ย้ายมารัน LLM เองเมื่อไหร่ และควรซื้อฮาร์ดแวร์อะไร: คู่มือสำหรับองค์กรไทยปลายปี 2026

คำถามที่เราได้ยินบ่อยจากโรงงาน โรงพยาบาล และบริษัทที่ปรึกษาในไทยคือ "ควรซื้อการ์ดจอรุ่นไหน" ซึ่งเป็นคำถามที่ถามเร็วเกินไป คำถามแรกที่ควรถามคือ งานชิ้นไหนของเราจำเป็นต้องออกจาก cloud จริงหรือไม่ ถ้าคำตอบคือใช่ เรื่องฮาร์ดแวร์ค่อยตามมา

บทความนี้ตอบทั้งสองส่วน: เกณฑ์ตัดสินว่าเมื่อไหร่ควรรันเอง และฮาร์ดแวร์ที่เหมาะกับแต่ละสถานการณ์ ณ เดือนตุลาคม 2026

เหตุผลที่ควรรันเอง และเหตุผลที่ไม่ควร

คนมักเริ่มด้วยเรื่องต้นทุน ซึ่งเป็นเหตุผลที่อ่อนที่สุด เหตุผลที่ยืนได้จริงมี 4 ข้อ

1. ข้อมูลออกนอกเครือข่ายไม่ได้ ข้อมูลส่วนบุคคลของลูกค้าและพนักงาน สัญญา ข้อมูลการผลิต บันทึกความปลอดภัย ภายใต้ PDPA การส่งข้อมูลส่วนบุคคลให้ผู้ให้บริการภายนอกหรือโอนไปต่างประเทศต้องมีฐานทางกฎหมายและมาตรการคุ้มครองที่เหมาะสม ส่วนองค์กรที่อยู่ภายใต้ พ.ร.บ.ไซเบอร์ หรือเป็นโครงสร้างพื้นฐานสำคัญ มักมีข้อกำหนดเรื่องการควบคุมข้อมูลเข้มกว่านั้น เหตุผลข้อนี้ไม่เกี่ยวกับปริมาณการใช้หรือราคาเลย
2. งานง่ายแต่ปริมาณมาก การจัดหมวดหมู่ การดึงข้อมูลจากเอกสาร การแปล embeddings และการค้นเอกสารภายใน รันได้ดีบนโมเดลเปิดขนาดเล็กถึงกลาง ประมาณการจุดคุ้มทุนที่มีผู้เผยแพร่อยู่ในช่วงหลายสิบล้านไปจนถึงมากกว่าร้อยล้านโทเคนต่อเดือน ขึ้นกับโมเดลที่จะมาแทนและฮาร์ดแวร์ที่ซื้อ ต่ำกว่านั้น API มักถูกกว่า
3. ความหน่วงหรือการเชื่อมต่อ โรงงานในนิคมฯ หรือไซต์ห่างไกลที่อินเทอร์เน็ตไม่เสถียร หรือจุดตรวจสอบคุณภาพที่ต้องตอบในเสี้ยววินาที
4. มีโมเดลที่ fine-tune เองไว้แล้ว และไม่มีผู้ให้บริการรายใดเปิดให้ใช้

ควรอยู่บน cloud ต่อเมื่อปริมาณใช้งานต่ำหรือผันผวน ต้องการกำลังเสริมช่วงพีก หรืองานต้องใช้การให้เหตุผลระดับสูงสุด สำหรับงานเขียนโค้ดแบบเอเจนต์ที่ยากที่สุด โมเดลปิดระดับแนวหน้ายังนำอยู่ ช่องว่างกับโมเดลเปิดแคบลงแล้ว แต่โมเดลที่ถูกควอนไทซ์บนเครื่องตั้งโต๊ะเครื่องเดียวไม่ใช่ตัวแทนของโมเดลแนวหน้า และการเทียบราคาต่อโทเคนราวกับว่าเทียบกันได้เป็นความผิดพลาดที่พบบ่อย

คำนวณจุดคุ้มทุนให้ตรงไปตรงมา

สูตรง่ายคือ ต้นทุนฮาร์ดแวร์รายเดือน หารด้วยราคา API ต่อโทเคน แต่สูตรนี้ตกหล่น 2 อย่าง

• อัตราการใช้งานเครื่อง เครื่องผลิตโทเคนได้ไม่เกินเพดานต่อเดือน ถ้าจุดคุ้มทุนอยู่เหนือเพดานนั้น การรันเองไม่มีทางชนะไม่ว่าจะใช้มากแค่ไหน
• แรงงานดูแลระบบ การอัปเดต การเฝ้าระวัง ระบบสำรอง และคนเข้าเวร ใส่ตัวเลขเหล่านี้เข้าไปแล้วจุดคุ้มทุนจะเลื่อนออกไป

