AMD เริ่มเทรนโมเดลด้วย GPU ตัวเอง, นี่คือจุดเริ่มต้นของการท้าทาย NVIDIA จริงๆ
โดย Nokka (นก-กา) | อัปเดต 15 สิงหาคม 2026
บทความนี้เขียนโดย AI (DeepSeek V4 Pro) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์, Nokka (นก-กา)
AMD เพิ่งปล่อยโมเดล AI ตัวใหม่ที่สร้างความฮือฮาในวงการ ตามรายงานของ AMD ROCm Blogs เพราะมันไม่ได้เป็นเพียง "โมเดลฟรีอีกตัว" แต่มันคือการพิสูจน์ว่า GPU ของ AMD ก็เทรน AI ระดับท็อปได้จริง โดยไม่ต้องพึ่ง NVIDIA [1][2]
แต่ประเด็นที่สำคัญกว่าตัวโมเดลคือ "นัยยะ" ของมัน: ถ้า AMD เทรนโมเดลระดับท็อปด้วย GPU ตัวเองได้ นั่นแปลว่าการผูกขาดของ NVIDIA กำลังถูกท้าทายจริงๆ และนี่คือจุดเริ่มต้นของการเปลี่ยนแปลงที่อาจกระทบทั้งวงการ AI
บทความนี้จะอธิบายว่าโมเดลนี้คืออะไร ทำไมมันถึงสำคัญ และถ้าคุณเป็นนักวิจัยหรือคนสนใจ AI ควรรู้เรื่องอะไรบ้าง
ทำไมเรื่องนี้ถึงเป็นข่าวใหญ่
ประเด็นหลักไม่ได้อยู่ที่ตัวเลขสเปก แต่อยู่ที่ AMD เทรนโมเดลนี้ตั้งแต่ต้นจนจบด้วย GPU ของตัวเอง (Instinct MI300X และ MI325X) โดยไม่ใช้ NVIDIA เลย [1][2]
ปกติงานระดับนี้ต้องพึ่ง CUDA ของ NVIDIA แทบทั้งหมด การที่ AMD ทำได้สำเร็จจึงเป็นสัญญาณว่าทางเลือกที่ไม่ใช่ NVIDIA เริ่มเป็นไปได้จริง
แถม AMD ยังเปิดให้ดาวน์โหลด weight ของทุกขั้นตอนการเทรน พร้อมโค้ดเทรน และสูตรผสมข้อมูลแบบเปิดหมด [1][2] นี่คือสิ่งที่ทำให้เรื่องนี้กลายเป็นข่าวใหญ่ เพราะเป็นการ "เปิดไพ่ทั้งหมด" ให้วงการตรวจสอบและต่อยอดได้
สถาปัตยกรรมของ Instella-MoE
โมเดลนี้ใช้การออกแบบแบบ decoder-only MoE ตามรายละเอียดจาก MarkTechPost ที่มีส่วนผสมของนวัตกรรมทางสถาปัตยกรรมและระบบ [1]
| รายละเอียด | ค่า |
|---|---|
| Parameters รวม | 16B |
| Parameters active ต่อ token | 2.8B |
| Decoder layers | 27 |
| Hidden size | 2048 |
| Shared experts | 2 |
| Routed experts (เลือก 6 จาก 64) | 6/64 ต่อ token |
| Pre-training tokens | 7.1T |
| Context window | 4K → 64K |
จุดเด่นทางสถาปัตยกรรม 2 อย่าง
Gated Multi-head Latent Attention (Gated MLA) เพิ่ม output gate แบบเรียนรู้ได้ให้กับ attention ทำให้โมเดลเลือก "ลดทอน" คำตอบของ attention ที่มีประโยชน์ต่ำสำหรับแต่ละ token ได้ เพิ่มความสามารถในการแสดงออกของโมเดลด้วยต้นทุนต่ำ [1]
