Stable Diffusion ได้ปฏิวัติวงการของ AI เชิงสร้างสรรค์ ทำให้การสังเคราะห์ข้อความเป็นรูปภาพคุณภาพสูงสามารถเข้าถึงได้โดยผู้ใช้หลากหลายกลุ่ม โดยทั่วไป การเรียกใช้ Stable Diffusion ในเครื่องจำเป็นต้องใช้หน่วยประมวลผลกราฟิก (GPU) แบบแยกส่วนเนื่องจากโมเดลนี้ต้องการการประมวลผลสูง อย่างไรก็ตาม การพัฒนาล่าสุดในชุดเครื่องมือซอฟต์แวร์ สถาปัตยกรรมฮาร์ดแวร์ และการเพิ่มประสิทธิภาพที่ขับเคลื่อนโดยชุมชนได้เริ่มเปลี่ยนแปลงแนวคิดนี้ บทความนี้จะสำรวจว่าคุณสามารถเรียกใช้ Stable Diffusion โดยไม่ต้องใช้ GPU เฉพาะได้หรือไม่ และทำอย่างไร โดยจะสังเคราะห์ข่าวสารและการวิจัยล่าสุดเพื่อจัดทำคู่มือที่ครอบคลุมและเป็นมืออาชีพ
Stable Diffusion คืออะไร และทำไมจึงจำเป็นต้องใช้ GPU
ภาพรวมของสถาปัตยกรรมการแพร่กระจายที่มั่นคง
Stable Diffusion คือโมเดลการแพร่กระจายแฝงที่เปิดตัวในปี 2022 ซึ่งสามารถสร้างภาพที่มีความเที่ยงตรงสูงจากข้อความแจ้งเตือนได้ โดยทำงานโดยปรับแต่งสัญญาณรบกวนซ้ำๆ ในรูปแบบการแสดงแฝงโดยใช้เครือข่ายประสาทเทียมที่ใช้ UNet ซึ่งควบคุมโดยตัวเข้ารหัสข้อความ (มักใช้ CLIP) กระบวนการนี้เกี่ยวข้องกับขั้นตอนการกำจัดสัญญาณรบกวนหลายพันขั้นตอน โดยแต่ละขั้นตอนต้องใช้การคูณเมทริกซ์และการบิดเบือนข้อมูลจำนวนมากในเทนเซอร์ที่มีมิติสูง
บทบาทของ GPU ในการอนุมานการเรียนรู้ของเครื่องจักร
GPU โดดเด่นในด้านการประมวลผลแบบขนาน โดยมีแกนประมวลผลหลายพันแกนที่ปรับให้เหมาะสมสำหรับการดำเนินการเมทริกซ์และเวกเตอร์ สถาปัตยกรรมนี้ช่วยเร่งความเร็วในการคำนวณเทนเซอร์ซึ่งเป็นศูนย์กลางของแบบจำลองที่ใช้การแพร่กระจายอย่างมาก หากไม่มี GPU การอนุมานบน CPU อาจช้าลงอย่างมาก ทำให้การใช้งานแบบเรียลไทม์หรือแบบโต้ตอบไม่สามารถทำได้ในทางปฏิบัติ จากการเปรียบเทียบประสิทธิภาพ การใช้งาน Stable Diffusion บน CPU เพียงอย่างเดียวในช่วงแรกอาจใช้เวลานานกว่า 30 วินาทีต่อขั้นตอนการลดสัญญาณรบกวน เมื่อเทียบกับ GPU ในปัจจุบันที่ใช้เวลาน้อยกว่า XNUMX วินาที
ฉันสามารถเรียกใช้ Stable Diffusion โดยไม่ต้องใช้ GPU ได้หรือไม่?
