พลาดโอกาส 20 เท่าไปแล้ว ผมเลยเจอวิธีลงทุน AI แบบถึกๆ

หัวข้อต้นฉบับ: 《พลาด 20 เท่า ผมเจอวิธีลงทุน AI แบบโง่ๆ แล้ว》
ผู้เขียนต้นฉบับ: อวี่สืออี นักวิเคราะห์ AI

เมื่อ 40 ปีก่อน วันที่ 22 ตุลาคม 1978 ท่านเติ้งเสี่ยวผิงเดินทางเยือนญี่ปุ่นครั้งแรก จากโตเกียวถึงเกียวโต ระยะทาง 370 กิโลเมตร โดยนั่งรถไฟความเร็วสูงสายแรกของโลก——ชินคันเซ็น "ฮิคาริ" ของญี่ปุ่น ผู้ติดตามฝ่ายญี่ปุ่นถามความรู้สึกของท่าน ท่านตอบว่า: "รู้สึกว่ามันเร่งเร้าให้วิ่ง ตอนนี้เราจึงเหมาะที่จะนั่งรถแบบนี้"

AI ก็มีความหมายที่เร่งเร้าให้วิ่งเช่นกัน

สองปีที่ผ่านมา NVIDIA พุ่งจากรายได้ 60,000 ล้านดอลลาร์เป็น 216,000 ล้านดอลลาร์ ราคาหุ้นเพิ่มขึ้นสิบเท่า กระแสการลงทุนที่เกี่ยวข้องกับ AI ปกคลุมทั่วโลก——โมดูลออปติคอล ดาต้าเซ็นเตอร์ ระบบระบายความร้อน หุ่นยนต์ แอปพลิเคชัน AI ระลอกแล้วระลอกเล่า ทุกวันมีเรื่องราวราคาพุ่งขึ้นใหม่ ทุกวันมีคนเสียใจที่ไม่ลงมือเร็ว

แต่การเร่งเร้าให้วิ่งก็คือการเร่งเร้าให้วิ่ง ก่อนวิ่ง ต้องมองทางให้ชัดเจน

AI คือเส้นทางที่ยาวที่สุดที่คนรุ่นเราจะได้เจอ อินเทอร์เน็ตจากปี 1995 จนถึง Google เข้าตลาดหุ้นใช้เวลาสิบปี ถึง Facebook เข้าตลาดหุ้นก็อีกแปดปี ระหว่างนั้นเจอฟองสบู่แตกในปี 2000 Nasdaq ร่วง 78% AI ก็มีแนวโน้มจะเดินทางคล้ายกัน——ตอนนี้อาจอยู่ที่ตำแหน่งปี 1998 หรือ 1999 โอกาสที่ใหญ่ที่สุดจริงๆ อาจเกิดขึ้นหลังฟองสบู่แตกในอนาคต หรืออาจซ่อนอยู่ในมุมที่วันนี้ยังไม่มีใครสังเกต

ปัจจุบัน ความสามารถของโมเดลก้าวหน้าอย่างรวดเร็ว ทุนหลั่งไหลเข้ามาอย่างบ้าคลั่ง มูลค่าถูกผลักดันไปถึงระดับที่น่ากังวล ในสภาพแวดล้อมแบบนี้ มีคนสองประเภท:

ประเภทหนึ่งรีบซื้อตอนนี้——พนันว่าตัวเองจับจังหวะถูก อาจได้กำไร แต่มีโอกาสสูงกว่าที่จะซื้อตรงกลางเขา แล้วถูกปรับฐานสะบัดออก

อีกประเภทหนึ่งรอให้ตลาดพังก่อนค่อยว่ากัน——แต่ปัญหาคือ เมื่อพังจริง คุณกล้าซื้อไหม? คุณรู้ไหมว่าซื้ออะไร? ถ้าคุณไม่รู้อะไรเลยเกี่ยวกับอุตสาหกรรมนี้ คุณจะยิ่งตื่นตระหนกเมื่อเจอความกลัว

ผมเลือกทางที่สาม: ตอนนี้ไม่รีบซื้อหุ้นก่อน สร้างพอร์ตก่อน——สร้าง "พอร์ตความรู้"

เพราะไม่ว่า AI จะพัฒนาไปอย่างไร เมื่อโอกาสจริงปรากฏขึ้น ถ้าเราอยากไม่พลาด——เราต้องเป็นผู้เชี่ยวชาญที่เข้าใจอุตสาหกรรมทั้งหมดอย่างถ่องแท้ก่อน สิ่งที่เรียกว่า "สัญชาตญาณดุจนักฆ่า" ก็แค่มาจากความรู้ที่ "ในอกมีหุบเหวเป็นของตัวเอง"

ตั้งแต่วันนี้เป็นต้นไป ฉันจะเริ่มทำสิ่งที่ดูโง่และช้า นั่นคือการศึกษาอุตสาหกรรม AI ตั้งแต่ภาพรวมทั้งหมด ค่อยๆ ศึกษาไปทีละนิด เพื่อทำความเข้าใจห่วงโซ่อุตสาหกรรม AI ตั้งแต่ต้นจนจบ ใครกำลังทำเงิน เงินมาจากไหน ไหลไปที่ไหน ใครคือคนที่ขาดไม่ได้ ใครกำลังกินของเหลือที่คนอื่นทิ้งไว้

เมื่อถึงวันที่ตลาดมอบโอกาสให้เรา—ไม่ว่าจะเป็นการพังทลาย การปรับฐาน หรือมุมที่ถูกมองข้าม—ฉันจะสามารถตัดสินใจได้ภายในไม่กี่วินาที: "ราคานี้คุ้มค่าที่จะลงทุนหรือไม่?"

