ค่าใช้จ่ายฝ่ายทุนด้านโครงสร้างพื้นฐานคลัสเตอร์ GPU ทั่วโลกสูงถึง $68.0 billion ขณะที่คลัสเตอร์การฝึกโมเดลระดับแนวหน้าขยายขนาดเป็น GPU เชื่อมต่อกัน 100,000-150,000 ตัว ซึ่งใช้พลังงาน 100-150 เมกะวัตต์, 84.2% ของซูเปอร์คอมพิวเตอร์ TOP500 ติดตั้ง GPU และคลัสเตอร์ 100k GPU ต้องเผชิญกับความเสียหายของอุปกรณ์ 8.5-14 ครั้งต่อวัน ในขณะที่ InfiniBand ครองส่วนแบ่ง 68% ของเครือข่ายคลัสเตอร์ และศูนย์ข้อมูล 100k GPU มีค่าใช้จ่ายในการสร้าง $4.0 billion ขีดความสามารถถึง 62% ตั้งอยู่ในสหรัฐอเมริกา และ 24% ของเมกะคลัสเตอร์ที่วางแผนไว้กำลังสำรวจการใช้พลังงานนิวเคลียร์ ข้อมูลด้านล่างมาจากงานวิจัยเชิงประจักษ์ที่เผยแพร่โดย TOP500, Meta FAIR, SemiAnalysis, Uptime Institute, FERC, 650 Group และ Epoch AI
TL;DR
- รายจ่ายฝ่ายทุนรายปีทั่วโลกสำหรับเมกะคลัสเตอร์ AI และซูเปอร์คอมพิวเตอร์ GPU สูงถึง $68.0 billion
- คลัสเตอร์การฝึกปัญญาประดิษฐ์ระดับแนวหน้าขยายขนาดระหว่าง 100,000 ถึง 150,000 GPU ที่เชื่อมต่อถึงกัน
- 84.2% ของซูเปอร์คอมพิวเตอร์ที่ทรงพลังที่สุดในโลกในการจัดอันดับ TOP500 ใช้โหนดเร่งความเร็ว GPU (TOP500)
- เมกะคลัสเตอร์ซูเปอร์คอมพิวเตอร์ขนาด 100,000 GPU ใช้พลังงานต่อเนื่อง 100 ถึง 150 เมกะวัตต์ (MW)
- ศูนย์ข้อมูล AI ยุคใหม่มีประสิทธิภาพการใช้พลังงาน (PUE) อยู่ระหว่าง 1.12 ถึง 1.18
- การขอเชื่อมต่อระบบจำหน่ายไฟฟ้าขนาด 100MW+ ต้องเผชิญกับความล่าช้าในการรอคิวเฉลี่ย 3.5 ถึง 5.0 ปี (FERC)
- เครือข่าย NVIDIA InfiniBand ขับเคลื่อน 68.0% ของคลัสเตอร์การฝึกระดับแนวหน้า (32% ใช้ RoCE v2 Ethernet)
- คลัสเตอร์ 100k GPU ประสบปัญหาฮาร์ดแวร์เสียหายเฉลี่ย 8.5 ถึง 14.0 ครั้งต่อวัน (Meta FAIR)
- ระยะเวลาเฉลี่ยระหว่างความล้มเหลว (MTBF) ในคลัสเตอร์ 100k เฉลี่ย 2.8 ถึง 4.2 ชั่วโมงก่อนเกิดข้อผิดพลาดที่ไม่สามารถกู้คืนได้
- 12.0% ของเวลาฝึกซูเปอร์คอมพิวเตอร์ทั้งหมดถูกใช้ไปกับการเขียน ซิงค์ และกู้คืน Checkpoint ค่าน้ำหนักโมเดล
- การสร้างเมกะดาต้าเซ็นเตอร์ AI ขนาด 100,000 GPU ต้องใช้ CapEx รวมประมาณ $4.00 billion (SemiAnalysis)
- 24.0% ของเมกะดาต้าเซ็นเตอร์ AI ขนาด >500MW ที่วางแผนใหม่กำลังสำรวจการตั้งอยู่ร่วมกับโรงไฟฟ้านิวเคลียร์
- 62.0% ของขีดความสามารถคลัสเตอร์ซูเปอร์คอมพิวเตอร์ AI ขั้นสูงทั่วโลกกระจุกตัวอยู่ในสหรัฐอเมริกา
1. โครงสร้างพื้นฐานระดับแนวหน้า: Capex $68B และคลัสเตอร์ 150,000 GPU