แนวทางแบบเดิมที่ใช้ CPU เพียงอย่างเดียว
ในช่วงเริ่มต้นของโมเดลนี้ สมาชิกในชุมชนพยายามเรียกใช้ Stable Diffusion บน CPU โดยใช้ไลบรารี "diffusers" ของ PyTorch เริ่มต้น แม้ว่าจะใช้งานได้จริง แต่แนวทางนี้ต้องประสบปัญหาความล่าช้าอย่างมาก การสร้างภาพขนาด 512×512 เพียงภาพเดียวอาจใช้เวลาหลายนาทีบน CPU มัลติคอร์ระดับไฮเอนด์ ทำให้ไม่เหมาะสำหรับผู้ใช้ส่วนใหญ่
การปรับปรุงชุดเครื่องมือล่าสุด
OpenVINO 2025.2 รองรับการแพร่กระจายที่เสถียร
ชุดเครื่องมือ OpenVINO AI ของ Intel เปิดตัวเวอร์ชัน 2025.2 ในเดือนมิถุนายน 2025 โดยเพิ่มการรองรับโมเดล AI เชิงสร้างสรรค์หลายรุ่น รวมถึง Stable Diffusion 3.5 Large Turbo และ SD‑XL Inpainting บนทั้ง CPU และ NPU ที่รวมเข้าด้วยกัน การอัปเดตนี้ช่วยให้สามารถอนุมานที่ปรับให้เหมาะสมด้วยการวัดปริมาณและการปรับแต่งกราฟที่ปรับแต่งมาสำหรับสถาปัตยกรรมของ Intel
การปรับปรุงแบ็กเอนด์ PyTorch Inductor CPP
ชุมชนนักพัฒนา PyTorch ได้ปรับปรุงประสิทธิภาพการอนุมานของ CPU อย่างจริงจัง แบ็กเอนด์ Inductor CPP มุ่งเป้าไปที่การดำเนินการที่ทันสมัย (SOTA) ของโมเดลสำคัญๆ รวมถึง Stable Diffusion บน CPU ของ Intel เกณฑ์มาตรฐานบ่งชี้ประสิทธิภาพ GEMM ที่สามารถแข่งขันได้และการใช้หน่วยความจำที่ได้รับการปรับปรุง ทำให้ช่องว่างระหว่างการอนุมานที่ใช้ GPU ลดลง
โครงการเร่งความเร็ว CPU เฉพาะ
FastSD CPU ซึ่งเป็นโครงการโอเพ่นซอร์ส ได้นำการอนุมานการแพร่กระจายแบบเสถียรกลับมาใช้ใหม่โดยใช้ Latent Consistency Models และการกลั่นการแพร่กระจายแบบต่อต้าน โดยโครงการนี้จะเพิ่มความเร็วได้อย่างมากด้วยการกลั่นกระบวนการสุ่มตัวอย่างออกเป็นขั้นตอนที่น้อยลงแต่มีประสิทธิภาพมากขึ้น ซึ่งออกแบบมาสำหรับ CPU แบบมัลติคอร์
ฮาร์ดแวร์และซอฟต์แวร์ใดบ้างที่รองรับ Stable Diffusion ที่ใช้ CPU เพียงอย่างเดียว
Intel OpenVINO และ NPU แบบออนได
OpenVINO™ ช่วยเพิ่มประสิทธิภาพการแปลงโมเดลจาก PyTorch หรือ ONNX ให้เป็นรูปแบบที่เหมาะสมที่สุดสำหรับการอนุมาน CPU โดยใช้ประโยชน์จากคำสั่งเวกเตอร์ (เช่น AVX‑512) และการเพิ่มประสิทธิภาพของกราฟ นอกจากนี้ SoC สำหรับมือถือและเดสก์ท็อปล่าสุดของ Intel ยังผสานหน่วยประมวลผลประสาท (NPU) ที่สามารถถ่ายโอนภาระงานของเทนเซอร์ได้ ช่วยเพิ่มประสิทธิภาพให้กับฮาร์ดแวร์ที่เข้ากันได้อีกด้วย
เอพียู AMD Ryzen AI Max+395
