TL;DR

· มอร์แกน สแตนลีย์คำนวณว่า เมื่อใช้พลังประมวลผล 1GW GB300 สำหรับ API ของโมเดล ROIC ในชั้นโมเดลจะอยู่ที่ประมาณ 20%-60%

· หากแพลตฟอร์มคลาวด์ให้เช่า GPU โดยตรง โดยคำนวณจากอัตราการใช้งาน 75% ROIC ของ IaaS จะอยู่ที่ประมาณ 23%-39%

· รายงานยังคงมองบวกต่อ Amazon และ Google; Meta ยังคงเป็นหุ้นอันดับต้นๆ แต่ผลตอบแทนจาก AI ของบริษัทส่วนใหญ่มาจากโฆษณา แอปพลิเคชันภายใน และระบบนิเวศโมเดลเปิด

ทีมงาน Brian Nowak จากมอร์แกน สแตนลีย์ให้ข้อสรุปที่ขัดกับสัญชาตญาณในรายงานล่าสุด: โมเดลน้ำหนักเปิดกำลังกดดันราคา token ของ AI แต่แพลตฟอร์มที่มีพลังประมวลผล ความสามารถในการจัดสรรทรัพยากร และจุดเข้าถึงองค์กร ยังคงได้รับผลตอบแทนที่น่าพอใจจากการใช้จ่ายด้านทุนใน AI

รายงานได้คำนวณบัญชีสองชุดแยกกัน

ในชั้น API ของโมเดล มอร์แกน สแตนลีย์ใช้ศูนย์ข้อมูล GB300 ขนาด 1GW เป็นฐาน โดยสมมติว่าราคาต่อล้าน tokens อยู่ที่ 1 ถึง 2.5 ดอลลาร์ ปริมาณงานต่อ GPU อยู่ที่ 2000 ถึง 3500 tokens ต่อวินาที และจัดสรรพลังประมวลผล 50% ถึง 80% สำหรับการอนุมานผล ภายใต้การผสมผสานสถานการณ์ต่างๆ ROIC ในชั้นโมเดลจะอยู่ที่ประมาณ 20% ถึง 60%

ในชั้นแพลตฟอร์มคลาวด์ รายงานสมมติว่าศูนย์ข้อมูลขนาด 1GW ประกอบด้วยชิป GB300 ประมาณ 410,000 ตัว อัตราการใช้งาน GPU อยู่ที่ 75% และราคาเช่าอยู่ที่ 7 ถึง 10 ดอลลาร์ต่อชั่วโมง จากการคำนวณนี้ ROIC ของ IaaS จากการให้เช่าพลังประมวลผล GPU บนคลาวด์จะอยู่ที่ประมาณ 23% ถึง 39%

ตัวเลขสองชุดนี้อธิบายข้อสรุปหลักของมอร์แกน สแตนลีย์ร่วมกัน: ราคาโมเดล AI ที่ลดลง ส่งผลกระทบต่อเศรษฐกิจต่อหน่วยของผู้ให้บริการโมเดลเป็นอันดับแรก แต่สำหรับแพลตฟอร์มคลาวด์อย่าง Amazon และ Google การที่องค์กรนำ AI มาใช้ยังคงต้องใช้ GPU พื้นที่จัดเก็บข้อมูล ฐานข้อมูล ความปลอดภัย และเครื่องมือปรับใช้โมเดล โมเดลอาจมีราคาถูกลง แต่โครงสร้างพื้นฐานที่รองรับโมเดลจะไม่สูญเสียคุณค่าไปด้วย

น้ำหนักเปิดกดราคาลง พร้อมผลักดันปริมาณงาน AI ให้เกิดขึ้นมากขึ้น

ผลกระทบโดยตรงของโมเดลน้ำหนักเปิด คือการลดอุปสรรคสำหรับองค์กรในการนำ AI มาใช้และปรับใช้

แตกต่างจากโมเดลปิด โมเดลน้ำหนักเปิดอนุญาตให้ผู้ใช้ดาวน์โหลดน้ำหนักของโมเดล นำไปปรับแต่งหรือฝึกใหม่ด้วยข้อมูลส่วนตัว และเลือกปรับใช้ในเครื่อง บนคลาวด์ หรือผ่าน API องค์กรไม่จำเป็นต้องพึ่งพาผู้ให้บริการโมเดลรายเดียว และสามารถควบคุมข้อมูล ต้นทุน และวิธีการปรับใช้ได้อย่างยืดหยุ่นมากขึ้น

