นักลงทุนยุคแรกของ NVIDIA Gavin Baker มีปรัชญาการลงทุน: เล่นทางยาวในคอขวดของโครงสร้างพื้นฐาน AI และเล่นทางสั้นในความเสี่ยงของตลาดโดยรวม
ชื่อวิดีโอต้นฉบับ: What The Best AI Investors Are Buying Right Now
ที่มาวิดีโอต้นฉบับ: Limitless Podcast
เรียบเรียงต้นฉบับ: Deep TechFlow
บทนำบรรณาธิการ
พอดแคสต์ตอนนี้พูดถึงปรัชญาการลงทุนของ Gavin Baker ผู้ก่อตั้ง Atreides Management ซึ่งเป็นนักลงทุนที่เดิมพันระยะยาวใน Nvidia และ Cerebras
การตัดสินใจหลักของเขาคือ AI ไม่ใช่ฟองสบู่ แต่เป็นวัฏจักรซูเปอร์ของโครงสร้างพื้นฐานที่ขับเคลื่อนร่วมกันโดยไฟฟ้า เวเฟอร์ และพลังประมวลผล ผลตอบแทนที่แท้จริงไม่ได้อยู่ในโมเดลขนาดใหญ่หรือแชทบอท แต่อยู่ในส่วนเชื่อมต่อ GPU หน่วยความจำ ชิปอนุมาน กระบวนการผลิตขั้นสูง และการจ่ายไฟฟ้า ซึ่งเป็นขั้นตอน "ผู้ขายพลั่ว"
Gavin Baker ใช้ QQQ put เพื่อป้องกันการปรับฐานของตลาดโดยรวม ขณะเดียวกันก็เดิมพันอย่างเข้มข้นในสินทรัพย์ที่ติดขัดทางกายภาพของ AI เช่น Astera Labs, Unity, Micron, Nvidia, Cerebras, Positron
เขาดึงข้อโต้แย้งเรื่อง "ฟองสบู่ AI" จากระดับอารมณ์กลับมาสู่ข้อจำกัดด้านอุปสงค์-อุปทาน โดยเชื่อว่าตราบใดที่ TSMC, ASML, หน่วยความจำแบนด์วิดท์สูง และโครงข่ายไฟฟ้าไม่สามารถล้นตลาดได้อย่างรวดเร็ว การใช้จ่ายด้านทุนของ AI ก็ไม่จำเป็นต้องเป็นการซ้ำรอยฟองสบู่ดอทคอมในปี 2000
คำพูดเด่น
ฟองสบู่ AI หรือวัฏจักรซูเปอร์
· "AI ไม่ได้อยู่ในฟองสบู่ ตรงกันข้าม มันกำลังอยู่ในวัฏจักรซูเปอร์"
· "ผลตอบแทนที่ใหญ่ที่สุดไม่ได้อยู่ใน SaaS ไม่ได้อยู่ในแชทบอทอย่าง OpenAI หรือ Anthropic แต่อยู่ในไฟฟ้า พลังประมวลผล และการผลิตซิลิคอน"
· "นี่ไม่ใช่ฟองสบู่อินเทอร์เน็ต เพราะผู้ซื้อส่วนใหญ่เป็นบริษัทที่ฉลาดที่สุดและมีกระแสเงินสดแข็งแกร่งที่สุดในโลก พวกเขาไม่ได้ซื้อพลังประมวลผลด้วยการก่อหนี้"
· "หากตลาดทั้งหมดไม่สามารถถูกจัดหามากเกินไปได้ ก็ยากที่จะพังทลายอย่างกะทันหันเหมือนฟองสบู่แบบดั้งเดิม"
คอขวดที่แท้จริง: ไฟฟ้า เวเฟอร์ โทเคน
· "ทฤษฎีของ Gavin ง่ายมาก แค่ดูคอขวดในชั้นโครงสร้างพื้นฐานของ AI ใครก็ตามที่สามารถเพิ่มประสิทธิภาพต่อวัตต์และลดต้นทุนโทเคนได้ ก็มีคุณค่า"
· 「ตอนนี้ห้องแล็บ AI ให้ความสำคัญกับสิ่งหนึ่งมากขึ้นเรื่อยๆ นั่นคือ ทุกๆ หนึ่งวัตต์ของไฟฟ้าสามารถสร้าง token ได้กี่ token」
· 「ไฟฟ้าและเวเฟอร์เป็นกำแพงอิฐสองชั้น ซึ่งเป็นข้อจำกัดสำคัญสองประการที่ขัดขวางไม่ให้ AI เร่งความเร็วเร็วเกินไป」
เปลี่ยนจากการฝึกอบรมล่วงหน้าไปสู่การอนุมานและการฝึกอบรมภายหลัง
· 「การฝึกอบรมโมเดลล่วงหน้าเสร็จสิ้น ไม่ได้หมายความว่ามันจะเป็นอัจฉริยะไปตลอดชีวิต มันยังต้องดูดซับข้อมูลใหม่ในช่วงการฝึกอบรมภายหลัง」
· 「โดยพื้นฐานแล้ว การอนุมานต้องใช้การคำนวณจำนวนมาก ซึ่งเป็นเหตุผลว่าทำไมชิปอนุมานและโครงสร้างพื้นฐานการอนุมานจะกลายเป็นจุดสำคัญในระยะต่อไป」
· 「โอกาสด้านต้นทุนหรือรายได้ที่เกิดจากการอนุมานเพียงอย่างเดียว อาจมากกว่าการลงทุนด้านพลังประมวลผลในการฝึกอบรมล่วงหน้าถึง 5 ถึง 10 เท่า」
โมเดลขนาดเล็กแนวตั้ง โมเดลปลายทาง และโครงสร้างพื้นฐานอธิปไตย
· 「ในอนาคต คุณอาจไม่จำเป็นต้องโต้ตอบกับ Claude ทุกวัน สิ่งที่คุณอาจต้องการจริงๆ คือ AI agent ส่วนตัวที่ฝึกอบรมจากข้อมูลของคุณเอง」
· 「ความเร็วในการปรับใช้โครงสร้างพื้นฐานคือคูเมือง ความเร็วของการวนซ้ำในโลกดิจิทัลนั้นเร็วกว่าความเร็วในการสร้างโครงสร้างพื้นฐานทางกายภาพมาก」
「ใครก็ตามที่สามารถบีบอัดการปรับใช้ทางกายภาพที่ต้องใช้เวลาหลายเดือนหรือหลายปีให้เหลือเพียงไม่กี่สัปดาห์ จะสามารถขายในราคาที่สูงมากในโครงสร้างพื้นฐาน AI」
วิธีการลงทุนของ Gavin: เล่นกับคอขวด ขายชอร์ตความเสี่ยงตลาดโดยรวม
· 「เขาเชื่อมั่นอย่างแรงกล้าว่าผู้ชนะ AI จะเกิดขึ้น แต่ไม่ได้หมายความว่าเขามองโลกในแง่ดีต่อตลาดทั้งหมด QQQ put คือการป้องกันความเสี่ยงต่อความเสี่ยงขาลงโดยรวมของเขา」
· 「TSMC จำกัดความเร็วของฟองสบู่ที่เร่งตัวขึ้นจริงๆ ตราบใดที่กำลังการผลิตชิปไม่สามารถขยายได้ทันที การใช้จ่ายด้านทุนก็จะไม่หลุดมือง่ายๆ」
· 「Gavin เปรียบเสมือน Leopold ที่แก่กว่า มั่นคงกว่า และมีประวัติการฝ่าวงจรได้ดีกว่า ความสำเร็จของคนแรกวัดกันเป็นสิบปี ส่วนคนหลังปัจจุบันวัดกันเป็นไตรมาสมากกว่า」