Ryzen AI Max+395 ของ AMD ซึ่งมีรหัสว่า Strix Halo ผสมผสานคอร์ CPU ประสิทธิภาพสูงกับ NPU เฉพาะและหน่วยความจำรวมขนาดใหญ่ APU นี้มุ่งเป้าไปที่แอปพลิเคชัน AI เชิงสร้างสรรค์ โดยอ้างประสิทธิภาพที่ดีที่สุดในระดับเดียวกันสำหรับการอนุมานการแพร่กระจายแบบเสถียรในพื้นที่โดยไม่ต้องใช้ GPU แบบแยกส่วน
โครงการที่ขับเคลื่อนโดยชุมชน: stable‑diffusion.cpp และการอนุมานแบบไฮบริด
การใช้งาน C++ แบบเบาที่ชื่อว่า stable‑diffusion.cpp ซึ่งออกแบบมาสำหรับ CPU ได้รับการปรับปรุงในเชิงวิชาการ เช่น การเพิ่มประสิทธิภาพคอนโวลูชั่น 2D ที่ใช้ Winograd ซึ่งทำให้อุปกรณ์ Apple M4.8 Pro มีความเร็วเพิ่มขึ้นถึง 1 เท่า เครื่องมือที่พึ่งพาขั้นต่ำและรองรับหลายแพลตฟอร์มดังกล่าวทำให้การปรับใช้ CPU เพียงอย่างเดียวเป็นไปได้มากขึ้น (arxiv.org) กลยุทธ์ไฮบริดที่รวมทรัพยากร CPU และ GPU หรือ NPU ขนาดเล็กกำลังได้รับความนิยมมากขึ้นเรื่อยๆ เพื่อความสมดุลระหว่างต้นทุนและประสิทธิภาพ
รองรับยูทิลิตี้ OEM และเมนบอร์ด
ปัจจุบันยูทิลิตี้ OEM เช่น ASRock AI QuickSet v1.0.3i มอบการติดตั้ง Stable Diffusion WebUI ด้วยการเพิ่มประสิทธิภาพ OpenVINO ด้วยการคลิกเพียงครั้งเดียว ทำให้การตั้งค่าบนเมนบอร์ดที่ใช้ Intel ง่ายขึ้นสำหรับผู้ใช้ที่ไม่มีความเชี่ยวชาญด้านเทคนิคอย่างลึกซึ้ง
การทำงานโดยไม่ใช้ GPU จะต้องแลกกับประสิทธิภาพอย่างไรบ้าง
การเปรียบเทียบความเร็วและปริมาณงาน
แม้จะมีชุดเครื่องมือที่ปรับให้เหมาะสมแล้ว การอนุมานของ CPU ก็ยังช้ากว่า GPU ตัวอย่างเช่น การใช้ OpenVINO 2025.2 บน Intel Xeon 16 คอร์อาจให้ภาพได้ 0.5–1 ภาพต่อนาที เมื่อเทียบกับ 5–10 ภาพต่อนาทีบน RTX 4090 CPU FastSD และ NPU เฉพาะทางสามารถลดช่องว่างนี้ได้บ้าง แต่การสร้างแบบโต้ตอบแบบเรียลไทม์ยังคงไม่สามารถทำได้
การพิจารณาคุณภาพและความแม่นยำ
ไพพ์ไลน์ที่ปรับให้เหมาะกับ CPU มักอาศัยการวัดปริมาณ (เช่น FP16, INT8) เพื่อลดแบนด์วิดท์หน่วยความจำ ซึ่งอาจทำให้เกิดสิ่งแปลกปลอมเล็กน้อยเมื่อเทียบกับการทำงานของ GPU ที่มีความแม่นยำเต็มรูปแบบ ความแม่นยำ FP16 ของ OpenVINO บน CPU Xeon แสดงให้เห็นถึงการลดเวลาแฝงลงถึง 10% ในการดำเนินการโทเค็นบางอย่าง ซึ่งบ่งชี้ว่าจำเป็นต้องปรับแต่งอย่างต่อเนื่อง
การพิจารณาต้นทุนและการเข้าถึง
แม้ว่า GPU อาจมีต้นทุนเริ่มต้นที่สูง โดยเฉพาะในระดับสูง แต่ CPU รุ่นใหม่ก็กลายเป็นมาตรฐานในเดสก์ท็อปและแล็ปท็อปส่วนใหญ่ การใช้ฮาร์ดแวร์ CPU ที่มีอยู่จะช่วยลดอุปสรรคสำหรับนักเล่นอดิเรก นักการศึกษา และผู้ใช้ที่ใส่ใจความเป็นส่วนตัว ซึ่งไม่สามารถหรือไม่ต้องการใช้บริการ GPU บนคลาวด์
เมื่อใดการอนุมานโดยใช้ CPU เพียงอย่างเดียวจึงเหมาะสม?