ความแตกต่างระหว่างโมเดลแบบเปิดน้ำหนักและแบบปิดน้ำหนัก รวมถึงว่าน้ำหนักสามารถดาวน์โหลดได้หรือไม่ รองรับการปรับแต่งด้วยข้อมูลส่วนตัวหรือไม่ และสามารถรันบนฮาร์ดแวร์ของตนเองได้หรือไม่

ราคาที่ต้องจ่ายคือ API ของโมเดลยากขึ้นเรื่อยๆ ในการรักษาราคาระดับสูง เมื่อจำนวนโมเดลต้นทุนต่ำที่ใกล้เคียงความสามารถระดับ前沿เพิ่มขึ้น ห้องปฏิบัติการโมเดลจึงต้องแข่งขันแย่งลูกค้าด้วยราคาที่ต่ำลง การตอบสนองที่เร็วขึ้น และชุดเครื่องมือที่สมบูรณ์ยิ่งขึ้น รายงานระบุว่า Muse Spark 1.2 ที่ Meta เปิดตัวล่าสุด ซึ่งเป็นโมเดลราคาถูกที่ใกล้เคียงระดับ前沿 กำลัง加剧การแข่งขันด้านราคาในชั้นโมเดลเพิ่มเติม

นี่คือเหตุผลที่ตลาดกังวลเกี่ยวกับผลตอบแทนจากการลงทุนด้าน AI ของบริษัทเทคโนโลยี บริษัทเทคโนโลยีใช้เงินหลายหมื่นล้านดอลลาร์ซื้อ GPU สร้างศูนย์ข้อมูล และจองไฟฟ้า หากราคาการอนุมานยังคงลดลงอย่างต่อเนื่อง ผลตอบแทนสุดท้ายจะพึ่งพาตัวแปรสามตัวมากขึ้น ได้แก่ อัตราการใช้ GPU ปริมาณ token ต่อการ์ด และความสามารถของงาน AI ในการดึงรายได้จากบริการคลาวด์อื่นๆ

Morgan Stanley มองว่าราคาที่ลดลงจะบีบอัดกำไรในชั้นโมเดล แต่ไม่จำเป็นว่าผลตอบแทนของโครงสร้างพื้นฐาน AI ทั้งหมดจะแย่ลงพร้อมกัน โมเดลที่ถูกกว่าและยืดหยุ่นกว่าอาจผลักดันให้องค์กรนำ AI ไปใช้มากขึ้น ซึ่งจะขยายความต้องการใช้พลังประมวลผลพื้นฐานและบริการคลาวด์

20%-60%: การคำนวณผลตอบแทนของชั้น API โมเดล

การคำนวณชั้น API โมเดลหมุนรอบตัวแปรหลักสามตัว ได้แก่ ราคา token ปริมาณการประมวลผล GPU และสัดส่วนพลังประมวลผลที่ใช้สำหรับการอนุมาน

Morgan Stanley ใช้ราคาประมาณ 1.75 ดอลลาร์ต่อล้าน tokens เป็นราคาอ้างอิง และทำการวิเคราะห์สถานการณ์ในช่วง 1 ถึง 2.5 ดอลลาร์ รายงานอ้างอิงเกณฑ์การอนุมานสาธารณะของโมเดลแบบเปิดน้ำหนัก เช่น DeepSeek-V4-Pro 1.6T บนฮาร์ดแวร์ GB300 โดยตั้งสมมติฐานปริมาณการประมวลผลต่อ GPU ไว้ที่ 2000 ถึง 3500 tokens ต่อวินาที

ในสถานการณ์อ้างอิง รายงานสมมติว่า 65% ของพลังประมวลผลใช้สำหรับการอนุมาน GPU หนึ่งตัวประมวลผล 2750 tokens ต่อวินาที และราคาต่อล้าน tokens อยู่ที่ 1.75 ดอลลาร์ ซึ่งสอดคล้องกับรายได้ประมาณ 40 พันล้านดอลลาร์ต่อ GW ช่วงสถานการณ์เต็มรูปแบบสอดคล้องกับรายได้ประมาณ 23 พันล้านถึง 52 พันล้านดอลลาร์ต่อ GW

จากนี้ รายงานประมาณการว่า ROIC ของชั้นโมเดลสำหรับพลังประมวลผล GB300 ขนาด 1GW อยู่ที่ประมาณ 20% ถึง 60%