อีกอย่าง การทำสิ่งนี้ของฉันจะมีจุดแตกต่างสองประการ:

ประการแรกคือพื้นฐานการลงทุนของฉันดีมาก ฉันมีประสบการณ์มากมายและความเร็วในการพัฒนาที่รวดเร็วมากในการลงทุน ผลตอบแทนของฉันในช่วงสามปีที่ผ่านมา แฟนเก่าของฉันรู้ดี มีคนน้อยมากที่ถึงระดับเดียวกับฉัน แน่นอน สิ่งสำคัญที่สุดไม่ใช่อัตราผลตอบแทน เพราะมันอาจมีองค์ประกอบของโชค แต่สิ่งที่ทุกคนยอมรับโดยทั่วไปคือความเร็วในการพัฒนาของฉัน—ฉันคิดว่ายุค AI ก็ยิ่งเป็นเช่นนั้น ไม่ใช่การเปรียบว่าใครเก่งกว่า แต่เป็นการเปรียบว่าใครพัฒนาเร็วกว่า

อดีตไม่ต้องขยายความ อนาคตเริ่มจากตอนนี้ เรามา "คอยดูกัน"

ประการที่สองคือฉันมุ่งเน้นไปที่สิ่งเดียว: สิ่งนี้ทำเงินได้อย่างไร? ในช่วงไม่กี่ปีที่ผ่านมา ความเร็วสูงในการพัฒนาของฉัน ส่วนใหญ่มาจากการโฟกัส: ฉันสนใจแค่โอกาสความมั่งคั่งที่อยู่เบื้องหลังปรากฏการณ์ บทความต่างๆ ที่เห็นในตอนนี้ ส่วนใหญ่สอนให้คุณใช้ Skill ใหม่ๆ GitHub ใหม่ๆ ทุกวันไล่ตามแต่ของ爆款และของใหม่ สิ่งเหล่านี้สำคัญแน่นอน แต่ในมุมมองของนักลงทุน ฉันสนใจมากกว่าถึงโอกาสความมั่งคั่งที่อยู่เบื้องหลัง

เมื่อ iPhone 4 เปิดตัว คุณจะร้องตะลึงกับการออกแบบและประสิทธิภาพของโทรศัพท์เหมือนคนอื่นๆ หรือจะไปศึกษาโอกาสการลงทุนที่อยู่เบื้องหลัง?

บทความนี้เป็นบทความแรกของชุดการศึกษา โดยทำสิ่งเดียวเป็นหลัก: 点亮地图 (เปิดแผนที่) ถ้าเปรียบเทียบการศึกษาระบบห่วงโซ่อุตสาหกรรม AI ทั้งหมดกับการเล่นเกมขนาดใหญ่แบบโลกเปิด—ขั้นตอนแรกไม่ใช่การบุกไปสู้กับบอส แต่คือการเปิดแผนที่ก่อน: มีกี่โซนใหญ่ โหนดสำคัญอะไรบ้าง ภารกิจหลักคืออะไร ภารกิจรองมีอะไรบ้าง เมื่อแผนที่ชัดเจนแล้ว ไม่ว่าจะเจอสถานการณ์อะไรในภายหลัง ก็สามารถตัดสินใจได้ภายในไม่กี่วินาที

บทที่ 1: ทำไมต้องมอง AI จากมุมมองภาพรวม?

NVIDIA เพิ่มขึ้นสิบเท่าในสองปี เป็นเรื่องราวที่โดดเด่นที่สุดในการลงทุน AI แต่ถ้าคุณเห็นแค่ NVIDIA ก็เหมือนเห็นแค่ต้นไม้ต้นเดียว—คุณจะมองข้ามโครงสร้างของป่าทั้งผืนที่อยู่ใต้เท้าของมัน

ทุกครั้งที่มีคลื่นเทคโนโลยีครั้งใหญ่ เงินจะกระจายออกไปตามห่วงโซ่อุตสาหกรรมทีละชั้น สิ่งนี้ได้รับการพิสูจน์ซ้ำแล้วซ้ำเล่าในประวัติศาสตร์:

ในยุคอินเทอร์เน็ต คลื่นลูกแรกของเงินไหลเข้าสู่ Cisco (อุปกรณ์เครือข่าย) คลื่นลูกที่สองเข้าสู่ Google, Amazon (แพลตฟอร์ม) คลื่นลูกที่สามเข้าสู่ Facebook, Netflix (แอปพลิเคชัน) ในยุคมือถือ คลื่นลูกแรกคือ Qualcomm (ชิป) คลื่นลูกที่สองคือ Apple (อุปกรณ์ปลายทาง) คลื่นลูกที่สามคือ WeChat, TikTok (ซูเปอร์แอป)

AI ก็ไม่มีข้อยกเว้น เราสามารถมองเห็นห่วงโซ่การกระจายโดยประมาณได้:

วงกลมแรก (2023-2024, ถูกกำหนดราคาเต็มที่แล้ว): GPU — NVIDIA
วงกลมที่สอง (2024-2025, กำลังถูกกำหนดราคา): การเชื่อมต่อด้วยแสง, แหล่งจ่ายไฟ — LITE เพิ่มขึ้น 16 เท่า, Vertiv เพิ่มขึ้น 10 เท่า
วงกลมที่สาม (2025-2026, ยังไม่ถูกกำหนดราคาเต็มที่): การระบายความร้อน, การจัดเก็บข้อมูล, การผลิตเฉพาะทาง
วงกลมที่สี่ (2026+, รอตัวเร่ง): แอปพลิเคชัน AI, โครงสร้างพื้นฐานด้านพลังงาน, หุ่นยนต์