การสร้างต้นแบบและการทดลอง
การทดลองในช่วงเริ่มต้นหรือการสร้างงานปริมาณน้อยสามารถทนต่อความเร็วที่ช้าของการอนุมาน CPU ได้ โดยเฉพาะเมื่อสำรวจการออกแบบที่รวดเร็วหรือการปรับเปลี่ยนโมเดลโดยไม่ต้องเสียค่าใช้จ่ายด้านฮาร์ดแวร์เพิ่มเติม
การใช้งานต้นทุนต่ำหรือแบบ edge
อุปกรณ์ Edge ที่ไม่มี GPU แยก เช่น พีซีอุตสาหกรรม ระบบฝังตัว และเวิร์กสเตชันเคลื่อนที่ จะได้รับประโยชน์จากการตั้งค่า CPU เพียงอย่างเดียว NPU และชุดคำสั่งเฉพาะช่วยให้สามารถปรับใช้ในสภาพแวดล้อมที่มีข้อจำกัดได้
ความเป็นส่วนตัวและข้อกำหนดออฟไลน์
การทำงานในเครื่องทั้งหมดบน CPU ช่วยให้แน่ใจว่าข้อมูลที่ละเอียดอ่อนจะไม่ถูกส่งออกจากอุปกรณ์ ซึ่งเป็นสิ่งสำคัญสำหรับแอปพลิเคชันด้านการดูแลสุขภาพ การป้องกันประเทศ หรือบริบทใดๆ ที่ต้องการการกำกับดูแลข้อมูลอย่างเข้มงวด
จะตั้งค่าและเพิ่มประสิทธิภาพ Stable Diffusion สำหรับการอนุมาน CPU ได้อย่างไร
การตั้งค่าสภาพแวดล้อมด้วย Diffusers และ PyTorch
ติดตั้ง PyTorch พร้อมรองรับ CPU:
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
ติดตั้ง Hugging Face Diffusers:
pip install diffusers transformers accelerate
การแปลงโมเดลด้วย OpenVINO
ส่งออกโมเดลไปยัง ONNX:
from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-3-5-large-turbo") pipe.save_pretrained("sd-3.5-turbo")
pipe.to_onnx("sd3.5_turbo.onnx", opset=14, provider="CPUExecutionProvider")
เพิ่มประสิทธิภาพด้วย OpenVINO:
mo --input_model sd3.5_turbo.onnx --data_type FP16 --output_dir openvino_model
การใช้ประโยชน์จากความแม่นยำแบบผสมผสานและการวัดปริมาณ
- ใช้ FP16 ในกรณีที่รองรับ ย้อนกลับไปใช้ BF16 หรือ INT8 บน CPU รุ่นเก่า
- เครื่องมือเช่น ONNX Runtime และ OpenVINO มีชุดเครื่องมือการวัดเชิงปริมาณเพื่อลดการสูญเสียความแม่นยำ
การเธรดและการเพิ่มประสิทธิภาพหน่วยความจำ
- ความสัมพันธ์ของเธรดพินกับแกนทางกายภาพ
- เพิ่ม
intra_op_parallelism_threadsและinter_op_parallelism_threadsใน PyTorchtorch.set_num_threads()เพื่อให้ตรงกับจำนวนคอร์ของ CPU - ตรวจสอบการใช้หน่วยความจำเพื่อหลีกเลี่ยงการสลับ ซึ่งอาจลดประสิทธิภาพลงอย่างรุนแรง
เริ่มต้นใช้งาน
CometAPI เป็นแพลตฟอร์ม API แบบรวมที่รวบรวมโมเดล AI มากกว่า 500 โมเดลจากผู้ให้บริการชั้นนำ เช่น ซีรีส์ GPT ของ OpenAI, Gemini ของ Google, Claude ของ Anthropic, Midjourney, Suno และอื่นๆ ไว้ในอินเทอร์เฟซเดียวที่เป็นมิตรกับนักพัฒนา ด้วยการนำเสนอการตรวจสอบสิทธิ์ การจัดรูปแบบคำขอ และการจัดการการตอบสนองที่สอดคล้องกัน CometAPI จึงทำให้การรวมความสามารถของ AI เข้ากับแอปพลิเคชันของคุณง่ายขึ้นอย่างมาก ไม่ว่าคุณจะกำลังสร้างแชทบ็อต เครื่องกำเนิดภาพ นักแต่งเพลง หรือไพพ์ไลน์การวิเคราะห์ที่ขับเคลื่อนด้วยข้อมูล CometAPI ช่วยให้คุณทำซ้ำได้เร็วขึ้น ควบคุมต้นทุน และไม่ขึ้นอยู่กับผู้จำหน่าย ทั้งหมดนี้ในขณะที่ใช้ประโยชน์จากความก้าวหน้าล่าสุดในระบบนิเวศ AI
นักพัฒนาสามารถเข้าถึงได้ API การแพร่กระจายที่เสถียร (การแพร่กระจายที่เสถียร 3.5 API ขนาดใหญ่ ฯลฯ) ผ่าน โคเมทเอพีไอ.