การฝึกโมเดลพื้นฐานหลายล้านล้านพารามิเตอร์ยุคถัดไปจำเป็นต้องใช้ซูเปอร์คอมพิวเตอร์แบบขนานขนาดใหญ่ SemiAnalysis ประเมินว่าค่าใช้จ่ายฝ่ายทุนประจำปีสำหรับคลัสเตอร์ GPU อยู่ที่ $68.0 billion
การปรับขนาดคลัสเตอร์: ห้องปฏิบัติการชั้นนำระดับแนวหน้าติดตั้ง GPU ที่เชื่อมต่อกัน 100,000 ถึง 150,000 ตัว (Meta FAIR/xAI) โดย 84.2% ของระบบซูเปอร์คอมพิวเตอร์ TOP500 ติดตั้งโหนดเร่งความเร็วด้วย GPU
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ค่าใช้จ่ายฝ่ายทุนโครงสร้างพื้นฐานเมกะคลัสเตอร์ AI และซูเปอร์คอมพิวเตอร์ GPU ทั่วโลก (ไฮเปอร์สเกลเลอร์ & AI อธิปไตย) | รายจ่ายฝ่ายทุนคลัสเตอร์ GPU ประจำปี $68.0 Billion | SemiAnalysis / Synergy Research Group / IDC |
| ขนาดคลัสเตอร์การฝึกระดับแนวหน้า: จำนวน GPU ที่เชื่อมต่อกันในคลัสเตอร์การฝึก AI เพื่อการผลิตที่ใหญ่ที่สุดในโลก | 100,000 ถึง 150,000 GPU ที่เชื่อมต่อถึงกันต่อเมกะคลัสเตอร์ | Meta FAIR (คลัสเตอร์ Llama 4) / ข้อมูลเปิดเผย xAI Colossus |
| อันดับซูเปอร์คอมพิวเตอร์ TOP500: สัดส่วนของซูเปอร์คอมพิวเตอร์ที่ทรงพลังที่สุด 500 อันดับแรกของโลกที่ใช้โหนด GPU | 84.2% ของซูเปอร์คอมพิวเตอร์ TOP500 ใช้งานตัวเร่งความเร็ว GPU | การจัดอันดับซูเปอร์คอมพิวเตอร์อย่างเป็นทางการ TOP500 (มิถุนายน 2026) |
ข้อกำหนดฮาร์ดแวร์เซมิคอนดักเตอร์ AI เชื่อมโยงกับ สถิติตลาดชิป AI ของเรา แหล่งที่มา: TOP500 Supercomputer Rankings
2. ความเป็นจริงด้านพลังงาน: 150 เมกะวัตต์, PUE 1.15 และการรอคิวสายส่งไฟฟ้า 4 ปี
การจัดหาพลังงานไฟฟ้าฐานต่อเนื่องระดับกิกะวัตต์ได้เข้ามาแทนที่ความพร้อมของชิปในฐานะคอขวดหลักของการปรับขนาด คลัสเตอร์ 100k GPU ใช้พลังงาน 100 ถึง 150 MW
ความล่าช้าของระบบส่งไฟฟ้า: การขอเชื่อมต่อระบบไฟฟ้าขนาด 100MW+ ต้องใช้เวลา 3.5 ถึง 5.0 ปี (FERC/Berkeley Lab) ในขณะที่ศูนย์ข้อมูลที่สร้างขึ้นโดยเฉพาะสามารถรักษา PUE ที่มีประสิทธิภาพ 1.12 ถึง 1.18 (Uptime Institute)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การใช้พลังงานไฟฟ้าของเมกะคลัสเตอร์ 100k GPU (รวมการประมวลผล เครือข่าย และระบบทำความเย็นด้วยของเหลว) | พลังงานไฟฟ้าต่อเนื่อง 100 ถึง 150 เมกะวัตต์ (MW) | SemiAnalysis Cluster Power Architecture / IEEE |
| ประสิทธิภาพการใช้พลังงาน (PUE): คะแนนประสิทธิภาพการใช้พลังงานเฉลี่ยของศูนย์ข้อมูล AI ที่สร้างขึ้นเฉพาะ | ค่าประสิทธิภาพการใช้พลังงาน (PUE) เฉลี่ย 1.12 ถึง 1.18 | Uptime Institute Global Datacenter Survey |
