปส่งถึง OpenAI และถ่ายภาพร่วมกับ Greg Brockman และ Altman เหมือนย้อนกลับไปเมื่อ 9 ปีก่อนที่เขาเคยส่ง DGX-1 ให้ Musk ในฐานะผู้ร่วมก่อตั้ง OpenAI นอกจาก Musk และ Altman แล้ว DGX Spark ยังถูกส่งให้กับนักวิจัยจากบริษัทชั้นนำ เช่น Google, Meta, Microsoft, Hugging Face, JetBrains, Docker, Anaconda, LM Studio และ ComfyUI DGX Spark วางจำหน่ายในราคา $3,999 ผ่าน NVIDIA, Micro Center และพาร์ตเนอร์อื่น ๆ โดยมีผู้ผลิตหลายราย เช่น Acer, Asus, Dell, Gigabyte, Lenovo, MSI และ HPI เตรียมออกเวอร์ชันของตัวเอง แต่ไม่มี “บริการส่งโดย Jensen” แน่นอน ✅ Jensen Huang ส่ง DGX Spark ให้ Elon Musk และ Sam Altman ด้วยตัวเอง ➡️ สะท้อนความสัมพันธ์ที่เปลี่ยนไปจากผู้ร่วมก่อตั้งสู่คู่แข่ง ✅ DGX Spark ใช้ชิป Grace Blackwell GB200 ➡️ มีพลัง 1 petaflop และหน่วยความจำ unified 128GB ✅ รองรับโมเดลขนาด 200B parameters แบบ local ➡️ ไม่ต้องพึ่งคลาวด์ในการรันโมเดลใหญ่ ✅ ส่งให้บริษัทชั้นนำหลายแห่ง เช่น Google, Meta, Microsoft ฯลฯ ➡️ รวมถึง Hugging Face, JetBrains, Docker และ ComfyUI ✅ วางจำหน่ายในราคา $3,999 ➡️ ผ่าน NVIDIA, Micro Center และพาร์ตเนอร์อื่น ๆ ✅ ผู้ผลิตหลายรายเตรียมออกเวอร์ชันของตัวเอง ➡️ เช่น Acer, Asus, Dell, Gigabyte, Lenovo, MSI และ HPI https://www.tomshardware.com/tech-industry/artificial-intelligence/jensen-huang-personally-delivers-dgx-spark-mini-pcs-to-elon-musk-and-sam-altman-separately

🖥️ “Asus เปิดขาย Ascent GX10 เดสก์ท็อป AI พลัง 1 เพตาฟลอป ก่อน Dell Pro Max GB10” — เมื่อซูเปอร์คอมพิวเตอร์ย่อส่วนมาถึงมือคุณ ในขณะที่ Dell ยังไม่เปิดให้สั่งซื้อเวิร์กสเตชัน AI รุ่น Pro Max GB10 ที่ใช้ชิป Grace Blackwell GB10 ของ Nvidia แต่ Asus กลับชิงเปิดตัวและวางจำหน่าย Ascent GX10 ซึ่งใช้ฮาร์ดแวร์เดียวกัน พร้อมส่งถึงมือผู้ซื้อภายในไม่กี่วัน Ascent GX10 เป็นเดสก์ท็อปขนาดเล็กที่ให้พลังประมวลผลระดับศูนย์ข้อมูล ด้วยชิป GB10 ที่รวม CPU และ GPU เข้าด้วยกันบนสถาปัตยกรรม Grace Blackwell ให้พลังสูงสุดถึง 1 เพตาฟลอป (FP4) พร้อมหน่วยความจำ unified LPDDR5x ขนาด 128GB รองรับโมเดล AI ขนาดสูงสุด 200 พันล้านพารามิเตอร์ เครื่องนี้มีขนาดเพียง 150 มม. x 150 มม. x 51 มม. น้ำหนัก 1.48 กก. แต่มีพอร์ตเชื่อมต่อครบครัน เช่น USB-C 180W PD, HDMI 2.1, Wi-Fi 7, Bluetooth 5 และ 10G Ethernet พร้อมระบบระบายความร้อนขั้นสูง และรองรับการเชื่อมต่อแบบ dual-system stacking ผ่าน NVLink-C2C และ ConnectX-7 Asus วางจำหน่ายผ่าน Viperatech ในราคา $4,100 โดยเน้นกลุ่มนักพัฒนา AI ที่ต้องการพลังประมวลผลระดับสูงในขนาดกะทัดรัด ✅ Asus เปิดขาย Ascent GX10 เดสก์ท็อป AI ที่ใช้ชิป Nvidia GB10 ➡️ วางจำหน่ายผ่าน Viperatech ราคา $4,100 พร้อมจัดส่งภายใน 10 วัน ✅ ใช้ชิป Grace Blackwell GB10 รวม CPU และ GPU บนสถาปัตยกรรมเดียวกัน ➡️ ให้พลังประมวลผลสูงสุด 1 เพตาฟลอป (FP4) ✅ มาพร้อมหน่วยความจำ unified LPDDR5x ขนาด 128GB ➡️ รองรับโมเดล AI ขนาดสูงสุด 200 พันล้านพารามิเตอร์ ✅ ขนาดเล็กเพียง 150 x 150 x 51 มม. น้ำหนัก 1.48 กก. ➡️ พกพาสะดวกแต่ทรงพลัง ✅ พอร์ตเชื่อมต่อครบ: USB-C 180W PD, HDMI 2.1, Wi-Fi 7, 10G Ethernet ➡️ รองรับการใช้งานระดับมืออาชีพ ✅ รองรับ dual-system stacking ผ่าน NVLink-C2C และ ConnectX-7 ➡️ ขยายการประมวลผลแบบ local ได้ https://www.techradar.com/pro/you-cant-buy-the-dell-pro-max-gb10-yet-but-you-can-buy-the-asus-ascent-gx10-right-now-for-usd4100-get-nvidias-petaflop-desktop-supercomputer-shipped-within-days