สินทรัพย์ที่ควรเดิมพันในซูเปอร์ไซเคิล AI
EJ：Gavin Baker เป็นนักลงทุน AI ที่มีผลงานมากมาย แต่แทบไม่มีใครรู้จัก ในช่วง 20 ปีที่ผ่านมา เขาเริ่มลงทุนในบริษัท AI ที่ต่อมากลายเป็นที่รู้จักกันดี ก่อนที่พวกเขาจะโด่งดัง เขาเคยเดิมพัน Nvidia (ผู้จัดหา AI GPU และแกนประมวลผลเร่งความเร็ว) และ Cerebras (บริษัทชิป AI) ตั้งแต่เนิ่นๆ และมีมุมมองที่ชัดเจนมากว่า AI ไม่ใช่ฟองสบู่ แต่ตรงกันข้าม มันคือซูเปอร์ไซเคิล
เขามองว่า แค่สังเกต watts (กำลังไฟฟ้า), wafers (แผ่นเวเฟอร์) และ token (หน่วยการสร้างโมเดลและการคำนวณ) ซึ่งก็คือโครงสร้างพื้นฐานเบื้องล่างของ AI ก็สามารถระบุคอขวดและข้อจำกัดสำคัญได้แล้ว ข้อสรุปของเขาง่ายมาก ผลตอบแทนที่ใหญ่ที่สุดใน AI มาจากไฟฟ้า พลังงาน และการผลิตแผ่นซิลิคอน ไม่ค่อยเกี่ยวกับ SaaS (ซอฟต์แวร์ในรูปแบบบริการ) และไม่ค่อยเกี่ยวกับแชทบอทอย่าง Anthropic หรือ OpenAI ด้วย
ในที่สุดอุตสาหกรรมทั้งหมดจะส่งผ่านลงไปถึงเซมิคอนดักเตอร์ ซึ่งก็คือสินทรัพย์ประเภท "picks and shovels" (ผู้ขายอุปกรณ์) ที่คอยหนุนอุตสาหกรรม AI ทั้งหมด
ในขณะที่หลายคนบอกว่าอุตสาหกรรม AI เป็นฟองสบู่แล้ว เขากลับมองว่านี่คือโอกาสในการซื้อในระดับรุ่นต่อรุ่น โดยเฉพาะโครงสร้างพื้นฐาน AI เขาใช้เงินประมาณ 4.1 พันล้านดอลลาร์ในกองทุนเพื่อแสดงถึงมุมมองนี้
ถ้าคุณได้ยินเขาพูดถึงข้อจำกัดเหล่านี้ โดยเฉพาะโครงสร้างพื้นฐาน AI คุณจะพบว่าทฤษฎีนี้คุ้นหู เราเคยพูดถึงนักลงทุน Leopold Aschenbrenner ในรายการหลายครั้ง ซึ่งเขาก็จัดพอร์ตไปในทิศทางคล้ายกัน ข้อแตกต่างคือ Leopold ทำมาแค่ประมาณ 3 ปี ส่วน Gavin ทำมามากกว่า 20 ปีแล้ว
ขนาดสินทรัพย์ภายใต้การจัดการของ Leopold มากกว่า Gavin ประมาณสามเท่า แต่ Luke โปรดิวเซอร์รายการเคยเตือนไว้ดีมากว่า คุณอาจเอาชนะ Warren Buffett ได้ในหนึ่งปี แต่คุณจะเอาชนะเขาติดต่อกันหลายสิบปีได้ไหม? ประวัติของ Gavin Baker แสดงให้เห็นว่าเขาอาจมีมุมมองที่แตกต่างต่อทฤษฎีการลงทุนนี้
สำหรับคนที่ไม่รู้จัก Gavin Baker มาก่อน ควรรู้ไว้ก่อนว่าเขาเป็นผู้ก่อตั้ง Atreides Management (กองทุนเพื่อการลงทุน) และลงทุนใน Nvidia มาตลอด 20 ปีที่ผ่านมา ถ้าคุณถือ Nvidia 20 ปีแล้วยังทำงานต่อได้ นั่นก็เหลือเชื่อมากแล้ว เพราะมันน่าจะให้ผลตอบแทนที่มหาศาล
ความสำเร็จล่าสุดของเขาได้แก่ Cerebras และ Astera Labs (บริษัทชิปเชื่อมต่อศูนย์ข้อมูล AI) Cerebras เป็นบริษัทชิป AI ซึ่งในรายการบอกว่ามูลค่าหลัง IPO สูงอย่างน่าตกใจ นอกจากนี้ยังมีบริษัทที่คุณอาจไม่เคยได้ยินชื่อ เราจะเจาะลึกพอร์ตและมุมมองของเขาในตอนนี้ เพื่อดูว่าเขาคิดว่าโอกาสการลงทุนใน AI อยู่ตรงไหนกันแน่
ดังนั้น ปัญหาก็คือ เขาลงทุนอะไร และทำไมถึงลงทุน? ถ้าดู 13F (เอกสารเปิดเผยการถือครองรายไตรมาสของสถาบันในสหรัฐฯ) ล่าสุดของ Atreides Management กองทุนนี้มี AUM (สินทรัพย์ภายใต้การจัดการ) ประมาณ 4 พันล้านดอลลาร์ เมื่อแยกการถือครองที่ใหญ่ที่สุดบางส่วนออกมา จะพบว่าบริษัทเหล่านี้ล้วนชี้ไปที่คอขวดการพัฒนา AI ที่ Gavin พูดถึงหลายครั้ง
เขามีพอร์ตขนาดใหญ่ในบริษัทที่ไม่ค่อยน่าสนใจและหลายคนอาจไม่เคยได้ยินชื่อ เช่น Astera Labs ซึ่งคิดเป็นเกือบ 9% ถึง 10% ของกองทุน คุณสามารถมอง Astera Labs เป็นชั้นเชื่อมต่อระหว่าง GPU
ถ้าจินตนาการว่าดาต้าเซ็นเตอร์เป็นระบบหนึ่ง GPU คือเครื่องยนต์ที่รับผิดชอบ pre-training, post-training และ inference ของโมเดล แต่ GPU จะทำงานได้ก็ต้องส่งข้อมูลปริมาณมากระหว่างกัน และต้องเข้าถึง memory chips ที่เก็บข้อมูล
การทำเช่นนี้จำเป็นต้องมี "ระบบท่อส่ง" ผมพูดในระดับสูงเพราะผมไม่แสร้งทำเป็นรู้รายละเอียดทั้งหมดในระดับลึก สิ่งที่ Astera Labs แก้ไขคือปัญหานี้ เมื่อคลัสเตอร์ AI ขยายไปถึงหลายแสนชิป อุปสรรคไม่ได้อยู่ที่ตัว GPU อีกต่อไป แต่เป็นหน้าต่างการส่งข้อมูล ว่าจะส่งข้อมูลที่ถูกต้องในเวลาที่ถูกต้องและเข้าถึงข้อมูลที่ถูกต้องได้อย่างไร Astera Labs สร้างระบบท่อส่งแบบนี้ขึ้นมา