สำหรับนักลงทุน ข้อมูลเชิงลึกที่สำคัญคือ: ยิ่งโครงสร้างพื้นฐานอยู่ลึกเท่าไร ผู้เล่นยิ่งน้อยลง ความสามารถในการถูกแทนที่ยิ่งต่ำลง และอำนาจในการกำหนดราคายิ่งแข็งแกร่งขึ้น

บริษัทแอปพลิเคชัน AI ในชั้นที่ 4 อาจมีหลายพันแห่งที่แข่งขันกัน นี่คือสาเหตุที่ NVIDIA ทำกำไรได้ 216,000 ล้านดอลลาร์ต่อปี ในขณะที่บริษัทแอปพลิเคชัน AI ส่วนใหญ่ยังขาดทุน

แต่นี่ก็หมายความว่า ในวงกลมที่สอง สาม และสี่ของชั้นโครงสร้างพื้นฐาน — บริษัทที่ยังไม่ได้ถูกตลาดติดป้ายว่า "แนวคิด AI" — อาจซ่อนโอกาสมากมายไว้ เราต้องหาว่ามีผู้เล่นอะไรบ้าง พวกเขาทำอะไร และมีมูลค่าเท่าไร

ความสำคัญของการเข้าใจสิ่งนี้คือ: เมื่อตลาดเกิดการปรับฐาน ความตื่นตระหนก หรือการแยกตัวในอนาคต เราจะรู้ว่าเราควรมองไปที่ไหน

วงกลมการกระจายสี่ชั้นที่กล่าวถึงข้างต้นอธิบายถึงลำดับการส่งผ่านของอารมณ์ตลาดและเงินทุน — เงินจะไล่ตามอะไรก่อนและอะไรหลัง แต่เพื่อให้เข้าใจตรรกะทางธุรกิจของแต่ละส่วนอย่างแท้จริง เราต้องใช้แผนที่อีกแบบ: โครงสร้างลำดับชั้นของห่วงโซ่อุตสาหกรรม ต่อไปเราจะแยกย่อยทีละชั้นจากล่างขึ้นบน

ผมแบ่งห่วงโซ่อุตสาหกรรม AI ทั้งหมดออกเป็น 4 ชั้นโครงสร้าง และ 4 แผนที่ภารกิจหลัก

บทที่ 2: สี่ชั้นโครงสร้าง สี่แผนที่ภารกิจหลัก

แผนที่สี่แผ่นคือ: โครงสร้างพื้นฐานด้านการคำนวณ, ชั้นโมเดล, มิดเดิลแวร์, ชั้นแอปพลิเคชัน นอกจากนี้ยังมีข้อจำกัดสูงสุดอีกหนึ่งอย่าง: พลังงานไฟฟ้า

ชั้นที่ 1: โครงสร้างพื้นฐานด้านพลังประมวลผล – "เครื่องยนต์" ของ AI

ชั้นนี้คือรากฐานทางกายภาพของห่วงโซ่อุตสาหกรรมทั้งหมด เงินทั้งหมด – ไม่ว่าจะไหลเข้ามาจากชั้นไหน – ในที่สุดก็จะตกตะกอนอยู่ที่นี่

(1) การออกแบบชิป: เจ้าพ่ออาวุธ

NVIDIA คือผู้ครองบัลลังก์ที่ไม่มีใครโต้แย้ง ในปีงบประมาณ 2026 (สิ้นสุดเดือนมกราคม 2026) รายได้รวมอยู่ที่ 216,000 ล้านดอลลาร์สหรัฐ โดยศูนย์ข้อมูลมีส่วนสนับสนุนถึง 193,700 ล้านดอลลาร์ – เมื่อสองปีก่อนยังไม่ถึง 500,000 ล้านดอลลาร์ด้วยซ้ำ อัตราการเติบโตนี้ไม่เคยมีมาก่อนในประวัติศาสตร์เซมิคอนดักเตอร์

ตัวเลขเหล่านี้หมายถึงอะไร? ยกตัวอย่างที่เป็นรูปธรรม: การฝึกโมเดล AI ขนาดใหญ่ระดับแนวหน้าเพียงครั้งเดียว ต้นทุน GPU เพียงอย่างเดียวอาจสูงถึงหลายร้อยล้านดอลลาร์สหรัฐ และการฝึกเป็นเพียงค่าใช้จ่ายครั้งเดียว เมื่อโมเดลเปิดให้บริการแล้ว จะต้องประมวลผลคำขอจากผู้ใช้หลายร้อยล้านครั้งต่อวัน แต่ละครั้งต้องใช้พลังประมวลผล – นี่คือต้นทุน "การอนุมาน" ต้นทุนการอนุมานตลอดอายุการใช้งานของโมเดล อาจสูงกว่าต้นทุนการฝึกหลายสิบเท่า ซึ่งหมายความว่าตราบใดที่ AI ยังถูกใช้งานอยู่ NVIDIA ก็จะเก็บ "ภาษี" ต่อไป

คูเมืองของ NVIDIA ไม่ใช่แค่ฮาร์ดแวร์เท่านั้น อุปสรรคที่แท้จริงคือ CUDA – ระบบนิเวศซอฟต์แวร์ที่มีนักพัฒนากว่า 5 ล้านคน เช่นเดียวกับ iOS ที่มีต่อ Apple CUDA ทำให้ผู้ใช้เมื่อเข้ามาแล้วยากที่จะออกไป AMD (MI300X) และ Intel (Gaudi) กำลังไล่ตาม แต่ช่องว่างทางระบบนิเวศยังคงมีอยู่อีกหลายปี