FarSkip-Collective ปรับการเชื่อมต่อของ MoE ให้ซ้อนทับการสื่อสารกับการคำนวณระหว่างการเทรนแบบ expert-parallel ส่งผลให้ pre-training เร็วขึ้น 12.7% และ inference TTFT ลดลง 39.2% เมื่อ serve ด้วย SGLang แบบ expert parallelism [1]
Multi-Token Prediction (MTP)
โมเดลใช้เทคนิคสอนให้ทำนายคำหลายคำพร้อมกัน แทนที่จะทีละคำ ช่วยให้เรียนรู้รูปแบบภาษาได้ดีขึ้น [1][2]
ต้นทุนการใช้งาน
ในแง่ต้นทุน โมเดล 16B พารามิเตอร์แบบ BF16 ใช้หน่วยความจำประมาณ 32GB เท่านั้น [2] การ์ดจอระดับสูงตัวเดียวก็รันได้ ไม่จำเป็นต้องกระจายข้าม GPU หลายตัวเสมอไป
ลองนึกภาพทีมวิจัยในมหาวิทยาลัยที่ไม่มีงบซื้อ GPU คลัสเตอร์แพงๆ แต่มีเครื่องเดียวที่มี VRAM 32GB พวกเขาก็ยังพอจะโหลดโมเดลนี้มาศึกษาโครงสร้างและทดลองได้ ซึ่งเป็นจุดที่ทำให้ทีมวิจัยขนาดเล็กเข้าถึงได้ มากกว่าที่จะเป็นของบริษัทใหญ่เท่านั้น
เรื่อง License ที่ต้องรู้ก่อนใช้
สำหรับคนที่อยากลองเอาไปรันหรือศึกษาโค้ด ต้องรู้ข้อจำกัดเรื่องลิขสิทธิ์ก่อน [2][3]
ResearchRAIL License (ใช้กับ weight ของโมเดล) ใช้ได้เฉพาะงานวิจัยและการศึกษา เอาไปทำโปรดักต์เชิงพาณิชย์ตรงๆ ไม่ได้
MIT License (ใช้กับโค้ดฝั่ง training) เปิดกว้างกว่ามาก เอาไปดัดแปลงต่อยอดได้เต็มที่
ข้อกำหนดในการรันจริง ต้องใช้ Docker image เฉพาะของ AMD และต้องมี GPU ที่รองรับ ROCm (สถาปัตยกรรมซอฟต์แวร์คู่แข่ง CUDA) [2]
ภาพใหญ่: ไม่ได้มีเพียงการแข่ง "ชิปแรงกว่า"
เรื่องนี้สะท้อนภาพใหญ่กว่าตัวโมเดลเดียว ตอนนี้การแข่งขันชิป AI ไม่ได้อยู่แค่ว่าใครผลิตชิปแรงกว่า แต่อยู่ที่ว่าใครมี "ระบบนิเวศซอฟต์แวร์" ที่นักพัฒนาอยากใช้จริง [2]
ลองดูตัวอย่างง่ายๆ ถ้านักพัฒนาคนหนึ่งชินกับการเขียนโค้ดด้วย CUDA อยู่แล้ว เขาจะลังเลที่จะย้ายไป ROCm เพราะต้องเรียนรู้ใหม่ทั้งหมด นี่คือสิ่งที่ NVIDIA ชนะมาหลายปี AMD จึงต้องเอาชนะด้วยการปล่อยทั้งโมเดลและเครื่องมือเปิดให้คนมาทดลองใช้ ROCm จริงๆ เพื่อพิสูจน์ว่าทำได้จริง และค่อยๆ สร้างความมั่นใจให้วงการหันมาใช้ทางเลือกที่ไม่ใช่ NVIDIA มากขึ้น [2]
ข้อควรระวัง
แต่ต้องยอมรับตรงๆ ว่า AMD ยังมีทางยาวไกล:
CUDA ยังเป็นมาตรฐานที่ฝังรากลึก นักพัฒนาส่วนใหญ่ยังชินกับ CUDA และ library จำนวนมากยังรองรับเฉพาะ CUDA
ResearchRAIL License จำกัดการใช้ weight เฉพาะงานวิจัย ซึ่งแปลว่าโมเดลนี้ยังไม่สามารถใช้เชิงพาณิชย์ได้โดยตรง ต่างจากโมเดล open-weight ตัวอื่นที่ใช้ Apache 2.0
ROCm ecosystem ยังเล็กกว่า CUDA มาก การหาคนช่วยแก้ปัญหา หรือหา library ที่รองรับ อาจยากกว่า