⚡ “OpenAI ฝันใหญ่: GPU 10 พันล้านตัวเพื่อ AI ส่วนตัวสำหรับทุกคน — แต่พลังงานระดับ ‘เตาปฏิกรณ์นิวเคลียร์’ ยังไม่มีใครพูดถึง” Greg Brockman ประธานของ OpenAI ได้เปิดเผยวิสัยทัศน์สุดทะเยอทะยานในงานสัมภาษณ์ร่วมกับ Jensen Huang ซีอีโอของ Nvidia และ Sam Altman ซีอีโอของ OpenAI โดยเขาเสนอแนวคิดว่า “ทุกคนควรมี GPU ส่วนตัว” เพื่อให้ AI สามารถทำงานได้ตลอดเวลา แม้ในขณะที่เจ้าของกำลังหลับอยู่ แนวคิดนี้คล้ายกับความฝันของ Bill Gates ในยุค 90 ที่เคยพูดว่า “คอมพิวเตอร์ทุกโต๊ะ” ซึ่งในวันนี้กลายเป็นจริงแล้ว Brockman เชื่อว่า GPU จะกลายเป็นทรัพยากรพื้นฐานของเศรษฐกิจยุคใหม่ เหมือนกับเงินตรา โดยเขาคาดว่าโลกจะต้องใช้ GPU ถึง 10 พันล้านตัวเพื่อรองรับการใช้งาน AI อย่างเต็มรูปแบบ Nvidia ซึ่งเป็นพันธมิตรหลักของ OpenAI ได้ประกาศลงทุนกว่า 100 พันล้านดอลลาร์เพื่อสร้างโครงสร้างพื้นฐาน AI ขนาดมหึมา โดยเริ่มจากการติดตั้ง GPU จำนวน 4–5 ล้านตัวในศูนย์ข้อมูลที่ใช้พลังงานเทียบเท่าเตาปฏิกรณ์นิวเคลียร์ 10 เครื่อง หรือประมาณ 10 กิกะวัตต์ อย่างไรก็ตาม สิ่งที่ขาดหายไปจากวิสัยทัศน์นี้คือ “พลังงาน” ที่จำเป็นในการขับเคลื่อนระบบดังกล่าว เพราะการใช้ GPU จำนวนมหาศาลจะต้องใช้ไฟฟ้าระดับ petawatt ซึ่งอาจเกินขีดความสามารถของโครงข่ายไฟฟ้าทั่วโลกในปัจจุบัน นักวิเคราะห์เตือนว่า หาก OpenAI เดินหน้าตามแผนนี้จริง การใช้พลังงานอาจเพิ่มขึ้นถึง 125 เท่าในไม่กี่ปีข้างหน้า และอาจเทียบเท่ากับการใช้พลังงานของประเทศขนาดใหญ่ เช่น อินเดีย ซึ่งทำให้เกิดคำถามว่า “เราจะผลิตไฟฟ้าจากไหน?” และ “ใครจะได้ใช้ GPU เหล่านี้?” ✅ ข้อมูลสำคัญจากข่าว ➡️ Greg Brockman เสนอแนวคิดให้ทุกคนมี GPU ส่วนตัวเพื่อใช้งาน AI ➡️ OpenAI ต้องการ GPU จำนวน 10 พันล้านตัวเพื่อรองรับวิสัยทัศน์นี้ ➡️ Nvidia ลงทุน 100 พันล้านดอลลาร์เพื่อสร้างโครงสร้างพื้นฐาน AI ➡️ เริ่มจากการติดตั้ง GPU 4–5 ล้านตัวในศูนย์ข้อมูล ➡️ ศูนย์ข้อมูลใช้พลังงานเทียบเท่าเตาปฏิกรณ์นิวเคลียร์ 10 เครื่อง ➡️ Brockman เชื่อว่า GPU จะกลายเป็นทรัพยากรพื้นฐานของเศรษฐกิจ ➡️ Altman เปรียบโครงการนี้กับโครงการ Apollo ของ NASA ➡️ ความต้องการ compute เพิ่มขึ้นอย่างรวดเร็วทั่วโลก ➡️ Nvidia เป็นผู้ผลิต GPU รายใหญ่ที่สุดที่ใช้ในโมเดล AI ขนาดใหญ่ ✅ ข้อมูลเสริมจากภายนอก ➡️ OpenAI เคยประกาศแผนใช้ GPU 100 ล้านตัวภายในปี 2025 ➡️ Elon Musk เคยกล่าวว่า xAI จะใช้ GPU เทียบเท่า H100 จำนวน 50 ล้านตัวภายในปี 2030 ➡️ การใช้ GPU ในระดับนี้ต้องการการลงทุนด้านพลังงานและโครงสร้างพื้นฐานมหาศาล ➡️ นักวิจัยบางคนเปรียบเทียบการใช้ GPU กับการใช้ทรัพยากรธรรมชาติ เช่น น้ำมันหรือแร่หายาก ➡️ การกระจาย GPU อย่างเท่าเทียมอาจกลายเป็นประเด็นด้านความยุติธรรมและภูมิรัฐศาสตร์ https://www.techradar.com/pro/you-really-want-every-person-to-have-their-own-dedicated-gpu-openai-becomes-nvidias-biggest-cheerleader-as-its-president-calls-for-10-billion-gpu-bonanza-but-no-mention-of-the-petawatt-electricity-requirement-these-will-command

🧠 “Nvidia Rubin CPX: ชิป AI ยุคใหม่ที่แยกงานประมวลผลออกเป็นสองเฟส — เร็วขึ้น ถูกลง และรองรับ context ยาวระดับล้านโทเคน” ในยุคที่โมเดล AI ขนาดใหญ่ เช่น GPT-5, Gemini 2 และ Grok 3 ต้องประมวลผลข้อมูลจำนวนมหาศาลในคราวเดียว Nvidia ได้เปิดตัว GPU ใหม่ในชื่อ “Rubin CPX” ซึ่งออกแบบมาเฉพาะสำหรับงาน “context phase” ของการ inference — คือช่วงที่โมเดลต้องอ่านและตีความอินพุตทั้งหมดก่อนจะเริ่มสร้างผลลัพธ์ใด ๆ Rubin CPX ใช้หน่วยความจำ GDDR7 ขนาด 128GB ซึ่งแม้จะมีแบนด์วิดธ์ต่ำกว่า HBM3E หรือ HBM4 แต่ก็มีข้อดีคือราคาถูกกว่า กินไฟน้อยกว่า และไม่ต้องใช้เทคโนโลยีแพ็กเกจขั้นสูงอย่าง CoWoS ทำให้ต้นทุนการผลิตลดลงอย่างมาก ตัวชิปสามารถประมวลผลได้ถึง 30 NVFP4 PetaFLOPS และมีฮาร์ดแวร์เฉพาะสำหรับการเร่ง attention mechanism ซึ่งจำเป็นมากในการจัดการกับ context ยาวระดับล้านโทเคน โดยไม่ลดความเร็ว นอกจากนี้ยังมีฟีเจอร์สำหรับการเข้ารหัสและถอดรหัสวิดีโอ เพื่อรองรับงาน generative video ที่กำลังมาแรง Rubin CPX จะทำงานร่วมกับ Rubin GPU และ Vera CPU ในระบบ Vera Rubin NVL144 CPX ซึ่งให้พลังประมวลผลรวมถึง 8 ExaFLOPS และหน่วยความจำสูงถึง 100TB ต่อแร็ค โดยใช้การเชื่อมต่อผ่าน Quantum-X800 InfiniBand หรือ Spectrum-XGS Ethernet ที่สำคัญคือ Rubin CPX ไม่ต้องการการเขียนโค้ดใหม่ — นักพัฒนา AI สามารถใช้ CUDA, NIM microservices และเครื่องมือของ Nvidia ได้ทันที โดยระบบจะใช้ซอฟต์แวร์ “Dynamo” ในการจัดการการแบ่งงานระหว่าง context phase และ generation phase โดยอัตโนมัติ หลายบริษัทเริ่มนำ Rubin CPX ไปใช้งานแล้ว เช่น Cursor สำหรับการสร้างโค้ดแบบเรียลไทม์, Runway สำหรับการสร้างวิดีโอแบบ agent-driven และ Magic สำหรับโมเดลที่ใช้ context ยาวถึง 100 ล้านโทเคน ✅ ข้อมูลสำคัญจากข่าว ➡️ Nvidia เปิดตัว Rubin CPX GPU สำหรับงาน inference เฟสแรก (context phase) ➡️ ใช้ GDDR7 ขนาด 128GB ซึ่งราคาถูกและกินไฟน้อยกว่าหน่วยความจำ HBM ➡️ ประมวลผลได้ถึง 30 NVFP4 PetaFLOPS พร้อมฮาร์ดแวร์เร่ง attention mechanism ➡️ รองรับการเข้ารหัสและถอดรหัสวิดีโอสำหรับงาน generative video ➡️ ทำงานร่วมกับ Rubin GPU และ Vera CPU ในระบบ Vera Rubin NVL144 CPX ➡️ ระบบมีพลังรวม 8 ExaFLOPS และหน่วยความจำ 100TB ต่อแร็ค ➡️ ใช้การเชื่อมต่อผ่าน InfiniBand Quantum-X800 หรือ Ethernet Spectrum-XGS ➡️ รองรับ CUDA, NIM และเครื่องมือ Nvidia โดยไม่ต้องเขียนโค้ดใหม่ ➡️ ใช้ซอฟต์แวร์ Dynamo ในการจัดการการแบ่งงานระหว่าง GPU โดยอัตโนมัติ ➡️ บริษัท Cursor, Runway และ Magic เริ่มนำ Rubin CPX ไปใช้งานจริงแล้ว ✅ ข้อมูลเสริมจากภายนอก ➡️ Long-context inference คือการประมวลผลอินพุตจำนวนมากก่อนสร้างผลลัพธ์แรก ➡️ GDDR7 มีแบนด์วิดธ์ต่ำกว่า HBM แต่เหมาะกับงานที่เน้นความจุและต้นทุน ➡️ NVFP4 เป็นรูปแบบการประมวลผลที่ Nvidia พัฒนาขึ้นสำหรับงาน AI โดยเฉพาะ ➡️ Rubin CPX อาจใช้ดีไซน์เดียวกับ GR102/GR202 ซึ่งเป็น GPU สำหรับกราฟิกระดับสูง ➡️ การแยก context phase ออกจาก generation phase ช่วยเพิ่ม throughput ได้ถึง 6 เท่า https://www.tomshardware.com/pc-components/gpus/nvidias-new-cpx-gpu-aims-to-change-the-game-in-ai-inference-how-the-debut-of-cheaper-and-cooler-gddr7-memory-could-redefine-ai-inference-infrastructure