| ความล่าช้าในการเชื่อมต่อโครงข่ายไฟฟ้า: ระยะเวลารอเฉลี่ยสำหรับศูนย์ข้อมูล AI ในการเชื่อมต่อระบบไฟฟ้า 100MW+ | ความล่าช้าในการรอคิวเชื่อมต่อโครงข่ายไฟฟ้า 3.5 ถึง 5.0 ปี | Federal Energy Regulatory Commission (FERC) / Lawrence Berkeley Lab |
โครงสร้างพื้นฐานระบบไฟฟ้าของศูนย์ข้อมูลเชื่อมโยงกับ สถิติศูนย์ข้อมูล ของเรา แหล่งที่มา: Uptime Institute Datacenter Survey
3. สถาปัตยกรรมเครือข่ายเชื่อมต่อ: InfiniBand 68% และ 1.8 TB/s NVLink
การประมวลผลแบบขนานเทนเซอร์ All-to-all จำเป็นต้องมีแบนด์วิดท์แบบแบ่งครึ่ง (bisection) ที่ไม่ติดขัดและความหน่วงต่ำมากระหว่างแร็ก 650 Group บันทึกว่า 68.0% ของคลัสเตอร์ใช้ InfiniBand
แฟบริกความเร็วสูง: NVLink ให้แบนด์วิดท์สองทิศทาง 1.8 TB/s ต่อโหนด (NVIDIA) ขณะที่ RoCE v2 Ethernet คิดเป็น 32.0% ของการใช้งานในกลุ่มไฮเปอร์สเกลเลอร์ (Ultra Ethernet Consortium)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| โปรโตคอลเครือข่ายเชื่อมต่อโครงข่าย: ส่วนแบ่งตลาด NVIDIA Quantum-2 / Quantum-X800 InfiniBand ในคลัสเตอร์แนวหน้า | 68.0% ของคลัสเตอร์ AI ระดับแนวหน้าใช้ InfiniBand | 650 Group / Crehan Research Datacenter Networking |
| การยอมรับ RoCE v2 (RDMA over Converged Ethernet) ในคลัสเตอร์ไฮเปอร์สเกลเลอร์ระดับองค์กร (Arista, Cisco, Broadcom) | 32.0% ของคลัสเตอร์ AI ติดตั้ง RoCE v2 Ethernet | ข้อมูลเปิดเผยของ Ultra Ethernet Consortium (UEC) |
| แบนด์วิดท์เครือข่าย Bisection: ปริมาณการรับส่งข้อมูลเครือข่ายสองทิศทางต่อโหนด GPU ในคลัสเตอร์ NVLink ขั้นสูง | แบนด์วิดท์ Bisection ของ NVLink ขนาด 1.8 เทราไบต์ต่อวินาที (TB/s) | เอกสารทางเทคนิค NVIDIA NVLink 5.0 |
แบนด์วิดท์เครือข่ายศูนย์ข้อมูลเชื่อมโยงกับ สถิติศูนย์ข้อมูล ของเรา แหล่งที่มา: 650 Group Networking Telemetry
4. ความน่าเชื่อถือของฮาร์ดแวร์: ความเสียหาย 12 ครั้ง/วัน และรอบ MTBF 3 ชั่วโมง
การทำงานของยูนิตความร้อนหลายหมื่นตัวที่แรงดันไฟฟ้าสูงสุดทำให้เกิดการเสื่อมสภาพของอุปกรณ์อย่างต่อเนื่อง Meta FAIR บันทึกความล้มเหลวของฮาร์ดแวร์ 8.5 ถึง 14.0 ครั้งต่อวัน
ระยะเวลาเฉลี่ยระหว่างความล้มเหลว: คลัสเตอร์ประสบข้อผิดพลาดที่ไม่สามารถกู้คืนได้ทุกๆ 2.8 ถึง 4.2 ชั่วโมง ส่งผลให้ต้องใช้เวลา 12.0% ของเวลาคำนวณทั้งหมดในการเขียนสถานะ Checkpoint ลงในอาร์เรย์ NVMe ความเร็วสูง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| อัตราความล้มเหลวของฮาร์ดแวร์ในคลัสเตอร์ 100k GPU: ค่าเฉลี่ยความล้มเหลวของ GPU, HBM หรือทรานซีเวอร์ออปติคอลต่อวัน | ความเสียหายของชิ้นส่วนฮาร์ดแวร์ 8.5 ถึง 14.0 ครั้งต่อวัน | Meta FAIR Llama 3 Infrastructure Retrospective |