อีกเส้นทางหนึ่งคือชิป AI แบบกำหนดเอง Broadcom ให้บริการออกแบบเฉพาะสำหรับ TPU ของ Google, Trainium ของ Amazon เป็นต้น ตรรกะนั้นง่าย: ยักษ์ใหญ่ด้านเทคโนโลยีไม่ต้องการถูก "บีบคอ" โดยบริษัทเดียวตลอดไป แต่อย่างน้อยในตอนนี้ ชิปที่พัฒนาขึ้นเองเป็นส่วนเสริม ไม่ใช่สิ่งทดแทน

คำถามหลัก: การผูกขาดของ NVIDIA จะคงอยู่ได้นานแค่ไหน? Duan Yongping เคยบอกว่าเขาเองก็ไม่เข้าใจ – "NVIDIA ในอีก 10 ปีข้างหน้าคงยังอยู่ แต่จะยังคงสถานะทางการตลาดเหมือนเดิมหรือไม่?" นี่คือคำถามที่มีมูลค่าหลายล้านล้านดอลลาร์ และเบื้องหลังนี้ ห่วงโซ่อุตสาหกรรมการผลิตชิปมีหลายขั้นตอน ซึ่งตอนนี้ได้ขับเคลื่อนหลายสิ่งหลายอย่างไปแล้ว ผมจะให้ความสนใจมากขึ้น

(2) การผลิตชิป การบรรจุ และหน่วยความจำ: โรงงานอาวุธ

ชิปที่ออกแบบมาต้องมีคนผลิต TSMC ผูกขาดการผลิตชิป AI ที่ล้ำหน้าที่สุดในโลกเกือบทั้งหมด ชิปหลักของ NVIDIA, AMD, Broadcom และ Apple ล้วนผลิตโดย TSMC ในการแข่งขันระดับ 3 นาโนเมตรและ 2 นาโนเมตร ธุรกิจรับผลิตของ Samsung และ Intel ตามหลังอยู่ไกล

คอขวดที่สำคัญยิ่งกว่าคือหน่วยความจำแบนด์วิดท์สูง (HBM) ไม่ว่าชิป AI จะมีพลังประมวลผลมากแค่ไหน หากข้อมูล "ป้อนเข้าไปไม่ได้" ก็ไร้ประโยชน์ SK Hynix เป็นผู้นำในด้าน HBM อย่างโดดเด่น โดย HBM3E เกือบจะเป็นซัพพลายเออร์เฉพาะให้กับ NVIDIA Samsung และ Micron กำลังไล่ตาม แต่ช่องว่างด้านอัตราผลผลิตยังคงชัดเจน

การบรรจุภัณฑ์ขั้นสูง (CoWoS) เป็นอีกหนึ่งจุดคอขวดด้านกำลังการผลิต ซึ่งอุปทานไม่เพียงพอต่อความต้องการมาเป็นเวลากว่าหนึ่งปีแล้ว

ปัญหาหลัก: กำลังการผลิตของ TSMC และ SK Hynix คืออำนาจ ใครควบคุมกำลังการผลิตได้ ผู้นั้นก็ควบคุมจังหวะของการแข่งขันอาวุธ AI

(3) การเชื่อมต่อด้วยแสงและเครือข่าย: ระบบประสาท

คลัสเตอร์ฝึกฝน AI ขยายจาก GPU หลายพันใบเป็นหลายแสนใบ ชิปจะสื่อสารด้วยความเร็วสูงได้อย่างไร? สายทองแดงแบบดั้งเดิมพบขีดจำกัดทางกายภาพที่ 800Gbps ขึ้นไป ไม่ว่าจะเป็นการลดทอนสัญญาณ การใช้พลังงานที่พุ่งสูง หรือการควบคุมความร้อนที่失控 การเชื่อมต่อด้วยแสงเป็นทางออกเดียว ไม่ใช่เรื่องของการปรับปรุงทางวิศวกรรม แต่เป็นข้อจำกัดที่กำหนดโดยกฎพื้นฐานของแม่เหล็กไฟฟ้า

ผู้เล่นสำคัญ: Lumentum (LITE, ผู้นำเลเซอร์ InP, หุ้นกระทิง 16 เท่า), Coherent (COHR, การบูรณาการแนวตั้งด้านออปติก), Tower Semiconductor (TSEM, การรับจ้างผลิตซิลิคอนโฟโตนิกส์ ซึ่งผมเคยเขียนรายงานเชิงลึกมาก่อน), Arista Networks (ANET, สวิตช์ศูนย์ข้อมูล AI), Astera Labs (ALAB, ชิปเชื่อมต่อ)

ปัญหาหลัก: การเชื่อมต่อด้วยแสงเป็นโอกาสในวงรอบที่สอง ซึ่งเริ่มถูกกำหนดราคาแล้ว แต่อาจยังไม่เสร็จสมบูรณ์ สิ่งสำคัญคือการแยกแยะว่าบริษัทไหนยังมีพื้นที่เติบโต และบริษัทไหนที่ราคาได้ถูกกำหนดไว้แล้ว (price in) ซึ่งรายงานเชิงลึกหลายฉบับของผมเมื่อไม่นานมานี้เกี่ยวข้องกับเรื่องนี้

(4) การระบายความร้อนและแหล่งจ่ายไฟ: ระบบท่อระบายน้ำของเมือง

ตู้เซิร์ฟเวอร์ GB200 ล่าสุดของ NVIDIA มีการใช้พลังงานสูงถึง 120 กิโลวัตต์ การวางการ์ดหลายหมื่นใบไว้ด้วยกันทำให้เกิดความร้อนมหาศาล การระบายความร้อนด้วยของเหลวเปลี่ยนจาก "ทางเลือก" เป็น "สิ่งจำเป็น" เทคโนโลยีการแช่แบบสองเฟสของ Microsoft ช่วยลดการใช้พลังงานในการทำความเย็นของเซิร์ฟเวอร์ Azure ลงถึง 95% Vertiv (VRT) เป็นผู้นำในด้านนี้ ขณะที่ nVent (NVT) และ Modine (MOD) ก็เติบโตอย่างรวดเร็ว