⚡ “Nvidia เร่งดัน HBM4 ความเร็ว 10Gbps รับมือ AMD MI450 — เมื่อสงครามแบนด์วิดท์กลายเป็นเดิมพันของ AI ยุคใหม่” ในปี 2025 Nvidia กำลังเดินเกมรุกเพื่อเตรียมรับมือกับการเปิดตัวแพลตฟอร์ม MI450 Helios ของ AMD ที่จะมาถึงในปี 2026 โดยเน้นไปที่การเพิ่มความเร็วของหน่วยความจำ HBM4 ให้สูงถึง 10Gbps ต่อพิน ซึ่งมากกว่ามาตรฐานของ JEDEC ที่กำหนดไว้ที่ 8Gbps หากสำเร็จ ความเร็วนี้จะทำให้แบนด์วิดท์ต่อ stack เพิ่มจาก 2TB/s เป็น 2.56TB/s และเมื่อใช้ 6 stack ต่อ GPU จะได้แบนด์วิดท์รวมถึง 15TB/s ซึ่งเป็นตัวเลขที่น่าทึ่งสำหรับงาน AI inference ขนาดใหญ่ โดยเฉพาะในแพลตฟอร์ม Rubin CPX ที่ออกแบบมาเพื่อการประมวลผลระดับ petabyte ต่อวินาที อย่างไรก็ตาม การผลักดันความเร็วนี้ไม่ใช่เรื่องง่าย เพราะยิ่งเร็วก็ยิ่งต้องใช้พลังงานมากขึ้น มีข้อจำกัดด้าน timing และความเสถียรของ base die ซึ่งทำให้ Nvidia อาจต้องแบ่งรุ่น Rubin ออกเป็นหลายระดับ โดยใช้ HBM4 ที่เร็วที่สุดเฉพาะในรุ่น CPX และใช้รุ่นมาตรฐานในรุ่นทั่วไป ในด้านซัพพลายเออร์ SK hynix ยังคงเป็นผู้ผลิตหลักของ HBM4 ให้ Nvidia แต่ Samsung กำลังเร่งพัฒนา base die ด้วยเทคโนโลยี 4nm FinFET ซึ่งอาจให้ความเร็วสูงกว่าและใช้พลังงานน้อยลง ส่วน Micron ก็เริ่มส่งตัวอย่าง HBM4 ที่มีแบนด์วิดท์เกิน 2TB/s แต่ยังไม่ยืนยันว่าจะถึง 10Gbps หรือไม่ ฝั่ง AMD ก็ไม่น้อยหน้า โดย MI450 จะใช้ HBM4 สูงสุดถึง 432GB ต่อ GPU ซึ่งเน้นความจุมากกว่าแบนด์วิดท์ และมาพร้อมสถาปัตยกรรม CDNA 4 ที่ออกแบบมาเพื่อแข่งขันกับ Rubin โดยตรงในงาน inference ✅ ข้อมูลสำคัญจากข่าว ➡️ Nvidia กำลังผลักดัน HBM4 ให้เร็วถึง 10Gbps ต่อพิน เพื่อใช้ในแพลตฟอร์ม Rubin ➡️ ความเร็วนี้จะให้แบนด์วิดท์สูงถึง 15TB/s ต่อ GPU เมื่อใช้ 6 stack ➡️ Rubin CPX มีเป้าหมายแบนด์วิดท์รวม 1.7PB/s ต่อ rack ➡️ SK hynix เป็นผู้ผลิตหลักของ HBM4 ให้ Nvidia ในช่วงแรกของการผลิต ✅ การแข่งขันและกลยุทธ์ ➡️ Samsung พัฒนา base die ด้วยเทคโนโลยี 4nm FinFET เพื่อเพิ่มความเร็วและลดพลังงาน ➡️ Micron ส่งตัวอย่าง HBM4 ที่มีแบนด์วิดท์เกิน 2TB/s แต่ยังไม่ยืนยันความเร็ว 10Gbps ➡️ AMD MI450 ใช้ HBM4 สูงสุด 432GB ต่อ GPU เน้นความจุมากกว่าแบนด์วิดท์ ➡️ CDNA 4 ของ AMD ออกแบบมาเพื่อแข่งขันกับ Rubin ในงาน inference โดยเฉพาะ ✅ ข้อมูลเสริมจากภายนอก ➡️ JEDEC กำหนดมาตรฐาน HBM4 ที่ 8Gbps ต่อพิน ➡️ การเพิ่มความเร็ว I/O ส่งผลต่อพลังงาน ความร้อน และ yield ของการผลิต ➡️ Nvidia อาจแบ่งรุ่น Rubin ตามระดับความเร็วของ HBM4 เพื่อควบคุมต้นทุนและความเสถียร ➡️ การรับรองซัพพลายเออร์แบบแบ่งเฟสช่วยให้ Nvidia ขยายการผลิตได้อย่างยืดหยุ่น https://www.tomshardware.com/pc-components/gpus/nvidia-wants-10gbps-hbm4-to-rival-amd-mi450

🌐 “อินเทอร์เน็ตใหญ่แค่ไหน? — เมื่อข้อมูลทะลุ 181 Zettabytes และโลกต้องจ่ายด้วยพลังงานและน้ำมหาศาล” ลองจินตนาการว่าในเวลาเพียงหนึ่งนาทีของอินเทอร์เน็ต มีการสตรีม Netflix กว่าล้านชั่วโมง อัปโหลดวิดีโอ YouTube หลายพันชั่วโมง และโพสต์ภาพบน Instagram นับไม่ถ้วน นั่นคือสิ่งที่เกิดขึ้นจริงในปี 2025 และตัวเลขนี้ยังคงเพิ่มขึ้นทุกวินาที ข้อมูลทั่วโลกในปี 2024 มีปริมาณถึง 149 Zettabytes และคาดว่าจะเพิ่มเป็น 181 Zettabytesภายในสิ้นปี 20252 โดยบางการคาดการณ์อาจอยู่ที่ 175 ZB แต่ก็ถือว่าใกล้เคียงกันมาก ซึ่ง Zettabyte หนึ่งเท่ากับหนึ่งล้านล้าน Gigabytes — ขนาดที่สมองมนุษย์แทบจินตนาการไม่ออก แต่การวัด “ขนาดของอินเทอร์เน็ต” ไม่ใช่แค่เรื่องของปริมาณข้อมูล เพราะยังมีข้อมูลที่ไม่สามารถเข้าถึงได้ผ่าน Google หรือ search engine เช่น ฐานข้อมูลส่วนตัว แอปพลิเคชัน และเครือข่ายปิด ซึ่งเรียกรวมกันว่า “Deep Web” และยังมี “Dark Web” ที่ซ่อนตัวอยู่ลึกกว่านั้นอีก ข้อมูลใหม่เกิดขึ้นทุกวันกว่า 402 ล้าน Terabytes จากโพสต์โซเชียลมีเดีย วิดีโอ อุปกรณ์ IoT รถยนต์อัจฉริยะ และระบบคลาวด์ แม้แต่ CERN ก็ผลิตข้อมูลระดับ Petabyte ต่อวันจากการทดลองฟิสิกส์อนุภาค ซึ่งเทียบได้กับบริษัทเทคโนโลยีขนาดใหญ่ แต่เบื้องหลังโลกดิจิทัลที่เติบโตอย่างรวดเร็วคือผลกระทบทางกายภาพที่ไม่อาจมองข้าม — ศูนย์ข้อมูลทั่วโลกใช้ไฟฟ้าราว 2% ของทั้งโลก และบางแห่งใช้น้ำมากถึง 5 ล้านแกลลอนต่อวันเพื่อระบายความร้อน แม้บางบริษัทจะเริ่มใช้ “น้ำรีไซเคิล” แต่ก็ยังไม่เพียงพอเมื่อเทียบกับการขยายตัวของข้อมูลที่ไม่มีวันหยุด ✅ ข้อมูลสำคัญจากข่าว ➡️ ปริมาณข้อมูลทั่วโลกในปี 2025 คาดว่าจะอยู่ที่ 181 Zettabytes ➡️ หนึ่ง Zettabyte เท่ากับหนึ่งล้านล้าน Gigabytes ➡️ ข้อมูลใหม่เกิดขึ้นกว่า 402 ล้าน Terabytes ต่อวัน ➡️ CERN ผลิตข้อมูลระดับ Petabyte ต่อวันจากการทดลองฟิสิกส์ ✅ ข้อมูลที่ไม่สามารถวัดได้โดยตรง ➡️ Deep Web และ Dark Web ไม่สามารถเข้าถึงผ่าน search engine ➡️ แอปพลิเคชันและเครือข่ายปิดมีข้อมูลจำนวนมหาศาลที่ไม่ถูกนับรวม ➡️ ขนาดของอินเทอร์เน็ตเปลี่ยนแปลงตลอดเวลา ไม่สามารถวัดได้แน่นอน ✅ ผลกระทบทางกายภาพจากข้อมูล ➡️ ศูนย์ข้อมูลใช้ไฟฟ้าราว 2% ของโลก ➡️ บางศูนย์ข้อมูลใช้น้ำมากถึง 5 ล้านแกลลอนต่อวันเพื่อระบายความร้อน ➡️ Amazon เริ่มใช้ “น้ำรีไซเคิล” เพื่อช่วยลดผลกระทบ ➡️ Cloud storage ช่วยแบ่งเบาภาระจากศูนย์ข้อมูล แต่ยังไม่ครอบคลุมทั้งหมด ✅ ข้อมูลเสริมจากภายนอก ➡️ IDC คาดว่าปริมาณข้อมูลจะเพิ่มเป็น 394 Zettabytes ภายในปี 2028 ➡️ การเติบโตของ AI และ IoT เป็นตัวเร่งให้ข้อมูลเพิ่มขึ้นอย่างรวดเร็ว ➡️ การวัดขนาดอินเทอร์เน็ตต้องพิจารณา 5V: Volume, Variety, Velocity, Value, Veracity ➡️ การใช้ข้อมูลเพื่อการวิจัย การตลาด และ AI มีประโยชน์มหาศาล แต่ต้องแลกด้วยทรัพยากร https://www.slashgear.com/1970107/how-big-is-the-internet-data-size/

