Server Consolidation หรือการยุบรวมเซิร์ฟเวอร์ อาจฟังดูเหมือนโปรเจกต์ Infrastructure แบบดั้งเดิม แต่ในยุคที่องค์กรกำลังเตรียม Data Center สำหรับ AI และ Agentic AI โจทย์นี้กำลังกลับมามีความสำคัญมากขึ้น
หลักการไม่ซับซ้อน: ย้าย Workload จากเซิร์ฟเวอร์รุ่นเก่า ที่ใช้พื้นที่และพลังงานมาก ไปยังระบบรุ่นใหม่ที่มีประสิทธิภาพสูงกว่า โดยใช้จำนวนเครื่องให้น้อยลง แต่ต้องไม่ลดทอน Performance หรือสร้างผลกระทบต่อ Application สำคัญของธุรกิจ
หากทำได้สำเร็จ สิ่งที่องค์กรได้คืนมา ไม่ได้มีเพียงพื้นที่ในตู้ Rack แต่ยังรวมถึงพลังงาน ระบบ Cooling ค่าใช้จ่าย Software Licensing และ Infrastructure Capacity สำหรับรองรับ Workload รุ่นใหม่ ตั้งแต่ Data Analytics ไปจนถึง AI
สมการใหม่ของ Data Center: ทำงานเท่าเดิม ด้วย Server น้อยลง
สำหรับทีม Infrastructure หัวใจของการ Consolidate ระบบ คือการนำ Workload เดิม ไปรวมอยู่บนเซิร์ฟเวอร์จำนวนน้อยเครื่องที่สุด โดยไม่ทำให้ระบบช้าลง และไม่เพิ่มความซับซ้อนในการ Migration จนเกินความจำเป็น
AMD วางตำแหน่งโปรเซสเซอร์ AMD EPYC ไว้สำหรับโจทย์ดังกล่าว โดยเน้นทั้ง Core Density, Performance per Core และ Energy Efficiency บนสถาปัตยกรรม x86 ซึ่งองค์กรจำนวนมากมี Application และ Infrastructure รองรับอยู่แล้ว
3 แนวทางเลือก CPU ให้ตรงกับ Workload
AMD คาด Gen 6 จะขยับเพดาน Core Density ไปได้สูงสุดถึง 256 คอร์
AMD ระบุถึงโปรเซสเซอร์ EPYC Gen 6 โค้ดเนม “Venice” ที่คาดว่าจะเพิ่มตัวเลือกจำนวนคอร์ขึ้นไปอีก โดยรุ่นสูงสุดอาจมีถึง 256 คอร์ เพื่อรองรับการ Consolidate Workload ในสเกลที่ใหญ่ขึ้น
จาก Server รุ่นเก่า 100 เครื่อง เหลือ AMD EPYC 9965 จำนวน 14 เครื่อง
ในตัวอย่างการคำนวณของ AMD เซิร์ฟเวอร์ที่ใช้ Intel Xeon Platinum 8280 แบบ Dual CPU จำนวน 100 เครื่อง ซึ่งมีอายุประมาณ 5–7 ปี ถูกนำมาเปรียบเทียบกับเซิร์ฟเวอร์ AMD EPYC 9965 จำนวน 14 เครื่อง ภายใต้ระดับประสิทธิภาพรวมที่กำหนดไว้ใกล้เคียงกัน
ตัวเลข 100 → 14 เครื่อง, การลดพลังงาน 69% และ TCO 41% มาจาก AMD Server & Greenhouse Gas Emissions TCO Estimator ภายใต้สมมติฐานและค่า Performance ที่กำหนดไว้ใน Scenario ของ AMD โดย AMD ระบุเองว่าตัวอย่างดังกล่าวใช้เพื่อให้ข้อมูล และไม่ควรถูกใช้แทนการทดสอบระบบจริง สำหรับการตัดสินใจลงทุนของแต่ละองค์กร
สิ่งที่ได้คืนมา ไม่ได้มีแค่พื้นที่ Rack
หากองค์กรลดจำนวน Physical Server ลงได้ ผลที่ตามมาคือการคืนพื้นที่ใน Data Center ลดความต้องการด้าน Power และ Cooling และเปิด Capacity สำหรับ Workload ใหม่ โดยไม่จำเป็นต้องเร่งสร้างโครงสร้างพื้นฐานเพิ่มเติมทันที
สำหรับ Software ที่คิดค่าลิขสิทธิ์ตาม Socket หรือ Core เช่นระบบ Virtualization หรือ Database บางประเภท การใช้จำนวนเครื่องและ Core น้อยลง ยังอาจลดทั้ง Licensing Fee และ Maintenance Cost ได้ แต่ประโยชน์ลักษณะนี้ไม่ครอบคลุม Software ที่คิดราคาแบบ User, Device หรือ Licensing Model รูปแบบอื่น
DNSE ลด Rack ลงครึ่งหนึ่ง และลดการใช้ไฟต่อ Rack เหลือ 7–9 kW
DNSE Securities โบรกเกอร์ซื้อขายหุ้นออนไลน์ในเวียดนาม ต้องการ Infrastructure ที่มี Density และ Performance ใกล้เคียงระบบ Cloud แต่ติดข้อกำหนดด้านกฎระเบียบ ที่ทำให้ระบบจำเป็นต้องอยู่แบบ On-premises
หลังการทดสอบเปรียบเทียบระบบ AMD และ Intel DNSE เลือกใช้ AMD EPYC Gen 3 และ Gen 4 ใน Data Center โดยสามารถลดจำนวน Rack ลงได้ประมาณครึ่งหนึ่ง ขณะที่การใช้ไฟจากเดิม 16–17 kW ต่อ Rack ลดลงเหลือประมาณ 7–9 kW ต่อ Rack
