AI Hardware Thailand
ฐานความรู้ AI Hardware สำหรับธุรกิจไทย
เปรียบเทียบ GPU เซิร์ฟเวอร์ และเวิร์กสเตชันสำหรับงาน AI พร้อมคู่มือคำนวณ VRAM แล้วให้เราจัดหาและติดตั้งเป็นระบบที่ใช้งานได้จริง
AI Hardware Thailand คือ ฐานความรู้ AI Hardware และพาร์ตเนอร์จัดหาฮาร์ดแวร์ AI สำหรับธุรกิจในประเทศไทย รวมคู่มือเลือกสเปก ตารางเปรียบเทียบ GPU และการจัดหาพร้อมติดตั้งเป็นระบบ
เริ่มจากคำถามของคุณ
เลือกคำถามที่ตรงกับสถานการณ์ของคุณที่สุด แล้วเราจะพาไปที่คู่มือที่ตอบคำถามนั้นโดยตรง
เราเลือกฮาร์ดแวร์จากงาน ไม่ได้เลือกจากรุ่นที่ขายดี
สเปกที่ถูกต้องมาจากลำดับเดียว คือ งาน ไปหาโมเดล ไปหาหน่วยความจำ ไปหาเครื่อง ถ้าเริ่มผิดทาง จะได้เครื่องที่แรงเกินหรือแรงไม่พอ
คู่มือเลือกฮาร์ดแวร์ AI
เขียนจากคำถามที่ลูกค้าถามซ้ำที่สุด อ่านจบแล้วตัดสินใจเองได้ หรือส่งข้อสรุปมาให้เราตรวจก็ได้
เทียบ GPU ที่ใช้กันจริงในงาน AI
หน่วยความจำบอกว่าโมเดลใหญ่แค่ไหนที่โหลดไหว แบนด์วิดท์บอกว่าตอบเร็วแค่ไหน และรูปแบบเครื่องบอกว่าจะวางไว้ที่ไหนได้
| GPU | หน่วยความจำ | แบนด์วิดท์ | รูปแบบ | งานที่เหมาะ |
|---|---|---|---|---|
| GeForce RTX 5090 | 32 GB GDDR7 | 1,792 GB/s | การ์ด PCIe สองสล็อต | เครื่องเดียว หนึ่งถึงสองผู้ใช้ งานพัฒนาและโมเดลขนาดกลาง |
| RTX PRO 6000 Blackwell | 96 GB GDDR7 | 1,792 GB/s | การ์ด PCIe สองสล็อต | โมเดลใหญ่บนการ์ดใบเดียว รองรับผู้ใช้พร้อมกันหลายคน |
| GB10 (DGX Spark) | 128 GB unified LPDDR5X | 273 GB/s | เครื่องเดสก์ท็อปสำเร็จรูป | โหลดโมเดลใหญ่ไว้ทดลองและ fine-tune บนโต๊ะทำงาน |
| H200 SXM | 141 GB HBM3e | 4.8 TB/s | โมดูล SXM ในเครื่องแปด GPU | งานโปรดักชัน อินเฟอเรนซ์พร้อมกันจำนวนมาก และการเทรน |
| B200 SXM | 180 GB HBM3e | 8 TB/s | โมดูล SXM ในเครื่องแปด GPU | คลัสเตอร์เทรนและเสิร์ฟโมเดลขนาดใหญ่มาก |
VRAM ที่ต้องใช้ต่อโมเดล
ใช้ตารางนี้เช็กคร่าวๆ ว่าโมเดลที่อยากใช้ต้องการหน่วยความจำเท่าไร แล้วค่อยเลือกการ์ดจากตัวเลขนั้น
| โมเดล | 4-bit (Q4) | 16-bit (FP16) | เหมาะกับงาน |
|---|---|---|---|
| Qwen3 8B | 5 – 6 GB | 16 – 18 GB | ผู้ช่วยงานทั่วไป เครื่องเดียวก็พอ |
| Qwen3 14B | 9 – 11 GB | 28 – 32 GB | สรุปเอกสารและตอบคำถามภาษาไทยได้ดีขึ้น |
| Qwen3 32B | 19 – 22 GB | 64 – 70 GB | จุดคุ้มค่าที่พบบ่อยสำหรับ RAG ในองค์กร |
| DeepSeek-R1 Distill 32B | 19 – 22 GB | 64 – 70 GB | งานที่ต้องการการให้เหตุผลเป็นขั้นตอน |
| Llama 3.3 70B | 40 – 45 GB | 140 – 150 GB | ต้องการการ์ดหน่วยความจำสูงหรือหลายใบ |
| Qwen3 235B (MoE) | 130 – 150 GB | 460 – 500 GB | ระดับเซิร์ฟเวอร์ ต้องวางหลาย GPU ตั้งแต่ต้น |
| DeepSeek-V3 / R1 671B (MoE) | 370 – 420 GB | 1.3 – 1.4 TB | ระดับคลัสเตอร์ ประเมินร่วมกับเครือข่ายและสตอเรจ |
อยากได้วิธีคำนวณแบบเต็ม พร้อมตัวอย่างการวางสเปกจริง อ่านได้ที่ คู่มือคำนวณ VRAM สำหรับ LLM
หมวดหมู่ฮาร์ดแวร์ที่เราจัดหา
แคตตาล็อกออนไลน์ยังอยู่ระหว่างจัดทำ ตอนนี้ทุกหมวดสั่งผ่านการจัดหาตามสเปกของแต่ละโครงการ ไม่ใช่ของที่ตั้งขายหน้าร้าน
ฮาร์ดแวร์ที่เลือกแล้ว ส่งมอบเป็นระบบ AI ที่พร้อมใช้
ผู้จัดจำหน่ายส่งเครื่อง เราทำให้เครื่องใช้งานได้ ตั้งแต่ติดตั้ง ตั้งค่าโมเดล ไปจนถึงแอปที่พนักงานเปิดใช้จริงในวันแรก
- เครื่องที่ประกอบ ทดสอบ และตั้งค่าไว้แล้ว ไม่ใช่กล่องเปล่า
- รันไทม์และโมเดลที่เลือกไว้ ติดตั้งพร้อมใช้
- Mimir Suites ตั้งค่าให้ตรงกับผู้ใช้และข้อมูลขององค์กร
- การอบรมใช้งาน และการดูแลต่อเนื่องหลังส่งมอบ
ให้เราช่วยเลือก AI Hardware
บอกเราว่าอยากให้ AI ทำอะไร แล้วเราจะประเมินโมเดล หน่วยความจำ และจำนวนผู้ใช้ ก่อนเสนอเครื่องที่พอดีกับงาน ไม่ใช่เครื่องที่แพงที่สุด
หลังกดส่งแล้วเกิดอะไรขึ้น
- 01เราอ่านสเปกและถามกลับเฉพาะที่จำเป็น ปกติภายในหนึ่งวันทำการ
- 02เสนอสองถึงสามทางเลือก พร้อมเหตุผลว่าทำไมถึงเสนอแบบนั้น
- 03สรุปใบเสนอราคาที่แยกฮาร์ดแวร์ ซอฟต์แวร์ และงานติดตั้งออกจากกัน