🎙️ เรื่องเล่าจาก OCTOPUS ถึง SCUP-HPC: เมื่อซูเปอร์คอมพิวเตอร์กลายเป็นผู้บันทึกความจริงของงานวิจัย มหาวิทยาลัยโอซาก้า D3 Center ร่วมกับ NEC เปิดตัว OCTOPUS (Osaka University Compute and sTOrage Platform Urging open Science) ซึ่งเป็นซูเปอร์คอมพิวเตอร์ที่มีพลังการประมวลผล 2.293 petaflops โดยใช้ 140 โหนดของ NEC LX201Ein-1 ที่ออกแบบมาเพื่อรองรับงานวิจัยแบบเปิด (Open Science) จุดเด่นของ OCTOPUS ไม่ใช่แค่ความเร็ว แต่คือระบบ “provenance management” ที่สามารถบันทึกและติดตามกระบวนการคำนวณทั้งหมด เช่น ข้อมูลใดถูกใช้ โปรแกรมใดเรียกใช้ และผลลัพธ์ใดถูกสร้างขึ้น โดยไม่กระทบต่อประสิทธิภาพของระบบ เทคโนโลยีนี้ชื่อว่า SCUP-HPC (Scientific Computing Unifying Provenance – High Performance Computing) ซึ่งพัฒนาโดยทีมของ Susumu Date จากห้องวิจัยร่วมระหว่าง NEC และมหาวิทยาลัยโอซาก้า โดยเริ่มต้นในปี 2021 SCUP-HPC ช่วยให้ผู้ใช้สามารถค้นหาประวัติการคำนวณด้วย ID เฉพาะ และแสดงผลแบบ visualization ได้ ทำให้นักวิจัยสามารถใส่รหัสประวัติการคำนวณในบทความวิชาการ เพื่อยืนยันว่าใช้ OCTOPUS จริงในการสร้างผลลัพธ์ ระบบนี้ยังช่วยแก้ปัญหาการบันทึกข้อมูลด้วยมือที่อาจผิดพลาดหรือไม่ครบถ้วน ซึ่งเป็นปัญหาใหญ่ในงานวิจัยที่ต้องการความโปร่งใสและตรวจสอบได้ โดยเฉพาะในยุคที่ AI และ Big Data กลายเป็นเครื่องมือหลักของนักวิทยาศาสตร์ NEC ยังมีแผนจะนำ SCUP-HPC ไปใช้เชิงพาณิชย์ในอนาคต และจะขยายแพลตฟอร์มนี้ไปสู่การใช้งานในอุตสาหกรรมและงานวิจัยด้าน AI อย่างเต็มรูปแบบ ภายใต้แนวคิด “NEC BluStellar” ที่เน้นการสร้างโครงสร้างพื้นฐานข้อมูลเพื่อการวิจัย ✅ การเปิดตัว OCTOPUS โดยมหาวิทยาลัยโอซาก้าและ NEC ➡️ เริ่มทดลองใช้งานในเดือนกันยายน และเปิดใช้งานเต็มรูปแบบในเดือนธันวาคม 2025 ➡️ ใช้ 140 โหนดของ NEC LX201Ein-1 มีพลังการประมวลผล 2.293 petaflops ➡️ ประสิทธิภาพสูงกว่าระบบเดิมประมาณ 1.5 เท่า ✅ เทคโนโลยี SCUP-HPC สำหรับการจัดการ provenance ➡️ บันทึกว่าโปรแกรมใดใช้ข้อมูลใด และสร้างผลลัพธ์อะไร ➡️ แสดงผลแบบ visualization และค้นหาด้วย history ID ➡️ ช่วยให้นักวิจัยใส่รหัสการคำนวณในบทความเพื่อยืนยันความถูกต้อง ✅ เป้าหมายของระบบนี้ ➡️ ส่งเสริม Open Science โดยให้ข้อมูลวิจัยสามารถตรวจสอบและแบ่งปันได้ ➡️ ลดความผิดพลาดจากการบันทึกด้วยมือ ➡️ เพิ่มความโปร่งใสและความน่าเชื่อถือของงานวิจัย ✅ แผนการขยายในอนาคต ➡️ NEC เตรียมนำ SCUP-HPC ไปใช้เชิงพาณิชย์ ➡️ ขยายไปสู่การใช้งานในอุตสาหกรรมและงานวิจัยด้าน AI/Big Data ➡️ อยู่ภายใต้แนวคิด NEC BluStellar เพื่อสร้างโครงสร้างพื้นฐานข้อมูลวิจัย https://www.techpowerup.com/340936/nec-provides-computing-power-for-octopus-supercomputer-at-osaka-university

🧠 “NVIDIA เปิดตัว Rubin CPX: ชิป AI ที่แยกงานประมวลผลออกเป็นสองเฟส — ยกระดับการตอบสนองโมเดลยาวล้านโทเคนแบบไม่ต้องรอ” ในยุคที่ AI ไม่ได้แค่ตอบคำถามสั้น ๆ แต่ต้องเข้าใจบทสนทนายาว ๆ โค้ดทั้งโปรเจกต์ หรือวิดีโอความยาวเป็นชั่วโมง NVIDIA ได้เปิดตัวสถาปัตยกรรมใหม่ที่เรียกว่า “Disaggregated Inference” ซึ่งแยกงานประมวลผลออกเป็นสองเฟสหลัก: เฟสบริบท (Context Phase) และเฟสสร้างผลลัพธ์ (Generation Phase) Rubin CPX คือ GPU รุ่นใหม่ที่ออกแบบมาเฉพาะสำหรับเฟสบริบท ซึ่งต้องใช้พลังประมวลผลสูงเพื่อวิเคราะห์ข้อมูลจำนวนมหาศาล เช่น โค้ดทั้ง repository หรือบทสนทนาในหลาย session โดย Rubin CPX ให้พลังถึง 30 petaFLOPs ด้วย NVFP4 และใช้หน่วยความจำ GDDR7 ขนาด 128 GB — ต่างจาก Rubin GPU รุ่นหลักที่ใช้ HBM4 ขนาด 288 GB เพื่อรองรับเฟสสร้างผลลัพธ์ที่ต้องการแบนด์วิดท์สูง แนวคิดนี้ไม่ใช่แค่ทฤษฎี เพราะ NVIDIA ได้พิสูจน์แล้วผ่านการทดสอบ MLPerf โดยใช้เทคนิค “Disaggregated Serving” ที่แยกงาน context และ generation ออกจากกัน ทำให้ throughput ต่อ GPU เพิ่มขึ้นเกือบ 50% และลด latency ได้อย่างชัดเจน Rubin CPX จะถูกนำไปใช้ในระบบ Vera Rubin NVL144 CPX rack ซึ่งประกอบด้วย Rubin GPU 144 ตัว, Rubin CPX 144 ตัว, Vera CPU 36 ตัว, หน่วยความจำ 100 TB และแบนด์วิดท์ 1.7 PB/s — ให้พลังรวมถึง 8 exaFLOPs ซึ่งสูงกว่า GB300 NVL72 ถึง 7.5 เท่า Jensen Huang ซีอีโอของ NVIDIA ระบุว่า Rubin CPX คือ “GPU CUDA ตัวแรกที่ออกแบบมาเพื่อ AI ที่ต้องใช้บริบทยาวมหาศาล” และจะเป็นหัวใจของยุคใหม่ที่ AI ไม่ใช่แค่ autocomplete แต่เป็นผู้ช่วยที่เข้าใจงานทั้งระบบ ✅ สถาปัตยกรรม Disaggregated Inference ➡️ แยกงาน inference ออกเป็น 2 เฟส: Context (compute-bound) และ Generation (memory-bound) ➡️ เฟสบริบทใช้ Rubin CPX ที่เน้นพลังประมวลผล ➡️ เฟสสร้างผลลัพธ์ใช้ Rubin GPU ที่เน้นแบนด์วิดท์หน่วยความจำ ➡️ ลด latency และเพิ่ม throughput โดยไม่ต้องใช้ GPU แบบอเนกประสงค์ ✅ ข้อมูลทางเทคนิคของ Rubin CPX ➡️ พลังประมวลผล 30 petaFLOPs ด้วย NVFP4 ➡️ หน่วยความจำ GDDR7 ขนาด 128 GB ➡️ ใช้ดีไซน์แบบ monolithic die ต่างจาก Rubin GPU ที่เป็น dual-die chiplet ➡️ ออกแบบมาเพื่องานที่มีบริบทยาว เช่น โค้ดทั้งโปรเจกต์หรือวิดีโอหลายชั่วโมง ✅ ระบบ Vera Rubin NVL144 CPX ➡️ ประกอบด้วย Rubin GPU 144 ตัว, Rubin CPX 144 ตัว, Vera CPU 36 ตัว ➡️ หน่วยความจำรวม 100 TB และแบนด์วิดท์ 1.7 PB/s ➡️ พลังรวม 8 exaFLOPs — สูงกว่า GB300 NVL72 ถึง 7.5 เท่า ➡️ รองรับการประมวลผล AI ระดับโรงงาน (AI Factory) ✅ ข้อมูลเสริมจากภายนอก ➡️ Rubin CPX ใช้ในงานที่ต้องประมวลผลล้านโทเคน เช่น video search, code analysis ➡️ ใช้ร่วมกับ InfiniBand หรือ Spectrum-X Ethernet สำหรับการ scale-out ➡️ NVIDIA ใช้ Dynamo orchestration layer เพื่อจัดการการแยกงานแบบอัจฉริยะ ➡️ ผลการทดสอบ MLPerf ล่าสุดแสดงว่า Disaggregated Serving เพิ่มประสิทธิภาพได้จริง https://www.tomshardware.com/tech-industry/semiconductors/nvidia-rubin-cpx-forms-one-half-of-new-disaggregated-ai-inference-architecture-approach-splits-work-between-compute-and-bandwidth-optimized-chips-for-best-performance