ก่อนที่ผมจะค้นคว้าสำหรับตอนนี้ ผมก็ไม่เคยได้ยินชื่อ Astera Labs เหมือนกัน แต่ผมจำได้ว่า Cerebras ก็มีสถานการณ์คล้ายกัน แกวินพูดถึง Cerebras เมื่อประมาณหกเดือนก่อน และเมื่อพิจารณาจากกรอบเวลาของ AI หกเดือนก็ถือว่านานมาก ต่อมามันก็เข้าตลาด IPO ในรายการมีการกล่าวถึงมูลค่าประมาณ 600 พันล้านดอลลาร์ และหลังจาก IPO ก็เพิ่มขึ้นอีก 40% นี่แสดงว่า Astera Labs อาจเป็นชื่อสำคัญในแนวโน้มที่คล้ายกัน
Josh: Cerebras เป็นการลงทุนที่เขาทำตั้งแต่ช่วงแรกมาก เขาเข้าไปใน Cerebras ตั้งแต่ช่วงต้นของวงจรชีวิตบริษัท นั่นหมายความว่าเขาได้เดิมพันกับทฤษฎีนี้มาหลายปีแล้ว ยังมีอีกหลายบริษัทที่เขาเดิมพันระยะยาว และที่โดดเด่นที่สุดก็คือ Nvidia
การมีส่วนร่วมกับ Nvidia มานานกว่า 20 ปี และรักษา conviction ไว้ตลอดทาง ถือว่าเก่งมาก ผมเพิ่งฟังพอดแคสต์สองรายการที่แกวินไปร่วม เขาพูดถึงพอร์ต Nvidia อย่างชัดเจนว่าเขาเชื่อว่า Nvidia จะสามารถรักษาอัตรากำไรในปัจจุบันและรักษาความต้องการไว้ได้ นั่นหมายความว่าเขามองว่า Nvidia มีโอกาสไปถึงมูลค่าตลาดเกือบ 10 ล้านล้านดอลลาร์ ซึ่งตอนนี้เดินทางมาได้ประมาณครึ่งทางแล้ว
อีกหนึ่งที่ควรพูดถึงคือ Micron (ผู้ผลิตชิปหน่วยความจำหลักระดับโลก) ในตอนที่แล้วเราได้พูดถึง AI investment stack และตำแหน่งของบริษัทเหล่านี้ในนั้น ขอแนะนำให้กลับไปดูอีกครั้ง Micron เป็นหนึ่งใน memory makers ที่ใหญ่ที่สุด
ในรายการมีการกล่าวถึงตัวเลขที่น่าทึ่ง: เมื่อปีที่แล้วมูลค่าตลาดของมันยังไม่ถึง 1 แสนล้านดอลลาร์ แต่ในขณะที่บันทึกรายการ มันทะลุ 1 ล้านล้านดอลลาร์ไปแล้ว เพิ่มขึ้น 10 เท่าในหนึ่งปี ซึ่งแสดงให้เห็นว่า memory problem (ปัญหาหน่วยความจำ) มีความสำคัญแค่ไหน
นอกจากนี้ยังมีบริษัทที่ไม่โดดเด่นมากแต่ก็น่าสนใจ EJ ผมอยากเอ่ยถึงเป็นพิเศษคือ Unity Software คนที่คุ้นเคยกับเกมจะรู้จัก Unity มันคือ game engine (เอนจินเกม) ซึ่งเกมยอดนิยมหลายเกมถูกสร้างขึ้นด้วย 3D rendering software (ซอฟต์แวร์เรนเดอร์ 3 มิติ) นี้
แล้วทำไมนักลงทุน AI ถึงลงทุนใน Unity ซึ่งเป็น "สิ่งที่ใช้ทำวิดีโอเกม"? คำตอบคือ 3D game engine Unity คือ world model builder (ตัวสร้างแบบจำลองโลก) มันมีความเข้าใจลึกซึ้งเกี่ยวกับฟิสิกส์ วิธีการทำงานของโลก วัสดุ และแสง
เมื่อบริษัท AI ต้องการสร้าง AGI (ปัญญาประดิษฐ์ทั่วไป) และ humanoid robots (หุ่นยนต์มนุษย์) ขั้นตอนสำคัญคือการจำลองสภาพแวดล้อมเสมือนและชุดข้อมูลเสมือน เพื่อให้หุ่นยนต์ฝึกฝนภายในนั้น Unity เป็นหนึ่งในเครื่องมือที่แข็งแกร่งที่สุด
ดังนั้นในฐานะ world model maxi (ผู้ศรัทธาในแบบจำลองโลกอย่างแรงกล้า) คุณน่าจะชอบตัวอย่างนี้ บริษัทที่โด่งดังจากเอนจินเกม มีเส้นทางชัดเจนในการเป็นผู้เล่นสำคัญในโลก AI
ทฤษฎีและกลยุทธ์การลงทุนของ Gavin
EJ: ทฤษฎีของ world models (แบบจำลองโลก) นั้นง่ายมาก: โมเดล AI หรือ LLM (โมเดลภาษาขนาดใหญ่) ในปัจจุบันส่วนใหญ่เข้าใจโลกผ่านข้อความและหนังสือ เหมือนนักเรียนที่นั่งอยู่ในห้องสมุด แต่ไม่มีประสบการณ์ในโลกจริง
สิ่งที่ world model จะปลดล็อกคือการนำตัวละครในเกมเข้าไปในสภาพแวดล้อมจำลอง ให้มันเข้าใจว่าฟิสิกส์ในโลกจริงทำงานอย่างไร
เช่น ถ้าผมโยนโทรศัพท์ลงไป หรือเตะลูกบอล จะเกิดอะไรขึ้น? ขั้นตอนต่อไปคืออะไร? คุณควรทำอย่างไร? world model แก้ปัญหานี้
ปัจจุบันมีผู้เล่นไม่มากที่สามารถสร้างความสามารถนี้ในวงกว้างได้ ผู้นำตอนนี้อาจเป็น Google ซึ่งมีโมเดลอย่าง Genie 3 (โปรเจกต์แบบจำลองโลกเชิงโต้ตอบแบบสร้างสรรค์ของ Google) รายการยังกล่าวว่า Google เพิ่งปล่อย Gemini Omni แต่โมเดลประเภทนี้ยังไม่ถึงจุด ChatGPT moment (ช่วงเวลาแห่งการทะลุทะลวง) ของตัวเอง
สิ่งที่ผมชอบเกี่ยวกับ Gavin คือพอร์ตการลงทุนของเขาคล้ายกับกลยุทธ์ Barbell (Barbell Strategy) ด้านหนึ่งเป็นแบบดั้งเดิม ทุกคนต้องการ GPU และพื้นที่จัดเก็บข้อมูล ดังนั้นเขาจึงลงทุนในผู้เล่นรายใหญ่อย่าง Micron และ Nvidia อีกด้านหนึ่งกลับล้ำสมัยมาก เขามองว่าลูกบอล (Puck) จะเคลื่อนไปทางไหน จึงลงทุนใน Cerebras เพราะเขาเชื่อว่าการอนุมาน (Inference) จะมีความสำคัญอย่างมาก และยังลงทุนใน Unity เพราะเขาเชื่อว่าโมเดลโลก (World Model) จะเป็นแนวทางในการฝึกฝนหุ่นยนต์และ LLM รุ่นต่อไปในอนาคต
