AMD เปิดตัวขุมพลัง Ryzen AI Max PRO 400 Series ขับเคลื่อน Local Agentic AI บนพีซีสำหรับธุรกิจ

สำนักข่าวบริคอินโฟ – พันธมิตรทางธุรกิจของ AMD (Advanced Micro Devices) เปิดตัวระบบคอมพิวเตอร์ที่ใช้โปรเซสเซอร์ AMD Ryzen AI Max และ Ryzen AI Max PRO 400 Series เพื่อรองรับการพัฒนาและประมวลผล AI Agent ระดับองค์กรได้จากภายในตัวเครื่อง (Local AI) โดยมุ่งตอบโจทย์การประมวลผลเวิร์กโหลดที่ซับซ้อนและการบริหารจัดการต้นทุนโทเค็นระยะยาวของภาคธุรกิจ

เทคโนโลยี AI Agent หรือ Agentic AI ได้รับการพัฒนาให้สามารถจัดการงานหลายขั้นตอนข้ามแอปพลิเคชันได้โดยอัตโนมัติ แตกต่างจากแชตบอตทั่วไปที่เน้นรูปแบบถาม-ตอบ อย่างไรก็ตาม การรันระบบเอเจนต์จำเป็นต้องใช้หน่วยความจำสูงในการประมวลผลหลายโมเดลพร้อมกัน การดึงข้อมูลองค์กร และการรองรับ Context Window ขนาดใหญ่ โปรเซสเซอร์ซีรีส์ใหม่นี้จึงพัฒนาสถาปัตยกรรม Unified Memory ให้มีความจุสูงสุด 192GB โดยสามารถจัดสรรเป็นหน่วยความจำสำหรับกราฟิก (GPU) ได้สูงสุด 160GB ซึ่งนับเป็นโปรเซสเซอร์ไคลเอนต์ x86 รุ่นแรกที่สามารถประมวลผลโมเดลขนาดใหญ่กว่า 3 แสนล้านพารามิเตอร์ที่ระดับ 4-bit Quantization จบได้ภายในอุปกรณ์โดยไม่ต้องพึ่งพาคลาวด์

ในด้านสเปกฮาร์ดแวร์ ซีรีส์ดังกล่าวมาพร้อมคอร์สถาปัตยกรรม Zen 5 สูงสุด 16 คอร์ หน่วยประมวลผลโครงข่ายประสาท (NPU) ประสิทธิภาพสูงสุด 55 TOPS และ GPU Compute Units จำนวน 40 หน่วย พร้อมรองรับทั้งระบบปฏิบัติการ Windows และ Linux รวมถึงเฟรมเวิร์กยอดนิยม เช่น PyTorch, vLLM, llama.cpp, Ollama, ComfyUI และ LM Studio ทำให้ทีมพัฒนาสามารถสร้างระบบ RAG (Retrieval-Augmented Generation) ทดสอบตัวเชื่อมต่อ และพัฒนาแอปพลิเคชันได้ในเครื่องเดียว ตัวอย่างการนำไปใช้จริง ได้แก่ HP ที่นำโปรเซสเซอร์ AMD Ryzen AI Max+ PRO 495 ผสานเข้ากับ Perplexity Portable Computer ในโน้ตบุ๊ก HP ZBook Ultra G3a 16 ซึ่งเปิดให้ผู้ใช้รันโมเดลภายในเครื่องควบคู่ไปกับงานระดับมืออาชีพ และสามารถสลับไปเชื่อมต่อคลาวด์ได้เมื่อต้องการโมเดลระดับสูง

นอกจากการรักษาความปลอดภัยและความเป็นส่วนตัวของข้อมูลองค์กร เช่น ซอร์สโค้ด หรือไฟล์วิศวกรรมที่ไม่ต้องส่งออกสู่ระบบภายนอกแล้ว การประมวลผลแบบไฮบริด (Hybrid AI) ยังช่วยควบคุมค่าใช้จ่ายได้ดีขึ้น เนื่องจากการส่งคำสั่งซ้ำๆ ผ่านบริการคลาวด์สร้างต้นทุนต่อเนื่อง ทั้งนี้ เครื่องมือประเมินต้นทุน AMD Tokenomics Calculator ระบุว่าการกระจายโหลดงานส่วนใหญ่มาประมวลผลแบบ Local และเลือกใช้โมเดลคลาวด์เฉพาะงานที่จำเป็น จะช่วยลดค่าใช้จ่ายการอนุมานผล (Inference Cost) ในระยะยาวได้อย่างมีประสิทธิภาพ