🧠 “XCENA MX1: ชิปพันธุ์ใหม่ที่รวม RISC-V หลายพันคอร์ไว้ในหน่วยความจำ — เปลี่ยนโฉมเซิร์ฟเวอร์ด้วย CXL 3.2 และ SSD tiering!” ลองจินตนาการว่าคุณกำลังรันงาน AI ขนาดใหญ่ หรือ query ฐานข้อมูลแบบเวกเตอร์ที่กินแรมมหาศาล แล้วพบว่า bottleneck ไม่ได้อยู่ที่ CPU หรือ GPU — แต่อยู่ที่การเคลื่อนย้ายข้อมูลระหว่างหน่วยประมวลผลกับหน่วยความจำ นั่นคือปัญหาที่ XCENA MX1 เข้ามาแก้แบบตรงจุด ในงาน FMS 2025 (Future of Memory and Storage) บริษัทสตาร์ทอัพจากเกาหลีใต้ชื่อ XCENA ได้เปิดตัว MX1 Computational Memory ซึ่งเป็นชิปที่รวม “หลายพันคอร์ RISC-V” ไว้ในหน่วยความจำโดยตรง พร้อมรองรับมาตรฐาน PCIe Gen6 และ Compute Express Link (CXL) 3.2 แนวคิดคือ “near-data processing” — ย้ายการประมวลผลมาอยู่ใกล้กับ DRAM เพื่อลดการเคลื่อนย้ายข้อมูลระหว่าง CPU กับ RAM ซึ่งช่วยเพิ่มประสิทธิภาพอย่างมหาศาลในงานที่ใช้ข้อมูลหนัก เช่น AI inference, in-memory analytics และฐานข้อมูลขนาดใหญ่ MX1 ยังรองรับการขยายหน่วยความจำด้วย SSD แบบ tiered storage ที่สามารถเพิ่มความจุได้ถึงระดับ petabyte พร้อมฟีเจอร์ด้านการบีบอัดข้อมูลและความเสถียร ทำให้เหมาะกับงานที่ต้องการทั้งความเร็วและความจุในเวลาเดียวกัน XCENA เตรียมเปิดตัวสองรุ่นคือ MX1P ในปลายปีนี้ และ MX1S ในปี 2026 โดยรุ่นหลังจะมี dual PCIe Gen6 x8 links และฟีเจอร์เพิ่มเติมสำหรับงานระดับ data center ขนาดใหญ่ ทั้งสองรุ่นจะใช้ประโยชน์จากแบนด์วิดธ์และความยืดหยุ่นของ CXL 3.2 อย่างเต็มที่ ✅ การเปิดตัว MX1 Computational Memory ➡️ เปิดตัวในงาน FMS 2025 โดยบริษัท XCENA จากเกาหลีใต้ ➡️ ใช้ PCIe Gen6 และ CXL 3.2 เป็นมาตรฐานการเชื่อมต่อ ➡️ รวมหลายพันคอร์ RISC-V ไว้ในหน่วยความจำโดยตรง ✅ แนวคิด near-data processing ➡️ ลดการเคลื่อนย้ายข้อมูลระหว่าง CPU กับ RAM ➡️ เพิ่มประสิทธิภาพในงาน AI, analytics และฐานข้อมูล ➡️ ช่วยลด latency และเพิ่ม throughput ในระบบเซิร์ฟเวอร์ ✅ การขยายหน่วยความจำด้วย SSD tiering ➡️ รองรับการขยายความจุถึงระดับ petabyte ➡️ มีระบบบีบอัดข้อมูลและฟีเจอร์ด้าน reliability ➡️ ใช้ SSD เป็น tier รองเพื่อเพิ่มความจุโดยไม่ลดความเร็ว ✅ แผนการเปิดตัวผลิตภัณฑ์ ➡️ MX1P จะเปิดตัวปลายปี 2025 พร้อมตัวอย่างสำหรับพันธมิตร ➡️ MX1S จะเปิดตัวในปี 2026 พร้อม dual PCIe Gen6 x8 links ➡️ ทั้งสองรุ่นรองรับ CXL 3.2 เต็มรูปแบบ ✅ การสนับสนุนสำหรับนักพัฒนา ➡️ มี SDK พร้อมไดรเวอร์, runtime libraries และเครื่องมือสำหรับ deployment ➡️ รองรับแอปพลิเคชันตั้งแต่ AI inference ถึง in-memory analytics ➡️ ออกแบบให้ใช้งานได้ในสภาพแวดล้อมมาตรฐาน ✅ รางวัลและการยอมรับ ➡️ ได้รับรางวัล “Most Innovative Memory Technology” ในงาน FMS 2025 ➡️ เคยได้รับรางวัล “Most Innovative Startup” ในปี 2024 ➡️ ได้รับการยกย่องจากผู้เชี่ยวชาญด้าน storage ว่าเป็นแนวทางใหม่ที่เปลี่ยนเกม https://www.techradar.com/pro/a-chip-with-thousands-of-cores-could-change-the-way-servers-are-designed-bringing-compute-nearer-to-ram-thanks-to-cxl-is-a-lightbulb-moment

🎙️ เมื่อกล้องหน้าร้านกลายเป็นเครื่องมือสแกนใบหน้า – และลูกค้าไม่รู้ตัว Benjamin Jankowski ลูกค้าประจำของ Home Depot ในรัฐอิลลินอยส์ สังเกตเห็นสิ่งผิดปกติระหว่างใช้เครื่อง self-checkout ที่ร้านในชิคาโก เขาเห็นกล้องและหน้าจอที่แสดงกรอบสีเขียวรอบใบหน้าของเขา ซึ่งทำให้เขาเชื่อว่าระบบกำลังสแกนและบันทึกข้อมูลใบหน้าโดยไม่ได้รับอนุญาต เขาจึงตัดสินใจฟ้อง Home Depot ในรูปแบบ class action โดยกล่าวหาว่าบริษัทละเมิดกฎหมาย Biometric Information Privacy Act (BIPA) ของรัฐอิลลินอยส์ ซึ่งกำหนดให้บริษัทต้องแจ้งลูกค้าอย่างชัดเจนก่อนเก็บข้อมูลชีวภาพ เช่น รูปทรงใบหน้า และต้องได้รับ “ความยินยอมเป็นลายลักษณ์อักษร” คดีนี้เปิดเผยว่า Home Depot เริ่มใช้เทคโนโลยี “computer vision” ตั้งแต่ปี 2023 เพื่อป้องกันการขโมยสินค้า โดยขยายการใช้งานในปี 2024 ไปยังเครื่อง self-checkout ทั่วรัฐอิลลินอยส์ แต่ไม่มีการแจ้งลูกค้าอย่างเป็นทางการ และไม่มีนโยบายการจัดเก็บข้อมูลที่เปิดเผยต่อสาธารณะ Jankowski ต้องการเป็นตัวแทนของลูกค้าทั้งหมดที่ถูกสแกนใบหน้าโดยไม่รู้ตัว และเรียกร้องค่าชดเชย $1,000 ต่อการละเมิดแบบประมาท และ $5,000 ต่อการละเมิดโดยเจตนา กรณีนี้เกิดขึ้นหลังจากที่ Rite Aid ถูกแบนไม่ให้ใช้เทคโนโลยีจดจำใบหน้าเป็นเวลา 5 ปี เนื่องจากการใช้งานที่ “ประมาท” และสร้างผลกระทบต่อผู้บริโภค เช่น การระบุผิดพลาดและการเก็บข้อมูลโดยไม่ได้รับอนุญาต 📌 สรุปเนื้อหาเป็นหัวข้อ ➡️ ลูกค้าชื่อ Benjamin Jankowski ฟ้อง Home Depot ฐานใช้เทคโนโลยีจดจำใบหน้าโดยไม่แจ้ง ➡️ เขาเห็นกรอบสีเขียวรอบใบหน้าบนหน้าจอ self-checkout ที่ร้านในชิคาโก ➡️ ไม่มีป้ายแจ้งหรือคำเตือนเกี่ยวกับการสแกนใบหน้า ➡️ Home Depot เริ่มใช้ “computer vision” ในปี 2023 และขยายในปี 2024 เพื่อป้องกันการขโมย ➡️ ระบบนี้เก็บข้อมูลรูปทรงใบหน้า (facial geometry) ซึ่งถือเป็นข้อมูลชีวภาพตามกฎหมาย BIPA ➡️ BIPA กำหนดให้บริษัทต้องแจ้งลูกค้าและขอความยินยอมเป็นลายลักษณ์อักษรก่อนเก็บข้อมูล ➡️ Jankowski เรียกร้องค่าชดเชย $1,000 ต่อการละเมิดแบบประมาท และ $5,000 ต่อการละเมิดโดยเจตนา ➡️ เขาต้องการเป็นตัวแทนของลูกค้าทั้งหมดที่ถูกสแกนใบหน้าโดยไม่รู้ตัว ➡️ คดีนี้เกิดขึ้นในรัฐอิลลินอยส์ ซึ่งมีกฎหมายคุ้มครองข้อมูลชีวภาพที่เข้มงวด ✅ ข้อมูลเสริมจากภายนอก ➡️ Rite Aid ถูกแบนจากการใช้เทคโนโลยีจดจำใบหน้าเป็นเวลา 5 ปี หลังจากใช้งานโดยประมาท ➡️ ระบบของ Rite Aid เคยสร้าง false positives หลายพันครั้ง และเก็บภาพลูกค้าโดยไม่แจ้ง ➡️ กฎหมาย BIPA ของรัฐอิลลินอยส์ถือเป็นหนึ่งในกฎหมายคุ้มครองข้อมูลชีวภาพที่เข้มงวดที่สุดในสหรัฐฯ ➡️ เทคโนโลยีจดจำใบหน้าเริ่มถูกใช้อย่างแพร่หลายในร้านค้าปลีกเพื่อป้องกันการขโมย ➡️ นักกฎหมายเตือนว่าการใช้เทคโนโลยีนี้โดยไม่แจ้งอาจนำไปสู่คดี class action จำนวนมาก https://petapixel.com/2025/08/20/home-depot-sued-for-secretly-using-facial-recognition-technology-on-self-checkout-cameras/

🧠 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/

2/ เทคโนโลยีโดรนก้าวหน้าไปอีกขั้น วิดีโอ 1 - ในประเทศจีนสามารถสร้างโดรนที่สามารถบินได้ในทุกสภาพภูมิประเทศทั้งผิวน้ำ ใต้น้ำ บินในอากาศ และบนบกได้ วิดีโอ 2 - อันเดรย์ โคปาซี (Andrei Copaci) นักศึกษาระดับปริญญาโทจากมหาวิทยาลัยอัลบอร์ก ประเทศเดนมาร์ก ได้สร้างโดรนไฮบริดที่สามารถบินได้ทั้งใต้น้ำและบนอากาศ โคปาซีใช้เพียงแค่คอมพิวเตอร์แล็ปท็อปในการเขียนโค้ดคำสั่ง ร่วมกับเครื่องพิมพ์ 3 มิติ เขาทำงานร่วมกับศาสตราจารย์เปตาร์ ดูร์เดวิช (Petar Durdevic) อาจารย์ที่ปรึกษา โดยกล่าวว่าแบบของโดรนจะถูกเปิดเผยต่อสาธารณะหลังจากรายละเอียดในขั้นตอนสุดท้ายบางส่วนเสร็จสิ้นแล้ว

1/ เทคโนโลยีโดรนก้าวหน้าไปอีกขั้น วิดีโอ 1 - ในประเทศจีนสามารถสร้างโดรนที่สามารถบินได้ในทุกสภาพภูมิประเทศทั้งผิวน้ำ ใต้น้ำ บินในอากาศ และบนบกได้ วิดีโอ 2 - อันเดรย์ โคปาซี (Andrei Copaci) นักศึกษาระดับปริญญาโทจากมหาวิทยาลัยอัลบอร์ก ประเทศเดนมาร์ก ได้สร้างโดรนไฮบริดที่สามารถบินได้ทั้งใต้น้ำและบนอากาศ โคปาซีใช้เพียงแค่คอมพิวเตอร์แล็ปท็อปในการเขียนโค้ดคำสั่ง ร่วมกับเครื่องพิมพ์ 3 มิติ เขาทำงานร่วมกับศาสตราจารย์เปตาร์ ดูร์เดวิช (Petar Durdevic) อาจารย์ที่ปรึกษา โดยกล่าวว่าแบบของโดรนจะถูกเปิดเผยต่อสาธารณะหลังจากรายละเอียดในขั้นตอนสุดท้ายบางส่วนเสร็จสิ้นแล้ว