ในพอร์ตของเขายังมี Positron ซึ่งผลิตชิปสำหรับการอนุมาน (Inference Chips) หากฟังดูคล้ายกับ Cerebras ใช่แล้ว ทั้งคู่ต่างมุ่งเน้นไปที่การอนุมาน Gavin เพิ่งพูดถึงแนวโน้มหนึ่งซ้ำแล้วซ้ำเล่าในการสัมภาษณ์ล่าสุด นั่นคือโครงสร้างพื้นฐานของโมเดล AI โดยเฉพาะอย่างยิ่งโครงสร้างพื้นฐานสำหรับการฝึก (Training Stack) กำลังเปลี่ยนจากการฝึกก่อน (Pre-training) ไปสู่การให้ความสำคัญกับการฝึกหลัง (Post-training) มากขึ้น
หากคุณอยู่ในวงการ AI คุณจะรู้ว่าการเปลี่ยนแปลงนี้เกิดขึ้นแล้ว Gavin ให้ความสำคัญกับเรื่องนี้อย่างมาก โมเดลหนึ่งยังคงต้องเข้าใจข้อมูลใหม่ ข้อมูลใหม่ และต้องอัปเดตตัวเอง ไม่สามารถคิดได้ว่าเมื่อมันผ่านการฝึกก่อนในชุดข้อมูลหนึ่งแล้ว มันจะเป็นอัจฉริยะไปตลอดชีวิต มันยังต้องเรียนรู้ข้อมูลใหม่ ซึ่งเกิดขึ้นในชั้นการฝึกหลัง และสิ่งนี้ต้องการการคำนวณจำนวนมาก
ประการที่สอง หากคุณต้องการให้โมเดล AI คิดเกี่ยวกับปัญหาอย่างแท้จริง เหมือนกับที่เราได้รับข้อมูลใหม่แล้วคิดว่า มุมมองนี้ถูกต้องหรือไม่? มีทฤษฎีอื่นที่สามารถอธิบายได้หรือไม่? นี่คือการใช้เหตุผล (Reasoning/การคิดเชิงอนุมาน) การใช้เหตุผลก็ต้องการการคำนวณจำนวนมากเช่นกัน การประมาณการในปัจจุบันชี้ให้เห็นว่า ต้นทุนหรือโอกาสในการสร้างรายได้จากการอนุมานเพียงอย่างเดียว อาจมากกว่าการลงทุนด้านการคำนวณสำหรับการฝึกก่อนถึง 5 ถึง 10 เท่า
ดังนั้น ห้องปฏิบัติการ AI (AI Labs) และผู้ผลิตชิป (Chip Makers) ต่างก็กำลังเกิดการเปลี่ยนแปลงครั้งใหญ่ คุณได้เห็นแล้วว่า Nvidia เปิดตัว GPU ที่เน้นการอนุมานจำนวนมาก เพื่อรองรับแอปพลิเคชันแบบ Agentic (Agentic Applications) Gavin ก็แสดงถึงการเดิมพันในการอนุมานผ่านการลงทุนหลายครั้ง
ประเด็นสุดท้ายที่ผมคิดว่าน่าสนใจมากคือการที่ Gavin พูดถึงจีน ในการแข่งขันด้าน AI เรื่องเล่ามักจะเป็น จีนเทียบกับสหรัฐฯ (China versus US) จีนมีการกำหนดค่าที่ไม่เหมือนใคร นั่นคือมีพลังงานค่อนข้างเพียงพอ และมีความสามารถในการขยายการผลิตชิป สหรัฐฯ ในปัจจุบันกำลังลำบากในเรื่องนี้ ซึ่งเป็นเหตุผลว่าทำไมหลายส่วนจึงถูกจ้างให้ไต้หวันของจีนอย่าง TSMC (บริษัทผลิตเวเฟอร์ขั้นสูงที่สำคัญที่สุดในโลก) ดำเนินการ
คำอธิบายของเขาคือ จีนมีโอกาสพิเศษในการสร้างโครงสร้างพื้นฐาน (Infrastructure) หรือชิป AI ที่แตกต่างจากสหรัฐฯ อย่างมาก เพราะพวกเขาจะมุ่งเน้นไปที่การอนุมานอย่างมาก คุณอาจพูดได้ว่า Gavin กำลังนำในการเดิมพันการสร้างโครงสร้างพื้นฐานด้านการอนุมานของสหรัฐฯ ผ่านการลงทุนของเขาในอเมริกา ผมคิดว่านี่อาจเป็นโอกาสที่ยิ่งใหญ่ในอนาคต
Josh： สิ่งที่น่าสนใจคือ การเดิมพันนี้ไม่ได้มีแต่ด้านขาขึ้นเท่านั้น เขายังถือพอร์ต QQQ put (ออปชั่นขายของกองทุน Nasdaq 100 ETF) จำนวนมากอีกด้วย QQQ คือ ETF ที่ติดตาม Nasdaq 100 ซึ่งเป็นตะกร้าหุ้นชั้นนำ และเป็น ETF ที่มีปริมาณการซื้อขายมากเป็นอันดับสองของสหรัฐฯ มันมีผลงานที่แข็งแกร่งมาก: ปี 2023 เพิ่มขึ้น 55%, ปี 2024 เพิ่มขึ้น 25%, ปี 2025 เพิ่มขึ้น 20% และปี 2026 จนถึงตอนนี้เพิ่มขึ้น 17% แล้ว
พูดอีกอย่างคือ QQQ ในฐานะกองทุนดัชนีมีผลงานดีมาก การซื้อมันง่ายมาก มันคือตะกร้าหุ้นชั้นนำ 100 ตัวที่ดีที่สุด ส่วน Gavin กำลังทำการป้องกันความเสี่ยงแบบตรงกันข้ามกับมัน เขาไม่ได้บอกว่า AI จะไม่ชนะ แต่เขากำลังบอกว่า: เขาจะลงทุนในผู้ผลิตที่สำคัญที่แก้ปัญหาคอขวดจริงๆ แต่ไม่ค่อยมองโลกในแง่ดีต่ออารมณ์ตลาดโดยรวมนัก
QQQ put คือ downside protection (การป้องกัน downside): ถ้าตลาดโดยรวมพังในทางที่ไม่ดี แม้ว่า AI ในระยะยาวจะยังชนะ เขาก็มี hedge (การป้องกันความเสี่ยง) นี้ไว้
สี่ประเภทของทิศทางการลงทุนที่น่าลงทุน
Josh： เราสามารถแยกคอขวดการลงทุนที่เขาคิดว่าสำคัญที่สุดออกเป็นหลายประเภท ประเภทแรกคือ verticalized small language models (โมเดลภาษาขนาดเล็กเฉพาะทาง)
LLM ทั่วไป เช่น แชทบอทอย่าง Claude และ ChatGPT เป็น generalized LLM (โมเดลภาษาขนาดใหญ่ทั่วไป) พวกมันมีความเข้าใจโลกอย่างกว้างขวางและสามารถตอบคำถามเฉพาะเจาะจงได้ แต่การฝึกโมเดลในสาขาแนวตั้งเฉพาะหรือปัญหาที่เฉพาะเจาะจงนั้นเป็นอีกเรื่องหนึ่ง
ปัญหาเฉพาะเหล่านี้มักมีอยู่ในองค์กร โดยเฉพาะองค์กรที่เจาะลึกในปัญหาใดปัญหาหนึ่ง หรือบริษัทที่สร้าง niche (ช่องทางเฉพาะ) ในเส้นทางการแข่งขันย่อย verticalized SLMs (โมเดลภาษาขนาดเล็กเฉพาะทาง) แก้ปัญหานี้: พวกมันคือ frontier models (โมเดล前沿) แต่ได้รับการปรับให้เหมาะสมสูง สามารถทำงานได้อย่างมีประสิทธิภาพบนข้อมูลเฉพาะขององค์กร หรือทำงานบน device (อุปกรณ์) ในเครื่อง
