เปิดซอร์สโค้ดเอนจินรันงานโปรดักชัน DeepInfer ภายใต้ Apache 2.0
เมื่อวันที่ 20 ตุลาคม 2026 บริษัท DeepSeek ได้ประกาศเปิดตัวและเผยแพร่ซอร์สโค้ดของเฟรมเวิร์กสำหรับการประมวลผลการอนุมาน (Inference Framework) ภายใต้ชื่อ DeepInfer บนแพลตฟอร์ม GitHub ด้วยสัญญาอนุญาตแบบโอเพนซอร์ส Apache 2.0 โครงการดังกล่าวคือเอนจินหลักที่ทาง DeepSeek นำมาใช้ขับเคลื่อนบริการอนุมานโมเดลขนาดใหญ่ในระดับโปรดักชันจริง
การปล่อยซอร์สโค้ดในเวอร์ชันเริ่มต้นนี้ มุ่งเป้าหมายเฉพาะเจาะจงไปที่การรองรับโมเดล DeepSeek-V4.1-Flash โดยมีจุดเด่นสำคัญอยู่ที่การออกแบบให้ทำงานได้แบบคู่ขนานข้ามฮาร์ดแวร์สองค่ายยักษ์ใหญ่ ได้แก่ หน่วยประมวลผลกราฟิก NVIDIA สถาปัตยกรรม SM100 ในศูนย์ข้อมูล และหน่วยประมวลผลนิวรัลเน็ตเวิร์ก Huawei Ascend 950
นอกจากตัวเอนจินหลักแล้ว ทางผู้พัฒนายังได้เปิดตัว deepseek-recipe ควบคู่กัน ซึ่งเป็นคลังซอฟต์แวร์ที่พัฒนาด้วยภาษา Rust พร้อมไบนดิงสำหรับ Python ทำหน้าที่แปลงโพรโทคอล API เพื่อเชื่อมต่อระบบประมวลผลส่วนหลังเข้ากับมาตรฐานทั่วไป เช่น Chat Completions API
เจาะลึกสถาปัตยกรรมระบบและข้อกำหนดทางเทคนิค
DeepInfer อัดแน่นด้วยเทคนิคการเพิ่มประสิทธิภาพระดับล่างที่ออกแบบมาสำหรับโมเดลภาษาขนาดใหญ่ โดยโครงสร้างแกนกลางประกอบด้วยคอร์เนลและรันไทม์การสุ่มตัวอย่าง (Sampler Runtime) ที่ปรับแต่งเป็นพิเศษ รวมถึงกลไกการขนานแบบผสมผสาน ได้แก่ Attention Data Parallelism (DP), Balanced Context Parallelism (CP) ตลอดจน Mixture-of-Experts Expert Parallelism พร้อมระบบกระจายภาระงาน (MoE EP + EPLB)
ในแง่ของอัลกอริทึมการเร่งความเร็ว เอนจินนี้รองรับการถอดรหัสแบบเก็งกำไร (Speculative Decoding) ผ่านเทคนิค DSpark ร่วมกับการตรวจสอบผลแบบกำหนดตารางความเชื่อมั่น (Confidence-Scheduled Verification), กลไก Sliding Window Attention (SWA) Bounded Replay, ระบบจัดคิวแบทช์แบบอะซิงโครนัสระหว่าง CPU และชิปประมวลผลแบบไร้โอเวอร์เฮด (Zero-Overhead Batch Scheduler) ตลอดจนการบังคับสร้างผลลัพธ์แบบมีโครงสร้าง (Structured Outputs)
สำหรับข้อกำหนดด้านซอฟต์แวร์และฮาร์ดแวร์ ระบบต้องการสภาพแวดล้อมระบบปฏิบัติการ Linux, ภาษา Python เวอร์ชัน 3.12 ขึ้นไป และคอมไพเลอร์ GCC เวอร์ชัน 13.0 ขึ้นไป หากใช้งานบนฮาร์ดแวร์ NVIDIA SM100 จะต้องใช้ไดรเวอร์และชุดเครื่องมือ CUDA 13 ขณะที่การรันบน Huawei Ascend 950 จำเป็นต้องใช้งานร่วมกับซอฟต์แวร์สแตก CANN เวอร์ชัน 9.2
ข้อจำกัดเชิงระบบและการแบ่งแยกฮาร์ดแวร์
แม้ว่า DeepInfer จะเปิดเผยสถาปัตยกรรมระดับแกนกลาง แต่เอกสารเผยแพร่ระบุข้อจำกัดสำคัญทางวิศวกรรมที่ผู้ดูแลระบบต้องตระหนักไว้ ประการแรก ฟีเจอร์การสุ่มตัวอย่างแบบดีเทอร์มินิสติก (Deterministic Sampling) และการอนุมานแบบไม่แปรผันตามขนาดของแบทช์ (Batch-Invariant Inference) ถูกจำกัดไว้ให้ใช้งานได้เฉพาะบนฮาร์ดแวร์ของ NVIDIA เท่านั้น ยังไม่รองรับบนฝั่ง Huawei Ascend