เริ่มนับหนึ่ง MRT3 Circle Line รถไฟฟ้าวงแหวนรอบนอก KL หลังจากประเทศมาเลเซียพัฒนารถไฟฟ้าไปทั่วกรุงกัวลาลัมเปอร์และหุบเขาแคลงมาแล้ว 12 เส้นทาง ล่าสุดโครงการรถไฟฟ้า MRT3 Circle Line ของบริษัท มาเลเซีย แรพิด ทรานซิท คอร์ปอเรชัน (MRT Corp) นายแอนโทนี่ โลค รมว.คมนาคมมาเลเซีย ได้อนุมัติลงนามโครงการในขั้นตอนสุดท้ายเรียบร้อยแล้ว หลังเปิดรับฟังความคิดเห็นจากประชาชน 45,000 ราย พบว่ามีผู้สนับสนุนโครงการ 93.3% นับจากนี้จะเริ่มกระบวนการจัดซื้อที่ดินตามแนวเส้นทาง 690 แปลงภายในปี 2569 ก่อนประกวดราคาและก่อสร้างต่อไป สำหรับโครงการรถไฟฟ้า MRT3 Circle Line มีระยะทาง 51 กิโลเมตร ใช้เวลาเดินทางวนรอบ 73 นาที แบ่งเป็นทางรถไฟยกระดับ 39 กิโลเมตร และทางรถไฟใต้ดิน 12 กิโลเมตร เริ่มต้นจากสถานีบูกิต เคียรา เซลาตัน (Bukit Kiara Selatan) เชื่อมต่อกับรถไฟฟ้า MRT Kajang Line วนตามเข็มนาฬิกาจากทิศตะวันตกไปทางทิศตะวันออก มีสถานีทั้งหมด 32 สถานี แบ่งเป็นสถานียกระดับ 22 สถานี สถานีใต้ดิน 7 สถานี รองรับผู้โดยสาร 25,000 คนต่อชั่วโมงต่อทิศทาง ให้บริการผู้โดยสารรอบนอกกรุงกัวลาลัมเปอร์ และเชื่อมต่อเส้นทางรถไฟฟ้าสายอื่นแบบบูรณาการ สามารถเดินทางระหว่างกันได้อย่างราบรื่น เชื่อมต่อรถไฟฟ้าสายต่างๆ ได้แก่ สถานีคอมเพล็กซ์ ดูตา (Kompleks Duta) เชื่อมต่อรถไฟ KTM Tanjung Malim-Port Klang Line, สถานีตีตี้วังซา (Titiwangsa) เชื่อมต่อกับรถไฟฟ้า 4 สาย ได้แก่ LRT Ampang Line, LRT Sri Petaling Line, KL Monorail Line and MRT Putrajaya Line, สถานีเซเตียวังซา (Setiawangsa) เชื่อมต่อรถไฟ LRT Kelana Jaya Line, สถานีพันดัน อินดาห์ (Pandan Indah) เชื่อมต่อรถไฟฟ้า LRT Ampang Line, สถานีตามันมิดาห์ (Taman Midah) เชื่อมต่อรถไฟ MRT Kajang Line, สถานีซาลัคเซลาตัน (Salak Selatan) เชื่อมต่อรถไฟฟ้า LRT Sri Petaling Line, สถานีกูชาย (Kuchai) เชื่อมต่อรถไฟฟ้า MRT Putrajaya Line, สถานีพันทายดาลัม (Pantai Dalam) เชื่อมต่อรถไฟ KTM Tanjung Malim-Port Klang Line, สถานียูนิเวอร์ซิตี้ (Universiti) เชื่อมต่อรถไฟฟ้า LRT Kelana Jaya Line ผ่านสถานที่สำคัญ ได้แก่ ศูนย์นิทรรศการและการค้าระหว่างประเทศมาเลเซีย (MITEC) สถานีดูตามาส (Dutamas), โรงพยาบาลเฉพาะทาง Pusat Perubatan Universiti Kebangsaan Malaysia (PPUKM) and UKM Child Specialist Hospital สถานีจาลันยาโคบลาทิฟ (Jalan Yaacob Latif), ศูนย์การค้าเคแอลเกตเวย์มอลล์ สถานียูนิเวอร์ซิตี้ และศูนย์การแพทย์มหาวิทยาลัยมาลายา (University of Malaya Medical Centre) สถานียูเอ็ม (UM) เป็นต้น #Newskit

นักวิจัยจาก Oxford และ Lisbon ได้ใช้ซอฟต์แวร์ OSIRIS รันการจำลอง 3D แบบเรียลไทม์ เพื่อศึกษาว่าเลเซอร์พลังสูงมีผลต่อ “สุญญากาศควอนตัม” อย่างไร ซึ่งจริง ๆ แล้วสุญญากาศไม่ได้ว่างเปล่า แต่เต็มไปด้วยอนุภาคเสมือน เช่น อิเล็กตรอน-โพซิตรอน ที่เกิดและดับในช่วงเวลาสั้น ๆ เมื่อยิงเลเซอร์สามชุดเข้าไปในสุญญากาศ จะเกิดปรากฏการณ์ “vacuum four-wave mixing” ซึ่งทำให้โฟตอนกระเด้งใส่กันและสร้างลำแสงที่สี่ขึ้นมา—เหมือนแสงเกิดจากความว่างเปล่า นี่ไม่ใช่แค่การจำลองเพื่อความรู้ แต่เป็นก้าวสำคัญในการยืนยันปรากฏการณ์ควอนตัมที่เคยเป็นแค่ทฤษฎี โดยใช้เลเซอร์ระดับ Petawatt ที่กำลังถูกติดตั้งทั่วโลก เช่น Vulcan 20-20 (UK), ELI (EU), SHINE และ SEL (จีน), OPAL (สหรัฐฯ) ทีมงานยังใช้ตัวแก้สมการแบบกึ่งคลาสสิกจาก Heisenberg-Euler Lagrangian เพื่อจำลองผลกระทบของสุญญากาศต่อแสง เช่น vacuum birefringence (การแยกแสงในสนามแม่เหล็กแรงสูง) ผลการจำลองตรงกับทฤษฎีเดิม และยังเผยรายละเอียดใหม่ เช่น รูปร่างของลำแสงที่เบี้ยวเล็กน้อย (astigmatism) และระยะเวลาการเกิดปฏิกิริยา นอกจากยืนยันทฤษฎีควอนตัมแล้ว เครื่องมือนี้ยังอาจช่วยค้นหาอนุภาคใหม่ เช่น axions และ millicharged particles ซึ่งเป็นผู้ต้องสงสัยว่าอาจเป็น “สสารมืด” ที่ยังไม่มีใครเห็น ✅ ข้อมูลจากข่าว - นักวิจัย Oxford และ Lisbon สร้างแสงจากสุญญากาศโดยใช้เลเซอร์พลังสูง - ใช้ปรากฏการณ์ vacuum four-wave mixing ที่โฟตอนกระเด้งใส่กัน - สุญญากาศควอนตัมเต็มไปด้วยอนุภาคเสมือนที่เกิดและดับตลอดเวลา - ใช้ซอฟต์แวร์ OSIRIS และตัวแก้สมการ Heisenberg-Euler Lagrangian - ผลการจำลองตรงกับทฤษฎี vacuum birefringence และเผยรายละเอียดใหม่ - เลเซอร์ระดับ Petawatt เช่น Vulcan, ELI, SHINE, OPAL จะช่วยทดสอบทฤษฎีนี้ในโลกจริง - อาจช่วยค้นหาอนุภาคใหม่ เช่น axions และ millicharged particles ที่เกี่ยวข้องกับสสารมืด ‼️ คำเตือนและข้อควรระวัง - ปรากฏการณ์นี้ยังอยู่ในขั้นจำลอง ต้องรอการทดลองจริงจากเลเซอร์ระดับ Petawatt - การสร้างแสงจากสุญญากาศต้องใช้พลังงานมหาศาลและเทคโนโลยีขั้นสูง - การค้นหาอนุภาคใหม่ยังไม่มีหลักฐานเชิงประจักษ์ ต้องใช้เวลาและการตรวจสอบซ้ำ - การเข้าใจสุญญากาศควอนตัมต้องใช้ฟิสิกส์ระดับสูง ซึ่งอาจยังไม่เข้าถึงได้สำหรับผู้ทั่วไป - หากทฤษฎีนี้ถูกยืนยัน อาจต้องปรับเปลี่ยนแนวคิดพื้นฐานเกี่ยวกับธรรมชาติของแสงและสุญญากาศ https://www.neowin.net/news/oxford-scientists-create-light-from-darkness-and-no-its-not-magic/

