<div class="key-takeaways"><ul><li>ระบบ HPC ยุคเก่าใช้ POWER และ SPARC เพื่อประสิทธิภาพและความสมบูรณ์แบบ</li><li>ความเร็วสัญญาณนาฬิกาไม่ใช่ทั้งหมด แต่รวมถึงหน่วยประมวลผลลอยตัวและแบนด์วิดท์</li><li>AIX และฮาร์ดแวร์ทำงานร่วมกันอย่างใกล้ชิดเพื่อรองรับการคำนวณขั้นสูง</li><li>การเปลี่ยนผ่านสู่ Linux และฮาร์ดแวร์ทั่วไปเกิดขึ้นจากความคุ้มค่าด้านราคา</li></ul></div><p>ในยุคอดีต ระบบคอมพิวเตอร์สมรรถนะสูงหรือ HPC (High-Performance Computing) มักพึ่งพาซีพียูเฉพาะทางอย่าง POWER และ SPARC รวมถึงระบบปฏิบัติการยูนิกซ์เชิงพาณิชย์ ซึ่งถูกมองว่าเป็นแพ็กเกจที่มอบทั้งสมรรถนะและสภาพแวดล้อมการทำงานที่ตอบโจทย์ ก่อนที่ในเวลาต่อมา ระบบที่ใช้ชิ้นส่วนผลิตจำนวนมากและลินุกซ์จะเข้ามามีบทบาทสำคัญเนื่องจากความยืดหยุ่นด้านราคาและการจัดซื้อ</p><p>บทความนี้จะพาไปสำรวจการเปลี่ยนผ่านในช่วงทศวรรษ 1990 ถึง 2000 โดยแยกวิเคราะห์ทั้งในส่วนของหน่วยประมวลผลหรือซีพียู และระบบปฏิบัติการ เพื่อทำความเข้าใจว่าทำไมสถาปัตยกรรมเหล่านี้จึงเคยเป็นหัวใจสำคัญของการคำนวณทางวิทยาศาสตร์และวิศวกรรม</p><p>สำหรับงาน HPC นั้น ความเร็วสัญญาณนาฬิกา (Clock Speed) ไม่ใช่ปัจจัยเดียวที่ชี้วัดความสำเร็จ แต่ยังมีองค์ประกอบสำคัญอื่นๆ เช่น ความสามารถในการประมวลผลเลขทศนิยม (Floating-point Operations) และความเร็วในการดึงข้อมูลจากหน่วยความจำมาสู่หน่วยคำนวณ</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hpc_power_sparc_mtwhpeuq_inline_1_6cae145dd0.jpg" alt="modern minimalist contemporary architecture server room no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>สถาปัตยกรรม RISC ในอดีตถูกออกแบบมาเพื่อยกระดับจุดเหล่านี้โดยเฉพาะ ตัวอย่างเช่น IBM POWER2 มีหน่วยประมวลผลเลขทศนิยมถึงสองชุด พร้อมเพิ่มความจุแคชและแบนด์วิดท์ในการถ่ายโอนข้อมูล ขณะที่ POWER3 รุ่นต่อมาได้ขยายพื้นที่แอดเดรสเป็น 64 บิต และรองรับหน่วยความจำแชร์ขนาดใหญ่ เพื่อรับมือกับการคำนวณตัวเลขสเกลใหญ่</p><div class="stat-row"><div class="stat-item"><span class="stat-number">64-bit</span><span class="stat-label">พื้นที่แอดเดรสของ POWER3</span></div><div class="stat-item"><span class="stat-number">1986</span><span class="stat-label">ปีเริ่มต้นของระบบ AIX</span></div></div><p>ในฝั่งของ SPARC ก็มีแนวทางที่คล้ายคลึงกัน ยกตัวอย่างเช่น SPARC64 VIIIfx ที่ใช้ในซูเปอร์คอมพิวเตอร์ "Kei" ไม่ใช่แค่การนำซีพียู SPARC มาเรียงต่อกันจำนวนมาก แต่เป็นการพัฒนาขึ้นโดยเน้นสมรรถนะ ประสิทธิภาพการใช้พลังงาน และความน่าเชื่อถือผ่านระบบแก้ไขข้อผิดพลาดสำหรับการคำนวณทางวิทยาศาสตร์โดยเฉพาะ</p><blockquote class="pull-quote"><p>"ระบบปฏิบัติการอีกตัวหนึ่งที่รันบนซีพียูปกติไม่ได้สร้างระบบ HPC ที่เทียบเท่ากันขึ้นมาได้ จำเป็นต้องใช้งานได้จริง รวมถึงการรองรับอุปกรณ์สื่อสาร การปรับแต่งคอมไพเลอร์ และการทำงานแบบขนาน"</p><cite>อ้างอิงจากบทความต้นฉบับ</cite></blockquote><div class="ai-insight"><p>การวิเคราะห์เพิ่มเติม: การเลือกใช้สถาปัตยกรรมเฉพาะทางในยุคแรกสะท้อนให้เห็นว่า ซอฟต์แวร์และฮาร์ดแวร์ต้องถูกออกแบบมาสอดรับกันอย่างลึกซึ้ง ต่างจากปัจจุบันที่ฮาร์ดแวร์ทั่วไปมีความยืดหยุ่นสูงและมีต้นทุนต่อหน่วยที่คุ้มค่ากว่ามากผ่านเศรษฐกิจขนาดใหญ่ (Economies of Scale)</p></div><p>นอกจากฮาร์ดแวร์แล้ว ซอฟต์แวร์และสภาพแวดล้อมก็มีความสำคัญไม่แพ้กัน ระบบ SP ของ IBM ในอการเวลานั้นไม่ได้มีเพียง AIX เท่านั้น แต่ยังรวมถึงระบบสื่อสารความเร็วสูงระหว่างโหนด คอมไพเลอร์ C/Fortran ไลบรารีคำนวณเชิงตัวเลข ESSL และระบบจัดการงานอย่าง LoadLeveler ซึ่งทำให้ผู้ใช้งานต้องพิจารณาเลือกชุดผสมผสานที่ตอบโจทย์การคำนวณมากที่สุด</p><p>อย่างไรก็ตาม การเติบโตของโครงการ Beowulf ที่นาซ่าริเริ่มขึ้นในปี 1994 โดยใช้ลินุกซ์และฮาร์ดแวร์ทั่วไป รวมถึงการพัฒนาชุดคำสั่งอย่าง SSE2 และ AVX ในฝั่ง x86 ได้พิสูจน์ให้เห็นว่าฮาร์ดแวร์กระแสหลักค่อยๆ พัฒนาจนมีความสามารถเพียงพอ จนนำไปสู่การเปลี่ยนผ่านครั้งใหญ่ในวงการ HPC สมัยใหม่</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/vast-cow/why-power-sparc-and-aix-were-used-in-older-hpc-systems-2lgk" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Older HPC systems used POWER and SPARC for comprehensive performance and support.</li><li>Clock speed alone wasn't enough; memory bandwidth and floating-point units mattered.</li><li>AIX tightly integrated with hardware to provide robust scientific computing environments.</li><li>Mass-produced components and Linux later offered significant cost and flexibility benefits.</li></ul></div><p>In the past, high-performance computing (HPC) systems predominantly relied on specialized CPUs such as POWER and SPARC, paired with commercial UNIX operating systems. These combinations delivered the necessary performance and operational environment in a comprehensive package before mass-produced components and Linux transformed the industry.</p><p>This article looks closely at the transition from the 1990s to the 2000s, examining the evolution of CPUs and operating systems separately to understand why these architectures once dominated scientific and engineering workloads.</p><p>When dealing with HPC workloads, clock speed is only part of the equation. Factors such as the number of floating-point operations processed and the speed at which data travels from memory to the arithmetic unit are equally critical.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/hpc_power_sparc_mtwhpeuq_inline_1_6cae145dd0.jpg" alt="modern minimalist contemporary architecture server room no logo" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>High-performance RISC machines of that era were engineered specifically to enhance these metrics. For instance, IBM's POWER2 incorporated dual floating-point units alongside increased cache capacity and memory transfer bandwidth, while the subsequent POWER3 introduced a 64-bit address space and large shared memory systems.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">64-bit</span><span class="stat-label">POWER3 address space</span></div><div class="stat-item"><span class="stat-number">1986</span><span class="stat-label">AIX launch year</span></div></div><p>A similar engineering philosophy applied to SPARC architecture. The SPARC64 VIIIfx processor utilized in the "Kei" supercomputer was custom-built with a strong emphasis on performance, power efficiency, and error-correction reliability tailored specifically for technological computing.</p><blockquote class="pull-quote"><p>"A different OS simply running on the CPU doesn't create an equivalent HPC system. It needs to be usable, including support for communication devices, compiler optimization, parallel execution, and fault diagnosis."</p><cite>From the original article</cite></blockquote><div class="ai-insight"><p>Editorial Insight: The reliance on deeply integrated hardware and software stacks in early HPC highlights how far computing has evolved. Today's reliance on commodity hardware and open-source operating systems prioritizes cost-effectiveness and rapid procurement flexibility.</p></div><p>Software environments were tightly coupled with hardware in vendor-driven systems. IBM's SP systems bundled AIX with high-speed node communication, C/Fortran compilers, numerical calculation libraries like ESSL, and parallel job schedulers like LoadLeveler.</p><p>Over time, projects like NASA's Beowulf in 1994 demonstrated the viability of Linux clusters, while x86 architectures progressively incorporated advanced vector instructions like SSE2 and AVX, eventually reshaping the economic and performance landscape of modern HPC.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/vast-cow/why-power-sparc-and-aix-were-used-in-older-hpc-systems-2lgk" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_เจาะลึกเหตุผลที่ระบบ-hpc-ยุคเก่าเลือกใช้-power-sparc-mtwhpeuq.jpg