| ระยะเวลาเฉลี่ยระหว่างความล้มเหลว (MTBF): เวลาฝึกอบรมต่อเนื่องเฉลี่ยก่อนที่โหนดจะล้มเหลวจนต้องหยุดการฝึก | MTBF เฉลี่ย 2.8 ถึง 4.2 ชั่วโมงในคลัสเตอร์ 100k GPU | ข้อมูลความน่าเชื่อถือด้าน AI ของ Google Cloud / Microsoft Azure |
| ค่าใช้จ่ายในการบันทึกและกู้คืน Checkpoint: เวลาที่ใช้ในการบันทึกและกู้คืนค่าน้ำหนักโมเดลจากพื้นที่จัดเก็บ NVMe | 12.0% ของเวลาฝึกทั้งหมดของคลัสเตอร์ถูกใช้ไปกับการทำ Checkpointing | Databricks / MosaicML Training Benchmarks |
ความต่อเนื่องของบริการด้านไอทีระดับองค์กรเชื่อมโยงกับ สถิติระบบไอทีล่ม ของเรา แหล่งที่มา: Meta FAIR Infrastructure Retrospective
5. เศรษฐศาสตร์ด้านทุน: เมกะดาต้าเซ็นเตอร์ $4.0B และสัดส่วนชิปซิลิคอน 68%
การจัดหาเงินทุนสำหรับโครงสร้างพื้นฐานระดับกิกะวัตต์ต้องอาศัยกลุ่มทุนระดับรัฐบาล SemiAnalysis ประเมินต้นทุนไว้ที่ $4.00 billion สำหรับศูนย์ข้อมูลขนาด 100k GPU
การจัดสรร CapEx: 68.0% ของเงินทุนถูกใช้ไปกับชิป GPU ซิลิคอน ($2.7B) ในขณะที่ทรานซีเวอร์ออปติคอลความเร็วสูง 800G/1.6T และสวิตชิ่งแฟบริกคิดเป็น 14.5% ของงบประมาณทั้งหมด (LightCounting)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| โครงสร้างต้นทุน CapEx ในการสร้างเมกะดาต้าเซ็นเตอร์ AI ขนาด 100,000 GPU (รายจ่ายฝ่ายทุนรวม 3.5 พันล้านถึง 4.5 พันล้านดอลลาร์) | ต้นทุนการก่อสร้างและฮาร์ดแวร์รวม $4.00 Billion | SemiAnalysis Megacluster Cost Breakdown |
| สัดส่วนฮาร์ดแวร์ GPU ซิลิคอนในงบประมาณ CapEx รวมของเมกะดาต้าเซ็นเตอร์ (เทียบกับเครือข่าย ที่ดิน สถานีไฟฟ้าย่อย) | 68.0% ของงบประมาณทั้งหมดใช้ไปกับชิป GPU ซิลิคอนโดยตรง | Synergy Research Group Infrastructure Analysis |
| สัดส่วนทรานซีเวอร์ออปติคอลและอุปกรณ์ออปติกใน CapEx รวมของคลัสเตอร์ (ทรานซีเวอร์ออปติคอล 800G/1.6T) | 14.5% ของงบประมาณทั้งหมดใช้ไปกับอุปกรณ์ออปติกความเร็วสูง | รายงานการสื่อสารเชิงแสงของ LightCounting |
การประเมินมูลค่าตลาดเซมิคอนดักเตอร์ AI เชื่อมโยงกับ สถิติตลาดชิป AI ของเรา แหล่งที่มา: SemiAnalysis Megacluster Cost Breakdown
6. ภูมิรัฐศาสตร์และพลังงาน: ส่วนแบ่งสหรัฐฯ 62% และการสำรวจพลังงานนิวเคลียร์ 24%
ความสามารถในการแข่งขันระดับชาติและข้อจำกัดด้านคาร์บอนกำลังขับเคลื่อนการตั้งอยู่ร่วมกับเครื่องปฏิกรณ์ที่ปล่อยมลพิษเป็นศูนย์ 24.0% ของคลัสเตอร์ขนาด 500MW+ ที่วางแผนไว้กำลังสำรวจพลังงานนิวเคลียร์