เราเคยพูดถึง on-device (บนอุปกรณ์) หรือ locally run models (โมเดลที่ทำงานในเครื่อง) มาก่อน เหตุผลคือในโทรศัพท์หรืออุปกรณ์อื่นๆ ของคุณมีข้อมูลส่วนตัวจำนวนมากที่คุณอาจไม่ต้องการส่งออกไป และบริษัทก็อาจไม่สามารถเข้าถึงได้ เช่น medical records (บันทึกทางการแพทย์), financial details (รายละเอียดทางการเงิน)
ฉันเห็น OpenAI เปิดตัว financial AI agent (เอเจนต์ AI ทางการเงิน) ที่สามารถเข้าถึงบัญชีธนาคารของคุณได้ แต่ไม่สามารถดำเนินการแทนคุณได้จริง เพราะมีข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (personally identifiable information) จำนวนมาก เช่น หมายเลขประกันสังคม รายละเอียดธนาคาร เป็นต้น
โมเดลท้องถิ่นหรือ SLM สามารถแก้ปัญหาประเภทนี้ได้ Gavin วางเดิมพันอย่างมากว่ามันจะมีความสำคัญในอนาคต มีบริษัทหนึ่งที่เขามองในแง่ดีมาก นั่นคือ Apple (แอปเปิล) แม้ว่าเขาอาจไม่ได้แสดงความสนใจในการลงทุนอย่างชัดเจน แต่เขาเชื่อว่า Apple จะเป็นหนึ่งในผู้ผลิตอุปกรณ์หลัก (device maker) ที่ทำให้โมเดลท้องถิ่นทำงานบนอุปกรณ์ได้
หากอนาคตเป็นแบบนี้ เราอาจไม่คิดอีกต่อไปว่า Claude ต้องเป็นโมเดลที่คุณโต้ตอบด้วยทุกวัน สิ่งที่คุณอาจต้องการคือ personalized AI agent (เอเจนต์ AI ที่ปรับแต่งเฉพาะบุคคล) ซึ่งฝึกฝนจากข้อมูลของคุณเอง นี่คือสิ่งที่ SLM อาจกลายเป็นในที่สุด
เวอร์ชันทั่วไปสามารถทำงานบนโทรศัพท์ของคุณได้ ในขณะที่องค์กรจำนวนมากจะรันโมเดลที่ปรับแต่งและเชี่ยวชาญสูง ซึ่งฝึกฝนบน proprietary data (ข้อมูลเฉพาะของตนเอง) เพื่อขายหรือทำการตลาดผลิตภัณฑ์ได้ดีขึ้น
EJ: Apple อยู่ในตำแหน่งที่ดีมาก ฉันรอคอย WWDC (งานประชุมนักพัฒนาแอปเปิล) ที่กำลังจะมาถึง
Josh: ใช่
EJ: เหลืออีกเพียงไม่กี่สัปดาห์ก่อนงานประชุมนักพัฒนาแอปเปิล พวกเขาจะเปิดตัวซอฟต์แวร์ AI ใหม่ และวิธีการที่ซอฟต์แวร์เหล่านี้ผสานรวมกับฮาร์ดแวร์ สิ่งนี้จะสำคัญมาก และเราจะยังคงติดตามต่อไป ฉันรอคอยที่จะพูดคุยเรื่องนี้
Josh: เสาหลักที่สองคือ sovereign infrastructure (โครงสร้างพื้นฐานอธิปไตย) เรามักพูดกันว่า bits (บิต) เคลื่อนที่เร็วกว่า atoms (อะตอม) มาก เมื่อดูโครงสร้างพื้นฐาน AI ก็ชัดเจน: คุณภาพของโมเดลเพิ่มขึ้นแบบเกือบเป็นเลขชี้กำลัง ปัญญาที่สร้างได้ต่อวัตต์ ปัญญาต่อ token แต่ละตัว จะเพิ่มขึ้นเรื่อยๆ เท่านั้น
แต่ความเร็วในการปรับใช้ทางกายภาพไม่ได้เพิ่มขึ้นในอัตราที่ใกล้เคียงกัน และนี่คือ moat (คูน้ำป้องกัน) ในตัว ฮาร์ดแวร์ซับซ้อนอย่างมาก ความแม่นยำของทรานซิสเตอร์ใกล้ถึงระดับอะตอมแล้ว การปรับใช้ในวงกว้างในโลกที่โครงสร้างพื้นฐานที่มีอยู่เดิมก็รับภาระหนักอยู่แล้ว ไม่ใช่เรื่องง่าย หลังจากที่รถยนต์ไฟฟ้าเร่งการใช้งาน ระบบไฟฟ้าก็รู้สึกถึงแรงกดดันมากขึ้น หลายพื้นที่ใกล้เต็มกำลัง ตอนนี้ AI ก็นำ energy problem (ปัญหาพลังงาน) และ chip problem (ปัญหาชิป) มาด้วย
เกวินเดิมพันอย่างหนักกับความจริงที่ว่า โครงสร้างพื้นฐานนั้นยาก การสร้างต้องใช้เวลาหลายวัน หลายเดือน หรือแม้กระทั่งหลายปี เขาเดิมพันกับคนที่สามารถบีบอัดวงจรนี้ให้เหลือเพียงไม่กี่สัปดาห์ ดังนั้น ความเร็วในการปรับใช้ทางกายภาพ (Physical Deployment) จึงเป็นเกราะป้องกันตัวเขาเอง เขากำลังจำกัดเป้าหมายให้แคบลง เพื่อมองหาบริษัทที่สามารถปรับใช้ได้เร็วที่สุด
ตัวอย่างแรกที่ผมนึกถึงคือ SpaceX (บริษัทอวกาศของอีลอน มัสก์) และความเร็วที่พวกเขาสร้าง Colossus (คลัสเตอร์ซูเปอร์คอมพิวเตอร์ AI ขนาดใหญ่ของ xAI) และให้เช่าแก่ Anthropic ซึ่งในอนาคตอาจให้เช่าแก่บริษัทอื่นๆ ด้วย เสาหลักของโครงสร้างพื้นฐานนี้คือหนึ่งในปัจจัยสำคัญที่เกวินให้ความสนใจ
ถ้าดูพอร์ตการลงทุนของ Leopold นี่ก็เป็นส่วนหลักเช่นกัน ความจริงก็คือ การสร้างสิ่งต่างๆ นั้นยากมาก และคนที่สามารถสร้างสิ่งเหล่านั้นออกมาได้ ก็สามารถขายได้ในราคาที่แพงมาก ในรายการมีการกล่าวว่า ปัจจุบันหนึ่งในแหล่งรายได้ที่ใหญ่ที่สุดของ SpaceX คือการให้เช่าศูนย์ข้อมูล ไม่ใช่จรวด ซึ่งแสดงให้เห็นว่าเสาหลักนี้มีความสำคัญแค่ไหน