ลองตรวจอย่างง่ายๆ: ดูจำนวนโทเคนจริงต่อเดือนจากแดชบอร์ดของผู้ให้บริการ คูณด้วยราคาของโมเดลที่คุณจะเปลี่ยนจริงๆ (ไม่ใช่รุ่นแพงที่สุด) แล้วเทียบกับค่าเสื่อมฮาร์ดแวร์ บวกค่าไฟ บวกสัดส่วนเวลาวิศวกร สำหรับราคาในไทย อย่าลืมบวกภาษีนำเข้า VAT และส่วนต่างราคาจากผู้จำหน่ายในประเทศ ซึ่งมักทำให้ราคาจริงสูงกว่าตัวเลขสากลด้านล่าง

ฮาร์ดแวร์: แบบไหนเหมาะกับสถานการณ์ใด

แบนด์วิดท์หน่วยความจำและความจุหน่วยความจำเป็นตัวกำหนดแทบทุกอย่าง การสร้างโทเคนแต่ละตัวต้องอ่านน้ำหนักโมเดลจากหน่วยความจำ การ์ดที่แบนด์วิดท์สูงจึงเร็วกว่า และเครื่องที่หน่วยความจำมากกว่าจึงรองรับโมเดลใหญ่กว่า ตัวเลขกำลังประมวลผลดิบมีความสำคัญน้อยกว่ามากสำหรับงานแชตและเอเจนต์

ราคาด้านล่างเป็นราคาโดยประมาณเป็นดอลลาร์สหรัฐจากคู่มือเลือกซื้อเดือนตุลาคม 2026 ซึ่งเปลี่ยนได้ทุกสัปดาห์ ควรตรวจราคาจริงก่อนซื้อ

มีข้อควรทราบ 2 ข้อ Mac Studio M5 Ultra รุ่น 512GB มีรายงานว่าเริ่มส่งมอบเดือนตุลาคม 2026 และ ณ เวลาที่เขียนยังไม่มีผลทดสอบอิสระ และคู่มือบางฉบับแนะนำให้รอถ้ารอได้ เพราะคาดว่าจะมีสินค้าใหม่จาก Apple และ NVIDIA ในไตรมาสที่ 4

โมเดลไหน บนเครื่องแบบไหน

• gpt-oss-20b ใช้หน่วยความจำราว 16GB ส่วน gpt-oss-120b ใส่ได้ภายในราว 80GB ทั้งคู่ใช้สัญญาอนุญาต Apache 2.0
• Qwen3-Coder 30B (พารามิเตอร์ที่ทำงานราว 3.3B) ได้รับการยอมรับว่าเป็นหนึ่งในโมเดลเขียนโค้ดที่ดีที่สุดสำหรับการ์ดจอระดับผู้บริโภคใบเดียว
• Qwen3-Coder-Next (รวม 80B ทำงาน 3B, Apache 2.0) เป็นตัวเลือกเขียนโค้ดแบบรันเองที่น่าสนใจบนเครื่อง 128GB
• โมเดลเปิดที่ใหญ่ที่สุดอย่าง GLM-5.2 และ Kimi K3 มีน้ำหนักเปิด แต่ต้องใช้เซิร์ฟเวอร์เต็มโหนด สำหรับองค์กรส่วนใหญ่จึงเป็นตัวเลือกแบบ API ไม่ใช่แบบรันเอง

สำหรับงานภาษาไทย ให้ทดสอบโมเดลกับเอกสารจริงของคุณเอง เพราะเกณฑ์วัดส่วนใหญ่เป็นภาษาอังกฤษ และคุณภาพกับถ้อยคำทางกฎหมายหรือหนังสือราชการภาษาไทยต่างกันมากกว่าที่ตารางคะแนนบอก

แผนผังตัดสินใจ

flowchart TD
    A["เริ่มจากงานหนึ่งชิ้น"] --> B["ข้อมูลต้องอยู่ในเครือข่ายของคุณหรือไม่"]
    B -->|"ใช่"| L["รันเอง"]
    B -->|"ไม่ใช่"| C["ปริมาณต่อเดือนสูงและงานไม่ซับซ้อนหรือไม่"]
    C -->|"ใช่"| D["ทดลองโมเดลภายในแล้วเทียบคุณภาพ"]
    C -->|"ไม่ใช่"| E["ต้องการการให้เหตุผลระดับแนวหน้าหรือไม่"]
    E -->|"ใช่"| F["ใช้ API บน cloud ต่อ"]
    E -->|"ไม่ใช่"| G["ความหน่วงหรือการเชื่อมต่อเป็นข้อจำกัดหรือไม่"]
    G -->|"ใช่"| L
    G -->|"ไม่ใช่"| F
    D -->|"คุณภาพพอ"| L
    D -->|"คุณภาพไม่พอ"| F

ให้ตัดสินทีละงาน ไม่ใช่ทั้งบริษัท องค์กรส่วนใหญ่จบที่การใช้ทั้งสองแบบ

รูปแบบที่ใช้ได้จริง: แยกเส้นทางตามงาน

การตั้งค่าที่ได้ผลคือแบบผสม

• เก็บ cloud API ไว้สำหรับการให้เหตุผลที่ยากและงานโค้ดที่ซับซ้อน
• ย้ายงาน RAG บนเอกสารภายใน งานประมวลผลปริมาณมาก และงานที่ละเอียดอ่อนมาไว้บนโมเดลภายในองค์กร
• เปิดโมเดลภายในผ่านเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เพื่อให้แอปสลับระหว่างภายในกับ cloud ได้ด้วยการแก้ค่าตั้งค่า ไม่ต้องแก้โค้ด