จีนใช้ฮาร์ดไดรฟ์ขนส่งข้อมูล AI เพื่อหลีกเลี่ยงข้อจำกัดด้านชิป บริษัท AI ในจีนกำลังใช้ ฮาร์ดไดรฟ์ความจุสูง เพื่อขนส่งข้อมูลฝึกสอนโมเดล AI ข้ามพรมแดน หลังจากที่สหรัฐฯ จำกัดการส่งออกชิป AI เช่น Nvidia H100 ซึ่งเป็นชิปที่สำคัญสำหรับการประมวลผล AI. รายละเอียดกลยุทธ์ใหม่ ✅ บริษัทจีนใช้ฮาร์ดไดรฟ์แทนการส่งข้อมูลผ่านอินเทอร์เน็ต เพื่อหลีกเลี่ยงการตรวจสอบจากหน่วยงานสหรัฐฯ. ✅ นักวิจัยจีนเดินทางไปมาเลเซียพร้อมฮาร์ดไดรฟ์ 15 ลูก ซึ่งมีข้อมูลรวมกว่า 4.8 เพตะไบต์ สำหรับฝึกโมเดล AI. ✅ ศูนย์ข้อมูลในมาเลเซียกลายเป็นศูนย์กลางการประมวลผล AI ของจีน เนื่องจากมีเซิร์ฟเวอร์ที่มี GPU ประสิทธิภาพสูง. ✅ บริษัทจีนใช้บริษัทลูกในสิงคโปร์เพื่อเซ็นสัญญาเช่าศูนย์ข้อมูล แต่ต้องลงทะเบียนในมาเลเซียเพื่อหลีกเลี่ยงแรงกดดันทางกฎหมาย. ผลกระทบและข้อควรระวัง ‼️ การขนส่งข้อมูลด้วยฮาร์ดไดรฟ์อาจมีความเสี่ยงด้านความปลอดภัย เช่น การสูญหายหรือถูกขโมยระหว่างการเดินทาง. ‼️ การใช้ฮาร์ดไดรฟ์แทนการส่งข้อมูลออนไลน์อาจทำให้กระบวนการฝึกโมเดลล่าช้า เนื่องจากต้องรอการขนส่ง. ‼️ สหรัฐฯ อาจเพิ่มมาตรการตรวจสอบการขนส่งฮาร์ดไดรฟ์ เพื่อป้องกันการหลีกเลี่ยงข้อจำกัดด้านชิป. แนวทางการรับมือและการพัฒนา ✅ บริษัทจีนอาจต้องพัฒนาโครงสร้างพื้นฐาน AI ภายในประเทศ เพื่อลดการพึ่งพาเซิร์ฟเวอร์ในต่างประเทศ. ✅ การใช้เทคโนโลยีบีบอัดข้อมูลอาจช่วยลดขนาดไฟล์ ทำให้สามารถส่งข้อมูลผ่านอินเทอร์เน็ตได้เร็วขึ้น. ✅ การพัฒนา AI ที่ใช้พลังงานต่ำและไม่ต้องพึ่งพา GPU ระดับสูง อาจเป็นทางออกในระยะยาว. ข้อมูลเพิ่มเติมเกี่ยวกับข้อจำกัดด้านชิปและ AI ✅ Nvidia กำลังพัฒนา GPU รุ่นพิเศษสำหรับตลาดจีน เพื่อให้สอดคล้องกับข้อจำกัดของสหรัฐฯ. ✅ Huawei เปิดตัวชิป AI ที่เร็วที่สุดของบริษัท หนึ่งวันหลังจากสหรัฐฯ แบน Nvidia H20 ในจีน. ‼️ ตลาดศูนย์ข้อมูล AI ในจีนกำลังเผชิญกับปัญหาความต้องการที่ลดลง เนื่องจากข้อจำกัดด้านชิปและการลงทุนที่ชะลอตัว. https://www.techradar.com/pro/no-ai-gpu-no-problem-ai-firms-from-china-skirt-around-us-chip-restrictions-by-moving-petabytes-of-data-on-good-ol-hard-drives-but-why-not-use-tape

วิดีโออีกหนึ่งมุมช่วงเวลาที่ขีปนาวุธอิหร่านโจมตีนิคมเปตาห์ติกวา (Petah Tikva) ตอนกลางของอิสราเอล ใกล้กับเทลอาวีฟ

อาคารสูงระฟ้าในเขตเปตาห์ติกวา (Petah Tikva) ตอนกลางของอิสราเอล ได้รับความเสียหายอย่างหนัก หลังได้รับผลกระทบจากขีปนาวุธพิสัยไกลของอิหร่าน

⚡ Inversion Semiconductor เตรียมปฏิวัติการผลิตชิปด้วยเครื่องเร่งอนุภาคขนาดเล็ก Inversion Semiconductor ซึ่งเป็น สตาร์ทอัพที่ได้รับการสนับสนุนจาก Y Combinator กำลังพัฒนา เครื่องเร่งอนุภาคขนาดเล็กแบบตั้งโต๊ะ ที่สามารถ เพิ่มความเร็วในการผลิตชิปได้ถึง 15 เท่า โดยใช้ เทคนิค Laser Wakefield Acceleration (LWFA) 🔍 วิธีการทำงานของเครื่องเร่งอนุภาค เครื่องเร่งอนุภาคของ Inversion Semiconductor มีขนาดเล็กกว่าเครื่องเร่งอนุภาคทั่วไปถึง 1,000 เท่า แต่สามารถ ให้กำลังสูงสุดถึง 10 kW ซึ่งมากกว่าเทคโนโลยีของ ASML ถึง 10 เท่า ✅ ข้อมูลจากข่าว - Inversion Semiconductor พัฒนาเครื่องเร่งอนุภาคขนาดเล็กเพื่อใช้ในกระบวนการผลิตชิป - เทคโนโลยีนี้สามารถเพิ่มความเร็วในการผลิตชิปได้ถึง 15 เท่า - ใช้ Laser Wakefield Acceleration (LWFA) ซึ่งช่วยให้สามารถเร่งอิเล็กตรอนได้อย่างมีประสิทธิภาพ - เครื่องเร่งอนุภาคนี้มีขนาดเล็กกว่าเครื่องเร่งอนุภาคทั่วไปถึง 1,000 เท่า - สามารถให้กำลังสูงสุดถึง 10 kW ซึ่งมากกว่าเทคโนโลยีของ ASML ถึง 10 เท่า 🔥 ความท้าทายในการพัฒนาเทคโนโลยี แม้ว่าแนวคิดนี้จะมีศักยภาพสูง แต่ต้องใช้เลเซอร์ระดับเพตะวัตต์ ซึ่งมีต้นทุนสูงและต้องการระบบระบายความร้อนที่มีประสิทธิภาพ ‼️ คำเตือนที่ควรพิจารณา - ต้องใช้เลเซอร์ระดับเพตะวัตต์ ซึ่งมีต้นทุนสูงและใช้พลังงานมาก - Inversion Semiconductor ไม่มีประสบการณ์ในการผลิตเครื่องมือสำหรับโรงงานที่ทำงานตลอด 24 ชั่วโมง - ต้องพัฒนาอุปกรณ์ใหม่ทั้งหมด หากไม่สามารถร่วมมือกับ ASML หรือผู้ผลิตเครื่องมืออื่น ๆ - การใช้แหล่งกำเนิดแสงที่มีความยาวคลื่นต่ำกว่า 10nm อาจมีข้อจำกัดด้านการดูดซับแสงของวัสดุ หาก Inversion Semiconductor สามารถพัฒนาเทคโนโลยีนี้ได้สำเร็จ อาจช่วยให้ การผลิตชิปมีความเร็วสูงขึ้นและลดต้นทุน อย่างไรก็ตาม ต้องติดตามว่าบริษัทจะสามารถแก้ไขข้อจำกัดทางเทคนิคได้หรือไม่ https://www.tomshardware.com/tech-industry/semiconductors/plans-to-shrink-particle-accelerators-by-1000x-could-speed-chipmaking-by-15x-inversion-semiconductor-proposes-tabletop-particle-accelerators-with-petawatt-lasers

Dell เปิดตัวแล็ปท็อป AI รุ่นใหม่ที่มาพร้อม NPU ระดับองค์กร Dell เปิดตัว Dell Pro Max Plus ซึ่งเป็นแล็ปท็อป AI รุ่นใหม่ที่มาพร้อมกับ NPU ระดับองค์กร โดยใช้ Qualcomm AI 100 PC Inference Card ที่มี 32 AI-cores และหน่วยความจำ 64GB ซึ่งช่วยให้สามารถ ประมวลผลงาน AI ที่มีความเข้มข้นสูงได้แม้ในขณะเดินทาง 🔍 รายละเอียดสำคัญเกี่ยวกับ Dell Pro Max Plus ✅ Dell Pro Max Plus เป็นแล็ปท็อปเครื่องแรกที่มี NPU ระดับองค์กร - ใช้ Qualcomm AI 100 PC Inference Card ที่มี 32 AI-cores และ 64GB RAM ✅ สามารถรองรับงาน AI ที่ต้องการพลังประมวลผลสูง เช่น การฝึกโมเดลขนาดใหญ่ - เหมาะสำหรับ นักวิทยาศาสตร์ข้อมูลและวิศวกร AI ✅ มาพร้อมกับ Nvidia GB300 ที่ให้ประสิทธิภาพสูงสุดถึง 20 petaflops - สามารถ รันและฝึกโมเดลที่มีพารามิเตอร์ระดับล้านล้านได้ ✅ Dell เน้นว่าแล็ปท็อป AI กำลังกลายเป็นมาตรฐานใหม่ของอุตสาหกรรม - CEO Michael Dell ระบุว่า Windows 10 กำลังจะหมดอายุ และ AI PC จะเป็นอนาคตของการทำงาน ✅ มีหน่วยความจำสูงสุดถึง 800GB เพื่อรองรับงาน AI ที่ต้องใช้ข้อมูลจำนวนมาก - ทำให้ สามารถจัดการข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ https://www.techradar.com/pro/dells-super-powered-new-mobile-workstation-has-one-crucial-feature-which-sets-it-apart-from-all-the-competition