AI สร้างปรากฏการณ์สำคัญครั้งแรกบนคลาวด์ และก้าวต่อไปกำลังจะเกิดขึ้นในโลกแห่งความเป็นจริง 

การเปลี่ยนผ่านจาก Cloud AI สู่ Physical AI ทำให้องค์กรต้องคิดใหม่เรื่องประสิทธิภาพ ตัวชี้วัดสำหรับการเทรนและการอนุมาน (Inference) บอกเล่าได้เพียงบางส่วนเมื่อ AI ต้องรับรู้ ใช้เหตุผล และควบคุมเครื่องจักรที่ทำงานอยู่รอบตัวมนุษย์ ในระบบเหล่านี้ ประสิทธิภาพคือโจทย์ระดับระบบ (System-level Problem) ซึ่งพลิกโฉมทั้งวิธีการวัดผล การออกแบบหุ่นยนต์ และท้ายที่สุดคือ สถาปัตยกรรมการประมวลผลที่จะมาขับเคลื่อนระบบเหล่านี้ 

AMD มีรากฐานอันยาวนานกว่าสองทศวรรษในแวดวงหุ่นยนต์ ทั้งในแขนกลอุตสาหกรรม หุ่นยนต์เคลื่อนที่อัตโนมัติ (AMR) ระบบผ่าตัด และแพลตฟอร์มการบินและอวกาศ เราได้ส่งมอบเทคโนโลยีที่สำคัญ ทั้งระบบแมชชีนวิชัน (Machine Vision) การผสานข้อมูลเซ็นเซอร์ (Sensor Fusion) การควบคุมมอเตอร์ที่คาดการณ์เวลาได้ (Deterministic Motor Control) และความปลอดภัยเชิงหน้าที่ (Functional Safety) ซึ่ง AI ได้เข้ามาสร้างต่อยอดจากรากฐานเหล่านี้ 

นิยามของประสิทธิภาพที่เปลี่ยนไป 

ระบบ Physical AI ไม่เพียงแค่ “ให้คำตอบ” แต่ยังต้อง “ลงมือทำ” สิ่งสำคัญจึงเปลี่ยนไปอยู่ที่: การตอบสนอง ความสามารถในการคาดการณ์ การใช้พลังงาน ความปลอดภัย และการทำงานอย่างเสถียรในสภาพแวดล้อมจริง โดย “เวลา” คือหัวใจสำคัญของทุกสิ่ง 

คำสั่งควบคุมที่ส่งไปล่าช้าไม่ใช่แค่ปัญหาด้านประสิทธิภาพ แต่คือความล้มเหลวที่อาจนำไปสู่การชน ความไม่เสถียร หรือพฤติกรรมที่ไม่ปลอดภัย 

เรื่องนี้เห็นได้ชัดเจนในหุ่นยนต์ฮิวแมนนอยด์ (Humanoids) ที่ถูกนำมาใช้ในโรงงานอุตสาหกรรมเร็วกว่าที่หลายคนคาดไว้ และต้องทำงานใกล้ชิดกับมนุษย์มากขึ้นเรื่อยๆ 

จากการพูดคุยกับ OEM ด้านหุ่นยนต์ ความต้องการที่ผมได้ยินบ่อยที่สุดไม่ใช่ “พลังประมวลผลสูงสุด” แต่คือความสามารถในการรันโมเดล AI ขั้นสูงควบคู่ไปกับการควบคุมแบบเรียลไทม์ที่แม่นยำ นั่นคือการผสานความฉลาดเข้ากับการตอบสนองที่อยู่ในกรอบเวลาและคาดการณ์ได้ในระดับระบบ เพราะในโลกความเป็นจริง การพลาดกรอบเวลาไม่ใช่แค่ความล่าช้า แต่มันคือผลลัพธ์ที่ไม่ปลอดภัย 

วัดผลผิดจุด 

อุตสาหกรรมยังคงให้ความสำคัญกับตัวเลขที่ผิด TOPS (ล้านล้านคำสั่งต่อวินาที) เป็นตัวชี้วัดที่ไม่สมบูรณ์สำหรับ Physical AI เพราะบอกได้แค่ว่ามีพลังประมวลผลเท่าไร แต่ไม่ได้บอกว่าระบบสามารถรับรู้เหตุการณ์ ตัดสินใจ และลงมือทำได้อย่างถูกต้องภายในกรอบเวลาที่กำหนดหรือไม่ ่ 

การจะทำเช่นนั้นได้ หน่วยประมวลผล หน่วยความจำ เครือข่าย เซ็นเซอร์ และซอฟต์แวร์ต้องทำงานผสานกันเป็นระบบเดียว โดยมีแบนด์วิดท์หน่วยความจำเพียงพอที่จะส่งข้อมูลไปในจุดและเวลาที่ต้องการ โมเดลที่รันได้เร็วบนโปรเซสเซอร์ตัวเดียว ไม่ได้แปลว่าระบบจะเร็ว หากการรับส่งข้อมูล การจัดคิว หรือกระบวนการอื่นทำให้พลาดเส้นตาย 

นี่คือเหตุผลที่ Physical AI ต้องถูกวัดผลแบบ End-to-end ตั้งแต่การรับข้อมูลจากเซ็นเซอร์ไปจนถึงการลงมือทำ (Physical Action) ค่า Latency เฉลี่ยนั้นไม่เพียงพอ เพราะ Tail Latency และ Jitter ก็มีความสำคัญมาก การเกิดความล่าช้าพุ่งสูงขึ้นเพียงครั้งเดียวก็อาจทำให้ลูปการควบคุมเสียสมดุลได้ 

เกณฑ์มาตรฐาน (Benchmark) ของโมเดลก็มีข้อจำกัดเช่นกัน แม้จะวางแผนมาดีแค่ไหน แต่ถ้าหุ่นยนต์ลงมือทำไม่ทันเวลา แผนนั้นก็ไร้ความหมาย สิ่งที่ทำให้งบด้านเวลา (Timing Budget) บานปลายมักไม่ใช่ตัวโมเดล แต่คือกระบวนการระหว่างทาง ทั้งการเข้าคิว การจัดตารางเวลา การคัดลอกหน่วยความจำ และการเคลื่อนย้ายข้อมูล 

เครื่องเดียว แต่งานต่างประเภทกัน 

Physical AI ไม่ได้มีแค่เวิร์กโหลดเดียว การรับรู้และการใช้เหตุผลเน้นที่ Throughput ซึ่งเหมาะกับ GPU และ NPU ส่วนการควบคุมแบบเรียลไทม์ขับเคลื่อนด้วยกรอบเวลา (Deadline-driven) และต้องการการทำงานที่แน่นอน (Deterministic) ซึ่งเป็นจุดแข็งของ FPGA และ Adaptive SoC ในขณะที่ CPU จะทำหน้าที่ประสานงานระบบให้ซิงค์กัน 

ตั้งแต่ร่างกายไปจนถึงสมอง เวิร์กโหลดเหล่านี้ทำงานพร้อมกัน แต่แก้ปัญหาที่ต่างกันอย่างสิ้นเชิง จึงต้องใช้สถาปัตยกรรมการประมวลผลที่แตกต่างกัน 

การให้ข้อมูลจากเซ็นเซอร์และการตัดสินใจทั้งหมดวิ่งผ่านโปรเซสเซอร์เพียงตัวเดียว จะสร้างข้อจำกัดระดับระบบ ทั้งด้านแบนด์วิดท์ พลังงาน และ Latency 

สร้างระบบให้ร่างกาย 

จับคู่หน่วยประมวลผลให้ถูกกับงาน ให้อยู่ใกล้ข้อมูลและใกล้จุดที่ต้องลงมือทำ 

ในทางปฏิบัติ นั่นคือการสร้างหุ่นยนต์ให้เหมือนโครงสร้างร่างกายมนุษย์: มีสมองเพื่อรับรู้ ใช้เหตุผล และวางแผน มีกระดูกสันหลังเพื่อส่งผ่านข้อมูลที่ไวต่อเวลาไปทั่วระบบ มีข้อต่อเพื่อเคลื่อนไหวอย่างแม่นยำ มีมือเพื่อจัดการความคล่องแคล่วซับซ้อน และมีเซ็นเซอร์อยู่ที่บริเวณปลายประสาท 

ผลลัพธ์ที่ได้คือ ระบบเรียลไทม์แบบกระจาย (Distributed Real-time System) ที่ประกอบด้วยโหนดที่ประสานงานกัน แทนที่จะพึ่งพาหน่วยประมวลผลกลางเพียงจุดเดียว 

ความปลอดภัยคือคุณสมบัติของทั้งระบบ 

ไม่ว่าฟังก์ชันเหล่านี้จะรวมศูนย์หรือกระจายตัว ความปลอดภัยขึ้นอยู่กับพฤติกรรมของทั้งระบบ และที่สำคัญที่สุดคือ ระบบจะตอบสนองอย่างไรเมื่อเกิดความล้มเหลว 

สิ่งนี้เปลี่ยนวิธีคิดในการออกแบบตั้งแต่ต้น: การตัดสินใจเกิดขึ้นที่ไหน จะจำกัดขอบเขตความล้มเหลวอย่างไร และฟังก์ชันใดที่ต้องตอบสนองตามเส้นตายแบบเรียลไทม์อย่างเข้มงวด 

ความซ้ำซ้อน (Redundancy) การลดทอนประสิทธิภาพอย่างค่อยเป็นค่อยไป (Graceful Degradation) และการตัดสินใจในระดับพื้นที่ภายใต้เงื่อนไขส่วนรวม สิ่งเหล่านี้ช่วยให้ระบบรักษาสมดุล เข้าสู่สถานะที่ปลอดภัย และในหลายกรณียังสามารถทำงานต่อไปได้แม้หน่วยประมวลผล AI หลักจะล้มเหลว 

นี่คือความท้าทายระดับอุตสาหกรรมที่ครอบคลุมทั้งวิทยาการหุ่นยนต์ ยานยนต์ และระบบอัตโนมัติทางอุตสาหกรรม ซึ่งต้องอาศัยการทำงานร่วมกันของฮาร์ดแวร์ ซอฟต์แวร์ และสถาปัตยกรรมระบบ ความปลอดภัยไม่ใช่สิ่งที่มาครอบทับระบบในภายหลัง แต่เป็นตัวกำหนดโครงสร้างระบบตั้งแต่ต้น 

AMD ช่วยให้นักออกแบบสร้างสถาปัตยกรรมเหล่านี้บนแพลตฟอร์ม Adaptive SoC และ x86 โดย Adaptive SoC มอบการประมวลผลแบบเรียลไทม์ (Lock-step) อย่างเฉพาะเจาะจง และลอจิกที่ตั้งโปรแกรมได้เพื่อการตรวจสอบและควบคุมที่แม่นยำ รองรับด้วยซิลิคอนและโฟลว์การออกแบบที่ผ่านการรับรองความปลอดภัยตามมาตรฐาน IEC61508, ISO26262 และ ISO13849 นอกจากนี้ มาตรฐานใหม่ๆ อย่าง ISO/CD 25785-1 ยังสะท้อนว่าความปลอดภัยระดับระบบมีความสำคัญมากขึ้นสำหรับหุ่นยนต์อุตสาหกรรมที่ต้องรักษาสมดุลขณะเคลื่อนไหว (Dynamically Stable) ระบบเหล่านี้ต้องการพฤติกรรมที่คาดการณ์ได้ครอบคลุมทั้งการตรวจจับ ประมวลผล ควบคุม และตอบสนองต่อข้อผิดพลาด สถาปัตยกรรมระบบจึงถือเป็นการตัดสินใจพื้นฐานด้านความปลอดภัยตั้งแต่เริ่มออกแบบ 

บนแพลตฟอร์ม AMD x86 เรามี Xen ซึ่งเป็นไฮเปอร์ไวเซอร์ขนาดเล็กที่ทำหน้าที่แยกเวิร์กโหลดออกจากกัน สามารถรองรับสถาปัตยกรรมที่มีระดับความสำคัญด้านความปลอดภัยแตกต่างกัน (Mixed-criticality) โดยแบ่งแยกเวิร์กโหลดที่มีข้อกำหนดต่างกัน และสร้างขอบเขตควบคุมรอบหน่วยความจำ อุปกรณ์ และทรัพยากรการประมวลผลที่ใช้ร่วมกัน 

AMD และชุมชน Xen กำลังเดินหน้าผลักดัน Xen สู่การรับรองความปลอดภัยทั้งบนแพลตฟอร์ม AMD x86 และ Arm การมีส่วนร่วมนี้ครอบคลุมมากกว่าเรื่องการแยกเวิร์กโหลด แต่ยังรวมถึงข้อกำหนด การทดสอบ การจำลองความขัดข้อง (Fault Injection) และหลักฐานประกอบเพื่อขอการรับรอง ปัจจุบันแนวคิดด้านความปลอดภัยได้รับการอนุมัติแล้ว และกำลังมุ่งสู่ขั้นตอนการรับรองขั้นสุดท้าย 

สิ่งที่เราสร้างขึ้น 

มุมมองระดับระบบนี้เอง คือสิ่งที่หล่อหลอมโซลูชัน AMD Kria AI สำหรับหุ่นยนต์ ซึ่งนำเสนอกลุ่มผลิตภัณฑ์ System-on-Module (SOM) ที่ปรับขนาดได้ ได้แก่: 

• Kria AI SOM และการ์ด Carrier สำหรับหุ่นยนต์ ขับเคลื่อนด้วยโปรเซสเซอร์ AMD Ryzen AI Embedded X100 Series 

• AMD Kria AI Robotics Developer Platform แพลตฟอร์มแบบเปิดที่ผสานรวม CPU, GPU, NPU และ FPGA ไว้ด้วยกัน 
• ชุดซอฟต์แวร์ AMD Robotics Software Suite และเครือข่ายเปิด AMD Robotics Partner Network 

Kria AI ทำหน้าที่เป็นสมอง AMD Versal Adaptive SoC คือกระดูกสันหลัง AMD Zynq SoC คือข้อต่อและมือ และ AMD Spartan FPGA ทำหน้าที่เป็นเซ็นเซอร์ ปัจจุบันบริษัทอย่าง Foundation Robotics และ Generative Bionics กำลังนำเทคโนโลยีเหล่านี้ไปพัฒนาระบบแล้ว 

การทดสอบและวิเคราะห์โดยบุคคลที่สามช่วยตอกย้ำความเชื่อของเราที่ว่า ระบบ Physical AI ต้องถูกวัดผลในระดับระบบ Kria AI SOM สามารถรองรับการตัดสินใจเพื่อควบคุมถึง 8,000 ครั้งต่อวินาที พร้อมตอบสนองด้าน AI Inference ได้ในเวลาไม่ถึง 100 มิลลิวินาที¹ ในเวิร์กโหลดหุ่นยนต์ทั่วไป สเปกของ AMD Ryzen AI Embedded ให้ความน่าเชื่อถือด้านการควบคุมแบบเรียลไทม์ที่ตรงเวลาดีขึ้นถึง 3.4 เท่า² และมีกำลังประมวลผลสำรองเพิ่มขึ้นถึง 1.6 เท่า³ เมื่อเทียบกับ NVIDIA Jetson T5000 นอกจากนี้ การวิเคราะห์จาก mimik ยังพบว่ารองรับการทำงานของเอเจนต์พร้อมกันได้มากกว่าถึง 2.3 เท่า⁴ 

ในวงการหุ่นยนต์ คำว่า “ระบบเปิด (Open)” ต้องเป็นมากกว่าแค่มาตรฐานบนหน้ากระดาษ AMD Robotics Software Suite เป็นซอฟต์แวร์สแตกแบบเปิดที่พอร์ตได้ สร้างขึ้นบนแพลตฟอร์ม AMD ROCm และระบบปฏิบัติการ ROS 2 รองรับทั้ง PyTorch, ONNX และ MoveIt นอกจากนี้ สเปกฮาร์ดแวร์ของ Kria Developer Platform ก็เปิดกว้างเช่นกัน ช่วยให้ลูกค้ามีอิสระในการใช้พันธมิตร ODM และสร้างผลิตภัณฑ์บนซิลิคอน AMD ในรูปแบบที่ต้องการได้ โดยไม่ต้องผูกขาดกับผู้ขายรายใดรายหนึ่ง (Vendor Lock-in) 

พลังประมวลผลสูงสุด (Peak Compute) เป็นเรื่องสำคัญ แต่มันเป็นเพียงเสี้ยวหนึ่งของเรื่องราวทั้งหมด นักพัฒนาที่สามารถปรับปรุงการทำงานทั้งระบบ และจับคู่เวิร์กโหลดให้เข้ากับหน่วยประมวลผลที่เหมาะสมได้ จะสร้างหุ่นยนต์ที่ทำงานได้อย่างน่าเชื่อถือในจุดที่สำคัญที่สุด ประสิทธิภาพสูงสุดอาจสร้างเดโมที่น่าประทับใจได้ แต่ประสิทธิภาพระดับระบบต่างหากที่จะเปลี่ยนเดโมนั้นให้กลายเป็นผลิตภัณฑ์จริง 

• ผลลัพธ์อ้างอิงจากการทดสอบของบุคคลที่สามและการทดสอบภายในของ AMD การตัดสินใจ 8,000 ครั้งต่อวินาที (125 μs) ได้จากการทดสอบเบนช์มาร์กโดย Bosch โดยใช้ตัวควบคุม Bosch Rexroth บน AMD X100 Series GPU เพื่อวัด latency ของวงจรควบคุมแบบเรียลไทม์ของ CPU การใช้เหตุผลของหุ่นยนต์ภายในเวลา <100 ms ได้จากการทดสอบเบนช์มาร์กโดย embedL ซึ่งวัด latency ของการอนุมานบน GPU VLA (อ้างอิง Pi0.5 VLA) ผลการจำแนกภาพอ้างอิงจากการทดสอบภายในของ AMD โดยใช้ mobilenetv3 ผลลัพธ์จากองค์กรบุคคลที่สามยังไม่ได้รับการตรวจสอบยืนยันโดย AMD อย่างเป็นอิสระ ประโยชน์ด้านประสิทธิภาพและต้นทุนอาจได้รับผลกระทบจากตัวแปรหลายประการ ผลลัพธ์ในที่นี้เป็นข้อมูลเฉพาะขององค์กรบุคคลที่สามดังกล่าวและอาจไม่ใช่ผลลัพธ์ทั่วไป (GD-181a.) 

• อ้างอิงจาก OpenNav Robotics Workload Benchmark ซึ่ง AMD ว่าจ้างและเผยแพร่โดย Open Navigation LLC เมื่อวันที่ 23 กรกฎาคม 2026 โดยวัดบน GMKtec EVO-X2 AI Mini PC ที่ใช้ AMD Ryzen AI Max+ 395 และกำหนดค่าให้สอดคล้องกับข้อมูลจำเพาะของ Ryzen AI Embedded X199 (CPU 5.1 GHz, GPU 2.9 GHz, TDP 120W, LPDDR5X-7500) เทียบกับ NVIDIA Jetson AGX Thor Developer Kit: https://opennav.org/news/opennav-robotics-workload-benchmark (REX-018) 

• อ้างอิงจาก OpenNav Robotics Workload Benchmark ซึ่ง AMD ว่าจ้างและเผยแพร่โดย Open Navigation LLC เมื่อวันที่ 23 กรกฎาคม 2026 โดยวัดบน GMKtec EVO-X2 AI Mini PC ที่ใช้ AMD Ryzen AI Max+ 395 และกำหนดค่าให้สอดคล้องกับข้อมูลจำเพาะของ Ryzen AI Embedded X199 (CPU 5.1 GHz, GPU 2.9 GHz, TDP 120W, LPDDR5X-7500) เทียบกับ NVIDIA Jetson AGX Thor Developer Kit: https://opennav.org/news/opennav-robotics-workload-benchmark (REX-016) 

• อ้างอิงจากเอกสารไวท์เปเปอร์ของ mimik เรื่อง “Architectural Fit for Production-Scale Agentic AI on Heterogeneous SoCs” ซึ่ง AMD ว่าจ้างและเผยแพร่โดย mimik เมื่อวันที่ 23 กรกฎาคม 2026 โดยอิงจากการจำลองเวิร์กโฟลว์ Agentic AI ที่เป็นไปได้ 455 รายการในอุปกรณ์สองประเภท (X100 และ NVIDIA Jetson T5000) โดยตรวจสอบทรัพยากร CPU, GPU และหน่วยความจำสำรอง ดูข้อมูลเพิ่มเติมได้ที่ https://www.mimik.com/agentix-compute-benchmarking (REX-019)

บทความโดย Salil Raje, Senior Vice President and General Manager ของ Adaptive and Embedded Computing Group 

AMD Introduces Kria AI Robotics Solutions and Calls for System-Level Benchmarking Over TOPS Metrics

AMD announced its Kria AI robotics solutions portfolio to address operational shifts in physical artificial intelligence, moving compute evaluations away from raw trillion operations per second figures toward end-to-end system latencies. Salil Raje, Senior Vice President and General Manager of the Adaptive and Embedded Computing Group at AMD, outlined that physical artificial intelligence platforms operating autonomous machinery require deterministic response latencies, dynamic load balancing, and functional safety rather than isolated inference acceleration.

The executive stated that physical artificial intelligence systems must execute physical tasks rather than generate textual outputs, shifting performance priorities to temporal predictability, power efficiency, and hardware-level safety. The executive noted that industrial humanoid systems deployed alongside personnel cannot treat delayed control commands as simple computational lag, but as mechanical failures causing collisions or physical destabilization. Addressing OEM requirements requires running complex perception models in tandem with deterministic real-time control to prevent hazardous outcomes.

The operational architecture splits robotic computing tasks into distributed anatomical layers across heterogeneous silicon nodes. High-throughput perception and reasoning workloads map onto graphics and neural processing units, while deterministic real-time control pipelines execute across field-programmable gate arrays and adaptive system-on-chips, coordinated globally by central processing units to eliminate memory and latency bottlenecks caused by routing all operational inputs through a single centralized processor.

The resulting hardware lineup introduces scalable system-on-module designs, including Kria AI SOM modules and robotic carrier cards powered by AMD Ryzen AI Embedded X100 Series processors, the AMD Kria AI Robotics Developer Platform integrating central, graphics, neural, and adaptive logic units, and the AMD Robotics Software Suite optimized for the open-source ROS 2 environment alongside AMD ROCm frameworks. Within this structural hierarchy, Kria AI acts as the system brain, AMD Versal Adaptive SoCs govern time-sensitive transmission backbones, AMD Zynq SoCs direct motorized articulation joints, and AMD Spartan silicon processes sensor inputs.

Independent engineering benchmarks cited by the company report that the Kria AI SOM infrastructure delivers up to 8,000 control decisions per second with inference response latencies measured under 100 milliseconds. Across standard robotics workloads evaluated against comparative hardware, the platform achieved up to 3.4 times higher deterministic control reliability, 1.6 times greater reserve compute headroom, and support for up to 2.3 times more concurrent agentic AI workloads.

]]> https://www.telecomlover.com/2026/10/30/amd-kria-ai-robotics-physical-ai-system-level-performance/feed/ 0 96860