ประการสำคัญที่สุด DeepInfer ถูกออกแบบมาให้ทำหน้าที่เป็นเอนจินประมวลผลแบบออฟไลน์ (Offline Execution Engine) เป็นหลัก ผู้พัฒนาที่ต้องการนำไปปรับใช้ในสภาพแวดล้อมที่ให้บริการจริงแบบกระจายศูนย์ จำเป็นต้องจัดเตรียมหรือพัฒนาระบบเสริมต่อเติมเอง เช่น เลเยอร์จัดเก็บแคช KV ภายนอก (External KV Cache Tier), โครงสร้างการแยกส่วนระหว่างรอบการคำนวณ Prefill และ Decode (Disaggregation) ตลอดจนระบบกระจายโหลดระหว่างชุดเรพลิกา (Replica Load Balancing)
เสียงสะท้อนจากกลุ่มนักพัฒนาและวิศวกรระบบ
ในหมู่นักพัฒนาและวิศวกรโครงสร้างพื้นฐาน AI การเปิดเผยซอร์สโค้ดครั้งนี้ได้รับความสนใจอย่างกว้างขวาง โดยเฉพาะการเปิดให้ตรวจสอบคอร์เนลระดับล่างและการสลับสถาปัตยกรรมเร่งการประมวลผลระหว่าง NVIDIA และ Huawei Ascend ได้อย่างสะดวกรวดเร็วผ่านการตั้งค่าตัวแปรสภาพแวดล้อม (Environment Variable) ซึ่งถือเป็นกรณีศึกษาสำคัญในการออกแบบระบบรองรับชิปประมวลผลหลากหลายค่าย
อย่างไรก็ตาม วิศวกรระบบระดับโปรดักชันจำนวนมากตั้งข้อสังเกตเชิงวิพากษ์ว่า DeepInfer ไม่สามารถนำมาติดตั้งเพื่อทดแทนเฟรมเวิร์กยอดนิยมอย่าง vLLM หรือ SGLang ได้ทันที เนื่องจากตัวซอฟต์แวร์ขาดโมดูลระบบเครือข่ายและการจัดการหน่วยความจำแคชแบบกระจายศูนย์ ทำให้การนำไปใช้จริงยังต้องอาศัยทรัพยากรด้านวิศวกรรมซอฟต์แวร์อย่างมีนัยสำคัญ ส่วนการคาดเดาในชุมชนเทคโนโลยีว่าการปล่อยซอฟต์แวร์นี้จะทำลายโมเดลธุรกิจของแล็บ AI ในสหรัฐฯ นั้น ถือเป็นการตีความเกินจริงที่ยังไม่มีข้อมูลเชิงประจักษ์รองรับ
นัยสำคัญต่อภาคธุรกิจและโครงสร้างพื้นฐานไอทีในไทย
สำหรับองค์กรธุรกิจและผู้ให้บริการศูนย์ข้อมูลในประเทศไทย การมาถึงของ DeepInfer ให้บทเรียนสำคัญในด้านกลยุทธ์การจัดซื้อและบริหารโครงสร้างพื้นฐานปัญญาประดิษฐ์ โดยเฉพาะการลดการผูกขาดเทคโนโลยี (Vendor Lock-in) กับชิปเซ็ตประมวลผลจากค่ายใดค่ายหนึ่ง การที่ซอฟต์แวร์ระดับโปรดักชันสามารถรันข้ามสถาปัตยกรรมช่วยเปิดทางเลือกใหม่ในการคำนวณความคุ้มค่าต่อการลงทุน (TCO)
อย่างไรก็ดี องค์กรในไทยที่พิจารณานำ DeepInfer มาใช้งานจำเป็นต้องประเมินความพร้อมของทีมวิศวกรรมข้อมูลภายใน เนื่องจากระบบต้องใช้คอมไพเลอร์รุ่นใหม่ (GCC 13.0+) และสแตกระดับลึกอย่าง CUDA 13 หรือ CANN 9.2 อีกทั้งยังต้องรับภาระในการออกแบบชั้นสถาปัตยกรรมแคชและโหลดบาลานซ์ด้วยตนเอง หากองค์กรไม่มีทรัพยากรนักพัฒนาซอฟต์แวร์ระบบระดับล่าง การพึ่งพาเฟรมเวิร์กสำเร็จรูปหรือบริการคลาวด์แบบเดิมอาจยังเป็นทางเลือกที่ปลอดภัยกว่าในระยะสั้น
การเปิดสถาปัตยกรรมคอร์เนลรันงานจริงที่สลับไปมาระหว่างชิปสหรัฐฯ และจีนได้ ช่วยลดความเสี่ยงจากการพึ่งพาซัพพลายเออร์ฮาร์ดแวร์รายเดียวสำหรับองค์กรที่ต้องการคุมต้นทุนการประมวลผลขั้นสูง