กรอบรายได้และต้นทุนของ API โมเดล ราคา token ปริมาณการประมวลผล และสัดส่วนพลังประมวลผลสำหรับการอนุมานที่แตกต่างกัน สอดคล้องกับรายได้ประมาณ 23 พันล้านถึง 52 พันล้านดอลลาร์ต่อ GW

ที่นี่ต้องสังเกตว่า 20% ถึง 60% ไม่ใช่ผลตอบแทนที่ได้อัตโนมัติที่ราคาคงที่ 1.75 ดอลลาร์ แต่เป็นช่วงสถานการณ์ที่เกิดจากการผสมผสานของราคา ปริมาณการประมวลผล และการจัดสรรพลังประมวลผลที่แตกต่างกัน

บัญชีชุดนี้จะสามารถเบิกจ่ายได้จริงหรือไม่ หัวใจสำคัญอยู่ที่ว่าประสิทธิภาพที่เพิ่มขึ้นจะวิ่งแซงหน้าราคาที่ลดลงได้หรือไม่ หากราคา token ยังคงร่วงลงอย่างรวดเร็วต่อไป ในขณะที่อัตราการใช้ GPU และปริมาณงาน (throughput) ไม่ได้เพิ่มขึ้นพร้อมกัน ผลตอบแทนในชั้นโมเดลก็จะหดตัวลงอย่างเห็นได้ชัด

23%-39%: อีกหนึ่งบัญชีของการเช่า GPU บนแพลตฟอร์มคลาวด์

สำหรับแพลตฟอร์มคลาวด์อย่าง Amazon และ Google แหล่งรายได้ที่ตรงไปตรงมามากกว่าคือการเช่าพลังประมวลผล มากกว่าที่จะแบกรับความเสี่ยงด้านราคาของ Model API ด้วยตัวเอง

Morgan Stanley ตั้งสมมติฐานว่า ศูนย์ข้อมูล GB300 ขนาด 1GW สามารถติดตั้งชิป GB300 ได้ประมาณ 410,000 ตัว ที่อัตราการใช้งาน 75% หากราคาเช่าต่อชิป GPU อยู่ที่ 7 ถึง 10 ดอลลาร์ต่อชั่วโมง จะสอดคล้องกับรายได้ต่อปีประมาณ 18.9 พันล้านถึง 27 พันล้านดอลลาร์ต่อ GW

หลังจากหักค่าเสื่อมราคาของอุปกรณ์ IT ค่าเสื่อมราคาของสินทรัพย์ที่ไม่ใช่ IT ค่าไฟฟ้า ค่าแรง และค่าบำรุงรักษาแล้ว รายงานประเมินว่ากำไรจากการดำเนินงานหลังภาษีต่อ GW ของแพลตฟอร์มคลาวด์อยู่ที่ประมาณ 8.9 พันล้านถึง 15.3 พันล้านดอลลาร์ สอดคล้องกับ ROIC ประมาณ 23% ถึง 39%

โมเดลการเช่า GPU GB300 ของแพลตฟอร์มคลาวด์ ราคาเช่า 7 ถึง 10 ดอลลาร์ต่อชั่วโมง สอดคล้องกับ ROIC ประมาณ 23% ถึง 39%

การคำนวณชุดนี้สนับสนุนมุมมองเชิงบวกของ Morgan Stanley ต่อรายจ่ายด้าน AI ของแพลตฟอร์มคลาวด์ได้โดยตรงมากขึ้น

แม้ว่าราคา Model API จะลดลง องค์กรต่างๆ ยังคงต้องเช่า GPU เพื่อรันโมเดลแบบเปิดน้ำหนัก (open-weight) สำหรับแพลตฟอร์มคลาวด์ สิ่งสำคัญไม่ใช่ว่า token แต่ละตัวจะขายได้แพงแค่ไหน แต่คือพลังประมวลผลที่หายากจะสามารถรักษาอัตราการใช้งานและราคาเช่าที่สูงได้หรือไม่

Morgan Stanley ยังเน้นย้ำว่า โมเดลราคาถูกอาจนำมาซึ่งปริมาณการใช้งานที่มากขึ้น แม้ว่าราคาต่อหน่วยและอัตรากำไรจะลดลง แต่ตราบใดที่ขนาดโดยรวมของปริมาณงาน AI ขยายตัว มูลค่าสัมบูรณ์ของ EBIT ของแพลตฟอร์มคลาวด์ก็ยังอาจเติบโตได้

แพลตฟอร์มคลาวด์ขายไม่ใช่แค่ GPU และ token

Morgan Stanley มองว่าแพลตฟอร์มคลาวด์สามารถรองรับสงครามราคาได้ ด้วยเหตุผลหลักสี่ประการ