small_เจาะลึกเหตุผลที่ระบบ-hpc-ยุคเก่าเลือกใช้-power-sparc-mtwhpeuq.jpg

thumbnail_เจาะลึกเหตุผลที่ระบบ-hpc-ยุคเก่าเลือกใช้-power-sparc-mtwhpeuq.jpg

เจาะลึกเหตุผลที่ระบบ-hpc-ยุคเก่าเลือกใช้-power-sparc-mtwhpeuq.jpg

ย้อนดูเหตุผลที่ระบบซูเปอร์คอมพิวเตอร์และ HPC ในอดีตช่วงยุค 1990 ถึง 2000 เลือกใช้ซีพียูตระกูล POWER, SPARC และระบบปฏิบัติการเชิงพาณิชย์อย่าง AIX ก่อนจะเปลี่ยนผ่านสู่ยุค Linux

Explore why high-performance computing systems in the 1990s to 2000s relied on POWER and SPARC CPUs and commercial UNIX like AIX before shifting to Linux.

เจาะลึกเหตุผลที่ระบบ HPC ยุคเก่าเลือกใช้ POWER SPARC

Why POWER, SPARC, and AIX Powered Older HPC Systems

<div class="key-takeaways"><ul><li>IBM เปิดตัวภาษาตระกูล Granite 4.2 สามขนาด ได้แก่ 3B, 8B และ 30B ภายใต้สัญญาอนุญาต Apache 2.0 ไม่มีข้อจำกัดด้านลิขสิทธิ์</li><li>สถาปัตยกรรมเป็นแบบ decoder-only dense transformer รองรับความยาวบริบทมาตรฐาน 131,072 โทเค็นและขยายได้ถึง 512K</li><li>รุ่น 8B และ 30B รองรับบล็อก Agentic RL เต็มรูปแบบ ขณะที่รุ่น 3B รองรับเฉพาะ foundational RL และ alignment</li><li>ขับเคลื่อนการฝึกอบรมบนคลัสเตอร์ NVIDIA GB200 NVL72 ของ CoreWeave ผ่านระบบ NeMo-RL และ NeMo-Gym</li></ul></div><p>IBM ได้ประกาศเปิดตัวชุดโมเดลภาษาขนาดใหญ่ตระกูล Granite 4.2 อย่างเป็นทางการ โดยโมเดลทั้งสามขนาดเปิดให้ดาวน์โหลด ปรับจูน (fine-tuning) และใช้งานเชิงพาณิชย์ได้ทันทีภายใต้สัญญาอนุญาต Apache 2.0 โดยไม่มีข้อจำกัดด้านลิขสิทธิ์ใดๆ ขัดขวาง</p><p>ในด้านสถาปัตยกรรม Granite 4.2 ถูกออกแบบมาให้เป็น decoder-only dense transformer แบบดั้งเดิม ไม่ใช่ระบบไฮบริดหรือ Mixture of Experts (MoE) องค์ประกอบหลักประกอบด้วย Grouped Query Attention ที่ใช้ 8 KV heads, RoPE ที่ตั้งค่า θ = 10,000,000, SwiGLU MLPs, RMSNorm ที่ ε = 1e-5, การแยก input และ output embeddings ออกจากกัน และใช้ความแม่นยำระดับ bfloat16</p><div class="stat-row"><div class="stat-item"><span class="stat-number">15ล้านล้าน</span><span class="stat-label">โทเค็นในการฝึกอบรมเบื้องต้น</span></div><div class="stat-item"><span class="stat-number">7.2ล้าน</span><span class="stat-label">ตัวอย่างข้อมูลสำหรับการปรับจูน</span></div></div><p>รายละเอียดขนาดของโมเดลทั้งสามรุ่นประกอบด้วย:</p><ul><li>รุ่น 3B ใช้ 40 เลเยอร์ ที่ขนาด embedding 2560</li><li>รุ่น 8B ใช้ 40 เลเยอร์ ที่ขนาด embedding 4096</li><li>รุ่น 30B ขยายไปถึง 64 เลเยอร์ พร้อมขนาด MLP hidden ที่ 32,768</li></ul><p>ตารางสถาปัตยกรรมระบุความยาวลำดับโทเค็นไว้ที่ 131,072 (128K) โทเค็น ขณะที่กระบวนการ pre-training ทั้ง 5 เฟสมีระยะยาวบริบทที่ขยายไปถึง 512K โทเค็น ผ่านการประมวลผลข้อมูลจากจุดเริ่มต้นประมาณ 15 ล้านล้านโทเค็น</p><div class="ai-insight"><p>การที่ IBM เลือกใช้สถาปัตยกรรม dense transformer ล้วนร่วมกับการผสาน Agentic RL เข้าไปโดยตรงในรุ่นขนาดใหญ่ ช่วยให้โมเดลมีความสามารถในการวางแผนและทำงานซับซ้อนได้ดีขึ้นโดยไม่ต้องพึ่งพาโครงสร้าง MoE ที่ซับซ้อนในการจัดการระบบ ซึ่งถือเป็นก้าวสำคัญของโมเดลโอเพนซอร์สระดับองค์กร</p></div><p>กระบวนการ Supervised fine-tuning ใช้ตัวอย่างประมาณ 7.2 ล้านรายการ หรือคิดเป็นข้อมูลราว 100 พันล้านโทเค็น โดยมีโทเค็นที่ฝึกอบรมได้ประมาณ 65 พันล้านโทเค็น สัดส่วนข้อมูลประกอบด้วยงาน agentic 31.6% และ non-agentic 68.4% โดยงานด้านวิศวกรรมซอฟต์แวร์คิดเป็น 69% ของกลุ่ม agentic ทั้งหมด เส้นทางการฝึกถูกสร้างขึ้นผ่านเครื่องมือต่างๆ เช่น OpenHands, SWE-agent, Terminus-2, MiniSWE, Codex และ Goose</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ibm_granite_4_2_mta007mf_inline_1_17a968f466.jpg" alt="computer code programming screen server" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>บล็อก Agentic RL จะทำงานเฉพาะในรุ่น 8B และ 30B เท่านั้น ส่วนรุ่น 3B จะรองรับเฉพาะ foundational RL และ alignment ซึ่งความแตกต่างของการออกแบบนี้เป็นตัวอธิบายช่องว่างความสามารถระหว่างขนาดของโมเดล การฝึกอบรมทั้งหมดดำเนินการบน NeMo-RL และ NeMo-Gym บนคลัสเตอร์ NVIDIA GB200 NVL72 ที่โฮสต์โดย CoreWeave</p><blockquote class="pull-quote"><p>"All three Granite 4.2 language models ship under Apache 2.0, so download, fine-tuning, and commercial production use carry no licensing gate."