EJ: สิ่งที่เขาสนใจคือความเร็ว แต่ก็สนใจต้นทุนเช่นกัน เขาพูดถึงตัวชี้วัดซ้ำแล้วซ้ำเล่า นั่นคือ Performance Per Watt หรือประสิทธิภาพต่อวัตต์ สิ่งที่เขาต้องการจะสื่อจริงๆ คือ ห้องปฏิบัติการ AI เริ่มให้ความสำคัญกับจำนวน Tokens ที่สามารถสร้างได้ต่อวัตต์มากขึ้น
ถ้าคุณลองคิดดูว่าในปีนี้มีเพียงประมาณห้าบริษัทที่ใช้จ่ายหลายพันล้านหรือหลายล้านล้านดอลลาร์ไปกับ GPU, คอมพิวเตอร์ และไฟฟ้าที่ขับเคลื่อนระบบเหล่านี้ คุณคงหวังว่า Bang for Buck (ความคุ้มค่า) จะสูงพอ โดยเฉพาะอย่างยิ่งเมื่อ Hyperscalers (ผู้ให้บริการคลาวด์ขนาดใหญ่) ขยายตัวถึงขนาดนี้ ต้นทุนก็คือประเด็นหลัก
ยกตัวอย่างสมมติ: ผมถามคำถาม Claude มันให้คำตอบผมซึ่งมีต้นทุน 2 เซนต์; ผมถาม ChatGPT คำถามหนึ่ง มันให้คำตอบผมซึ่งมีต้นทุน 1 ดอลลาร์ ถึงแม้ว่า Claude จะมีความฉลาดเพียง 95% ของ ChatGPT ผมก็มีแนวโน้มจะใช้ Claude เพราะผมสามารถถามได้หลายครั้ง และสุดท้ายก็ได้คำตอบด้วยต้นทุนที่ต่ำกว่า
ดังนั้น ต้นทุนในการเข้าถึง Intelligence (ความฉลาด) นี้จึงสำคัญมาก ในสัปดาห์นี้เอง Microsoft และ Uber ประกาศว่าพวกเขากำลังลดการใช้ Claude Code (เครื่องมือเขียนโค้ด AI ของ Anthropic สำหรับสถานการณ์การเขียนโปรแกรม) ลง เนื่องจากงบประมาณรายปีหมดลงภายในประมาณ 4 เดือน
คุณสามารถเห็นสิ่งนี้ได้ในพอร์ตการลงทุนของเกวิน: Cerebras, Positron, Astera Labs เขาระบุคอขวดของโครงสร้างพื้นฐานที่เฉพาะเจาะจงมาก จากนั้นก็เดิมพันง่ายๆ: ถ้าบริษัทนี้แก้คอขวดนี้ได้ Performance Per Watt ถึงระดับหนึ่ง ต้นทุน Token ลดลงถึงระดับหนึ่ง ห้องปฏิบัติการ AI ก็จะซื้อ GPU, ผลิตภัณฑ์ หรือสิ่งของประเภทนี้มากขึ้น
ดังนั้นทฤษฎีของเขาจริงๆ แล้วเรียบง่ายมาก แม้ว่าเทคโนโลยีเฉพาะจะซับซ้อนก็ตาม: ฉันมุ่งเน้นไปที่คอขวดในโครงสร้างพื้นฐานของ AI เท่านั้น ถ้าฉันเจอบริษัทที่เพิ่มประสิทธิภาพต่อวัตต์และทำให้ tokens ราคาถูกลง ฉันจะเดิมพันว่ามันจะมีมูลค่ามากในอนาคต ไม่ว่าจะผ่านการ IPO หรือถูกซื้อกิจการในราคาสูง
Josh: ในส่วนนี้ ถ้ามีใครอยากเลียนแบบการเทรดของ Gavin ต้องรู้จักชื่อเหล่านี้: Astera Labs, Cerebras, SiFive (บริษัทออกแบบชิป RISC-V) และ Positron สี่บริษัทนี้สำคัญมากในหมวดนี้
ทิศทางที่สี่และสุดท้ายคือการผสมผสานระหว่าง energy (พลังงาน) และ space (อวกาศ) อย่างที่เราพูดไปก่อนหน้านี้ terrestrial grid (โครงข่ายไฟฟ้าบนพื้นดิน) จำกัดการจัดหาพลังงานอย่างมาก และการสร้างพลังงานใหม่ก็ยากมาก ในรายการมีการกล่าวถึงสถิติว่า ประมาณ 40% ของศูนย์ข้อมูลใหม่จะเจอการต่อต้านอย่างรุนแรง ผู้คนล็อบบี้และประท้วง ไม่ต้องการให้ศูนย์ข้อมูลเหล่านี้ตั้งขึ้น
วิธีแก้ปัญหามีสองประเภท ประเภทแรกคือการสร้าง out-of-the-box energy (พลังงานในกล่อง) หรือพลังงานแบบพกพา คุณสามารถนำศูนย์ข้อมูลไปด้วย และจ่ายไฟด้วยอุปกรณ์พลังงานขนาดเล็ก Blue Marble ที่ Leopold มองว่าเป็นบริษัทที่ดีก็อยู่ในประเภทนี้
อีกประเภทคือ orbital compute (การคำนวณในวงโคจร) ซึ่งเป็นสิ่งที่ Gavin ให้ความสนใจอย่างมากในตอนนี้ บริษัทที่ใหญ่ที่สุดและสำคัญที่สุดในด้านนี้แน่นอนคือ SpaceX มันเป็นบริษัทเดียวที่มีความสามารถในการเป็นทางหลวงสู่อวกาศ นำ payload (น้ำหนักบรรทุก) ขึ้นสู่วงโคจร นำ racks (ชั้นวาง) และศูนย์ข้อมูลขึ้นสู่วงโคจรต่ำ และสร้างพลังงานและข้อมูลที่ชาญฉลาดเพียงพอส่งกลับมา
ฉันคิดว่าความสำคัญของ SpaceX นั้นยิ่งใหญ่กว่าตัว SpaceX เสียอีก ฉันค่อนข้างแปลกใจที่พอร์ตของ Gavin ไม่มี space stocks (หุ้นอวกาศ) มากกว่านี้ เมื่อพิจารณาว่าเขามองว่านี่เป็นอุตสาหกรรมขนาดใหญ่ บางทีความจริงอาจเป็นว่ามันยังเร็วเกินไป และ SpaceX คือ linchpin (จุดเชื่อมต่อสำคัญ) ที่ปลดล็อกอุตสาหกรรมนี้
ต่อไปต้องจับตาดูการปล่อย Starship V3 อย่างใกล้ชิด เราเพิ่งเห็นการปล่อย Starship ครั้งหนึ่งเมื่อสัปดาห์ที่แล้ว ซึ่งทำผลงานได้ดีมาก ถ้า Starship ไม่สามารถทำงานได้จริง ก็จะไม่มีพลังงานจากอวกาศ และไม่มี racks to orbit (ชั้นวางขึ้นสู่วงโคจร) มันเป็นเงื่อนไขที่จำเป็น เพราะต้องปล่อยน้ำหนักบรรทุกที่ใหญ่มาก ดังนั้น SpaceX จึงเป็นบริษัทที่ต้องจับตามองอย่างแน่นอน แม้ว่าจะมีบริษัทลำดับรองอีกมากมายที่ได้รับผลกระทบ
ทำไมถึงไม่ใช่ฟองสบู่ดอทคอมอีกรอบ?
