- Case Studies
มหาวิทยาลัยสงขลานครินทร์ ขับเคลื่อนงานวิจัยเชิงลึกและการเรียนการสอน ด้วย GPU Cloud บน Nipa Cloud Space
มหาวิทยาลัยสงขลานครินทร์ ขับเคลื่อนงานวิจัยเชิงลึกและการเรียนการสอน ด้วย GPU Cloud บน Nipa Cloud Space
By Nipa C. (Nipa Cloud)
Published : September 22, 2026
Time : 3 min read
ภาพรวม | Overview
ในยุคที่ AI เข้ามาเป็นส่วนหนึ่งของการทำงานและการเรียนรู้ในระดับอุดมศึกษา มหาวิทยาลัยจำนวนมากเริ่มสร้างแพลตฟอร์ม AI ภายในของตนเอง เพื่อให้บุคลากรและนักศึกษาใช้งานได้อย่างปลอดภัย โดยข้อมูลไม่ต้องออกไปอยู่บนบริการภายนอก โจทย์สำคัญคือจะหาโครงสร้างพื้นฐาน GPU ที่เหมาะสม ทั้งสำหรับให้บริการโมเดลจริงอย่างต่อเนื่อง และสำหรับการวิจัยทดสอบโมเดลใหม่ ๆ ไปพร้อมกัน
มหาวิทยาลัยสงขลานครินทร์ (PSU) พัฒนา PSU dotBlue (ai.psu.blue) เป็นแพลตฟอร์ม AI ภายในของมหาวิทยาลัย และเลือกใช้ GPU บน Nipa Cloud Space (NCS) เป็นโครงสร้างพื้นฐานหลัก โดยจัดสรร GPU Compute Instance จำนวน 2 เครื่อง เครื่องละ 1 GPU ได้แก่ NVIDIA RTX PRO 6000 Blackwell Max-Q (VRAM 96 GB)
เครื่องหนึ่งใช้ให้บริการโมเดลภาษาไทย PSU Payoon ใน Production ให้กับแพลตฟอร์ม PSU dotBlue ส่วนอีกเครื่องใช้วิจัยและประเมินผลโมเดล LLM ทำให้มหาวิทยาลัยพัฒนาโมเดลต่อยอดได้ โดยไม่กระทบบริการที่ผู้ใช้กำลังใช้งานอยู่
ความท้าทาย | Challenges
การสร้างแพลตฟอร์ม AI ภายในของมหาวิทยาลัยเป็นเรื่องที่ท้าทายกว่าการใช้บริการ AI สำเร็จรูปจากภายนอก เพราะสถาบันต้องดูแลโครงสร้างพื้นฐานที่รองรับทั้งการให้บริการผู้ใช้จริงและการวิจัยพัฒนาโมเดลไปพร้อมกัน ในขณะที่ทรัพยากรและงบประมาณมีจำกัด ความต้องการใช้ GPU ของมหาวิทยาลัยสงขลานครินทร์สำหรับแพลตฟอร์ม PSU dotBlue เกิดจากปัจจัยหลายด้านประกอบกัน ซึ่งสะท้อนโจทย์ที่สถาบันการศึกษาซึ่งต้องการรันแพลตฟอร์ม AI ของตนเองมักเผชิญร่วมกัน ดังนี้
- ภาระการลงทุนด้านฮาร์ดแวร์ที่สูงและผูกมัดระยะยาว: การจัดหา GPU สมรรถนะสูงมาติดตั้งเองไม่ได้มีแค่เงินลงทุนก้อนแรก (CAPEX) แต่ยังรวมถึงค่าบำรุงรักษา ค่าไฟฟ้า ระบบระบายความร้อน และการอัปเกรดให้ทันเทคโนโลยี AI ที่เปลี่ยนเร็ว ซึ่งเป็นภาระหนักสำหรับงบประมาณของสถาบันการศึกษา
- งาน Production และงานวิจัยมีลักษณะการใช้งานต่างกัน: บริการ Inference ของแพลตฟอร์มภายในต้องพร้อมใช้งานต่อเนื่องและตอบสนองผู้ใช้อย่างเสถียร ส่วนงานวิจัยและประเมินโมเดลต้องลองผิดลองถูก เปลี่ยนโมเดลและปรับการตั้งค่าบ่อย ถ้าใช้ทรัพยากรร่วมกัน งานทดลองอาจกระทบบริการที่ผู้ใช้กำลังใช้อยู่
- ข้อมูลของมหาวิทยาลัยมีความอ่อนไหว: แพลตฟอร์ม AI ภายในเกี่ยวข้องกับข้อมูลของบุคลากรและนักศึกษา รวมไปถึงงานวิจัยภายในและข้อมูลสำคัญอื่น ๆ ของมหาวิทยาลัย ซึ่งเป็นข้อมูลที่ต้องดูแลอย่างรัดกุม โครงสร้างพื้นฐานจึงต้องรองรับการปกป้องข้อมูล รวมถึงการเข้ารหัสข้อมูลที่จัดเก็บ
- ต้องการโมเดลภาษาไทยที่ควบคุมได้เอง: มหาวิทยาลัยต้องการรันโมเดลที่ปรับให้เหมาะกับภาษาไทยและบริบทของตนเอง พร้อมเปิดเป็น API มาตรฐานให้ระบบภายในเรียกใช้ต่อได้ง่าย
การแก้ปัญหา | Solutions from Nipa Cloud
Nipa Cloud เป็นทั้งผู้ให้บริการโครงสร้างพื้นฐานและที่ปรึกษาด้านเทคนิค โดยทีมวิศวกรประเมิน Workload ของมหาวิทยาลัยเป็นรายเคส แล้วจัดสรร GPU Compute Instance บน NCS จำนวน 2 เครื่อง แยกตามการใช้งาน โดยแต่ละเครื่องใช้ NVIDIA RTX PRO 6000 Blackwell Max-Q จำนวน 1 ใบ
| No. | Use Case | GPU | vCPU | RAM | VRAM | Disk |
|---|---|---|---|---|---|---|
| 1 | Production Inference - PSU Payoon | 1 GPU card | 24 vCPUs | 150 GB | 96 GB | 5 TB |
| 2 | LLM Research & Evaluation | 1 GPU card | 36 vCPUs | 350 GB | 96 GB | 5 TB |
1. แยก Instance ตามการใช้งาน: Production และ Evaluation
มหาวิทยาลัยแบ่งการใช้งานเป็น 2 Instance เครื่องละ 1 GPU โดย Instance ที่ 1 (PSU Payoon) ใช้รัน Inference ของ PSU Payoon โมเดลภาษาไทยที่พัฒนาต่อยอดจาก Gemma 4 26B A2B ในรูปแบบ NVFP4 พร้อมเปิด OpenAI-compatible API ให้แพลตฟอร์ม PSU dotBlue ภายในเรียกใช้งาน ทำให้ระบบต่าง ๆ เชื่อมต่อได้ด้วยมาตรฐานที่คุ้นเคย โดยไม่ต้องแก้โค้ดมาก
ส่วน Instance ที่ 2 (LLM Research) ใช้วิจัยและประเมินโมเดล LLM ให้ทีมทดลองโมเดลใหม่ เปรียบเทียบคุณภาพ และปรับปรุง PSU Payoon ได้อย่างอิสระ โดย VRAM 96 GB ต่อใบ ช่วยให้ทดลองโมเดลขนาดใหญ่ได้โดยไม่ติดข้อจำกัดด้านหน่วยความจำ (Out of Memory) การแยก 2 Instance และแยก GPU ให้แต่ละงานเป็นของตัวเองแบบนี้ ทำให้งานทดลองไม่แย่งทรัพยากรกับบริการ Production ที่ผู้ใช้กำลังใช้งาน
2. Storage แบบเข้ารหัส (Encrypted)
Data Disk ขนาด 5 TB ต่อ Instance ใช้ชนิด Standard_SSD_Encrypted แยกจาก OS Disk เพื่อเก็บ Model weights ชุดข้อมูลประเมินผล และข้อมูลใช้งานจริง พร้อมการเข้ารหัสข้อมูลที่จัดเก็บ ช่วยเสริมความปลอดภัยให้ข้อมูลของมหาวิทยาลัย
3. ออกแบบร่วมกับทีมวิศวกร
ทีมวิศวกร Nipa Cloud เข้ามาช่วยประเมิน Workload ของมหาวิทยาลัยและออกแบบ GPU Machine Type ให้เหมาะกับแต่ละการใช้งาน ทั้งจำนวน vCPU, RAM, รุ่น GPU และพื้นที่จัดเก็บข้อมูล มหาวิทยาลัยจึงได้สเปกที่พอดีกับงานจริง โดยไม่ต้องจัดซื้อ ติดตั้ง หรือดูแลฮาร์ดแวร์เอง
ผลลัพธ์ | Outcome
การออกแบบสเปกร่วมกับทีมวิศวกรและการแยกเครื่องตามการใช้งาน ส่งผลให้แพลตฟอร์ม PSU dotBlue ทำงานได้อย่างราบรื่น และทีมวิจัยพัฒนาโมเดลต่อได้อย่างต่อเนื่อง
- ให้บริการ AI ภายในได้อย่างต่อเนื่อง: Instance ฝั่ง Production รองรับการ Inference ของ PSU Payoon ให้แพลตฟอร์ม PSU dotBlue ได้อย่างเสถียร โดยไม่พบปัญหาด้านการใช้งานตลอดระยะเวลาที่ผ่านมา
- วิจัยและให้บริการควบคู่กันโดยไม่กระทบกัน: การแยก Instance ทำให้ทีมวิจัยประเมินโมเดล LLM ได้เต็มที่ ในขณะที่บริการ Production ยังทำงานตามปกติ
- เชื่อมต่อกับระบบภายในได้ง่าย: การเปิด API แบบ OpenAI-compatible ช่วยให้ PSU dotBlue และระบบอื่นของมหาวิทยาลัยเรียกใช้โมเดลได้ด้วยมาตรฐานเดียวกัน
- ปกป้องข้อมูลด้วยการเข้ารหัส: Data Disk แบบ Standard_SSD_Encrypted ช่วยให้ข้อมูลที่จัดเก็บได้รับการเข้ารหัส ตอบโจทย์ความปลอดภัยของข้อมูลภายในมหาวิทยาลัย
- ไม่ต้องลงทุนฮาร์ดแวร์เอง: มหาวิทยาลัยเข้าถึง GPU ระดับ Workstation/Enterprise ได้โดยไม่ต้องแบกรับภาระการลงทุนและดูแลโครงสร้างพื้นฐานเอง สะท้อนว่า GPU Cloud ทดแทนการลงทุนฮาร์ดแวร์แบบดั้งเดิมได้จริง
บทสรุป | Summary
ความร่วมมือระหว่างมหาวิทยาลัยสงขลานครินทร์กับ Nipa Cloud แสดงให้เห็นว่า GPU บน Nipa Cloud Space ใช้งานได้จริงทั้งกับบริการ AI ที่ต้องทำงานต่อเนื่องและกับงานวิจัยทดลองโมเดล ด้วยการออกแบบสเปกร่วมกับทีมวิศวกร การแยกการใช้งาน Production และ Evaluation ออกจากกัน และพื้นที่จัดเก็บแบบเข้ารหัส
ผลลัพธ์คือ มหาวิทยาลัยสงขลานครินทร์ขับเคลื่อนแพลตฟอร์ม PSU dotBlue ได้อย่างมั่นใจบนโครงสร้างพื้นฐานที่ไม่ต้องลงทุนและดูแลเอง นับเป็นอีกหนึ่งตัวอย่างที่ตอกย้ำว่า Nipa Cloud รองรับความต้องการด้าน AI ของภาคการศึกษาไทยได้อย่างมีประสิทธิภาพ