</p><cite>IBM Research</cite></blockquote><p>นอกจากนี้ยังมีองค์ประกอบเสริมที่สำคัญ ได้แก่ โค้ดสังเคราะห์จำนวน 1 ล้านล้านโทเค็นจากไปป์ไลน์ CodeAlchemy ของ IBM และชั้น speculative decoding สำหรับการให้บริการที่รวดเร็วยิ่งขึ้น ในส่วนของรุ่น Turbo CTC มีพารามิเตอร์ 470 ล้านตัว ตัดโครงสร้าง LLM ออกทั้งหมดโดยใช้ connectionist temporal classification เพื่อแปลงเสียงเป็นข้อความ พร้อมรายงานอัตรา throughput ของ RTFx ใกล้เคียง 12,600 บน H200 ตัวเดียว</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/25/ibm-releases-granite-4-2-bringing-native-reasoning-and-agentic-rl-to-open-enterprise-models/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>IBM released three Granite 4.2 language model sizes: 3B, 8B, and 30B under the Apache 2.0 license without licensing gates.</li><li>The architecture features a decoder-only dense transformer supporting a 131,072-token context length, extendable to 512K.</li><li>The 8B and 30B models run the agentic RL block, while the 3B model utilizes foundational RL and alignment.</li><li>Training was executed using NeMo-RL and NeMo-Gym on an NVIDIA GB200 NVL72 cluster hosted by CoreWeave.</li></ul></div><p>IBM has officially announced the release of its Granite 4.2 large language model family. All three language models ship under the Apache 2.0 license, meaning downloading, fine-tuning, and commercial production use carry no licensing gates.</p><p>Architecturally, Granite 4.2 is a decoder-only dense transformer rather than a hybrid or Mixture of Experts (MoE) design. Core components include Grouped Query Attention with 8 KV heads, RoPE with θ = 10,000,000, SwiGLU MLPs, RMSNorm (ε = 1e-5), untied input/output embeddings, and bfloat16 precision.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">15Trillion</span><span class="stat-label">Tokens in pre-training run</span></div><div class="stat-item"><span class="stat-number">7.2M</span><span class="stat-label">Samples for supervised fine-tuning</span></div></div><p>The specific dimensions across the three model sizes include:</p><ul><li>The 3B model utilizes 40 layers at an embedding size of 2560.</li><li>The 8B model utilizes 40 layers at 4096.</li><li>The 30B model scales up to 64 layers with an MLP hidden size of 32,768.</li></ul><p>The published architecture table details a 131,072-token (128K) sequence length, while the five-phase pre-training run features a long-context phase extending up to 512K tokens, covering roughly 15 trillion tokens from scratch.</p><div class="ai-insight"><p>IBM's commitment to a dense transformer architecture paired with native agentic reinforcement learning for larger variants highlights a strategic approach to open-source enterprise AI. By embedding reasoning pathways directly into the model weights, developers gain advanced task-execution capabilities without the routing complexities inherent in MoE models.</p></div><p>Supervised fine-tuning utilizes approximately 7.2 million samples, amounting to roughly 100 billion tokens with about 65 billion trainable. The data mixture consists of 31.6% agentic and 68.4% non-agentic data, with software engineering taking up 69% of the agentic slice. Trajectories were generated across harnesses including OpenHands, SWE-agent, Terminus-2, MiniSWE, Codex, and Goose.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ibm_granite_4_2_mta007mf_inline_1_17a968f466.jpg" alt="computer code programming screen server" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>The agentic RL block runs exclusively on the 8B and 30B models, while the 3B model is limited to foundational RL and alignment. This single architectural decision accounts for the performance gap across sizes. Training was conducted via NeMo-RL and NeMo-Gym on an NVIDIA GB200 NVL72 cluster hosted by CoreWeave.</p><blockquote class="pull-quote"><p>"All three Granite 4.2 language models ship under Apache 2.0, so download, fine-tuning, and commercial production use carry no licensing gate."</p><cite>IBM Research</cite></blockquote><p>Additional supporting assets include 1 trillion tokens of synthetic code derived from IBM's CodeAlchemy pipeline and a speculative decoding layer designed for accelerated serving. Meanwhile, the Turbo CTC models feature 470 million parameters, dropping the LLM backbone entirely to use connectionist temporal classification for audio-to-text translation, achieving an RTFx throughput near 12,600 on a single H200.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/25/ibm-releases-granite-4-2-bringing-native-reasoning-and-agentic-rl-to-open-enterprise-models/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-4226.jpg

small_article-4226.jpg

thumbnail_article-4226.jpg

article-4226.jpg

IBM ปล่อย Granite 4.2 สามขนาด รองรับการให้เหตุผลระดับเนทีฟและ Agentic RL ใต้สัญญาอนุญาต Apache 2.0 พร้อมเทรนด้วยข้อมูลกว่า 15 ล้านล้านโทเค็น

IBM launches Granite 4.2 in three sizes featuring native reasoning and Agentic RL under Apache 2.0, trained on 15 trillion tokens.

IBM เปิดตัว Granite 4.2: โมเดลโอเพนซอร์สพร้อมการให้เหตุผล

IBM Releases Granite 4.2: Open Enterprise Models

<div class="key-takeaways"><ul><li>RSA Encryption 2048 บิต ป้องกันความปลอดภัยปัจจุบัน แต่เจอควอนตัมถอดรหัสได้ใน 8 ชม.</li><li>depa และ IBM ประเทศไทย จัดงาน Thailand Quantum Readiness Workshop ระดมสมองสร้าง White Paper</li><li>IBM เผยแผนส่งมอบเครื่อง Starling 200 คิวบิต ที่แก้ Error ได้เองภายในปี 2029</li><li>WEF ชี้ทั่วโลกลงทุนด้านควอนตัมแล้วเกือบ 2 ล้านล้านบาท ไทยต้องเร่งขยายระบบนิเวศด่วน</li></ul></div><p>ระบบรักษาความปลอดภัยในสมาร์ตโฟนและแอปพลิเคชันธนาคารในปัจจุบันถูกล็อกไว้ด้วยโจทย์คณิตศาสตร์ RSA Encryption 2048 บิต ซึ่งเกิดจากการนำตัวเลขจำนวนเฉพาะขนาดยักษ์สองตัวมาคูณกัน แม้การคูณจะทำได้อย่างรวดเร็ว แต่กระบวนการย้อนกลับด้วยคอมพิวเตอร์ทั่วไปเพื่อเดาตัวเลขตั้งต้นนั้นซับซ้อนและต้องใช้เวลาสุ่มนานถึง 4,700 ล้านปี หรือเกือบเท่าอายุของจักรวาล ทำให้ระบบเดิมมีความปลอดภัยสูงมาก อย่างไรก็ตาม Julian Tan นักวิจัยจาก IBM Research เผยว่า เมื่อเผชิญกับการประมวลผลของควอนตัมคอมพิวเตอร์ โจทย์ที่เคยต้องใช้เวลาแก้เป็นพันล้านปีนี้จะถูกถอดรหัสจนหมดสิ้นภายในเวลาเพียง 8 ชั่วโมงเท่านั้น</p><p>ความเสี่ยงดังกล่าวทำให้ธนาคารระดับโลกตื่นตัว และสหรัฐอเมริกาต้องออก Executive Order บังคับให้หน่วยงานรัฐเตรียมรับมือ ดร.ศุภกร สิทธิไชย รักษาการแทนผู้อำนวยการใหญ่สำนักงานส่งเสริมเศรษฐกิจดิจิทัล (depa) จึงได้ร่วมมือกับ IBM ประเทศไทย จัดงาน Thailand Quantum Readiness Workshop ขึ้น เพื่อดึงนักวิจัย มหาวิทยาลัย ผู้พัฒนาเทคโนโลยี หน่วยงานรัฐ และภาคอุตสาหกรรม มานั่งร่วมโต๊ะเดียวกันในการร่าง Thailand Quantum Readiness White Paper ข้อเสนอเชิงนโยบายที่เป็นของทุกคนอย่างแท้จริง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/depa_ibm_quantum_ecosystem_ms3h90bd_inline_1_ddce2f9263.jpg" alt="quantum processor chip technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>Julian Tan อธิบายเพิ่มเติมว่า ควอนตัมคอมพิวเตอร์ไม่ใช่ CPU หรือ GPU ที่ทรงพลังขึ้น แต่เป็นกระบวนการคำนวณคนละรูปแบบโดยสิ้นเชิง โดยเปรียบเทียบคลาวด์คลื่นลูกแรกหรือ Quantum 1.0 ว่าอยู่รอบตัวเรามานานแล้ว เช่น เครื่อง MRI เซมิคอนดักเตอร์ และหลอดไฟ LED ส่วน Quantum Computing ถือเป็นคลื่นลูกที่สองที่เป็น General-Purpose Technology ในลักษณะเดียวกับไฟฟ้าหรืออินเทอร์เน็ต ที่ทุกอุตสาหกรรมจะต้องพึ่งพาในอนาคต</p><div class="ai-insight"><p>การทำความเข้าใจเรื่องควอนตัมคอมพิวเตอร์ในปัจจุบันมีความสำคัญอย่างยิ่ง เนื่องจากความสามารถในการคำนวณแบบคู่ขนานผ่านหลักฟิสิกส์ควอนตัมจะเปลี่ยนผ่านขีดจำกัดของมนุษยชาติ การที่ประเทศไทยเริ่มขับเคลื่อน Ecosystem ตั้งแต่ตอนนี้จึงเป็นกุศลสำคัญในการป้องกันไม่ให้ประเทศตกเป็นเบี้ยล่างทางเทคโนโลยีเมื่อถึงวันที่เทรนด์นี้พลิกโฉมเศรษฐกิจโลกอย่างสมบูรณ์</p></div><p>ด้าน Rizwan Hussain ผู้บริหารด้านการขายระบบควอนตัมของ IBM ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น อ้างอิงรายงานจาก World Economic Forum ว่า ทั่วโลกลงทุนด้านควอนตัมระดับประเทศไปแล้วเกือบ 2 ล้านล้านบาท ($56 billion) จาก 31 ประเทศที่ลงทุนจริงจัง โดยประเทศไทยอยู่ในกลุ่มดังกล่าวแต่ระบบนิเวศยังต้องขยายให้ใหญ่ขึ้น ขณะที่คุณอโณทัย เวทยากร กรรมการผู้จัดการใหญ่ IBM ประเทศไทย ประเมินว่า Quantum Computing จะสร้างมูลค่าทางเศรษฐกิจสูงถึง 70 ล้านล้านบาท ($2 trillion) ภายในปี 2035 ใน 4 กลุ่มหลัก ได้แก่ วิทยาศาสตร์ชีวภาพ เคมีภัณฑ์ บริการทางการเงิน และการคมนาคมขนส่ง</p><div class="stat-row"><div class="stat-item"><span class="stat-number">8 ชม.</span><span class="stat-label">เวลาถอดรหัส RSA 2048 ด้วยควอนตัม</span></div><div class="stat-item"><span class="stat-number">70 ล้านล้านบาท</span><span class="stat-label">มูลค่าเศรษฐกิจปี 2035</span></div><div class="stat-item"><span class="stat-number">62%</span><span class="stat-label">บริษัทที่ลงทุนใช้เงินกว่า 35 ล้านบาท/ปี</span></div></div><p>ความท้าทายสำคัญอีกประการคือช่องว่างของแรงงาน โดย Rizwan เปิดเผยตัวเลขว่าทุกๆ 3 ตำแหน่งงานด้านควอนตัมที่เปิดรับ มีผู้สมัครที่มีคุณสมบัติพร้อมจริงเพียง 1 คนเท่านั้น จึงเสนอให้ไทยดึงสถาบันหลักอย่างมหาวิทยาลัยเชียงใหม่และจุฬาลงกรณ์มหาวิทยาลัยเข้ามาร่วมมือกันพัฒนาหลักสูตรเพื่อรองรับอนาคต</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/news/thailand-quantum-readiness-ecosystem-ibm" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

<div class="key-takeaways"><ul><li>RSA Encryption 2048 bit secures current mobile apps but faces decryption in just 8 hours by quantum computers.</li><li>depa and IBM Thailand hosted the Thailand Quantum Readiness Workshop to co-create a national White Paper.</li><li>IBM targets delivering its error-corrected 200-qubit Starling quantum system by 2029.</li><li>WEF data shows global quantum investments have reached nearly THB 2 trillion, urging Thailand to expand its ecosystem.</li></ul></div><p>Security systems in smartphones and banking apps are currently safeguarded by a mathematical challenge known as RSA Encryption 2048 bit, created by multiplying two massive prime numbers. While multiplication is fast, reversing the process with conventional computers to guess the original numbers is so complex it would take 4.7 billion years of trial and error, roughly the age of the universe. However, Julian Tan, a researcher from IBM Research, pointed out that when processed by a quantum computer, this formidable puzzle can be entirely decrypted in a mere 8 hours.</p><p>This vulnerability has sparked urgency among global banks and prompted the United States to issue an Executive Order mandating government agencies to prepare. Dr. Supakorn Siddhichai, Acting President of the Digital Economy Promotion Agency (depa), partnered with IBM Thailand to host the Thailand Quantum Readiness Workshop. The initiative brought together researchers, universities, technology developers, government agencies, and industrial sectors to co-create the Thailand Quantum Readiness White Paper as a truly inclusive policy proposal.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/depa_ibm_quantum_ecosystem_ms3h90bd_inline_1_ddce2f9263.jpg" alt="quantum processor chip technology" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Julian Tan clarified that quantum computers are not simply faster CPUs or GPUs, but operate on an entirely different computational paradigm. He categorized first-wave quantum technology, or Quantum 1.0, as existing around us in MRIs, semiconductors, and LEDs, whereas Quantum Computing represents Quantum 2.0—a General-Purpose Technology comparable to electricity or the internet that will touch every future industry.</p><div class="ai-insight"><p>Comprehending quantum computing is critical today because its parallel processing capabilities driven by quantum mechanics will redefine human technological boundaries. Thailand establishing its ecosystem now serves as a vital safeguard to prevent technological disadvantage when this trend transforms the global economy.</p></div><p>Rizwan Hussain, IBM's General Manager of Quantum Sales for Asia Pacific and Japan, cited a World Economic Forum report noting that global investments in quantum technology have reached nearly THB 2 trillion ($56 billion) across 31 countries, with 20 having national quantum strategies. Thailand is listed among them, but its ecosystem requires massive expansion. Meanwhile, Khun Anothai Wettayakorn, Managing Director of IBM Thailand, estimated that Quantum Computing will generate up to THB 70 trillion ($2 trillion) in economic value by 2035 across four key sectors: life sciences, chemicals, financial services, and transportation.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">8 hrs</span><span class="stat-label">Time to crack RSA 2048 via quantum</span></div><div class="stat-item"><span class="stat-number">THB 70T</span><span class="stat-label">Economic value by 2035</span></div><div class="stat-item"><span class="stat-number">62%</span><span class="stat-label">Investing firms spending over THB 35M/yr</span></div></div><p>Another pressing challenge is the talent gap. Rizwan revealed that for every 3 open quantum job roles, there is only 1 qualified candidate available, suggesting that Thailand should engage leading institutions like Chiang Mai University and Chulalongkorn University to design dedicated curriculums for the future.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/news/thailand-quantum-readiness-ecosystem-ibm" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

medium_depa-ibm-quantum-ecosystem-ms3h90bd.jpg

small_depa-ibm-quantum-ecosystem-ms3h90bd.jpg

thumbnail_depa-ibm-quantum-ecosystem-ms3h90bd.jpg

depa-ibm-quantum-ecosystem-ms3h90bd.jpg

ถอดรหัสความพร้อมประเทศไทยสู่อยุคควอนตัมคอมพิวเตอร์ ดึงเครือข่ายนักวิจัยและภาครัฐร่วมร่างนโยบายรับมือความเปลี่ยนแปลงระดับโลก

Unpacking Thailand's readiness for the quantum era as industry leaders and researchers collaborate to shape a national policy framework.