ข้อมูลเพิ่มเติมเกี่ยวกับ การกระจายตัวที่เสถียร XL 1.0 API และ การแพร่กระจายที่เสถียร 3.5 API ขนาดใหญ่ ฯลฯ สำหรับข้อมูลโมเดลเพิ่มเติมใน Comet API โปรดดู เอกสาร API.ราคาใน CometAPI:
- ความเสถียร-ai/การแพร่กระจายที่เสถียร-3.5-ขนาดใหญ่: $0.208 ต่อการสร้างการเรียก API
- ความเสถียร-ai/การแพร่กระจายเสถียร-3.5-ปานกลาง: 0.112 ดอลลาร์ต่อการโทรหนึ่งครั้ง
- ความเสถียร-ai/การกระจายตัวที่เสถียร-3.5-เทอร์โบขนาดใหญ่: $0.128 ต่อการสร้างการเรียก API
- เสถียรภาพ-ai/การแพร่กระจายที่เสถียร-3: 0.112 ดอลลาร์ต่อการโทรหนึ่งครั้ง
- เสถียรภาพ-ai/การแพร่กระจายที่เสถียร: 0.016 ดอลลาร์ต่อการโทรหนึ่งครั้ง
โครงสร้างราคาแบบนี้ช่วยให้นักพัฒนาสามารถปรับขนาดโครงการของตนได้อย่างมีประสิทธิภาพโดยไม่ต้องจ่ายเงินมากเกินไป
สรุป
การรัน Stable Diffusion โดยไม่ต้องใช้ GPU เคยเป็นเพียงการทดลองทางทฤษฎี แต่ปัจจุบันได้กลายเป็นความจริงในทางปฏิบัติสำหรับผู้ใช้จำนวนมาก ความก้าวหน้าในชุดเครื่องมือต่างๆ เช่น OpenVINO 2025.2 ของ Intel, แบ็กเอนด์ Inductor ของ PyTorch, APU ที่ใช้ AI ของ AMD และโปรเจ็กต์ชุมชน เช่น FastSD CPU และ stable‑diffusion.cpp ได้ทำให้การเข้าถึง AI แบบสร้างสรรค์กลายเป็นเรื่องทั่วไปมากขึ้น ในขณะที่ประสิทธิภาพและความแม่นยำยังคงต้องแลกกัน การอนุมานเฉพาะ CPU จะปลดล็อกความเป็นไปได้ใหม่ๆ ที่ต้นทุน การเข้าถึง และความเป็นส่วนตัวมีความสำคัญสูงสุด ด้วยการทำความเข้าใจฮาร์ดแวร์ ชุดเครื่องมือซอฟต์แวร์ และกลยุทธ์การเพิ่มประสิทธิภาพที่มีอยู่ คุณสามารถปรับแต่งการใช้งาน Stable Diffusion เฉพาะ CPU ที่ตรงตามความต้องการเฉพาะของคุณได้ โดยนำพลังของการสังเคราะห์ภาพที่ขับเคลื่อนด้วย AI ไปใช้กับอุปกรณ์แทบทุกชนิด