Josh: ต่อไปทุกคนคงจะถามว่า ทำไมสิ่งนี้ถึงไม่ใช่แค่ฟองสบู่ดอทคอม (dot-com bubble) อีกรอบ? Gavin ถูกถามคำถามนี้หลายครั้ง เขาให้คำตอบที่แข็งแกร่งมาก และผมก็เชื่อเขาเป็นส่วนใหญ่ เพราะข้อโต้แย้งของเขามีน้ำหนักน่าเชื่อถือ
ตรรกะของเขาประมาณว่า: ฟองสบู่อินเทอร์เน็ตในปี 2000 นั้นขับเคลื่อนด้วยหนี้ (debt-fueled) ผู้คนจำนวนมากกู้เงินมหาศาลไปลงทุนในทฤษฎีที่ยังไม่ผ่านการพิสูจน์ และผลิตภัณฑ์ที่ไม่มีใครใช้หรือสนใจจริงๆ
ถ้าเทียบกับสิ่งที่ Gavin เรียกว่าซูเปอร์ไซเคิล AI ในตอนนี้ แค่ OpenAI และ Anthropic สองบริษัทนี้ ก็มีแนวโน้มจะทำ ARR (รายได้ประจำปีที่เกิดซ้ำ) ได้ถึง 200,000 ล้านดอลลาร์ในปีนี้ และนี่ไม่ใช่เงินที่สร้างขึ้นมาลอยๆ แต่เป็นเงินที่เซ็นสัญญาไว้แล้ว โดยส่วนใหญ่ประมาณ 40% ถึง 60% ตามที่กล่าวในรายการ ได้รับการชำระล่วงหน้าจากลูกค้าองค์กรและรายย่อย
นั่นหมายความว่า มีเงินจริงๆ ที่หมุนเวียนอยู่
ลองดูพลังการประมวลผล GPU ไม่ต้องดูที่ห้องปฏิบัติการโมเดล แต่ดูว่าใครกำลังซื้อผลิตภัณฑ์จาก Nvidia Google, Microsoft, Amazon และ Meta ต่างก็ใช้เงินสดสำรองของตัวเองจ่าย ไม่ได้กู้ยืม Amazon เพิ่งใช้ถึงปลายทางของกระแสเงินสดอิสระ ถ้าพวกเขาเริ่มกู้เงิน เราก็อาจเริ่มกังวลได้ แต่ตอนนี้ประเด็นสำคัญคือ พวกเขาไม่ได้ใช้เลเวอเรจ
และนี่คือหนึ่งในห้าบริษัทชั้นนำของโลก ในแง่หนึ่งก็คือบริษัทที่ฉลาดที่สุด เพราะมูลค่าตลาด ขนาด และสถานะของพวกเขา เมื่อเทียบกับฟองสบู่ดอทคอม สมัยนั้นมีบริษัทไร้ชื่อมากมายที่ระดมทุนมหาศาล แล้วเผาเงินในวิธีที่ไม่สมเหตุสมผล ในรอบนี้ บริษัทที่ฉลาดที่สุดในโลกกำลังใช้เงินที่ไม่มีเลเวอเรจในการใช้จ่าย
ในไม่กี่สัปดาห์ที่ผ่านมา รายงานประจำไตรมาสที่เราพูดถึงในรายการก็แสดงให้เห็นว่า กำไรกำลังถูกปรับให้เหมาะสมรอบการดำเนินการเหล่านี้ โมเดลยังคงพัฒนาและฉลาดขึ้น ดังนั้นข้อโต้แย้งหลักของ Gavin คือ: นี่ไม่ใช่ฟองสบู่อินเทอร์เน็ต เพราะมันไม่ได้ขับเคลื่อนด้วยเงินทุนจากเลเวอเรจ ในขณะเดียวกัน อุปสรรคที่เราพูดถึงนั้นถูกจำกัดด้วยอะตอมทางกายภาพ (physical atoms)
การซื้อชิปหน่วยความจำและ GPU จำนวนมากเป็นเรื่องหนึ่ง แต่ Nvidia ไม่สามารถขาย GPU เกินกำลังการผลิตได้ และ Micron ก็ไม่สามารถขายชิปหน่วยความจำ AI เกินกำลังได้ เพราะพวกเขาไม่มีโรงงานผลิตชิปเพียงพอ ดังนั้นข้อโต้แย้งง่ายๆ ของเขาคือ: ถ้าคุณไม่สามารถจัดหาสินค้าให้เกินความต้องการของตลาดทั้งหมดได้ มันก็ไม่ใช่ฟองสบู่ เราถูกจำกัดด้วยการขาดแคลนเครื่องมือและอุปกรณ์ (picks and shovels) ที่จะทำให้สิ่งนี้สำเร็จ และสิ่งที่เขาลงทุนก็คือสิ่งเหล่านี้
อีกประเด็นที่ดีคือ: กาวินมองว่าถ้า TSMC สามารถจัดหาได้ ปีนี้และปีหน้า Nvidia จะสามารถขาย GPU ได้มูลค่า 2 ถึง 3 ล้านล้านดอลลาร์ นั่นหมายความว่า TSMC เป็นจุดสำคัญในขอบเขตของฟองสบู่
เหตุผลคือ ถ้า TSMC สามารถตอบสนองความต้องการของบริษัทเหล่านี้และจัดหาชิปจำนวนมากให้พวกเขาได้ ก็จะต้องใช้เงินทุนมหาศาล ตอนนี้จากกราฟจะเห็นว่า CapEx (รายจ่ายด้านทุน) และ operating cash (กระแสเงินสดจากการดำเนินงาน) ยังไม่มีความแตกต่างกันมากนัก เงินสดที่ธุรกิจสร้างขึ้นยังคงเพียงพอต่อการสนับสนุนการก่อสร้าง
แต่ถ้าพรุ่งนี้ TSMC บอก Nvidia ว่าเราสามารถเพิ่มกำลังการผลิตเป็นสามเท่าได้ในชั่วข้ามคืน Nvidia ก็จะไม่ปฏิเสธ และจะเริ่มใช้เงินจำนวนมหาศาลซื้อชิป บริษัทอื่นๆ ก็จะถูกบังคับให้กู้ยืมเงินเพื่อซื้อชิปเหล่านี้ เมื่อถึงจุดนั้น CapEx bubble (ฟองสบู่รายจ่ายด้านทุน) จะเริ่มขยายตัวและห่างจากกระแสเงินสดจากการดำเนินงานของธุรกิจ
แต่เนื่องจากทุกขั้นตอนมีข้อจำกัดด้านอุปทาน ทั้งการจัดเก็บข้อมูล การผลิตชิป และพลังงาน โดยเฉพาะข้อจำกัดของ TSMC ในชิปขั้นสูง เราจึงไม่สามารถเร่งความเร็วในการก่อสร้างได้มากขนาดนั้น ดังนั้น TSMC จึงขัดขวางการเร่งตัวของฟองสบู่
ตราบใดที่กำลังการผลิตชิปของ TSMC ยังคงจำกัด และตราบใดที่ Samsung (ซัมซุง) และผู้ผลิตชิปรายอื่นๆ ยังไม่แซงส่วนแบ่งตลาดของพวกเขา อัตราการเติบโตก็จะยังคงยั่งยืนในระดับหนึ่ง มันอาจดูเร็ว แต่ก็ยังมีความต้องการจำนวนมากที่ไม่สามารถตอบสนองได้ เพราะเราไม่ได้สร้างเร็วพอ ตราบใดที่พลวัตนี้ยังคงอยู่ ผมคิดว่าชั่วคราวยังไม่มีปัญหาใหญ่
EJ: อีกประเด็นคือ คุณไม่สามารถสมมติว่าความต้องการจะคงที่ เพราะมันไม่เป็นเช่นนั้น ความต้องการที่เกี่ยวข้องกับ AI กำลังเติบโตแบบทวีคูณ และอัตราการเติบโตนั้นเร็วกว่าการผลิตชิปเหล่านี้
วิธีเดียวที่ผมคิดว่าจะพิสูจน์ทฤษฎีนี้ว่าเป็นเท็จได้มีสองวิธี วิธีแรกคือ มีคนสร้าง ASML (ผู้จัดหาเครื่องพิมพ์ลายวงจรระดับสุดยอดระดับโลก) ขึ้นมาได้อย่างน่าอัศจรรย์ และจู่ๆ ก็มีคู่แข่งของ ASML เกิดขึ้นมากมาย สำหรับคนที่ไม่รู้จัก ASML ให้เข้าใจง่ายๆ คือ มันผลิตเครื่องจักรมูลค่าประมาณ 400 ล้านดอลลาร์ ซึ่ง TSMC และ chip fab (โรงงานผลิตชิป) หลักทั้งหมดต้องการเครื่องเหล่านี้