ข้อสุดท้ายนี้คือสิ่งที่ทำให้การตัดสินใจย้อนกลับได้ ถ้าไตรมาสหน้ามีโมเดลเปิดที่ดีกว่า หรือปริมาณงานเปลี่ยน คุณย้ายงานได้โดยไม่ต้องเขียนแอปใหม่

Simplico ช่วยตรงไหน

Simplico ติดตั้ง LLM แบบ on-premise ให้องค์กรในไทย ญี่ปุ่น และภูมิภาค ตั้งแต่การเลือกโมเดลและควอนไทซ์ให้เหมาะกับฮาร์ดแวร์ ชั้น API ที่เข้ากันได้กับ OpenAI ระบบ RAG บนเอกสารของคุณ ไปจนถึง guardrails บันทึกตรวจสอบ และการเชื่อมต่อกับ ERP และ MES ขั้นแรกคือการประเมินว่างานใดควรอยู่บนโมเดลภายในและงานใดคงไว้บน cloud ได้ และเรารับทำ proof of concept ขอบเขตเล็กก่อนที่คุณจะตัดสินใจซื้อฮาร์ดแวร์

ยังไม่แน่ใจว่าองค์กรอยู่จุดไหน? ลองใช้ แบบประเมินความพร้อม Local LLM ฟรี 25 ข้อ ครอบคลุมการปฏิบัติตามกฎหมาย โครงสร้างพื้นฐาน ความชัดเจนของการใช้งาน การเชื่อมต่อระบบ และความพร้อมขององค์กร อ่านรายละเอียดบริการได้ที่ หน้า simpliLLM หรืออีเมลมาที่ hello@simplico.net พร้อมคำอธิบายสั้นๆ ของงานและข้อจำกัดด้านข้อมูล

คำถามที่พบบ่อย

รัน LLM เองถูกกว่า cloud API หรือไม่
ถูกกว่าเฉพาะเมื่อใช้งานสม่ำเสมอในปริมาณมาก และเทียบกับโมเดลที่คุณจะเปลี่ยนจริงๆ เท่านั้น ถ้าปริมาณต่ำหรือไม่แน่นอน API มักถูกกว่าเมื่อรวมฮาร์ดแวร์ ค่าไฟ และเวลาดูแลระบบ

ต้องใช้ GPU ของ NVIDIA หรือไม่
ถ้าใช้เพื่ออนุมานอย่างเดียวก็ไม่จำเป็น Apple Silicon และ AMD Strix Halo รันโมเดลใหญ่ได้ดีผ่าน llama.cpp, Ollama และ MLX NVIDIA เป็นตัวเลือกที่เหมาะเมื่อต้องการ CUDA, vLLM หรือ TensorRT-LLM หรือต้องการให้ระบบภายในเหมือนระบบจริงบน CUDA

ต้องใช้หน่วยความจำเท่าไหร่
โดยประมาณสำหรับควอนไทซ์ Q4: โมเดล 7B-8B ราว 8GB, 20B-24B ราว 16GB, 32B ราว 24GB, 70B dense ตั้งแต่ 40GB ขึ้นไป โมเดล MoE ขนาดใหญ่อย่าง gpt-oss-120b ต้องราว 80GB และควรเผื่อพื้นที่สำหรับ context

โมเดลภายในแทน Claude, GPT หรือ Gemini ได้หรือไม่
งานสรุป จัดหมวดหมู่ ดึงข้อมูล และถามตอบเอกสาร มักแทนได้ แต่งานให้เหตุผลที่ยากที่สุดและงานโค้ดแบบเอเจนต์ โมเดลปิดที่ดีที่สุดยังนำอยู่ จึงเป็นเหตุผลที่แบบผสมเป็นค่าเริ่มต้นที่สมเหตุสมผล

ซื้อฮาร์ดแวร์ตอนนี้หรือรอดี
ถ้ามีงานที่ถูกกำกับและ use case ชัดเจน เครื่อง 128GB ระดับกลางเป็นจุดเริ่มต้นที่เสี่ยงต่ำและขายต่อหรือเปลี่ยนไปใช้งานอื่นได้ง่าย ถ้าเพิ่งสำรวจ ให้เช่า GPU หรือใช้เครื่องที่มีอยู่ก่อน คาดว่าจะมีฮาร์ดแวร์ใหม่ในไตรมาสที่ 4

รันเองแล้วสอดคล้องกับ PDPA โดยอัตโนมัติหรือไม่
ช่วยตัดคำถามเรื่องการโอนข้อมูลข้ามประเทศและการส่งให้บุคคลที่สาม แต่การปฏิบัติตามกฎหมายยังขึ้นกับการควบคุมการเข้าถึง การเก็บบันทึก ระยะเวลาเก็บรักษา และวิธีใช้งานระบบ ให้มองเป็นมาตรการหนึ่ง และตรวจสอบหน้าที่เฉพาะของคุณกับฝ่ายกฎหมายและฝ่ายกำกับดูแล