ปัญหาหลัก: ไม่น่าตื่นเต้น แต่ขาดไม่ได้ เป็นวงรอบที่สามโดยทั่วไป ซึ่งคนส่วนใหญ่มองไม่เห็น แต่ถ้าไม่มีมัน ศูนย์ข้อมูล AI ก็ไม่สามารถทำงานได้ ต่อไปผมจะมีรายงานที่เกี่ยวข้องออกมา

(5) เซิร์ฟเวอร์และศูนย์ข้อมูล

Dell และ Supermicro รวมชิป หน่วยความจำ เครือข่าย และการระบายความร้อนเข้าเป็นเซิร์ฟเวอร์ AI ส่วน Equinix และ Digital Realty จัดหาห้องเซิร์ฟเวอร์ทางกายภาพ CoreWeave (IPO ในปี 2025) เป็นตัวแทนของคลาวด์ GPU ล้วนๆ

(6) แพลตฟอร์มคลาวด์คอมพิวติ้ง: ผู้ค้าส่งพลังประมวลผล

AWS, Azure, GCP เป็น "ผู้ค้าส่ง" พลังประมวลผล — คลาวด์หลักสามรายนี้รวมกันมีส่วนแบ่งตลาดทั่วโลกประมาณ 65% Oracle กลายเป็นผู้ชนะที่ไม่คาดคิดจากการเติบโตของคลาวด์ AI

ชั้นที่สอง: โมเดลและเครื่องมือ — "ระบบปฏิบัติการ" ของ AI

นี่คือชั้นที่ได้รับความสนใจมากที่สุดในห่วงโซ่อุตสาหกรรม AI มีอัตราการเติบโตที่น่าทึ่งที่สุด แต่มีโครงสร้างที่ไม่แน่นอนที่สุด

การแข่งขันห้าผู้ยิ่งใหญ่: OpenAI (GPT), Anthropic (Claude), Google (Gemini), Meta (Llama โอเพนซอร์ส), xAI (Grok) อัตราการเติบโตของรายได้ในชั้นนี้น่าตกใจ — ARR (รายได้ประจำปีที่เกิดซ้ำ) ของ Anthropic พุ่งจาก 1 พันล้านดอลลาร์สหรัฐ ณ สิ้นปี 2024 เป็น 9 พันล้านดอลลาร์สหรัฐ ณ สิ้นปี 2025 และทะลุ 3 หมื่นล้านดอลลาร์สหรัฐในเดือนเมษายน 2026

Salesforce ใช้เวลา 20 ปีเพื่อให้ถึงรายได้ 3 หมื่นล้านดอลลาร์สหรัฐ แต่ Anthropic ใช้เวลาไม่ถึง 3 ปี ปัจจุบัน OpenAI มี ARR ประมาณ 2.4 หมื่นล้านดอลลาร์สหรัฐ สองบริษัทรวมกันเกิน 5 หมื่นล้านดอลลาร์สหรัฐ บริษัทโมเดลไม่ได้เป็น "เรื่องของการเผาเงิน" อีกต่อไป แต่เป็นธุรกิจที่สร้างรายได้จริง

แต่เบื้องหลังการพุ่งขึ้นของรายได้ มีการเปลี่ยนแปลงเชิงโครงสร้างที่กำลังเกิดขึ้นซึ่งควรให้ความสนใจ: จุดศูนย์กลางของพลังประมวลผล AI กำลังเปลี่ยนจาก "การฝึกสอน" ไปสู่ "การอนุมาน"

ในช่วงสองปีที่ผ่านมา พลังประมวลผลหลักของ AI ถูกใช้ไปกับการฝึกสอนโมเดลขนาดใหญ่ — ป้อนข้อมูลมหาศาลเข้าไปเพื่อให้โมเดลเรียนรู้ที่จะเข้าใจโลก แต่เมื่อโมเดลถูกฝึกสอนเสร็จแล้ว สิ่งที่ต้องทำต่อไปคือ "การอนุมาน" — นั่นคือให้โมเดลตอบคำถามและทำงานจริง

การศึกษาของ Deloitte แสดงให้เห็นว่า การใช้พลังประมวลผลในการอนุมานแซงหน้าการฝึกสอน ณ สิ้นปี 2025 โดยคิดเป็นมากกว่า 55% ของค่าใช้จ่ายโครงสร้างพื้นฐานคลาวด์ AI บางคนถึงกับชี้ว่า "ในอดีต 80% ของพลังประมวลผลใช้ไปกับการฝึกสอน 20% ใช้ไปกับการอนุมาน ในอนาคตสัดส่วนนี้จะกลับกัน"

นั่นหมายความว่าอย่างไร? ตลาดการอนุมานอาจใหญ่กว่าตลาดการฝึกสอนมาก (คาดว่าจะถึง 2.55 แสนล้านดอลลาร์สหรัฐในปี 2030) และความต้องการชิปสำหรับการอนุมานแตกต่างจากการฝึกสอน — ให้ความสำคัญกับประสิทธิภาพด้านต้นทุนและความหน่วงต่ำมากกว่าการพุ่งสูงสุดของพลังประมวลผล นี่อาจเป็นจุดที่การผูกขาดของ Nvidia ถูกท้าทาย: AMD, Marvell (เพิ่งได้รับการลงทุน 2 พันล้านดอลลาร์สหรัฐจาก Nvidia) และชิปที่พัฒนาขึ้นเองของแต่ละบริษัทต่างก็มุ่งเป้าไปที่ตลาดการอนุมาน

คำถามที่ควรคิดมากที่สุดในชั้นนี้คือ: โมเดล AI จะกลายเป็นผู้ผูกขาดแบบกลุ่มน้อย หรือจะถูก "ทำให้เป็นสินค้าทั่วไป"?