ในรายการบอกว่า ASML มีทีมเดียวใน Norway (นอร์เวย์) ที่ผลิตสิ่งเหล่านี้ และรอบการผลิตยาวนานมาก คำสั่งซื้อที่ backlog (ค้างส่ง) ถูกเลื่อนออกไปประมาณ 5 ปี
วิธีที่สองคือ เราสร้าง LLM ประเภทที่แตกต่างอย่างสิ้นเชิง ซึ่งไม่ต้องการ GPU มากขนาดนั้น และไม่ต้องการพื้นที่จัดเก็บมากขนาดนั้น แต่ตอนนี้เรายังไม่เห็นสัญญาณใดๆ เลย
วันนี้ผมเห็นข่าวเกี่ยวกับ SK Hynix (ผู้ผลิตหน่วยความจำแบนด์วิดท์สูงรายใหญ่ของโลก) ซึ่งเป็นผู้ผลิตและซัพพลายเออร์อันดับหนึ่งของ GPU ของ Nvidia ในด้านหน่วยความจำ AI ถือเป็นผู้เล่นอันดับต้นๆ
ตอนนี้พวกเขากำลังได้รับข้อเสนอมูลค่า 50,000 ถึง 100,000 ล้านดอลลาร์จาก Google และ Microsoft เพื่อล็อกอุปทานการผลิตในอีกสามปีข้างหน้า โดยใช้จ่ายค่าอุปกรณ์ขยายกำลังการผลิต
นี่แสดงให้เห็นว่าบริษัทยักษ์ใหญ่เหล่านี้กระหายหน่วยความจำแค่ไหน และนี่เป็นเพียงส่วนย่อยของส่วนประกอบ AI เท่านั้น SK Hynix กลับบอกว่า: ฉันไม่อยากให้การรับประกันอุปทานแก่คุณ ฉันจะขึ้นราคาโดยตรงเลยดีกว่า อัตรากำไรจากการดำเนินงานของพวกเขาอยู่ที่ประมาณ 70% ซึ่งแทบจะน่าเหลือเชื่อในอุตสาหกรรมเซมิคอนดักเตอร์
ดังนั้นที่ Gavin ลงทุนแบบ all-in จึงสมเหตุสมผล มันดูไม่เหมือนฟองสบู่ บางทีตลาดอาจตอบสนองในระยะสั้นแบบนั้น ก่อนที่เราจะบันทึกวันนี้ เราเปิดพอร์ตหุ้นแล้วเกือบทั้งหมดร่วงลง แต่นั่นเป็นปฏิกิริยาทางอารมณ์มากกว่า
เป้าหมายเชิงทิศทางของเรื่องนี้คือ: เราจะต้องการ GPU เพิ่มขึ้น ชิปเซมิคอนดักเตอร์เพิ่มขึ้น แต่อุปทานไม่พอ และผู้ผลิตก็ไม่พอ
พอร์ตการลงทุนของ Gavin
Josh: สรุปคือ: ไฟฟ้าและเวเฟอร์ แค่นี้สองอย่าง มันคือกำแพงอิฐสองชั้น และเป็นปัจจัยจำกัดสองอย่างที่ป้องกันไม่ให้เราเร่งความเร็วเร็วเกินไป ตราบใดที่ไฟฟ้าและเวเฟอร์ยังมีมูลค่า ความต้องการแข็งแกร่ง และอุปทานจำกัด ข้างหน้าก็ยังมีวันที่ดี
ถ้าคุณต้องการ TLDR ของพอร์ต Gavin ผมสามารถอ่านการถือครองที่ใหญ่ที่สุดของเขาได้ ย้ำอีกครั้ง นี่ไม่ใช่คำแนะนำการลงทุน นี่คือสิ่งที่ Gavin ถืออยู่ ไม่ได้หมายความว่าเราถืออยู่ ผมไม่รู้ว่าหุ้นเหล่านี้จะขึ้น จะลง หรือจะหมุนอยู่กับที่
ตำแหน่งที่ใหญ่ที่สุดของเขาค่อนข้างขัดกับสัญชาตญาณ คือ QQQ put position (ออปชั่นขายของ ETF Nasdaq 100) โดยรวมแล้ว เขามีมุมมอง bearish ต่อตลาด ซึ่งน่าสังเกตมาก อันดับสองคือ Astera Labs ถือประมาณ 7.4% ticker คือ ALAB อันดับสามคือ Unity ซึ่งเป็นบริษัทซอฟต์แวร์ 3D
ยังมีอีกมาก: Ciena (บริษัทอุปกรณ์เครือข่ายออปติคอล), Micron, Nvidia, Amazon, Lumentum (บริษัทอุปกรณ์ออปติคอลและเลเซอร์), Alphabet (บริษัทแม่ของ Google), Coherent (บริษัทออปโตอิเล็กทรอนิกส์และวัสดุ), Roblox (แพลตฟอร์มเกม), EchoStar (บริษัทสื่อสารผ่านดาวเทียม), Twilio (แพลตฟอร์มคลาวด์คอมมิวนิเคชัน), Wayfair (บริษัทอีคอมเมิร์ซเฟอร์นิเจอร์) คนนี้ลงทุนทุกอย่าง
ถ้าคุณสนใจ ลองไปดู 13F ของเขาดู นี่คือมุมมองของ Gavin อุปสรรคอยู่ที่ไฟฟ้าและเวเฟอร์ ตราบใดที่ข้อจำกัดเหล่านี้ยังคงอยู่ ตลาดก็จะขึ้นข้างเดียว EJ คุณรับข้อมูลเหล่านี้ยังไง? คุณจะจัดการยังไง?
EJ: ตั้งแต่ 13F ของ Leopold ออกมา ตลาดก็ผันผวนมาก ตอนอัดตอนนี้ฉันเริ่มรู้สึกว่า Gavin เหมือน Leopold ที่แก่กว่าและฉลาดกว่า เขาอยู่ในวงการนี้มานานแล้ว อาจจะไม่มี AUM 130,000 ล้านดอลลาร์ แต่ฉันรู้สึกว่าอีก 10 ปีเขาก็ยังอยู่
ถ้าคุณฟังถึงตรงนี้แล้วคิดว่า ฉันไม่อยากตามความก้าวหน้าของ AI ทุกนาที ทุกชั่วโมง ทุกวัน ฉันแค่อยากวางเงินไว้แล้วดูมันเติบโตในอีกไม่กี่เดือนหรือไม่กี่ปีข้างหน้า พอร์ตของ Gavin ก็อาจเป็นข้อมูลอ้างอิงที่ดี แน่นอนว่านี่ไม่ใช่คำแนะนำการลงทุน
เขาใช้แนวทางที่ระมัดระวัง ระยะยาว และมองอนาคตมากกว่า ถ้าแนวโน้มที่เขาคาดการณ์เป็นจริง เหมือนตอนที่เขาเลือก Nvidia และ Cerebras ตั้งแต่เนิ่นๆ ก็อาจมีผลตอบแทนแบบทวีคูณในอีกไม่กี่ปีข้างหน้า แต่ทั้งหมดนี้ขึ้นอยู่กับมุมมองหลักของเขา: เราไม่ได้อยู่ในฟองสบู่
ฉันอยากรู้ว่าผู้ฟังเห็นด้วยไหม เห็นได้ชัดว่าคนส่วนใหญ่ไม่มีความรู้ด้านเทคนิคหรือลึกซึ้งเท่า Gavin แต่หลังจากฟังตอนนี้แล้ว คุณคิดว่าเราอยู่ในฟองสบู่หรือไม่? ข้อสนับสนุนและข้อคัดค้านคืออะไร? มีอะไรที่เราพลาดไปไหม? Josh ก่อนจบคุณคิดว่าตอนนี้เป็นฟองสบู่ไหม?
Josh: ฉันคิดว่าเราแน่นอนอยู่ในฟองสบู่ ปัญหาคือเราอยู่ในระยะไหนของฟองสบู่ ซึ่งยังถกเถียงกันได้ ตอนนี้ดูเหมือนเป็นช่วงต้น ดังนั้นหวังว่ามันจะคงสภาพนี้ต่อไป ตามที่ Gavin พูด ตราบใดที่ TSMC ยังจำกัดกำลังการผลิตชิป เราก็ยังโอเค
นี่คือภาพรวม (outlook) โดยรวม เราได้พูดถึง Leopold ความสำเร็จของเขาวัดกันเป็นไตรมาส ตอนนี้เราพูดถึง Gavin ความสำเร็จของเขาวัดกันเป็นทศวรรษ หลายคนอาจมีคำตอบของตัวเองที่อยู่ตรงกลางระหว่างทั้งสอง
ลิงก์ต้นฉบับ
ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:
กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats
กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App
บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia
