Neuromorphic Computing คืออะไร การถอดรหัสของสมองมนุษย์เพื่อสร้างคอมพิวเตอร์ยุคใหม่
ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ต้องการพลังการประมวลผลอย่างมหาศาล จนสถาปัตยกรรมแบบดั้งเดิมไม่อาจตอบสนองต่อขีดจำกัดเหล่านี้ได้อย่างมีประสิทธิภาพอีกต่อไป เทคโนโลยีนี้จึงเป็นกระบวนทัศน์ใหม่ที่เข้ามาตอบโจทย์ความท้าทายสูงสุดด้านความยั่งยืนของทรัพยากรพลังงาน เพื่อก้าวข้ามข้อจำกัดของคอมพิวเตอร์ในปัจจุบัน
ในช่วงหลายทศวรรษที่ผ่านมา ความก้าวหน้าของคอมพิวเตอร์เกิดขึ้นจากการเพิ่มความสามารถในการประมวลผลให้สูงขึ้นอย่างต่อเนื่อง แต่เมื่อ AI มีขนาดใหญ่และซับซ้อนขึ้น แนวทางดังกล่าวกลับเริ่มเผชิญกับข้อจำกัดใหม่ เพราะการประมวลผล AI ไม่ได้ใช้พลังงานเฉพาะในส่วนของการคำนวณเท่านั้น แต่ยังใช้พลังงานจำนวนมากในการเคลื่อนย้ายข้อมูลระหว่างหน่วยประมวลผลกับหน่วยความจำ ด้วยเหตุนี้ นักวิจัยจึงเริ่มมองหาสถาปัตยกรรมคอมพิวเตอร์รูปแบบใหม่ที่ไม่จำเป็นต้องทำงานตามแนวคิดของคอมพิวเตอร์แบบดั้งเดิม และหนึ่งในแนวทางที่ได้รับความสนใจคือ Neuromorphic Computing หรือการประมวลผลแบบเลียนแบบระบบประสาท
Neuromorphic Computing คืออะไร?
Neuromorphic Computing คือแนวทางการออกแบบระบบคอมพิวเตอร์ที่ได้รับแรงบันดาลใจจากวิธีการทำงานของสมองและระบบประสาท เป็นความพยายามนำหลักการบางอย่างของสมอง เช่น การประมวลผลแบบกระจาย การทำงานแบบขนาน การสื่อสารด้วยสัญญาณที่เกิดขึ้นเป็นเหตุการณ์ และการเก็บข้อมูลไว้ใกล้กับบริเวณที่เกิดการคำนวณ มาประยุกต์ใช้กับสถาปัตยกรรมคอมพิวเตอร์ Neuromorphic Computing มุ่งเลียนแบบทั้งโครงสร้างและรูปแบบการประมวลผลของสมอง โดยเฉพาะการประมวลผลแบบ event-driven ซึ่งเป็นองค์ประกอบสำคัญที่ทำให้ระบบมีศักยภาพด้านประสิทธิภาพพลังงาน
หัวใจสำคัญของแนวคิดนี้อยู่ที่การเปลี่ยนวิธีมอง “ข้อมูล” จากเดิมที่คอมพิวเตอร์มักประมวลผลข้อมูลเป็นชุดของค่าตัวเลขอย่างต่อเนื่อง ไปสู่การประมวลผลข้อมูลที่เกิดขึ้นเมื่อมี “เหตุการณ์” ตัวอย่างเช่น ในระบบมองเห็นแบบ event-based sensor เซนเซอร์อาจไม่จำเป็นต้องส่งภาพเต็มเฟรมออกมาตลอดเวลา แต่ส่งสัญญาณเฉพาะบริเวณที่มีการเปลี่ยนแปลง วิธีคิดนี้มีความคล้ายคลึงกับระบบประสาทที่ neuron ไม่จำเป็นต้องส่งสัญญาณอยู่ตลอดเวลา แต่จะเกิดการยิงสัญญาณหรือ spike เมื่อเงื่อนไขบางอย่างถูกกระตุ้น
องค์ประกอบของ Neuromorphic Computing
องค์ประกอบสำคัญของ Neuromorphic Computing ประกอบด้วย Neuron, Synapse และ Spike โดย neuron ทำหน้าที่คล้ายหน่วยประมวลผล ขณะที่ synapse ทำหน้าที่เป็นจุดเชื่อมต่อและเก็บน้ำหนักของความสัมพันธ์ระหว่าง neuron ส่วน spike คือสัญญาณแบบเหตุการณ์ที่ใช้ในการสื่อสารระหว่าง neuron เมื่อนำแนวคิดเหล่านี้มาสร้างเป็นโมเดลคอมพิวเตอร์ จะเกิดเป็น Spiking Neural Network หรือ SNN ซึ่งแตกต่างจาก neural network ทั่วไปตรงที่ข้อมูลไม่ได้ถูกแทนด้วยเพียงค่าตัวเลข แต่มีมิติด้านเวลาเข้ามาเกี่ยวข้องด้วย งานวิจัยล่าสุดยังคงพัฒนา SNN ในทิศทางที่เพิ่มความสามารถในการประมวลผลเชิงเวลาและใช้ความเบาบางของ spike เพื่อเพิ่มประสิทธิภาพของระบบ
ความแตกต่างที่สำคัญอีกประการหนึ่งคือ Neuromorphic Computing พยายามลดการแยกขาดระหว่าง “หน่วยความจำ” และ “หน่วยประมวลผล” ซึ่งเป็นลักษณะสำคัญของสถาปัตยกรรมแบบ Von Neumann ในคอมพิวเตอร์ทั่วไป เพราะเมื่อข้อมูลต้องถูกส่งไปมาระหว่าง memory กับ processor จำนวนมาก ต้นทุนด้านพลังงานและเวลาในการเคลื่อนย้ายข้อมูลอาจกลายเป็นคอขวดของระบบได้ Neuromorphic จึงพยายามให้การประมวลผล การจัดเก็บข้อมูล และการสื่อสารเกิดขึ้นในลักษณะที่กระจายตัวและใกล้กันมากขึ้น
กล่าวอย่างง่ายที่สุด Neuromorphic Computing จึงไม่ได้พยายามสร้าง “CPU ที่ฉลาดขึ้น” เพียงอย่างเดียว แต่กำลังพยายามเปลี่ยนวิธีที่คอมพิวเตอร์ รับรู้ข้อมูล ประมวลผลข้อมูล และสื่อสารข้อมูล โดยนำหลักการบางอย่างจากสมองมาเป็นต้นแบบ
Neuromorphic Computing ทำงานอย่างไร?
หากต้องการเข้าใจ Neuromorphic Computing อย่างแท้จริง สิ่งสำคัญคือการทำความเข้าใจความแตกต่างระหว่างการคำนวณแบบดั้งเดิมกับการคำนวณแบบ spike-based ในคอมพิวเตอร์ทั่วไป CPU หรือ GPU สามารถทำงานกับข้อมูลจำนวนมหาศาลโดยดำเนินคำสั่งทางคณิตศาสตร์อย่างต่อเนื่อง แม้ข้อมูลบางส่วนอาจไม่มีการเปลี่ยนแปลงหรือไม่มีความจำเป็นต้องได้รับการประมวลผลในช่วงเวลานั้นก็ตาม ในทางตรงกันข้าม Neuromorphic Computing ใช้แนวคิด event-driven processing กล่าวคือ ระบบจะทำงานเมื่อมีเหตุการณ์หรือ spike เกิดขึ้น วิธีนี้ทำให้ไม่จำเป็นต้องเปิดใช้งานหน่วยประมวลผลทั้งหมดตลอดเวลา และสามารถลดกิจกรรมที่ไม่จำเป็นลงได้
ตัวอย่างเช่น หากหุ่นยนต์กำลังมองวัตถุที่อยู่นิ่ง ๆ ระบบประมวลผลแบบดั้งเดิมอาจยังคงรับและประมวลผลภาพจากกล้องหลายสิบหรือหลายร้อยเฟรมต่อวินาที แต่ระบบที่ใช้ event-based vision สามารถตอบสนองต่อการเปลี่ยนแปลงของภาพเป็นหลัก เมื่อวัตถุเคลื่อนที่ เซนเซอร์จึงสร้างเหตุการณ์ขึ้นมา และเหตุการณ์นั้นถูกส่งเข้าสู่ SNN เพื่อให้ neuron ที่เกี่ยวข้องทำงาน แนวทางนี้จึงเหมาะกับงานที่ข้อมูลมีลักษณะเป็นเหตุการณ์และมีความสัมพันธ์กับเวลา เช่น การมองเห็น การฟังเสียง การตรวจจับความผิดปกติ และการควบคุมหุ่นยนต์แบบเรียลไทม์
การประมวลผลของ SNN ยังแตกต่างจาก neural network ทั่วไปในแง่ของการแทนข้อมูล เพราะ SNN สามารถใช้ จังหวะหรือเวลาที่ spike เกิดขึ้น เป็นส่วนหนึ่งของข้อมูลได้ ดังนั้นระบบจึงไม่ได้ถามเพียงว่า “สัญญาณมีค่าเท่าไร” แต่ยังสามารถพิจารณาว่า “สัญญาณเกิดขึ้นเมื่อไร” ด้วย ความสามารถด้าน temporal processing นี้เป็นเหตุผลสำคัญที่ทำให้ SNN ได้รับความสนใจในงานที่ข้อมูลมีลำดับและเวลาเป็นองค์ประกอบสำคัญ
อีกแนวคิดหนึ่งคือ sparse computation หรือการคำนวณแบบเบาบาง เนื่องจากไม่ได้มี neuron ทุกตัวทำงานพร้อมกันตลอดเวลา ระบบจึงสามารถประมวลผลเฉพาะส่วนที่ได้รับสัญญาณ สิ่งนี้สัมพันธ์โดยตรงกับแนวคิดด้านพลังงาน เพราะเมื่อกิจกรรมของระบบลดลง การใช้พลังงานสำหรับการคำนวณและการสื่อสารก็มีโอกาสลดลงตามไปด้วย งานทบทวนด้าน Neuromorphic ระบุว่าการผสมผสานระหว่าง asynchronous processing, event-based SNN, sparse connectivity และการนำ memory กับ computation มาไว้ใกล้กัน เป็นหนึ่งในหลักการสำคัญของสถาปัตยกรรมลักษณะนี้
อย่างไรก็ตาม คำว่า “ประหยัดพลังงาน” ไม่ควรถูกตีความว่า Neuromorphic จะประหยัดกว่าคอมพิวเตอร์ทุกประเภทในทุกสถานการณ์ ประสิทธิภาพขึ้นอยู่กับลักษณะของ workload รูปแบบข้อมูล อัลกอริทึม และการออกแบบ hardware ด้วย ด้วยเหตุนี้งานวิจัยจึงเริ่มให้ความสำคัญกับ benchmark ที่สามารถเปรียบเทียบระบบ Neuromorphic กับระบบทั่วไปอย่างเป็นธรรมมากขึ้น
จากแนวคิดสู่ Neuromorphic Chip
แนวคิด Neuromorphic Computing จะไม่สามารถเกิดประโยชน์ได้มากนักหากยังต้องนำ SNN ไปทำงานบนสถาปัตยกรรมที่ไม่ได้ออกแบบมาสำหรับมันโดยเฉพาะ ดังนั้นอีกส่วนหนึ่งของการวิจัยจึงมุ่งพัฒนา Neuromorphic Hardware ซึ่งเป็นชิปที่ออกแบบให้สามารถประมวลผล spike และจัดการกับ neuron และ synapse จำนวนมากได้อย่างมีประสิทธิภาพ
หนึ่งในตัวอย่างที่สำคัญคือ IBM TrueNorth ซึ่งเป็นงานบุกเบิกของ neuromorphic hardware ในยุคใหม่ ขณะที่ Intel พัฒนาตระกูล Loihi และต่อยอดมาเป็น Loihi 2 ซึ่งออกแบบมาเพื่อรองรับการคำนวณแบบ sparse และ event-driven รวมถึงมีหน่วยความจำและการคำนวณที่อยู่ใกล้กันมากขึ้น Intel ระบุว่า Loihi 2 สามารถเพิ่มความสามารถในการประมวลผลได้สูงสุดประมาณ 10 เท่าเมื่อเทียบกับรุ่นก่อน และมาพร้อม Lava ซึ่งเป็น framework แบบ open source สำหรับการพัฒนาแอปพลิเคชัน neuro-inspired
ความก้าวหน้าที่สำคัญเกิดขึ้นเมื่อการออกแบบไม่ได้หยุดอยู่ที่ชิปเพียงตัวเดียว แต่ขยายไปสู่ระบบขนาดใหญ่ ตัวอย่างเช่น Hala Point ของ Intel ซึ่งสร้างขึ้นจาก Loihi 2 จำนวน 1,152 ชิป มีความสามารถรองรับได้สูงสุดประมาณ 1.15 พันล้าน neuron และ 128 พันล้าน synapse กระจายอยู่บน neuromorphic processing cores จำนวนมาก ระบบดังกล่าวถูกออกแบบมาเพื่อศึกษาการประมวลผล AI ที่มีประสิทธิภาพสูงและมีความสามารถในการ scale มากขึ้น
ความสำคัญของ Hala Point ไม่ได้อยู่เพียงตัวเลขจำนวน neuron แต่ยังอยู่ที่สถาปัตยกรรมซึ่งรวม processing, memory และ communication เข้าด้วยกันอย่างหนาแน่น ระบบสามารถใช้การสื่อสารระหว่าง neuron โดยตรงแทนที่จะต้องนำข้อมูลกลับไปกลับมาผ่าน memory แบบระบบทั่วไป แนวทางนี้เป็นตัวอย่างของความพยายามลดต้นทุนจาก data movement ซึ่งเป็นหนึ่งในปัญหาสำคัญของ AI hardware ในปัจจุบัน
นอกจากการออกแบบแบบดิจิทัลแล้ว งานวิจัย Neuromorphic ยังครอบคลุมวงจร analog และ mixed-signal รวมถึงอุปกรณ์รุ่นใหม่ เช่น memristor ที่สามารถนำคุณสมบัติด้านการจดจำและการเปลี่ยนแปลงค่าความต้านทานมาใช้เลียนแบบพฤติกรรมของ synapse ได้ การพัฒนาในระดับวัสดุ อุปกรณ์ วงจร และ architecture จึงเกิดขึ้นควบคู่กัน และสะท้อนให้เห็นว่า Neuromorphic Computing ไม่ใช่เพียง “algorithm ใหม่” แต่เป็นการเปลี่ยนแปลงตั้งแต่ระดับอุปกรณ์ไปจนถึง software stack
Neuromorphic Computing ใช้ทำอะไร?
จุดที่ Neuromorphic Computing มีแนวโน้มโดดเด่นที่สุดคือการประมวลผลข้อมูลที่มีลักษณะ event-driven, sparse และ temporal โดยเฉพาะในอุปกรณ์ที่มีข้อจำกัดด้านพลังงานและต้องตอบสนองแบบเรียลไทม์ จึงไม่น่าแปลกที่หนึ่งในพื้นที่ที่ได้รับความสนใจมากคือ Edge AI ซึ่งหมายถึงการนำ AI ไปประมวลผลใกล้กับแหล่งกำเนิดข้อมูลแทนที่จะส่งข้อมูลทั้งหมดไปยังศูนย์ข้อมูลหรือ Cloud
ในระบบกล้องทั่วไป กล้องอาจส่งภาพจำนวนมากเข้าสู่ processor แม้ว่าภาพส่วนใหญ่จะไม่มีการเปลี่ยนแปลง แต่ event-based camera สามารถส่งเฉพาะการเปลี่ยนแปลงของแสงในแต่ละ pixel ทำให้ข้อมูลมีลักษณะ sparse และมีความละเอียดด้านเวลาสูง เมื่อนำข้อมูลประเภทนี้เข้าสู่ SNN จึงเกิดความสอดคล้องระหว่าง sensor, algorithm และ hardware ซึ่งเป็นหนึ่งในแนวทางที่น่าสนใจของระบบ Neuromorphic
หุ่นยนต์เป็นอีกพื้นที่หนึ่งที่มีศักยภาพสูง เพราะหุ่นยนต์จำเป็นต้องรับข้อมูลจาก sensor แล้วตัดสินใจและตอบสนองต่อโลกจริงภายในเวลาจำกัด หากทุกข้อมูลต้องถูกส่งไปยัง processor ขนาดใหญ่หรือ Cloud ย่อมเพิ่มทั้ง latency และการใช้พลังงาน Neuromorphic จึงสามารถเข้ามาทำหน้าที่เป็นระบบประมวลผลแบบ local ที่รับข้อมูลจาก sensor วิเคราะห์เหตุการณ์ และส่งคำสั่งไปยัง actuator โดยตรง งานวิจัยและระบบของ Intel ระบุการประยุกต์ใช้ Neuromorphic ในด้าน sensing, robotics และระบบอัจฉริยะที่ต้องการการประมวลผลที่มีประสิทธิภาพ
นอกจาก vision และ robotics แล้ว ยังมีการทดลองใช้ Neuromorphic Computing กับเสียง การรู้จำคำพูด การตรวจจับความผิดปกติ ระบบ IoT และงานที่ต้องเปิดทำงานตลอดเวลา เช่น อุปกรณ์สวมใส่หรือ sensor สำหรับตรวจสอบสภาพแวดล้อม จุดร่วมของงานเหล่านี้คือไม่ได้ต้องการเพียง “ความเร็วในการคำนวณ” แต่ต้องการระบบที่สามารถ รับรู้เหตุการณ์ ตอบสนองอย่างรวดเร็ว และใช้พลังงานอย่างมีประสิทธิภาพ
อย่างไรก็ตาม จุดแข็งของ Neuromorphic ไม่ได้หมายความว่าจะสามารถแทนที่ GPU หรือ CPU ในทุกงานได้ งานที่มีลักษณะ dense computation และต้องทำ numerical operations จำนวนมหาศาลอาจยังเหมาะกับ GPU มากกว่า ในขณะที่งานที่มี temporal dynamics และ sparse events อาจเหมาะกับ SNN และ Neuromorphic hardware มากกว่า ดังนั้นภาพที่มีความเป็นไปได้มากกว่าการ “แทนที่” คือการทำให้ Neuromorphic เป็นส่วนหนึ่งของระบบประมวลผลแบบ heterogeneous ที่ processor แต่ละประเภททำงานในส่วนที่เหมาะสมกับตัวเอง
ข้อจำกัดและอนาคตของ Neuromorphic Computing
แม้ Neuromorphic Computing จะมีศักยภาพสูง แต่เทคโนโลยียังอยู่ในช่วงพัฒนาและมีปัญหาหลายด้านที่ต้องแก้ไข หนึ่งในปัญหาสำคัญคือ การฝึก Spiking Neural Network เนื่องจาก spike มีลักษณะไม่ต่อเนื่องและฟังก์ชันการยิง spike ของ neuron แบบพื้นฐานไม่สามารถนำ gradient-based optimization มาใช้ได้โดยตรงเหมือน neural network ทั่วไป นักวิจัยจึงต้องพัฒนาเทคนิคต่าง ๆ เช่น surrogate gradient, STDP และวิธีการแปลง ANN ไปเป็น SNN เพื่อทำให้ระบบสามารถเรียนรู้ได้มีประสิทธิภาพมากขึ้น งานวิจัยล่าสุดยังคงพัฒนาโครงสร้าง SNN และวิธีฝึกที่สามารถรักษาข้อดีด้าน event-driven computation ขณะเดียวกันก็ลดช่องว่างด้าน accuracy และ training complexity
อีกปัญหาหนึ่งคือ Software Ecosystem แม้จะมีเครื่องมืออย่าง Lava สำหรับ Loihi 2 แต่ระบบ Neuromorphic ยังไม่มี ecosystem ที่กว้างเหมือน CUDA/GPU หรือ framework ของ deep learning ทั่วไป นักพัฒนาจึงต้องเรียนรู้ programming model และวิธีคิดที่แตกต่างออกไป นอกจากนี้โมเดลที่ได้รับการฝึกบน GPU ไม่สามารถนำมาใช้งานบน Neuromorphic hardware ได้โดยตรงเสมอไป ทำให้เกิดต้นทุนในการปรับ algorithm และ model ให้เข้ากับ hardware
ปัญหาที่สำคัญไม่แพ้กันคือ การวัดประสิทธิภาพ เพราะคำว่า “ประหยัดพลังงาน” สามารถหมายถึงหลายสิ่ง เช่น พลังงานต่อ operation พลังงานต่อ inference latency หรือพลังงานต่อ task หากแต่ละงานใช้วิธีวัดแตกต่างกัน การนำตัวเลขมาเปรียบเทียบกันโดยตรงอาจทำให้เกิดข้อสรุปที่คลาดเคลื่อนได้ ด้วยเหตุนี้ NeuroBench จึงเสนอกรอบ benchmark สำหรับประเมินทั้ง algorithm และระบบ Neuromorphic โดยพยายามทำให้การเปรียบเทียบมีมาตรฐานและโปร่งใสมากขึ้น
ข้อจำกัดเหล่านี้ทำให้อนาคตของ Neuromorphic Computing อาจไม่ได้เป็นเรื่องของการสร้าง “คอมพิวเตอร์ที่เลียนแบบสมอง” ให้เหมือนสมองมากที่สุด แต่เป็นการค้นหาว่า หลักการใดของสมองที่มีประโยชน์ต่อการสร้างคอมพิวเตอร์ที่มีประสิทธิภาพมากขึ้น โดยเฉพาะในยุคที่ AI ต้องทำงานบนอุปกรณ์จำนวนมหาศาล ตั้งแต่กล้องและ sensor ไปจนถึงหุ่นยนต์และอุปกรณ์ Edge
ทิศทางสำคัญจึงน่าจะอยู่ที่การพัฒนา Hardware–Software Co-design ซึ่งหมายถึงการออกแบบ algorithm, neural network, memory, processor และ sensor ให้ทำงานร่วมกันตั้งแต่ต้น แทนที่จะสร้าง hardware ก่อนแล้วจึงพยายามนำ software ที่มีอยู่ไปใช้งาน การพัฒนา SNN ที่ดีขึ้น การเชื่อมต่อกับ event-based sensor การพัฒนาอุปกรณ์ memory รุ่นใหม่ และการสร้างระบบ Neuromorphic ที่สามารถ scale ได้ ล้วนเป็นองค์ประกอบที่จะกำหนดว่าเทคโนโลยีนี้จะก้าวจากห้องทดลองไปสู่การใช้งานจริงได้มากเพียงใด
ดังนั้น Neuromorphic Computing อาจไม่ได้เป็น “ผู้ฆ่า GPU” อย่างที่บางครั้งถูกนำเสนอ แต่มีโอกาสกลายเป็น สถาปัตยกรรมอีกประเภทหนึ่งในยุค AI ที่ทำงานร่วมกับ CPU, GPU, FPGA และ accelerator รูปแบบอื่น โดยแต่ละชนิดรับผิดชอบงานที่ตัวเองทำได้ดีที่สุด และในบางสถานการณ์ Neuromorphic อาจมีข้อได้เปรียบอย่างมาก โดยเฉพาะงานที่ต้องประมวลผลข้อมูลแบบต่อเนื่องตามเวลา มีเหตุการณ์เกิดขึ้นไม่พร้อมกัน และต้องทำงานด้วยพลังงานจำกัด
ท้ายที่สุด คุณค่าที่แท้จริงของ Neuromorphic Computing จึงไม่ได้อยู่ที่การทำให้คอมพิวเตอร์ “คิดเหมือนมนุษย์” แต่คือการตั้งคำถามใหม่ว่า คอมพิวเตอร์จำเป็นต้องคำนวณทุกอย่างตลอดเวลาหรือไม่ หากคำตอบคือไม่ ระบบในอนาคตอาจไม่จำเป็นต้องทำงานด้วยการประมวลผลข้อมูลจำนวนมหาศาลอย่างต่อเนื่อง แต่สามารถรอ รับรู้ และตอบสนองเฉพาะเมื่อมีเหตุการณ์สำคัญเกิดขึ้น ซึ่งเป็นแนวคิดที่ทำให้ Neuromorphic Computing มีความน่าสนใจอย่างยิ่งในยุคที่ต้นทุนด้านพลังงานและการเคลื่อนย้ายข้อมูลกำลังกลายเป็นข้อจำกัดสำคัญของ AI รุ่นต่อไป
อ้างอิง wires.onlinelibrary.wiley.com intc.com intel.com link.springer.com และ cove iT24Hrs
อ่านบทความและข่าวอื่นๆเพิ่มเติมได้ที่ it24hrs.com
Neuromorphic Computing คืออะไร เมื่อคอมพิวเตอร์ลออกเลียนแบบสมองมนุษย์
อย่าลืมกดติดตามอัพเดตข่าวสาร ทิปเทคนิคดีๆกันนะคะ Please follow us
Youtube it24hrs
Twitter it24hrs
Tiktok it24hrs
facebook it24hrs
ติดต่อโฆษณา [email protected] โทร 080234502