การเทรนโมเดล 16B ตัวเดียว ไม่ได้แปลว่า AMD จะเทรนโมเดลระดับ 100B+ ได้ทันที ยังต้องพิสูจน์ scalability ในระดับที่ใหญ่ขึ้น
สรุป
AMD Instella-MoE-16B-A3B เป็นก้าวสำคัญของวงการ เพราะมันพิสูจน์ว่า GPU ของ AMD เทรน AI ระดับท็อปได้จริง ไม่ต้องพึ่ง NVIDIA ด้วยการเปิดทุกอย่างแบบถ้วนหน้า ทั้ง weight ทุกขั้นตอน โค้ดเทรน และสูตรข้อมูล
แต่คำถามที่แท้จริงไม่ใช่ "AMD เทรนโมเดลได้ไหม" แต่คือ "AMD จะสร้าง ecosystem ที่นักพัฒนาอยากใช้ได้ไหม" เพราะการแข่งชิป AI ในระยะยาว ไม่ได้อยู่ที่ "ใครแรงกว่า" แต่อยู่ที่ "ใครมีระบบนิเวศที่นักพัฒนาอยากอยู่ด้วย"
ถ้าคุณเป็นนักวิจัยหรือทีมที่อยากศึกษาโมเดล MoE แบบเปิดๆ นี่คือโอกาสดีที่จะได้เรียนรู้โครงสร้างและเทคนิคการเทรนจริงจากค่ายที่ต้องการพิสูจน์ตัวเองที่สุดตอนนี้ ลองแวะไปดูโค้ดและ checkpoint บน Hugging Face ดูได้ เริ่มจากศึกษาสถาปัตยกรรม Gated MLA แล้วค่อยลองรันดูกับเครื่องที่มี ROCm
แหล่งอ้างอิง
[1] AMD ROCm Blogs. "Introducing Instella-MoE: A State-of-the-Art Fully Open Mixture-of-Experts Language Model". 24 ก.ค. 2026. https://rocm.blogs.amd.com/artificial-intelligence/instella-moe/README.html
[2] MarkTechPost. "AMD Releases Instella-MoE-16B-A3B: A Fully Open Mixture-of-Experts LLM With 2.8B Active Parameters Trained On Instinct GPUs". 1 ส.ค. 2026. https://www.marktechpost.com/2026/08/01/amd-instella-moe-16b-a3b-fully-open-mixture-of-experts-llm/
[3] Hugging Face. "amd/Instella-MoE-16B-A3B-Think". 23 ก.ค. 2026. https://huggingface.co/amd/Instella-MoE-16B-A3B-Think
บทความนี้เขียนจาก AMD ROCm Blogs, MarkTechPost, และ Hugging Face ข้อมูล ณ 15 สิงหาคม 2026 Nokka
ในมุมมองของผม สิ่งที่น่าสนใจที่สุดของเรื่องนี้ไม่ใช่ตัวโมเดล แต่คือ "สัญญาณ" ที่ AMD ส่งออกมา: พวกเขากำลังพิสูจน์ว่า "ทางเลือกที่ไม่ใช่ NVIDIA" ไม่ได้มีเพียงความฝันอีกต่อไป แต่เป็นเรื่องที่ทำได้จริง และเมื่อทางเลือกเริ่มเป็นไปได้ การผูกขาดของ NVIDIA ก็จะถูกท้าทาย ซึ่งสุดท้ายแล้วผู้ได้ประโยชน์คือทุกคนที่ใช้ AI เพราะการแข่งขันจะทำให้ราคาถูกลงและนวัตกรรมเร็วขึ้น
ถ้าคุณมองว่า AMD จะท้าทาย NVIDIA ได้แค่ไหน หรือคิดว่า CUDA ยังได้เปรียบเกินกว่าจะตามทัน แชร์มุมมองใต้บทความได้เลยครับ
Top comments (0)