การกระจุกตัวทางภูมิศาสตร์: 62.0% ของการประมวลผล AI ขั้นสูงอยู่ในสหรัฐอเมริกา (Epoch AI) โดยมี 28 ประเทศที่เปิดตัวคลัสเตอร์ซูเปอร์คอมพิวเตอร์ AI อธิปไตยแห่งชาติ (OECD)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การบูรณาการพลังงานนิวเคลียร์และพลังงานสะอาด: เมกะคลัสเตอร์ AI ที่ตั้งร่วมกับโรงไฟฟ้านิวเคลียร์หรือเครื่องปฏิกรณ์ SMR | 24.0% ของดาต้าเซ็นเตอร์ AI ขนาด >500MW ที่วางแผนใหม่สำรวจพลังงานนิวเคลียร์ | Constellation Energy / ข้อตกลงพลังงานของ Microsoft |
| การกระจุกตัวทางภูมิศาสตร์ทั่วโลก: สัดส่วนขีดความสามารถซูเปอร์คอมพิวเตอร์ GPU ทั่วโลกที่ตั้งอยู่ในสหรัฐอเมริกา | 62.0% ของขีดความสามารถซูเปอร์คอมพิวเตอร์ AI ทั่วโลกอยู่ในสหรัฐฯ | Epoch AI Supercomputer Geography Census |
| คลัสเตอร์ซูเปอร์คอมพิวเตอร์ Sovereign AI: รัฐบาลที่ให้ทุนสนับสนุนคลัสเตอร์ GPU อธิปไตยในประเทศ (EU, ญี่ปุ่น, UAE, สหราชอาณาจักร) | 28 โครงการซูเปอร์คอมพิวเตอร์ AI อธิปไตยระดับชาติที่เปิดใช้งานแล้ว | OECD AI Policy Observatory / Gartner |
สรุป: คลัสเตอร์ GPU ในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มาหลัก |
|---|---|---|
| Capex รายปีของคลัสเตอร์ GPU ทั่วโลก | $68.0 Billion | SemiAnalysis / Synergy Research |
| ขนาด GPU ในคลัสเตอร์การฝึกระดับแนวหน้า | 100k - 150k GPUs/คลัสเตอร์ | Meta FAIR / ข้อมูลเปิดเผย xAI |
| ซูเปอร์คอมพิวเตอร์ TOP500 ที่ใช้ GPU | 84.2% ของระบบ TOP500 | การจัดอันดับอย่างเป็นทางการ TOP500 |
| การใช้พลังงานของคลัสเตอร์ 100k GPU | 100 - 150 Megawatts (MW) | SemiAnalysis / IEEE |
| ประสิทธิภาพการใช้พลังงานของดาต้าเซ็นเตอร์ AI | ค่าเฉลี่ย 1.12 - 1.18 PUE | การสำรวจของ Uptime Institute |
| ความล่าช้าในการรอคิวเชื่อมต่อโครงข่ายไฟฟ้า | ความล่าช้า 3.5 - 5.0 ปี | FERC / Berkeley Lab |
| ส่วนแบ่งของ InfiniBand ในคลัสเตอร์แนวหน้า | ส่วนแบ่ง 68.0% InfiniBand | 650 Group / Crehan Research |
| แบนด์วิดท์โหนดสองทิศทางของ NVLink | แบนด์วิดท์ 1.8 TB/s NVLink | เอกสารทางเทคนิคของ NVIDIA |
| ความเสียหายของอุปกรณ์ต่อวัน (100k GPU) | 8.5 - 14.0 ครั้ง/วัน | ข้อมูลโครงสร้างพื้นฐาน Meta FAIR |
| ระยะเวลาเฉลี่ยระหว่างความล้มเหลว (MTBF) | 2.8 - 4.2 ชั่วโมง MTBF | ข้อมูล Google Cloud / Azure |
| เวลาฝึกอบรมที่ใช้ในการทำ Checkpointing | 12.0% ของเวลาฝึกอบรม | Databricks / MosaicML |