ประการแรก พลังประมวลผลยังคงหายาก องค์กรต่างๆ แม้จะเลือกใช้โมเดลแบบเปิดน้ำหนัก ก็ยังต้องการ GPU คลัสเตอร์สำหรับ inference พื้นที่จัดเก็บข้อมูล เครือข่าย และสภาพแวดล้อมด้านความปลอดภัย องค์กรขนาดใหญ่อาจสร้างโครงสร้างพื้นฐานเองได้ แต่ลูกค้าจำนวนมากยังคงเช่าพลังประมวลผลและโฮสต์โมเดลผ่าน AWS, Google Cloud หรือ Azure

ประการที่สอง แพลตฟอร์มคลาวด์สามารถเพิ่มประสิทธิภาพของระบบผ่านการประหยัดต่อขนาด ความจุหน่วยความจำที่ใหญ่ขึ้น การเชื่อมต่อที่เร็วขึ้น สถาปัตยกรรม MoE และการประมวลผลแบบแบตช์คำขอ ล้วนช่วยเพิ่มปริมาณโทเค็นต่อหน่วย GPU ได้ แพลตฟอร์มคลาวด์ขนาดใหญ่มีปริมาณการใช้งานจากลูกค้าองค์กรที่มากกว่า จึงง่ายต่อการรวมและจัดตารางคำขอ ส่งผลให้อัตราการใช้ GPU สูงขึ้น

ประการที่สาม ชิปที่พัฒนาขึ้นเองสามารถลดต้นทุนการให้บริการได้ อเมซอนมี Trainium ส่วนกูเกิลมี TPU ชิปที่พัฒนาขึ้นเองและการปรับซอฟต์แวร์ให้เหมาะสมทำให้แพลตฟอร์มคลาวด์มีพื้นที่ในการปรับเปลี่ยนมากขึ้นในการแข่งขันด้านราคา และลดการพึ่งพาผู้จัดจำหน่าย GPU รายเดียว

ประการที่สี่ ปริมาณงาน AI ยังช่วยผลักดันรายได้จากบริการคลาวด์อื่นๆ เมื่อองค์กรปรับใช้ AI มักจะต้องซื้อบริการจัดเก็บข้อมูลออบเจกต์ ฐานข้อมูล การค้นหาเวกเตอร์ RAG การกำกับดูแลความปลอดภัย การยืนยันตัวตน และบริการตรวจสอบ บริการเสริมเหล่านี้สามารถขยายรายได้คลาวด์จากแต่ละปริมาณงาน AI และเพิ่มการมีส่วนร่วมในการทำกำไรโดยรวม

ดังนั้น แม้ว่าโมเดลน้ำหนักเปิดอาจทำให้รายได้จากโทเค็น API กลายเป็น "ผลิตภัณฑ์นำร่อง" แต่ก็อาจสร้างความต้องการเช่า GPU การจัดเก็บข้อมูล และฐานข้อมูลเพิ่มขึ้นได้เช่นกัน

ตรรกะผลตอบแทนของอเมซอน กูเกิล และเมตาไม่เหมือนกัน

จากการประเมินข้างต้น มอร์แกน สแตนลีย์คงอันดับ "เพิ่มน้ำหนัก" สำหรับอเมซอนและอัลฟาเบต โดยมีราคาเป้าหมายที่ 335 ดอลลาร์และ 400 ดอลลาร์ตามลำดับ

จุดแข็งของอเมซอนอยู่ที่ฐานลูกค้าองค์กรของ AWS ชิป Trainium ที่พัฒนาขึ้นเอง และระบบนิเวศบริการคลาวด์ที่ครบครัน ส่วนกูเกิลมีทั้ง TPU โมเดล Gemini สถานการณ์การใช้งานจาก Search และ YouTube รวมถึงความสามารถในการกระจายสู่ลูกค้าองค์กรของ Google Cloud สำหรับทั้งสองบริษัท ผลตอบแทนจากรายจ่ายด้านทุน AI หลักๆ มาจากการเช่าพลังประมวลผล การโฮสต์โมเดล และการผูกพันกับบริการคลาวด์

ตรรกะของเมตาแตกต่างออกไป

มอร์แกน สแตนลีย์ยังคงจัดให้เมตาอยู่ในอันดับ Top Pick โดยให้อันดับ "เพิ่มน้ำหนัก" และราคาเป้าหมายที่ 775 ดอลลาร์ แต่เมตาไม่ใช่แพลตฟอร์มคลาวด์สำหรับองค์กรในความหมายเดียวกับ AWS หรือ Google Cloud การลงทุนด้าน AI ของบริษัท主要通过ระบบนิเวศโมเดลเปิด ประสิทธิภาพการแนะนำโฆษณา แอปพลิเคชันของตนเอง และความสามารถของศูนย์ข้อมูลในการสร้างผลตอบแทน

ราคาเป้าหมายและสมมติฐานความเสี่ยง-ผลตอบแทนของเมตา

รายงานระบุว่า การลงทุนด้าน AI ของเมตาอาจช่วยปรับปรุงการมีส่วนร่วมของผู้ใช้ การสร้างรายได้จาก Reels และความสามารถในการวัดผลโฆษณา รวมถึงเปิดพื้นที่การเติบโตสำหรับผลิตภัณฑ์ใหม่ แต่หากการก่อสร้างศูนย์ข้อมูลดำเนินการได้ไม่ดี ต้นทุนทุนยังคงเพิ่มขึ้นต่อเนื่อง และพลังประมวลผลใหม่ไม่สามารถสร้างผลตอบแทนที่เพียงพอ ก็อาจฉุดกระแสเงินสดอิสระและมูลค่าประเมินได้

ความเสี่ยงสูงสุดคือราคาที่ลดลงเร็วกว่าการปรับปรุงประสิทธิภาพ

รายงานฉบับนี้ไม่ได้ปฏิเสธสงครามราคา AI

เมื่อโมเดลโอเพนเวตต้นทุนต่ำเข้าใกล้ความสามารถระดับ前沿 องค์กรต่างๆ จะให้ความสำคัญกับต้นทุน ความหน่วง ความยืดหยุ่นในการปรับใช้ และการควบคุมข้อมูลมากขึ้น ห้องปฏิบัติการโมเดลจะประสบความยากลำบากมากขึ้นในการทำกำไรสูงจาก API ราคาแพงเพียงอย่างเดียว ความสำคัญของชุดเครื่องมือ การจัดจำหน่ายในองค์กร สถานการณ์การใช้งาน และระบบนิเวศจะเพิ่มขึ้นอย่างต่อเนื่อง

แพลตฟอร์มคลาวด์ก็เผชิญกับแรงกดดันจากสินทรัพย์หนักเช่นกัน ศูนย์ข้อมูล GB300 ขนาด 1GW เกี่ยวข้องกับชิป ห้องเซิร์ฟเวอร์ ไฟฟ้า เครือข่าย และค่าเสื่อมราคา หากต้นทุนในส่วนใดเพิ่มขึ้น จะส่งผลต่อผลตอบแทนสุดท้าย หากการแพร่กระจายของแอปพลิเคชัน AI ในองค์กรช้ากว่าที่คาดการณ์ การใช้ GPU ไม่เต็มประสิทธิภาพ เงินลงทุนก็จะแปลงเป็นกำไรได้ยากขึ้น

การเพิ่มปริมาณงานก็ไม่ได้เกิดขึ้นโดยอัตโนมัติ การอัปเกรดฮาร์ดแวร์ สถาปัตยกรรม MoE และการประมวลผลแบบแบตช์คำขอสามารถเพิ่มประสิทธิภาพได้ แต่ต้องอาศัยความร่วมมือระหว่างโมเดล ชิป เครือข่าย สแต็กซอฟต์แวร์ และคำขอจากลูกค้าจริง

ดังนั้นข้อสรุปของ Morgan Stanley จึงไม่ใช่ "สงครามราคา AI ไม่มีผลกระทบ" แต่คือ: เมื่อราคา token ลดลง ชั้นโมเดลจะรับแรงกดดันก่อน แพลตฟอร์มที่ครอบครองทรัพยากรการคำนวณที่หายาก ความสามารถในการปรับระบบ และจุดเข้าถึงคลาวด์สำหรับองค์กร จะมีความสามารถมากกว่าในการดูดซับการแข่งขันด้านราคาผ่านการเช่า GPU การประหยัดต่อขนาด และบริการคลาวด์เสริม

สิ่งที่ต้องติดตามจริงๆ ต่อไปคือ การเพิ่มปริมาณงานและการใช้ประโยชน์ของแพลตฟอร์มคลาวด์ จะสามารถวิ่งนำหน้าความเร็วที่ราคา AI ลดลงได้อย่างต่อเนื่องหรือไม่

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia