SemiAnalysis: NVIDIA และหน่วยความจำที่มีกำไรสูงกำลังเผชิญกับการเปลี่ยนแปลงในปี 2028 โครงสร้างพื้นฐาน AI ถูกจำกัดด้วยการระดมทุนและห่วงโซ่อุปทาน

ข่าว BlockBeats วันที่ 25 ตุลาคม Dylan Patel ผู้ก่อตั้ง SemiAnalysis และ Stacy Rasgon นักวิเคราะห์จาก Bernstein ระบุเมื่อเร็วๆ นี้ว่า แม้การลงทุนในโครงสร้างพื้นฐาน AI ยังมีพื้นที่อยู่ แต่กำลังเผชิญกับบททดสอบสองด้านทั้งต้นทุนทางการเงินที่พุ่งสูงขึ้นและข้อจำกัดในห่วงโซ่อุปทาน อัตราผลตอบแทนพันธบัตรรัฐบาลสหรัฐอายุ 10 ปีทะลุ 5% ขณะที่อัตราผลตอบแทนพันธบัตรไม่มีหลักประกันของผู้ให้บริการคลาวด์รายใหม่บางรายเข้าใกล้ 15% และผู้ให้บริการคลาวด์ที่ไม่ใช่ hyperscaler ซึ่งรองรับความต้องการก่อสร้างเกือบครึ่งหนึ่งมักขาดความแข็งแกร่งของงบดุลที่เพียงพอ โครงการที่ขาดข้อตกลงจัดซื้อระยะยาว (offtake agreement) ยิ่งได้รับเงินทุนยากขึ้น ความสามารถในการระดมทุนกำลังกลายเป็นเส้นแบ่งสำคัญของการขยายตัวของ AI ขณะเดียวกัน ซับสเตรต HBM ส่วนประกอบการเชื่อมต่อเชิงแสง และกำลังการผลิตห้องสะอาด ล้วนเผชิญกับคอขวดที่แก้ไขได้ยากในระยะสั้น จำนวนเวเฟอร์ที่ต้องใช้ในการผลิต HBM ความจุเท่ากันอยู่ที่ประมาณ 3 ถึง 4 เท่าของ DDR5 ซึ่งทวีความรุนแรงของการแข่งขันด้านกำลังการผลิต ห้องสะอาดที่สร้างใหม่จะเริ่มเปิดใช้งานได้ในปี 2027 เท่านั้น เมื่อเทียบกันแล้ว การขาดแคลนไฟฟ้าสามารถบรรเทาได้บางส่วนด้วยกังหันก๊าซในสถานที่และเซลล์เชื้อเพลิง

สำหรับห่วงโซ่อุตสาหกรรมหลัก นักวิเคราะห์ทั้งสองเตือนถึงจุดเปลี่ยนที่อาจเกิดขึ้นในปี 2028 ปัจจุบัน Nvidia ยังคงรักษาราคาขายสูงผ่านการยกระดับประสิทธิภาพอย่างต่อเนื่อง แต่การวางแผนชิปที่พัฒนาขึ้นเองของ Google TPU, Amazon Trainium และบริษัทอย่าง OpenAI กำลังมอบทางเลือกให้ลูกค้ารายใหญ่และเสริมอำนาจต่อรอง แม้รายได้ของ Nvidia จะยังเติบโตต่อเนื่อง ส่วนแบ่งตลาดและอัตรากำไรก็อาจไม่เพิ่มขึ้นตามไปด้วย

ด้านหน่วยความจำ ปัจจุบันอัตรากำไรขั้นต้นของ HBM สูงถึง 88% ถึง 90% แต่ตลาดไม่ได้ให้มูลค่าสูงมากนัก ความกังวลหลักอยู่ที่การปล่อยกำลังการผลิตใหม่ที่กระจุกตัวหลังปี 2028 หากความเร็วในการขยายกำลังการผลิตในขณะนั้นเกินความต้องการที่เพิ่มขึ้น ประกอบกับอัตราการเติบโตของความต้องการ AI ที่ชะลอตัว ราคาสูงและกำไรสูงในปัจจุบันจะเผชิญกับการพลิกกลับ ในฝั่งองค์กร ธุรกิจส่วนใหญ่จะเลือกซื้อ Token ผ่านบริการคลาวด์มากกว่าสร้างกำลังประมวลผลเอง ซึ่งหมายความว่าความต้องการโครงสร้างพื้นฐาน AI ในอนาคตจะขึ้นอยู่กับปริมาณการใช้บริการอนุมานเป็นอย่างสูง