Llama ของ Meta เปิดให้ใช้ฟรี DeepSeek สร้างโมเดลที่มีความสามารถในการแข่งขันด้วยต้นทุนที่ต่ำมาก ชุด API ของ GLM-5 ปัจจุบันอยู่ในสถานะขาดตลาด โอเพนซอร์สกำลังลดเกณฑ์การเข้าสู่ชั้นโมเดล แต่ "การทำให้เป็นสินค้าทั่วไป" ก็ไม่ง่ายอย่างนั้น—ช่องว่างความสามารถระหว่างโมเดลต่างๆ กำลังแคบลง แต่ก็ยังไม่หายไป

โดยเฉพาะในสถานการณ์การใช้งานเชิงลึก ความแตกต่างของประสบการณ์ระหว่างโมเดลยังคงชัดเจน และการรวม API ขององค์กร การปรับแต่งเวิร์กโฟลว์ และการสะสมข้อมูล ล้วนสร้างต้นทุนในการเปลี่ยนผ่าน โครงสร้างสุดท้ายอาจไม่ใช่ "ผู้ชนะกินรวบ" หรือ "การทำให้เป็นสินค้าทั่วไปโดยสมบูรณ์" แต่อยู่ระหว่างสองแบบนี้—โมเดลไม่กี่รายครองตลาดหลัก แต่ยังคงแข่งขันกันด้วยความแตกต่าง

หากกำไรของชั้นโมเดลถูกบีบอัดด้วยโอเพนซอร์ส มูลค่าที่แท้จริงจะย้ายไปยังชั้นบนและชั้นล่าง การย้ายไปชั้นบนคือชั้นโครงสร้างพื้นฐาน เพราะทุกคนต้องรันโมเดล ความต้องการพลังประมวลผลไม่ลดลงแต่กลับเพิ่มขึ้น การย้ายลงไปชั้นล่างคือชั้นแอปพลิเคชัน เพราะต้นทุนการเรียกใช้ลดลง ทำให้แอป AI ทำกำไรได้ง่ายขึ้น กระบวนการแจกจ่ายกำไรนี้ อาจเป็นหนึ่งในตัวแปรที่สำคัญที่สุดของห่วงโซ่อุตสาหกรรม AI ในอีกไม่กี่ปีข้างหน้า

ชั้นที่สาม: มิดเดิลแวร์และแพลตฟอร์ม—ชั้นกาว

ชั้นกลางที่เชื่อมต่อโมเดลและแอปพลิเคชัน บริษัทตัวแทน: Scale AI (การติดป้ายข้อมูลและการประเมิน AI มูลค่า 1.38 หมื่นล้านดอลลาร์), LangChain (เฟรมเวิร์กพัฒนาแอป LLM), Hugging Face (แพลตฟอร์มแชร์โมเดล GitHub ของวงการ AI)

ชั้นนี้ส่วนใหญ่บริษัทยังไม่ได้เข้าตลาดหุ้นและมีขนาดเล็ก แต่เมื่อชั้นแอปพลิเคชัน AI ระเบิด บริษัท "กาว" เหล่านี้อาจเติบโตอย่างก้าวกระโดด—เหมือนตอนที่อีคอมเมิร์ซระเบิด Shopify และ Stripe ผงาดขึ้นมา ควรติดตามอย่างต่อเนื่อง

ชั้นที่สี่: แอปพลิเคชันแนวตั้ง—ทางเข้าของเงิน

ที่ที่ AI สร้างมูลค่าให้กับผู้ใช้ปลายทางโดยตรง หลายทิศทาง:

แพลตฟอร์ม AI สำหรับองค์กร: Palantir ขายระบบปฏิบัติการ AI ให้กับรัฐบาลและองค์กร ServiceNow, Salesforce กำลังต่อเชื่อม AI เข้ากับ SaaS แบบดั้งเดิม

เครื่องมือโค้ด: GitHub Copilot เป็นมาตรฐานโดยพฤตินัย Cursor กำลังท้าทาย ตรรกะชัดเจน—ถ้า AI ทำให้โปรแกรมเมอร์มีประสิทธิภาพเพิ่มขึ้นเป็นสองเท่า ทุกองค์กรจะยอมจ่าย

AI ทางการแพทย์: Isomorphic Labs (ภายใต้ Alphabet, สายเลือด AlphaFold) อาจเป็นเป้าหมายที่น่าจับตามองในระยะยาวมากที่สุด คาดว่าจะเข้าตลาดหุ้น IPO ในปี 2027

หุ่นยนต์และปัญญาประดิษฐ์เชิงกายภาพ: ทิศทางที่มี TAM ใหญ่ที่สุดในระยะยาว Tesla Optimus, Figure AI, Unitree Robotics แต่ปัจจุบันยังอยู่ในช่วงเริ่มต้นมาก