ปัจจุบันตามข้อมูลในบทความของ AMD ประมาณ 90% ของ Workload ของ DNSE ทำงานบน AMD EPYC โดยใช้ทั้ง CPU ความถี่สูง สำหรับระบบ Trading ที่ Sensitive ต่อ Latency และ CPU Core Density สูง สำหรับ Mixed Container Workloads
Binh Nguyen ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ DNSE ระบุว่า Server ที่ใช้ AMD EPYC ช่วยให้องค์กรยังคงใช้รูปแบบ Infrastructure และ Software เดิมได้ แต่สามารถรองรับ Scale ที่ใหญ่ขึ้นกว่าเดิมมาก
Consolidation อาจเป็นหนึ่งในวิธี “สร้างพื้นที่ให้ AI” โดยไม่ต้องขยาย Data Center ทันที
ประโยชน์ที่วัดผลได้ทันทีของ Server Consolidation คือจำนวนเครื่อง Rack และการใช้พลังงานที่ลดลง แต่ในระยะต่อไป พื้นที่เหล่านี้ สามารถกลายเป็น Capacity สำหรับ Infrastructure ใหม่ ทั้งด้านไฟฟ้า พื้นที่ติดตั้ง และระบบระบายความร้อน
AMD มองว่าประเด็นนี้มีความสำคัญมากขึ้น เมื่อองค์กรเริ่มนำ Agentic AI เข้ามาใช้งาน เพราะการตอบสนองของ Agent อาจเกี่ยวข้องกับหลายขั้นตอน ตั้งแต่เรียกข้อมูลจาก Database, API Calls, Token Generation ไปจนถึงการใช้ Tool ต่าง ๆ
Enterprise AI จะไม่ได้อยู่แค่จุดเดียว
AI ระดับองค์กรกำลังกระจายการประมวลผล ไปยังหลาย Environment ตั้งแต่ Frontier Models, Cloud Services, On-premises Infrastructure ไปจนถึง Client Devices ที่รองรับ AI
Workload แต่ละประเภท อาจเหมาะกับ Model และ Processing Location ที่ต่างกัน ขึ้นอยู่กับความซับซ้อน ความละเอียดอ่อนของข้อมูล Latency และ Cost ดังนั้น Infrastructure ที่มี Capacity เหลือ จะทำให้องค์กรสามารถเพิ่ม Accelerator และขยายระบบแบบ Incremental โดยไม่จำเป็นต้องรื้อ Architecture ทั้งหมด เพื่อรองรับ AI เพียงรูปแบบเดียว
จาก CPU สู่ Infrastructure สำหรับ AI
พื้นที่และพลังงานที่ได้คืนจากการ Consolidate ยังสามารถนำไปใช้รองรับ AMD Instinct GPU สำหรับ AI Training และ Inference รวมถึงระบบเครือข่าย AMD Pensando สำหรับบริหารการเคลื่อนย้ายข้อมูล ซึ่งสะท้อนแนวทางของ AMD ที่ต้องการเชื่อม Server Modernization เข้ากับการเตรียม Data Center สำหรับ AI
Server Consolidation อาจไม่หวือหวา แต่ผลลัพธ์วัดได้
สำหรับ CIO โปรเจกต์ยุบรวมเซิร์ฟเวอร์ อาจไม่โดดเด่นเท่า Generative AI หรือโครงการ Digital Transformation ขนาดใหญ่ แต่เป็นหนึ่งในโครงการ Infrastructure ที่มีตัวชี้วัดค่อนข้างตรงไปตรงมา
สามารถติดตามผลได้จาก จำนวน Server ที่ลดลง, Rack Space ที่ได้คืน, Energy Saving, Software Licensing Cost และ Total Cost of Ownership ก่อนนำ Capacity ที่ได้กลับมา รองรับสิ่งที่ธุรกิจต้องการต่อไป
ก่อนถามว่าจะใส่ AI เพิ่มตรงไหน องค์กรอาจต้องถามก่อนว่า Infrastructure เดิมใช้พื้นที่คุ้มแล้วหรือยัง
Data Center สำหรับ AI ไม่ได้ต้องการเพียง Compute Performance แต่ยังต้องการ Power, Cooling, Network และพื้นที่สำหรับ Accelerator เพิ่มขึ้นอย่างมีนัยสำคัญ
ดังนั้นแนวคิด Server Consolidation จึงไม่ได้มีความหมายเพียงการลดจำนวนเครื่อง เพื่อประหยัดต้นทุน แต่สามารถมองเป็นการ Recover Infrastructure Capacity จากระบบเดิม แล้วนำกลับไปใช้กับ Workload รุ่นใหม่
สำหรับองค์กรที่ Data Center มีข้อจำกัดทั้งด้านพื้นที่และพลังงาน การรีดประสิทธิภาพจาก Infrastructure เดิม อาจมีความสำคัญไม่แพ้ การตัดสินใจว่าจะซื้อ GPU หรือเลือก AI Model ตัวใดเสียอีก
เรียบเรียงโดย NextTopBrand จากบทความและข้อมูลที่ AMD จัดทำ
COMMENTS