depa ผนึก IBM และกระทรวงดีอี ปลุกไทยสร้าง Quantum Ecosystem

depa, IBM and MDES Unite to Build Thailand's Quantum Ecosystem

<div class="key-takeaways"><ul><li>บริษัทและองค์กรกว่า 24 แห่งร่วมลงนามในจดหมายเปิดผนึกถึงผู้กำหนดนโยบายสหรัฐฯ</li><li>รายชื่อผู้ลงนามมีทั้ง Meta, Microsoft, Nvidia, IBM, Dell และคู่แข่งทางการค้าอื่น ๆ</li><li>จดหมายชี้ว่าโมเดลแบบปิดสร้างจุดเปราะบางแบบจุดเดียว และจำกัดการเข้าถึงของนักวิจัยภายนอก</li><li>ผู้ร่วมลงนามสนับสนุนให้ใช้กลไกทางกฎหมายแก้ปัญหาการละเมิดแทนการแบนเทคนิคการกลั่นความรู้ (Distillation)</li></ul></div><p>บริษัทและองค์กรชั้นนำรวมกว่า 24 แห่งได้ร่วมกันลงชื่อในจดหมายเปิดผนึก เรียกร้องให้ผู้กำหนดนโยบายของสหรัฐอเมริกาปกป้องโมเดลปัญญาประดิษฐ์แบบเปิดน้ำหนัก (Open-Weight AI) ไม่ให้ถูกจำกัดสิทธิ์หรือถูกแบนโดยมาตรการที่เข้มงวดเกินไป</p><p>จดหมายฉบับดังกล่าวเผยแพร่เมื่อเร็ว ๆ นี้ โดยมีรายชื่อผู้สนับสนุนจากองค์กรที่มีทั้งความเป็นคู่แข่งทางการค้าโดยตรงและกลุ่มที่มีรูปแบบธุรกิจแตกต่างกันอย่างสิ้นเชิง เช่น Meta, Microsoft, Nvidia, IBM, Dell Technologies, CrowdStrike, Palantir, ServiceNow, Hugging Face, Perplexity, Mistral, Andreessen Horowitz, Y Combinator, Linux Foundation และ Mozilla</p><p>ใจความสำคัญของจดหมายฉบับนี้เป็นการเปรียบเทียบระหว่างกระบวนการเคลื่อนไหวซอฟต์แวร์โอเพนซอร์สในยุค 1980 กับการต่อสู้ในปัจจุบัน ว่าน้ำหนักของโมเดล AI ควรจะหมุนเวียนอย่างอิสระหรือควรถูกล็อกไว้หลังระบบ API เชิงพาณิชย์กันแน่ โมเดลแบบ Open-Weight คือระบบ AI ที่มีการเผยแพร่พารามิเตอร์ที่ผ่านการฝึกฝนแล้ว เพื่อให้ใครก็ตามสามารถดาวน์โหลด ตรวจสอบ แก้ไข และรันบนฮาร์ดแวร์ของตนเองได้ ซึ่งแตกต่างจากโมเดลแบบปิดจากบริษัทผู้นำตลาดอย่าง OpenAI หรือ Anthropic ที่ผู้ใช้เข้าถึงได้ผ่าน API เท่านั้น</p><div class="ai-insight"><p>การที่ยักษ์ใหญ่ระดับโลกอย่าง Meta, Microsoft และ Nvidia มารวมตัวกันในประเด็นนี้ สะท้อนให้เห็นว่าพวกเขามองเห็นประโยชน์ร่วมกันในการกระจายตัวของ AI เนื่องจากโมเดลแบบเปิดช่วยกระตุ้นความต้องการฮาร์ดแวร์และการประมวลผล ไม่ว่าโมเดลนั้นจะถูกพัฒนาโดยห้องปฏิบัติการใดก็ตาม ซึ่งต่างจากโมเดลปิดที่ผูกขาดการประมวลผลไว้ในโครงสร้างพื้นฐานของตนเอง</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_open_weight_ms1y362g_inline_1_34ba458a25.jpg" alt="datacenter computer chips AI hardware" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ผู้ลงนามระบุว่า โมเดลแบบเปิดคือกลไกสำคัญที่ช่วยกระจายขีดความสามารถของ AI ให้ก้าวข้ามจากห้องปฏิบัติการที่มีทุนหนา ไปสู่การใช้งานจริงในโรงพยาบาล โรงเรียน ฟาร์ม และธุรกิจในชุมชนทั่วไป นอกจากนี้ ในส่วนที่เกี่ยวกับความปลอดภัย พวกเขาโต้แย้งว่าระบบปิดไม่ได้ปลอดภัยกว่าโดยธรรมชาติ เนื่องจากสามารถถูกเจาะระบบ ถูกใช้งานในทางที่ผิด หรือเกิดความผิดพลาดที่นักวิจัยภายนอกไม่สามารถตรวจสอบได้ การรวบรวมขีดความสามารถไว้ที่ผู้ให้บริการแบบปิดจำนวนน้อยรายจึงเป็นการสร้างจุดอ่อนเดี่ยว (Single Point of Failure) มากกว่าการกำจัดมันทิ้ง</p><p>อีกหนึ่งประเด็นสำคัญในจดหมายคือการปกป้องเทคนิคการกลั่นความรู้ (Distillation) ซึ่งเป็นกระบวนการที่นำเอาผลลัพธ์จากโมเดลหนึ่งมาใช้ฝึกฝนหรือพัฒนาโมเดลตัวที่สอง ซึ่งเป็นวิธีปฏิบัติมาตรฐานในวงการแมชชีนเลิร์นนิง โดยจดหมายระบุว่าควรแก้ปัญหาการนำไปใช้โดยไม่ได้รับอนุญาตด้วยกลไกทางกฎหมายและการค้าที่เจาะจง แทนที่จะเป็นการจำกัดวงกว้าง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/meta-microsoft-nvidia-ibm-others-back-open-weight-ai/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>Two dozen companies and organisations signed an open letter to US policymakers urging protection for open-weight AI.</li><li>Signatories include direct commercial rivals such as Meta, Microsoft, Nvidia, IBM, and Dell.</li><li>The letter argues that closed models create single points of failure and block independent security oversight.</li><li>Signatories advocate for addressing model misappropriation via targeted legal measures rather than banning distillation.</li></ul></div><p>Two dozen companies and organisations have signed an open letter urging US policymakers to protect open-weight AI models from restrictive regulations.</p><p>The letter carries signatures from a diverse group that spans direct commercial rivals and organisations with distinct business models, including Meta, Microsoft, Nvidia, IBM, Dell Technologies, CrowdStrike, Palantir, ServiceNow, Hugging Face, Perplexity, Mistral, Andreessen Horowitz, Y Combinator, the Linux Foundation, and Mozilla.</p><p>The argument centres on drawing a parallel between the open-source software movement of the 1980s and the modern debate over whether AI model weights should circulate freely or remain locked behind commercial APIs. Open-weight models are AI systems where trained parameters are published for anyone to download, inspect, modify, and run locally, distinguishing them from closed frontier products offered strictly via API access.</p><div class="ai-insight"><p>The unusual alliance of major hardware providers and software platforms highlights a shared economic interest. Infrastructure giants like Nvidia, IBM, and Dell benefit directly from a flourishing open-weight ecosystem because a wider array of deployable models drives higher demand for compute and cloud services, regardless of which lab trains the weights.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_open_weight_ms1y362g_inline_1_34ba458a25.jpg" alt="datacenter computer chips AI hardware" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The signatories frame open weights as the essential mechanism for spreading AI capabilities beyond a handful of well-capitalised labs into everyday workflows across factories, hospitals, farms, and classrooms. Addressing security directly, the letter argues that closed models are not inherently safer because they can still be breached or fail in ways external researchers cannot observe, effectively concentrating advanced capabilities into single points of failure.</p><p>Furthermore, the letter carves out space for the controversial technique of distillation, where one model's outputs help train another. Rather than imposing blanket restrictions on standard machine learning practices, the signatories suggest addressing any potential misappropriation through targeted legal and commercial mechanisms.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/meta-microsoft-nvidia-ibm-others-back-open-weight-ai/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_article-351.jpg

small_article-351.jpg

thumbnail_article-351.jpg

article-351.jpg

บริษัทและองค์กรชั้นนำกว่า 24 แห่ง รวมถึง Meta, Microsoft และ Nvidia ร่วมลงชื่อในจดหมายเปิดผนึกปกป้องโมเดลปัญญาประดิษฐ์แบบเปิดน้ำหนัก

Two dozen prominent tech companies and organisations have signed an open letter urging US policymakers to protect open-weight AI models.

กลุ่มบริษัทเทคโนโลยียักษ์ใหญ่รวมตัวหนุน AI แบบ Open-Weight วอนผู้กำหนดนโยบายสหรัฐฯ คุ้มครอง

Meta, Microsoft, Nvidia, IBM, and Others Back Open-Weight AI in Open Letter to US Policy Makers

<div class="key-takeaways"><ul><li>ยอดขายเมนเฟรมของ IBM ร่วงลงถึง 42% ในไตรมาสล่าสุด</li><li>ลูกค้าระดับองค์กรโยกย้ายงบไปซื้อฮาร์ดแวร์อื่นที่ราคาพุ่งสูงขึ้น 15% ถึง 30%</li><li>ผู้บริหารยืนยันว่าปัญหาดังกล่าวเป็นเพียงความสะดุดชั่วคราวและไม่มีลูกค้าย้ายหนีระบบ</li></ul></div><p>บริษัทไอทีอายุ 115 ปีอย่าง IBM เผชิญกับไตรมาสที่ยากลำบากหลังจากเปิดเผยตัวเลขผลประกอบการประจำวันพุธที่ผ่านมา โดยแม้ว่าบริษัทจะยังคงทำรายได้รวมสูงถึง 1.72 หมื่นล้านดอลลาร์สหรัฐ มีกำไรขั้นต้น 9.9 พันล้านดอลลาร์สหรัฐ คิดเป็นอัตรากำไรเกือบ 58% และมีกำไรสุทธิ 2.2 พันล้านดอลลาร์สหรัฐในไตรมาสนี้ แต่ตัวเลขทั้งหมดก็ยังต่ำกว่าความคาดหมายของ Wall Street อย่างมาก</p><p>ความย่ำแย่ดังกล่าวทำให้ซีอีโอ Arvind Krishna และคณะกรรมการต้องตัดสินใจเตือนนักลงทุนล่วงหน้าก่อนการประกาศอย่างเป็นทางการว่าผลประกอบการแย่กว่าที่คาดการณ์ไว้ พร้อมทั้งปรับลดคาดการณ์การเติบโตตลอดทั้งปีลง โดยสาเหตุหลักมาจากธุรกิจเมนเฟรมซึ่งเป็นแหล่งทำเงินสำคัญของบริษัทมียอดขายลดลงถึง 42% ซึ่งส่งผลกระทบต่อเนื่องเป็นลูกโซ่ เพราะในทางธุรกิจแล้ว IBM สามารถสร้างรายได้จากซอฟต์แวร์ได้ถึง 3 ดอลลาร์สหรัฐ สำหรับทุก ๆ 1 ดอลลาร์สหรัฐที่ขายฮาร์ดแวร์เมนเฟรมได้ ตามคำอธิบายของซีเอฟโอ Jim Kavanaugh</p><div class="stat-row"><div class="stat-item"><span class="stat-number">42%</span><span class="stat-label">ยอดขายเมนเฟรมที่ลดลง</span></div><div class="stat-item"><span class="stat-number">3 ดอลลาร์</span><span class="stat-label">รายได้ซอฟต์แวร์ต่อฮาร์ดแวร์ 1 ดอลลาร์</span></div></div><p>ทางผู้บริหารระดับสูงอย่าง Arvind Krishna และ Jim Kavanaugh ได้ชี้แจงในที่ประชุมนักลงทุนว่าเหตุการณ์นี้เป็นเพียงความสะดุดชั่วคราวเท่านั้น ลูกค้าระดับองค์กรจำนวนหลักสิบรายที่มีกำหนดการต้องซื้อเครื่องเมนเฟรมใหม่ในไตรมาสนี้ ตัดสินใจชะลอการซื้อออกไปก่อน แม้จำนวนลูกค้าจะไม่มากนัก แต่ระบบเมนเฟรมมีมูลค่าสูงตั้งแต่หลักแสนถึงหลายล้านดอลลาร์สหรัฐ และยังสร้างรายได้ต่อเนื่องมหาศาลจากสัญญาบำรุงรักษาและซอฟต์แวร์</p><img class="img-bdrd-16 mb-20" src="https://api.inewgen.co/uploads/regen_22_inline_1_a53971b6a4.jpg" alt="corporate server room technology hardware" loading="lazy" /><p>วิกฤตบูมของปัญญาประดิษฐ์หรือ AI กลายเป็นดาบสองคมที่ทั้งหนุนและกดดันธุรกิจของ IBM ในเวลาเดียวกัน ลูกค้ากลุ่มดังกล่าวเลือกที่จะนำงบประมาณไปซื้อฮาร์ดแวร์ประเภทอื่นแทน เนื่องจากต้องเผชิญกับภาวะราคาอุปกรณ์ศูนย์ข้อมูลและพีซีที่พุ่งสูงขึ้นอย่างรวดเร็วถึง 15% ถึง 30% ซีอีโอ Arvind Krishna ระบุว่าเมื่อลูกค้าต้องเผชิญปัญหาราชาที่สูงลิ่ว จึงตัดสินใจโยกงบไปใช้ในส่วนที่จำเป็นเร่งด่วนเหล่านั้น ซึ่งสอดคล้องกับผู้ผลิตฮาร์ดแวร์รายใหญ่อย่าง Dell, HP และ Apple ที่ออกมาก่อนหน้านี้ว่าต้นทุนชิ้นส่วนหน่วยความจำที่สูงขึ้นจากกระแส AI ทำให้พวกเขาจำเป็นต้องปรับขึ้นราคาเช่นกัน</p><blockquote class="pull-quote"><p>"When they were faced with that issue, then they decided to move budget to those areas where they were having that extreme price"</p><cite>Arvind Krishna</cite></blockquote><div class="ai-insight"><p>การชะลอตัวชั่วคราวของฮาร์ดแวร์ราคาสูงอย่างเมนเฟรมสะท้อนให้เห็นว่า งบประมาณด้านไอทีขององค์กรทั่วโลกในยุค AI กำลังถูกจัดลำดับความสำคัญใหม่เพื่อรองรับต้นทุนโครงสร้างพื้นฐานที่สูงขึ้น แม้ตัวเลขจะร่วงลงในระยะสั้น แต่ระบบเมนเฟรมยังคงมีบทบาทสำคัญในระบบหลังบ้านขององค์กรขนาดใหญ่ ทำให้การย้ายระบบหนีไม่ใช่เรื่องง่ายและใช้เวลานาน</p></div><p>อย่างไรก็ตาม Arvind Krishna ได้ให้คำมั่นว่าลูกค้ากลุ่มดังกล่าวจะกลับมาซื้อเครื่องเมนเฟรมใหม่รวมถึงทำสัญญาซอฟต์แวร์อย่างแน่นอนในอนาคตอันใกล้ และเปิดเผยว่าลูกค้าบางรายได้เริ่มกลับมาดำเนินการซื้อขายแล้วในไตรมาสนี้ พร้อมย้ำว่าบริษัทไม่พบหลักฐานใด ๆ ที่บ่งชี้ว่าลูกค้ากำลังทยอยเลิกใช้งานระบบเมนเฟรม</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/07/22/after-shocking-quarter-ibm-insists-that-ai-isnt-killing-the-mainframe/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

<div class="key-takeaways"><ul><li>IBM's mainframe sales plummeted by 42% in the latest quarter</li><li>Enterprise clients reallocated budgets to purchase other hardware whose prices surged by 15% to 30%</li><li>Executives assure that the issue is merely a temporary hiccup and no clients are migrating away from the system</li></ul></div><p>The 115-year-old IT giant IBM faced a difficult quarter after revealing its financial figures last Wednesday. Although the company still generated total revenue as high as $17.2 billion, a gross profit of $9.9 billion representing a profit margin of nearly 58%, and a net profit of $2.2 billion this quarter, all figures still fell significantly short of Wall Street expectations.</p><p>This downturn led CEO Arvind Krishna and the board to warn investors ahead of the official announcement that financial results were worse than projected, while also lowering their full-year growth outlook. The main cause was the mainframe business—a vital revenue source for the company—which saw a 42% sales drop. This triggered a cascading effect because, from a business standpoint, IBM can generate $3 in software revenue for every $1 of mainframe hardware sold, according to an explanation by CFO Jim Kavanaugh.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">42%</span><span class="stat-label">Decline in mainframe sales</span></div><div class="stat-item"><span class="stat-number">$3</span><span class="stat-label">Software revenue per $1 of hardware</span></div></div><p>Top executives Arvind Krishna and Jim Kavanaugh clarified during the investor meeting that this event is merely a temporary hiccup. A few dozen enterprise clients who were scheduled to purchase new mainframe machines this quarter decided to postpone their purchases. Although the number of clients is small, mainframe systems carry high values ranging from hundreds of thousands to millions of dollars and continue to generate massive ongoing revenue from maintenance contracts and software.</p><img class="img-bdrd-16 mb-20" src="https://api.inewgen.co/uploads/regen_22_inline_1_a53971b6a4.jpg" alt="corporate server room technology hardware" loading="lazy" /><p>The artificial intelligence, or AI, boom crisis has become a double-edged sword that both supports and pressures IBM's business simultaneously. Those clients chose to allocate their budgets toward purchasing other types of hardware instead, as they faced rapidly soaring prices for data center equipment and PCs surging by 15% to 30%. CEO Arvind Krishna stated that when clients faced these sky-high prices, they decided to divert budgets to those urgently needed areas. This aligns with major hardware manufacturers like Dell, HP, and Apple, who previously stated that higher memory component costs driven by the AI trend made it necessary for them to raise prices as well.</p><blockquote class="pull-quote"><p>"When they were faced with that issue, then they decided to move budget to those areas where they were having that extreme price"</p><cite>Arvind Krishna</cite></div><div class="ai-insight"><p>The temporary slowdown in high-priced hardware such as mainframes reflects that global enterprise IT budgets in the AI era are being reprioritized to accommodate rising infrastructure costs. Despite short-term figures dropping, mainframe systems still play a crucial role in the back-end systems of large enterprises, making system migration difficult and time-consuming.</p></div><p>Nevertheless, Arvind Krishna pledged that these client groups will definitely return to purchase new mainframes and execute software contracts in the near future, and revealed that some clients have already started resuming transactions this quarter. He also reiterated that the company found no evidence indicating that clients are gradually phasing out mainframe systems.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/07/22/after-shocking-quarter-ibm-insists-that-ai-isnt-killing-the-mainframe/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

medium_regen-22.jpg

small_regen-22.jpg

thumbnail_regen-22.jpg

regen-22.jpg

IBM แจ้งผลประกอบการไตรมาสล่าสุดต่ำกว่าคาด หลังยอดขายเมนเฟรมดิ่งฮวบเนื่องจากลูกค้าย้ายงบไปซื้อฮาร์ดแวร์ราคาสูงจากบูม AI ยืนยันไม่ใช่จุดจบของระบบ

IBM announces latest quarter earnings below expectations after mainframe sales plummet as clients shift budgets to buy high-priced hardware driven by the AI boom, while reaffirming it is not the end of the system.

IBM เผยยอดขายเมนเฟรมร่วง 42% โทษกระแส AI ทำงบลูกค้าสะดุดชั่วคราว

IBM Reports 42% Drop in Mainframe Sales, Blames AI Trend for Temporary Budget Interruption

Inewgen

Inewgen

#IBM

เจาะลึกเหตุผลที่ระบบ HPC ยุคเก่าเลือกใช้ POWER SPARC

Inewgen

IBM เปิดตัว Granite 4.2: โมเดลโอเพนซอร์สพร้อมการให้เหตุผล

Inewgen

depa ผนึก IBM และกระทรวงดีอี ปลุกไทยสร้าง Quantum Ecosystem

Inewgen

กลุ่มบริษัทเทคโนโลยียักษ์ใหญ่รวมตัวหนุน AI แบบ Open-Weight วอนผู้กำหนดนโยบายสหรัฐฯ คุ้มครอง

Inewgen

IBM เผยยอดขายเมนเฟรมร่วง 42% โทษกระแส AI ทำงบลูกค้าสะดุดชั่วคราว

Inewgen