| CapEx รวมสำหรับศูนย์ข้อมูล 100k GPU | ต้นทุนรวม $4.00 Billion | การวิเคราะห์ต้นทุน SemiAnalysis |
| สัดส่วน GPU ซิลิคอนใน CapEx ของดาต้าเซ็นเตอร์ | 68.0% ของงบประมาณทั้งหมด | Synergy Research Group |
| เมกะคลัสเตอร์ตามแผนที่สำรวจพลังงานนิวเคลียร์ | 24.0% สำรวจนิวเคลียร์ | Constellation / Microsoft |
| ขีดความสามารถคลัสเตอร์ AI ทั่วโลกในสหรัฐฯ | 62.0% ตั้งอยู่ในสหรัฐฯ | การสำรวจซูเปอร์คอมพิวเตอร์ Epoch AI |
ระเบียบวิธีและแหล่งที่มา
สถิติในรายงานนี้ได้รับการรวบรวมจากการทดสอบประสิทธิภาพซูเปอร์คอมพิวเตอร์จาก TOP500 Organization, รายงานวิศวกรรมโครงสร้างพื้นฐานอย่างเป็นทางการจาก Meta Platforms Inc. (FAIR) และ Google Cloud, การวิเคราะห์ต้นทุนและพลังงานของศูนย์ข้อมูลจาก SemiAnalysis และ Synergy Research Group, การติดตามโครงข่ายพลังงานจาก FERC และการสำรวจภูมิศาสตร์การคำนวณระหว่างประเทศจาก Epoch AI และ OECD
-
TOP500 Organization & Meta Platforms (FAIR): TOP500 Supercomputer Rankings and Llama 3 Infrastructure Retrospective (capex $68B, 84.2% TOP500 GPU, ขนาด 100k-150k, ความเสียหาย 8.5-14 ครั้ง/วัน)
-
SemiAnalysis: Mega-Cluster Economics: 100k GPU Datacenter CapEx, Power Grids, and Optical Networking (ต้นทุน $4.0B, พลังงาน 100-150MW, InfiniBand 68%, สัดส่วนซิลิคอน 68%)
-
Uptime Institute & Federal Energy Regulatory Commission (FERC): Datacenter Energy Efficiency (PUE) and Grid Queue Delays (PUE 1.12-1.18, รอคิวโครงข่ายไฟฟ้า 3.5-5.0 ปี)
-
650 Group & Ultra Ethernet Consortium (UEC): Datacenter Networking Telemetry: InfiniBand vs RoCE v2 Ethernet (InfiniBand 68%, RoCE v2 32%, NVLink 1.8 TB/s)
-
Epoch AI & OECD AI Policy Observatory: Geographical Distribution of AI Compute and Sovereign Supercomputers (ส่วนแบ่งสหรัฐฯ 62%, โครงการอธิปไตย 28 โครงการ, นิวเคลียร์ 24%)
-
ข้อสังเกตข้อมูล: สถิติคลัสเตอร์ GPU สะท้อนถึงซูเปอร์คอมพิวเตอร์ประมวลผลสมรรถนะสูง (HPC) ที่เชื่อมต่อถึงกันและศูนย์ข้อมูล AI ระดับองค์กรที่มีโหนดเร่งความเร็วมากกว่า 10,000 โหนด แร็กเซิร์ฟเวอร์ระดับแผนกขนาดเล็ก (<1,000 GPU) จะถูกแยกประเภทต่างหาก
-
อัปเดตล่าสุด: สิงหาคม 2026 การสรุปข้อมูลนี้จะได้รับการอัปเดตทุกไตรมาสเมื่อมีการเผยแพร่รายชื่อ TOP500 ทุกครึ่งปี รายงานโครงสร้างพื้นฐาน Meta AI และรายงานศูนย์ข้อมูล SemiAnalysis