ยานยนต์ไร้คนขับ: Waymo มีการ商业化ที่成熟ที่สุด ส่วน Tesla FSD ใช้แนวทาง视觉追赶

ชั้นแอปพลิเคชันเป็นชั้นที่เบ่งบานหลากหลายและยากที่สุดในการเลือกผู้ชนะ แต่แนวโน้มที่น่าสนใจคือ: ในปี 2026 คาดว่าขนาดตลาดแอปพลิเคชัน AI ทั่วโลกจะเกินตลาดโครงสร้างพื้นฐานต้นน้ำเป็นครั้งแรก — เงินกำลังเปลี่ยนจาก "สร้างเมือง" ไปเป็น "เปิดร้านค้า" ในขณะเดียวกัน AI Agent (ตัวแทนอัตโนมัติ) กำลังกลายเป็นรูปแบบใหม่ของแอปพลิเคชันองค์กร คาดว่าภายในสิ้นปี 2026 กว่า 40% ของแอปพลิเคชันองค์กรจะมีฟังก์ชัน AI Agent ในตัว ในขณะที่ปี 2025 สัดส่วนนี้ยังน้อยกว่า 5%

มิติแนวขวาง: พลังงาน — ข้อจำกัดสูงสุดของ AI

ทุกชั้นหนีไม่พ้นปัญหาเดียว: ไฟฟ้ามาจากไหน?

ปริมาณการใช้ไฟฟ้าของศูนย์ข้อมูล AI เติบโตแบบทวีคูณ Microsoft มีคำสั่งซื้อ Azure มูลค่า 80,000 ล้านดอลลาร์ที่ไม่สามารถส่งมอบได้เนื่องจากไฟฟ้าไม่เพียงพอ สิ่งนี้ก่อให้เกิดคลื่นการลงทุนด้านพลังงาน: Constellation Energy (นิวเคลียร์), NuScale และ Oklo (เครื่องปฏิกรณ์นิวเคลียร์ขนาดเล็ก), GE Vernova (กังหันก๊าซ)

AI จะขยายตัวอย่างต่อเนื่อง โครงสร้างพื้นฐานด้านพลังงานเป็นเส้นทาง衍生ที่มีความแน่นอนสูงมาก

บทที่ 4: สี่คำถามนอกเหนือฉันทามติ

เมื่อวาดแผนที่เสร็จ สิ่งที่มีค่าที่สุดไม่ใช่การยืนยันฉันทามติ แต่คือการระบุสิ่งที่ตลาดอาจมองข้าม ปัจจุบันผมสนใจ 4 คำถาม และการวิจัยต่อไปจะเริ่มจากมุมมองเหล่านี้มากขึ้น

คำถามที่หนึ่ง: การเปลี่ยนจากการฝึกฝนไปสู่การ推理 จะเปลี่ยนชะตากรรมของใคร?

ในช่วงสองปีที่ผ่านมา ความต้องการหลักของพลังประมวลผล AI คือการฝึกโมเดลขนาดใหญ่ แต่ตอนนี้การ推理 (ให้โมเดลทำงานจริง) แซงหน้าการฝึกฝนและกลายเป็นตลาดที่ใหญ่กว่า การ推理กับฝึกฝนมีความต้องการที่แตกต่างกันสำหรับชิป — เน้นความคุ้มค่ามากกว่าพลังประมวลผลสูงสุด

สิ่งนี้อาจเปิดหน้าต่างใหม่: การผูกขาดของ NVIDIA ในตลาดฝึกอบรมแทบจะไม่มีใครสั่นคลอน แต่ตลาดการอนุมาน (Inference) มีการกระจายตัวมากกว่า AMD, Marvell, Broadcom และชิปที่พัฒนาขึ้นเองของแต่ละบริษัทต่างก็มีโอกาส ในขณะเดียวกัน ลักษณะ "การบริโภคอย่างต่อเนื่อง" ของการอนุมานหมายความว่าความต้องการพลังการคำนวณไม่ได้เกิดขึ้นเพียงครั้งเดียว แต่จะเติบโตอย่างต่อเนื่องตามการแพร่หลายของแอปพลิเคชัน AI ซึ่งเป็นข่าวดีสำหรับห่วงโซ่อุปทานทั้งหมด

คำถามที่สอง: การลงทุน 600,000 ล้านดอลลาร์ ผลตอบแทนอยู่ที่ไหน?

ในปี 2026 รายจ่ายด้านทุนของบริษัทเทคโนโลยียักษ์ใหญ่ 5 แห่งจะเกิน 600,000 ล้านดอลลาร์ แต่รายได้ที่เกิดจากแอปพลิเคชัน AI มีเพียงเศษเสี้ยวของตัวเลขนี้ ในประวัติศาสตร์ ช่องว่างระหว่างการลงทุนและผลตอบแทนที่คล้ายกันนี้เกิดขึ้นเพียงครั้งเดียว นั่นคือโครงสร้างพื้นฐานโทรคมนาคมในช่วงปลายทศวรรษ 1990 ซึ่งจบลงด้วยการล้มละลายของบริษัทใยแก้วนำแสงจำนวนมาก

แน่นอน ความแตกต่างสำคัญคือ: ในตอนนั้นบริษัทโทรคมนาคมพึ่งพาการกู้ยืม แต่ในปัจจุบันบริษัทเทคโนโลยียักษ์ใหญ่พึ่งพากำไรของตนเอง โดยอัตราส่วนหนี้สินต่อสินทรัพย์อยู่ในระดับต่ำเป็นประวัติการณ์ แต่หากการสร้างรายได้จากแอปพลิเคชัน AI ไม่ทันกับการเติบโต อัตราการเติบโตของรายจ่ายด้านทุนจะต้องชะลอตัวลงอย่างแน่นอน และสิ่งนี้จะส่งผลกระทบต่อห่วงโซ่อุปทานทั้งหมด ซึ่งจะนำมาซึ่งความเสี่ยงของบริษัทใดบ้าง?

คำถามที่สาม: แผนที่ของวงที่สองและวงที่สามมีหน้าตาอย่างไร?

NVIDIA คือวงที่หนึ่ง ซึ่งได้รับการศึกษาและกำหนดราคาอย่างเต็มที่แล้ว การเชื่อมต่อด้วยแสง (Optical Interconnect) และแหล่งจ่ายไฟคือวงที่สอง ซึ่งกำลังถูกตลาดประเมินค่าใหม่ แล้ววงที่สามล่ะ? การระบายความร้อน การผลิตชิปเฉพาะทาง ความปลอดภัยของ AI และชิปการอนุมานที่ขอบ (Edge Inference) – มีบริษัทใดบ้างในส่วนเหล่านี้? โมเดลธุรกิจของพวกเขาคืออะไร? โครงสร้างการแข่งขันเป็นอย่างไร? หากไม่เข้าใจคำถามเหล่านี้ตอนนี้ เมื่อถึงเวลาที่โอกาสเกิดขึ้นจริงก็จะสายเกินไป นี่คือสิ่งที่ต้องทำในการวิจัยทีละชั้นต่อไป

คำถามที่สี่: ภูมิรัฐศาสตร์ส่งผลต่อห่วงโซ่อุตสาหกรรมอย่างไร?

การควบคุมการส่งออกชิป AI ของสหรัฐฯ ไปยังจีนกำลังแบ่งห่วงโซ่อุตสาหกรรม AI ทั่วโลกออกเป็นสองส่วน NVIDIA H20 ถูกห้าม และจีนกำลังสร้างโครงสร้างพื้นฐาน AI ที่เป็นอิสระ ซึ่งหมายความว่าห่วงโซ่อุตสาหกรรมคู่ขนานสองชุดกำลังลงทุน และปริมาณรวมอาจมากกว่าที่คาดไว้ แต่ก็หมายความว่าซัพพลายเออร์บางรายต้องเผชิญกับความเสี่ยงในการ "เลือกข้าง"

บทที่ห้า: ขั้นตอนต่อไปคืออะไร

แผนที่ถูกวาดออกมาแล้ว ขั้นตอนต่อไปคือภารกิจหลัก

ผมจะเริ่มจากชั้นแรก เจาะลึกทีละส่วน เหมือนกับการเคลียร์พื้นที่ในเกม – เดินตามเส้นทางหลักก่อน (บริษัทและตรรกะที่สำคัญที่สุดในแต่ละชั้น) จากนั้นค่อยทำภารกิจรอง (มุมที่อาจมีความประหลาดใจแต่ไม่ใช่จุดศูนย์กลาง)

ในแต่ละจุด ให้เข้าใจสามสิ่งให้ชัดเจน: โมเดลธุรกิจของขั้นตอนนี้คืออะไร? โครงสร้างการแข่งขันเป็นอย่างไร? และระดับการประเมินมูลค่าอยู่ที่เท่าไหร่? เมื่อเข้าใจสามสิ่งนี้แล้ว ไม่ว่าตลาดในอนาคตจะเปลี่ยนแปลงไปอย่างไร เราก็จะมีพื้นฐานในการตัดสินใจ

คำพูดเล็กน้อย

ระหว่างเขียนภาพรวมของห่วงโซ่อุตสาหกรรมนี้ ผมนึกถึงเรื่องราวของ LITE ขึ้นมา

ก่อนหน้านี้ผมเคยรีวิวเชิงลึกใน WeChat Official Account เกี่ยวกับ Lumentum (LITE) ว่า LITE ทำกำไร 20 เท่าในหนึ่งปีได้อย่างไร? นี่คือเคสตัวอย่างระดับตำรา: กลางปี 2024 ตลาดยังมองว่ามันเป็น "หุ้นวัฏจักรโทรคมนาคม" ราคา $50 ต่อหุ้นไม่มีใครสนใจ แต่ความจริงแล้วมันคือ "ระบบประสาท" ของศูนย์ข้อมูล AI ด้วยส่วนแบ่งตลาด InP เลเซอร์ 50-60% ขีดจำกัดทางกายภาพของสายทองแดง การขยายกำลังการผลิตแบบสวนวัฏจักรของฝ่ายบริหารในช่วงขาดทุน และมูลค่าสินทรัพย์ทางบัญชีที่สูงกว่ามูลค่าตลาด

ข้อมูลทั้งหมดเปิดเผยต่อสาธารณะ เพียงแต่ในสมองของผมไม่มีแผนที่ห่วงโซ่อุตสาหกรรมที่จะระบุมันได้

การพลาดโอกาสทั้งหมด ท้ายที่สุดแล้วไม่ใช่เพราะ "ลงมือช้าเกินไป" แต่เป็นเพราะ "วิจัยน้อยเกินไป"

นี่คือเหตุผลที่ผมต้องสร้าง "คลังความรู้" AI เป็น赛道ที่ยาวพอ—ยาวจนไม่ต้องกังวลว่าตอนนี้ยังไม่ได้ขึ้นรถ แต่ก็ไม่สามารถนั่งรอเฉยๆ โดยไม่ทำอะไรได้ การทำความเข้าใจแต่ละชั้นและแต่ละขั้นตอนของห่วงโซ่อุตสาหกรรมให้ชัดเจน นี่คือการเตรียมตัวที่ดีที่สุด เมื่อถึงวันที่ตลาดมอบโอกาสให้เรา—ไม่ว่าจะเป็นซากปรักหักพังหลังฟองสบู่แตก หรือจุดเปลี่ยนที่เกิดขึ้นอย่างกะทันหัน—เมื่อมีแผนที่อยู่ในมือ เราก็สามารถตัดสินใจได้ภายในไม่กี่วินาที

"สัญชาตญาณแบบนักฆ่า ไม่ได้เกิดมาแต่กำเนิด แต่ได้มาจากการวิจัยนับพันชั่วโมง"

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