Insights Investing
ถอดรหัสโครงสร้างเทคโนโลยี AI: วิเคราะห์คอขวด คูเมืองทางเศรษฐกิจ และการสะสมมูลค่าสำหรับนักลงทุนระยะยาว
พอดแคสต์ · ฟัง (24 นาที)
Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market
สารบัญ
- 1. แยกองค์ประกอบสถาปัตยกรรมปัญญาประดิษฐ์: คอขวดกับการสะสมมูลค่าทางเศรษฐกิจ
- 2. โครงสร้างพื้นฐานและความเข้มข้นของรายจ่ายลงทุน: การปฏิวัติอุตสาหกรรมที่รองรับปัญญาประดิษฐ์
- 3. ชิป หน่วยความจำ และเศรษฐศาสตร์ของแบบจำลอง: การกลายเป็นสินค้าโภคภัณฑ์กับแนวหน้าที่เคลื่อนตัว
- 4. ชั้นการดำเนินงาน ปัญญาประดิษฐ์ทางกายภาพ และปฏิทรรศน์เจวอนส์
- 5. ตัวเลขสำคัญ
- 6. สิ่งที่จะเปลี่ยนมุมมองของเรา
- 7. แหล่งข้อมูล
มูลค่าสะสมในแต่ละชั้นของเทคโนโลยีปัญญาประดิษฐ์ไม่ได้เกิดจากความขาดแคลนทางกายภาพโดยเด็ดขาดเพียงอย่างเดียว แต่เกิดในจุดที่คอขวดทางเทคโนโลยีมาบรรจบกับอำนาจในการกำหนดราคา การขยายตัวของปริมาณอย่างต่อเนื่อง ต้นทุนการเปลี่ยนผู้ให้บริการ และผลตอบแทนส่วนเพิ่มต่อเงินลงทุน (ROIC) ที่สูง แม้ว่ากรอบสถาปัตยกรรมหกชั้นของ Chamath Palihapitiya (โครงสร้างพื้นฐาน ชิป ข้อมูล แบบจำลอง การดำเนินการ แอปพลิเคชัน) จะชี้ให้เห็นได้อย่างแม่นยำถึงการที่แบบจำลองพื้นฐานกลายเป็นสินค้าโภคภัณฑ์ในเชิงเศรษฐกิจและการเกิดจุดคอขวดสำคัญด้านฮาร์ดแวร์ แต่นักลงทุนระยะยาวต้องแยกความขาดแคลนทางเทคนิคโดยเด็ดขาดออกจากการสร้างมูลค่าหุ้นอย่างยั่งยืน เมื่อผู้ให้บริการคลาวด์ขนาดมหาศาลเปลี่ยนผ่านสู่การเป็นกิจการอุตสาหกรรมที่ใช้เงินทุนสูง ซึ่งคาดว่าจะใช้จ่ายมากกว่า $700 พันล้านในปี 2026 สำหรับโครงสร้างพื้นฐานด้านการประมวลผลและโครงข่ายไฟฟ้า การประเมินมูลค่าที่แท้จริงจึงต้องวิเคราะห์ความยั่งยืนของ FCF (กระแสเงินสดอิสระ) ความเสี่ยงจากการใช้เงินทุนเข้มข้น และวงจรป้อนกลับของกระบวนการทำงานที่เป็นกรรมสิทธิ์ แทนการอาศัยคอขวดทางกายภาพเพียงอย่างเดียว
1. แยกองค์ประกอบสถาปัตยกรรมปัญญาประดิษฐ์: คอขวดกับการสะสมมูลค่าทางเศรษฐกิจ
การวิเคราะห์ปัญญาประดิษฐ์ผ่านสถาปัตยกรรมแบบหลายชั้นช่วยสร้างความชัดเจนที่จำเป็นสำหรับนักลงทุนที่วิเคราะห์ปัจจัยพื้นฐาน Chamath Palihapitiya แบ่งระบบนิเวศออกเป็นหกชั้นที่แตกต่างกัน ได้แก่ โครงสร้างพื้นฐาน (ไฟฟ้า ที่ดิน ระบบระบายความร้อน แร่ธาตุ โรงงานผลิตชิป) ชิป (หน่วยประมวลผลกราฟิก/วงจรรวมเฉพาะงาน หน่วยความจำแบนด์วิดท์สูง การบรรจุชิป เครือข่าย) ข้อมูล (ข้อมูลกรรมสิทธิ์ ข้อมูลจากเซนเซอร์ ข้อมูลหุ่นยนต์) แบบจำลอง (ปัญญาพื้นฐาน) การดำเนินการ (ตัวแทนอัตโนมัติ การประสานการทำงาน ส่วนต่อประสานโปรแกรมประยุกต์ อุปกรณ์ขับเคลื่อน) และแอปพลิเคชัน (ซอฟต์แวร์และระบบสำหรับผู้ใช้ปลายทาง) แนวคิดหลักในการวิเคราะห์ที่เชื่อมโยงชั้นเหล่านี้คือ “สินทรัพย์จุดหมุน”—องค์ประกอบที่ขาดไม่ได้ ซึ่งทุกชั้นที่อยู่สูงขึ้นไปต้องใช้งานและไม่สามารถทดแทนได้โดยง่าย
อย่างไรก็ตาม คอขวดทางเทคโนโลยีโดยเด็ดขาดกับคูเมืองทางเศรษฐกิจที่ให้ผลตอบแทนสูงมีความแตกต่างกันอย่างสำคัญ สินทรัพย์หนึ่งอาจอยู่บนเส้นทางวิกฤตทางเทคโนโลยีโดยตรง โดยไม่ได้สร้างผลตอบแทนทางการเงินแก่ผู้ถือหุ้นในสัดส่วนที่สอดคล้องกัน สำหรับนักลงทุนระยะยาวที่ประเมินคูเมืองทางเศรษฐกิจผ่านกรอบของ Graham และ Buffett ความขาดแคลนทางกายภาพเพียงอย่างเดียวไม่ได้รับประกันการเติบโตแบบทบต้นในระยะยาวของกำไรของเจ้าของกิจการ
พลวัตนี้เห็นได้ชัดจากการเปรียบเทียบ ASML กับ NVIDIA โดย ASML ครองคอขวดทางเทคโนโลยีที่เด็ดขาดและทดแทนไม่ได้ในระบบลิโธกราฟีด้วยแสงอัลตราไวโอเลตสุดขั้ว โรงงานผลิตเซมิคอนดักเตอร์ขั้นสูงไม่สามารถใช้เครื่องจักรอื่นแทนเครื่องจักรของ ASML ได้ แต่ NVIDIA กลับสร้างการเพิ่มขึ้นของมูลค่าหุ้นได้มากกว่ามาก ASML ขายเครื่องจักรที่มีจำนวนจำกัด ซับซ้อนสูง และใช้เงินทุนเข้มข้นให้กับกลุ่มผู้ซื้อที่กระจุกตัว ทำให้รายได้ไม่สามารถขยายตัวโดยอัตโนมัติได้มากนักเมื่อการใช้โทเคนทั่วโลกเพิ่มเป็นสองเท่า ในทางกลับกัน NVIDIA ผสานคอขวดด้านซิลิคอนเข้ากับชุดเครื่องมือซอฟต์แวร์ CUDA สถาปัตยกรรมระบบ เครือข่าย NVLink และการบูรณาการเชิงลึกกับระบบนิเวศ NVIDIA จึงรับประโยชน์โดยตรงจากความยืดหยุ่นของปริมาณที่ขยายตัวในการอนุมานและการฝึกปัญญาประดิษฐ์
เพื่อประเมินการสะสมมูลค่าทางเศรษฐกิจในแต่ละชั้น นักลงทุนควรใช้สูตรเชิงคุณภาพที่ครอบคลุม แทนการวัดความขาดแคลนแยกจากปัจจัยอื่น:
$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$
ผลตอบแทนทางเศรษฐกิจที่ยั่งยืนจะเกิดขึ้นก็ต่อเมื่อจุดคอขวดในการดำเนินงานผสานกับความยืดหยุ่นของปริมาณ ต้นทุนการเปลี่ยนผู้ให้บริการที่สูง และผลตอบแทนส่วนเพิ่มต่อเงินลงทุนที่แข็งแกร่ง
2. โครงสร้างพื้นฐานและความเข้มข้นของรายจ่ายลงทุน: การปฏิวัติอุตสาหกรรมที่รองรับปัญญาประดิษฐ์
ชั้นรากฐานของสถาปัตยกรรมปัญญาประดิษฐ์กำลังเปลี่ยนผ่านเชิงโครงสร้างจากรูปแบบธุรกิจซอฟต์แวร์ที่ใช้สินทรัพย์น้อยไปสู่การดำเนินงานอุตสาหกรรมที่ใช้เงินทุนสูง คอขวดสำคัญที่ฐานของสถาปัตยกรรมเผยให้เห็นการกระจุกตัวอย่างยิ่งทั้งในเชิงภูมิศาสตร์และระดับบริษัท:
- ความขาดแคลนวัสดุเซมิคอนดักเตอร์: ผู้จัดหาวัสดุชาวญี่ปุ่นควบคุมยอดขายสารไวแสงสำหรับเซมิคอนดักเตอร์ทั่วโลกประมาณ 78% เมื่อจำแนกตามสัญชาติบริษัท โดย Shin-Etsu, JSR, Tokyo Ohka Kogyo และ Fujifilm ครองตลาดสารเคมีความบริสุทธิ์สูงเฉพาะกลุ่ม
- ควอตซ์ความบริสุทธิ์สูง: การผลิตแท่งผลึกซิลิคอนเกรดเซมิคอนดักเตอร์ต้องอาศัยเบ้าหลอมควอตซ์หลอมที่ทำจากควอตซ์บริสุทธิ์เป็นพิเศษซึ่งขุดจาก Spruce Pine ในรัฐนอร์ทแคโรไลนา Sibelco (ผู้ผลิตวัสดุ IOTA จากแหล่งแร่บริสุทธิ์สองแห่ง) และ The Quartz Corp เป็นผู้จัดหาเพียงกลุ่มเดียวที่ผลิตควอตซ์ความบริสุทธิ์สูงระดับพรีเมียมขั้นสูงในปริมาณมากได้อย่างคุ้มค่าทางเศรษฐกิจ
นอกเหนือจากวัตถุดิบทางกายภาพ โครงสร้างพื้นฐานระบบไฟฟ้าเป็นข้อจำกัดในการดำเนินงานที่รุนแรง สำนักงานพลังงานระหว่างประเทศคาดการณ์ว่าการใช้ไฟฟ้าของศูนย์ข้อมูลทั่วโลกจะเพิ่มขึ้นเกือบสองเท่า จากประมาณ 485 เทราวัตต์ชั่วโมงในปี 2025 เป็นราว 950 เทราวัตต์ชั่วโมงภายในปี 2030 รายจ่ายลงทุนของผู้ให้บริการคลาวด์ขนาดมหาศาลคาดว่าจะเกิน $700 พันล้านในปี 2026 โดยมีแรงขับหลักจากการขยายศูนย์ข้อมูล
| ด้านโครงสร้างพื้นฐาน | จุดคอขวดสำคัญและผู้จัดหาหลัก | ผลกระทบทางเศรษฐกิจและตัวชี้วัด |
|---|---|---|
| วัสดุเซมิคอนดักเตอร์ | สารไวแสงจากญี่ปุ่น (Shin-Etsu, JSR, TOK, Fujifilm) | ส่วนแบ่งตลาด ~78% เมื่อจำแนกตามสัญชาติ; วัตถุดิบเคมีที่ไม่สามารถทดแทนได้ |
| ควอตซ์ความบริสุทธิ์สูง | แหล่งแร่ Spruce Pine (Sibelco, The Quartz Corp) | แหล่งวัตถุดิบเพียงแห่งเดียวสำหรับเบ้าหลอมควอตซ์หลอมที่ใช้กับแท่งผลึกซิลิคอน |
| ไฟฟ้าที่โครงข่ายส่งมอบได้ | หม้อแปลง สวิตช์เกียร์ ระบบจ่ายไฟสำรองต่อเนื่อง การเชื่อมต่อโครงข่าย | ข้อจำกัดเกิดขึ้นก่อนกำลังผลิตไฟฟ้า; 485 เทราวัตต์ชั่วโมง $\rightarrow$ 950 เทราวัตต์ชั่วโมง (สำนักงานพลังงานระหว่างประเทศ) |
| รายจ่ายลงทุนของผู้ให้บริการคลาวด์ขนาดมหาศาล | การขยายศูนย์ข้อมูลและการเร่งการประมวลผล | คาดการณ์ >$700พันล้านในปี 2026 (สำนักงานพลังงานระหว่างประเทศ); แรงกดดันรุนแรงจากค่าเสื่อมราคา |
ประเด็นสำคัญคือ กำลังผลิตไฟฟ้าโดยตัวมันเองไม่ใช่ข้อจำกัดหลักในระยะใกล้ งานวิจัยจาก Johns Hopkins University แสดงให้เห็นว่าอุปกรณ์ส่งจ่ายไฟฟ้าของโครงข่าย—โดยเฉพาะหม้อแปลง สวิตช์เกียร์ ระบบจ่ายไฟสำรองต่อเนื่อง การเชื่อมต่อระบบส่งไฟฟ้า และโครงสร้างพื้นฐานระบายความร้อนเฉพาะทาง—จะจำกัดการก่อสร้างศูนย์ข้อมูลก่อนที่กำลังผลิตไฟฟ้าจะกลายเป็นคอขวดหลัก สินทรัพย์ที่ขาดแคลนในเชิงเศรษฐกิจทันทีคือไฟฟ้าที่สามารถส่งมอบได้ด้วยแรงดัน ตำแหน่งที่ตั้ง และความน่าเชื่อถือตามที่ต้องการ
จากมุมมองการลงทุนเน้นคุณค่า การเปลี่ยนผ่านนี้ส่งผลกระทบอย่างรุนแรงต่องบดุลและตัวชี้วัดผลตอบแทนของบริษัท เมื่อผู้ให้บริการคลาวด์ขนาดมหาศาลใช้จ่ายลงทุนมากกว่า $700 พันล้านต่อปี สินทรัพย์ทางกายภาพมูลค่าหลายพันล้านดอลลาร์จะเข้าสู่งบดุลในรูปที่ดิน อาคาร และอุปกรณ์ เมื่อเริ่มดำเนินงาน ค่าเสื่อมราคาตามวิธีเส้นตรงจะกระทบงบกำไรขาดทุน ไม่ว่าจะรับรู้รายได้ทันทีหรือไม่ หากความต้องการโทเคนที่สร้างรายได้ได้หรือการนำซอฟต์แวร์ไปใช้ในองค์กรเติบโตช้ากว่าการก่อสร้างโครงสร้างพื้นฐาน อัตราผลตอบแทนต่อเงินลงทุน (ROIC) และอัตราการแปลงเป็น FCF (กระแสเงินสดอิสระ) จะทรุดตัวภายใต้ภาระโครงสร้างพื้นฐานที่ยังไม่ได้ตัดจำหน่าย พลวัตนี้สะท้อนการลงทุนโครงสร้างพื้นฐานเกินความต้องการในอดีตโดยตรง เช่น วิกฤตโครงข่ายใยแก้วนำแสงโทรคมนาคมที่เกี่ยวข้องกับ WorldCom และ Global Crossing ซึ่งรายจ่ายลงทุนมหาศาลสร้างกำลังการให้บริการส่วนเกินอย่างรุนแรงและทำลายมูลค่าหุ้น แม้ว่าทิศทางการใช้อินเทอร์เน็ตในระยะยาวจะถูกต้องในท้ายที่สุดก็ตาม
3. ชิป หน่วยความจำ และเศรษฐศาสตร์ของแบบจำลอง: การกลายเป็นสินค้าโภคภัณฑ์กับแนวหน้าที่เคลื่อนตัว
แม้แบบจำลองทางทฤษฎีจะสมมติว่าคอขวดด้านฮาร์ดแวร์จะคลายตัวตามธรรมชาติเมื่อเวลาผ่านไปและกำลังการผลิตกลับสู่ภาวะปกติ แต่ข้อจำกัดด้านอุปทานเซมิคอนดักเตอร์ยังคงรุนแรง หน่วยความจำแบนด์วิดท์สูงและการบรรจุชิปขั้นสูงเป็นคอขวดเชิงโครงสร้างที่กินเวลาหลายปี ไม่ใช่อุปสรรคชั่วคราว สำนักงานพลังงานระหว่างประเทศคาดการณ์ว่าภาวะขาดแคลนหน่วยความจำแบนด์วิดท์สูงจะดำเนินต่อไปอย่างน้อยจนถึงสิ้นปี 2027 ส่วนแบ่งตลาดยังคงกระจุกตัวสูง ข้อมูลของ Counterpoint สำหรับ Q2 2026 ประเมินส่วนแบ่งรายได้หน่วยความจำแบนด์วิดท์สูงไว้ดังนี้:
- SK Hynix: 50%
- Samsung: 33%
- Micron: 18%
คูเมืองทางเศรษฐกิจของฮาร์ดแวร์สมัยใหม่ไม่ได้พึ่งพาไดชิปประมวลผลแบบเดี่ยว แต่พึ่งพาการบูรณาการทั้งระบบ ได้แก่ ไดชิปหน่วยประมวลผลกราฟิก/วงจรรวมเฉพาะงานที่ผสานกับหน่วยความจำแบนด์วิดท์สูงผ่านชั้นเชื่อมต่อ การบรรจุชิปขั้นสูง เครือข่ายความเร็วสูง (เช่น NVLink) ระบบจ่ายไฟ และระบบระบายความร้อนเฉพาะทาง การบูรณาการระบบนี้ยิ่งสำคัญขึ้นเมื่อภาระงานเปลี่ยนจากการฝึกแบบจำลองไปสู่การอนุมาน McKinsey คาดการณ์ว่าการอนุมานจะคิดเป็นประมาณ 60% ของความต้องการปัญญาประดิษฐ์ทั้งหมดภายในปี 2030 ดังนั้น สมรภูมิการแข่งขันจึงกำลังเปลี่ยนไปสู่แบนด์วิดท์หน่วยความจำ ความจุ ความหน่วง ประสิทธิภาพทางความร้อน และการใช้พลังงานต่อโทเคนผลลัพธ์ที่เป็นประโยชน์โดยตรง ซึ่งช่วยเสริมความแข็งแกร่งให้คูเมืองทางเศรษฐกิจเชิงโครงสร้างของผู้จำหน่ายฮาร์ดแวร์แบบบูรณาการ
ขณะเดียวกัน เศรษฐศาสตร์ของแบบจำลองปัญญาพื้นฐานแสดงให้เห็นการลดลงอย่างรวดเร็วของต้นทุน ข้อมูลจากดัชนีปัญญาประดิษฐ์ของ Stanford ระบุว่าต้นทุนการใช้งานแบบจำลองที่มีประสิทธิภาพการวัดความเข้าใจภาษาแบบครอบคลุมหลายงานระดับ GPT-3.5 ลดลงจากประมาณ $20 ต่อล้านโทเคนในเดือนพฤศจิกายน 2022 เป็นราว $0.07 ในเดือนตุลาคม 2024—ลดต้นทุนลง 280 เท่าภายใน 18 เดือน นอกจากนี้ งานศึกษาขององค์การเพื่อความร่วมมือทางเศรษฐกิจและการพัฒนาแสดงให้เห็นว่าราคาแบบจำลองภาษาที่ปรับตามคุณภาพลดลงเกือบ 80% ระหว่างเดือนมกราคม 2024 ถึงเดือนเมษายน 2026
| ตัวชี้วัด / ประเด็นที่วัด | ฐานอ้างอิงในอดีต | ระดับล่าสุด / ที่คาดการณ์ | ความสำคัญเชิงวิเคราะห์ |
|---|---|---|---|
| ต้นทุนโทเคนของ GPT-3.5 ในการวัดความเข้าใจภาษาแบบครอบคลุมหลายงาน | $20.00 / ล้านโทเคน (พฤศจิกายน 2022) | $0.07 / ล้านโทเคน (ตุลาคม 2024) | ต้นทุนต่อหน่วยปัญญาลดลง 280x (Stanford) |
| ราคาแบบจำลองภาษา | ระดับฐาน (มกราคม 2024) | ลดลง ~80% (เมษายน 2026) | ราคาผลลัพธ์ที่ปรับตามคุณภาพทรุดตัวอย่างรวดเร็ว (องค์การเพื่อความร่วมมือทางเศรษฐกิจและการพัฒนา) |
| ช่องว่างประสิทธิภาพระหว่างแบบจำลองปิดกับแบบจำลองเปิด | ช่องว่างกว้าง (2023) | ช่องว่าง 3.3%–3.4% (มีนาคม 2026) | ความสามารถพื้นฐานกลายเป็นสินค้าโภคภัณฑ์ (ดัชนีปัญญาประดิษฐ์ปี 2026 ของ Stanford) |
| ส่วนแบ่งการใช้จ่ายขององค์กร | แบบจำลองแนวหน้า 35% (Q3 2025) | แบบจำลองแนวหน้า 63% (Q3 2026) | ความเต็มใจจ่ายส่วนเพิ่มเพื่อความสามารถในการให้เหตุผลที่ล้ำสมัยที่สุด (Menlo) |
แม้ราคาจะทรุดตัวเช่นนี้ แบบจำลองพื้นฐานยังไม่ได้กลายเป็นสินค้าโภคภัณฑ์อย่างสมบูรณ์ ปัญญาขั้นพื้นฐานกำลังกลายเป็นสินค้าโภคภัณฑ์—โดยดัชนีปัญญาประดิษฐ์ปี 2026 ของ Stanford แสดงให้เห็นว่าแบบจำลองแนวหน้าชั้นนำ (Anthropic, xAI, Google, OpenAI) มีคะแนน Arena Elo ต่างกันเพียง 25 คะแนน และแบบจำลองปิดนำทางเลือกที่เปิดเผยค่าน้ำหนักเพียง 3.3% ถึง 3.4% ณ เดือนมีนาคม 2026 อย่างไรก็ตาม ลูกค้าองค์กรยังคงยอมจ่ายส่วนเพิ่มเพื่อความสามารถระดับแนวหน้า งานวิจัยของ Menlo แสดงให้เห็นว่าส่วนแบ่งการใช้จ่ายด้านปัญญาประดิษฐ์ขององค์กรที่จัดสรรให้แบบจำลองแนวหน้าเพิ่มขึ้นจาก 35% ใน Q3 2025 เป็น 63% ใน Q3 2026
ชั้นแบบจำลองดำเนินงานในฐานะแนวหน้าทางเศรษฐกิจที่เคลื่อนตัวอยู่เสมอ: ความสามารถพื้นฐานกลายเป็นสินค้าโภคภัณฑ์อย่างรวดเร็ว ขณะที่ความสามารถในการให้เหตุผลที่ล้ำสมัยที่สุดยังคงรักษาอำนาจในการกำหนดราคา ทำให้ผู้พัฒนาแบบจำลองต้องแบกรับการลงทุนมหาศาลอย่างต่อเนื่องเพียงเพื่อรักษาระดับให้ทัดเทียมแนวหน้า
4. ชั้นการดำเนินงาน ปัญญาประดิษฐ์ทางกายภาพ และปฏิทรรศน์เจวอนส์
เมื่อโมเดลพื้นฐานกลายเป็นสินค้าโภคภัณฑ์ มูลค่าทางเศรษฐกิจจะย้ายไปสู่ชั้นการดำเนินงานและการควบคุม ชั้นซอฟต์แวร์ตัวกลางนี้ครอบคลุมการเลือกเส้นทางไปยังโมเดลแบบพลวัต หน่วยความจำสถานะแบบถาวร การจัดการตัวตน การกำหนดสิทธิ์ การประเมินผล การผสานเครื่องมือ และการประสานการทำงาน เมื่อพิจารณาผ่านมุมมองงบดุลของบริษัท ผู้ซื้อซอฟต์แวร์องค์กรไม่ได้ซื้อโทเคนดิบจากโมเดลพื้นฐาน แต่ซื้อผลลัพธ์ทางธุรกิจที่สำเร็จสมบูรณ์ ชั้นการดำเนินงานทำหน้าที่เป็น “ซอฟต์แวร์ตัวกลาง” ขององค์กร ซึ่งคล้ายกับ Kubernetes การจัดการตัวตนและสิทธิ์การเข้าถึง และการติดตามสังเกตระบบในการประมวลผลบนคลาวด์ โดยตรึงต้นทุนการเปลี่ยนผู้ให้บริการขององค์กรและปกป้องอัตรากำไร แม้โมเดลพื้นฐานที่อยู่เบื้องล่างจะเปลี่ยนแปลงไปก็ตาม ผลสำรวจการใช้งานจริงของ LangChain ปี 2026 ยืนยันว่าสถาปัตยกรรมองค์กรที่ใช้หลายโมเดลได้กลายเป็นมาตรฐานแล้ว โดยคอขวดหลักในการนำไปใช้งานเปลี่ยนจากต้นทุนโทเคนต่อหน่วยไปสู่ความน่าเชื่อถือในการดำเนินงาน ความปลอดภัย และการทำงานให้สำเร็จ
ในทำนองเดียวกัน ข้อมูลฝึกทั่วไปจากเว็บกำลังกลายเป็นสินค้าโภคภัณฑ์เมื่อเทียบกับวงจรข้อมูลป้อนกลับเฉพาะกรรมสิทธิ์ที่อิงผลลัพธ์ คูเมืองทางเศรษฐกิจที่ยั่งยืนเกิดขึ้นเมื่อแอปพลิเคชันซอฟต์แวร์ฝังตัวโดยตรงในกระบวนการปฏิบัติงานเฉพาะสาขา ซึ่งการดำเนินการก่อให้เกิดผลการประเมินในโลกจริงที่ตรวจสอบได้
ตัวอย่างสำคัญของพลวัตนี้คือ Harvey ในภาคกฎหมาย Harvey ไม่ได้แข่งขันในฐานะซอฟต์แวร์ครอบโมเดลพื้นฐานที่เปราะบางซึ่งขายการสร้างโทเคนทั่วไป แต่ฝังตัวโดยตรงในกระบวนการทำงานด้านกฎหมาย โดยผสานระบบบันทึกข้อมูลหลักทางกฎหมาย ช่องทางการจัดจำหน่าย การปฏิบัติตามกฎระเบียบ ความไว้วางใจของลูกค้า และวงจรข้อมูลป้อนกลับเฉพาะกรรมสิทธิ์เข้าด้วยกัน (การวิเคราะห์สัญญา $\rightarrow$ การแก้ไขโดยทนายความ $\rightarrow$ การยื่นเอกสารต่อศาลขั้นสุดท้าย/การยุติคดี) เนื่องจาก Harvey เป็นเจ้าของกระบวนการทำงานตั้งแต่ต้นจนจบและข้อมูลผลลัพธ์ที่เกิดขึ้น จึงสร้างต้นทุนการเปลี่ยนผู้ให้บริการที่สูงและปกป้องอำนาจในการกำหนดราคา ทำให้การเลือกโมเดลพื้นฐานที่อยู่เบื้องล่างมีความสำคัญรองจากผลลัพธ์ทางธุรกิจที่บรรลุ วงจรข้อมูลป้อนกลับที่อิงผลลัพธ์ในลักษณะเดียวกันกำลังเกิดขึ้นในสาขาเฉพาะทาง เช่น การเขียนโค้ด (ชุดแก้ไขโค้ด $\rightarrow$ ผลการทดสอบ $\rightarrow$ ผลลัพธ์การนำไปใช้งาน) การแพทย์ (การวินิจฉัย $\rightarrow$ การรักษา $\rightarrow$ ผลลัพธ์สุขภาพของผู้ป่วย) และการเงิน (ใบแจ้งหนี้ $\rightarrow$ การหักบัญชี $\rightarrow$ การระงับข้อพิพาท)
ในระบบปัญญาประดิษฐ์ทางกายภาพ พลวัตการจัดสรรเงินทุนแตกต่างโดยพื้นฐานจากเศรษฐศาสตร์ของธุรกิจซอฟต์แวร์ล้วน ซอฟต์แวร์ขยายขนาดได้ด้วยต้นทุนส่วนเพิ่มที่เกือบเป็นศูนย์ ขณะที่หุ่นยนต์ทางกายภาพต้องใช้เงินทุนจำนวนมากสำหรับรายการวัสดุและชิ้นส่วน McKinsey ประเมินว่าชุดขับเคลื่อนความแม่นยำสูงคิดเป็น 40% ถึง 60% ของรายการวัสดุและชิ้นส่วนของหุ่นยนต์รูปร่างมนุษย์ เทียบกับ 5% ถึง 10% สำหรับโมดูลแบตเตอรี่ นอกจากนี้ CRU ประเมินว่าหุ่นยนต์รูปร่างมนุษย์แต่ละตัวต้องใช้แม่เหล็กแร่หายากนีโอดิเมียม-เหล็ก-โบรอน 2 ถึง 3 กิโลกรัม แม้ชิ้นส่วนปัญญาประดิษฐ์ทางกายภาพจะเป็นโอกาสเชิงกลยุทธ์ระยะยาว แต่สินทรัพย์ด้านการประมวลผลและหน่วยความจำของศูนย์ข้อมูลสร้างกระแสเงินสดที่ตรวจสอบได้ทันทีในปัจจุบัน
| ส่วนประกอบฮาร์ดแวร์ปัญญาประดิษฐ์ทางกายภาพ | สัดส่วนรายการวัสดุและชิ้นส่วน / ทรัพยากรโดยประมาณ | ปัจจัยขับเคลื่อนหลักด้านเศรษฐกิจและห่วงโซ่อุปทาน |
|---|---|---|
| ชุดขับเคลื่อนความแม่นยำสูง | 40% – 60% ของรายการวัสดุและชิ้นส่วนทั้งหมด (McKinsey) | ข้อต่อความแม่นยำสูง กระปุกเกียร์ มอเตอร์ และชุดทดรอบ |
| โมดูลแบตเตอรี่ | 5% – 10% ของรายการวัสดุและชิ้นส่วนทั้งหมด (McKinsey) | การจัดสรรเงินทุนในสัดส่วนที่ต่ำกว่าเมื่อเทียบกับระบบขับเคลื่อน |
| แม่เหล็กแร่หายากนีโอดิเมียม-เหล็ก-โบรอน | 2 – 3 กิโลกรัมต่อหุ่นยนต์รูปร่างมนุษย์ (CRU) | ปัจจัยขับเคลื่อนอุปสงค์เชิงโครงสร้างสำหรับธาตุแร่หายากหนัก |
การทำความเข้าใจการขยายตัวของรายจ่ายลงทุนเชิงโครงสร้างนี้ต้องอาศัยปฏิทรรศน์เจวอนส์ การลดลง 100 เท่าของต้นทุนโทเคนต่อหน่วยไม่ได้ทำให้รายจ่ายรวมด้านการประมวลผลลดลง แต่ราคาต่อหน่วยที่ต่ำลงกลับกระตุ้นให้การใช้โทเคนโดยรวมขยายตัวอย่างก้าวกระโดด เมื่อปฏิสัมพันธ์แบบคำถามและคำตอบครั้งเดียวถูกแทนที่ด้วยวงจรการให้เหตุผลของตัวแทนหลายตัวที่ดำเนินการจำลองเบื้องหลังอย่างต่อเนื่องและเรียกใช้เครื่องมือโดยอัตโนมัติ อุปสงค์รวมด้านฮาร์ดแวร์ประมวลผลจึงเร่งตัวขึ้น แม้ราคาต่อหน่วยจะลดลงอย่างรุนแรง
สำหรับนักลงทุนระยะยาวที่อิงปัจจัยพื้นฐานและประเมินการจัดสรรเงินทุน การเก็บเกี่ยวมูลค่าอย่างยั่งยืนต้องหลีกเลี่ยงการพึ่งพาความขาดแคลนทางกายภาพเพียงอย่างเดียว และให้ความสำคัญกับธุรกิจที่มี ROIC ส่วนเพิ่มสูง มีอำนาจในการกำหนดราคา และมีวงจรข้อมูลป้อนกลับที่ฝังอยู่ในกระบวนการทำงาน นักลงทุนที่สนใจโมเดลประเมินมูลค่าเชิงลึกและการคำนวณกำไรของเจ้าของกิจการตามปัจจัยพื้นฐาน สามารถศึกษางานวิจัยบริษัทแบบเปิดเผยต่อสาธารณะของเราบนเว็บไซต์ DeepValues Research หรือประเมินมูลค่าที่แท้จริงและส่วนเผื่อความปลอดภัยของหุ้นใดก็ได้ด้วยแอป DeepValues
5. ตัวเลขสำคัญ
- 78%: ส่วนแบ่งตลาดโดยประมาณของบริษัทญี่ปุ่นในยอดขายสารไวแสงสำหรับเซมิคอนดักเตอร์ จำแนกตามสัญชาติของบริษัท
- >$700 พันล้าน: รายจ่ายลงทุนโดยประมาณของผู้ให้บริการคลาวด์ขนาดยักษ์ในปี 2026 ตามข้อมูลของสำนักงานพลังงานระหว่างประเทศ โดยส่วนใหญ่เป็นการขยายศูนย์ข้อมูล
- 485 เทราวัตต์-ชั่วโมง ถึง ~950 เทราวัตต์-ชั่วโมง: การเพิ่มขึ้นที่คาดการณ์ของการใช้ไฟฟ้าในศูนย์ข้อมูลจากปี 2025 ถึง 2030 (สำนักงานพลังงานระหว่างประเทศ)
- สิ้นปี 2027: ระยะเวลาที่คาดว่าภาวะขาดแคลนอุปทานหน่วยความจำแบนด์วิดท์สูงจะยังคงอยู่ (สำนักงานพลังงานระหว่างประเทศ)
- 50% / 33% / 18%: ส่วนแบ่งรายได้หน่วยความจำแบนด์วิดท์สูงโดยประมาณใน Q2 2026 ของ SK Hynix, Samsung และ Micron ตามลำดับ (Counterpoint)
- $20 ถึง $0.07 ต่อล้านโทเคน: การลดลงของต้นทุนการใช้งานเพื่อให้ได้ผลการทดสอบความเข้าใจภาษามัลติทาสก์ขนาดใหญ่ระดับ GPT-3.5 ระหว่างเดือนพฤศจิกายน 2022 และเดือนตุลาคม 2024 คิดเป็นการลดลง 280x (ดัชนีปัญญาประดิษฐ์ของมหาวิทยาลัยสแตนฟอร์ด)
- ~80%: การลดลงของราคาโมเดลภาษาที่ปรับตามคุณภาพ ตั้งแต่เดือนมกราคม 2024 ถึงเดือนเมษายน 2026 (องค์การเพื่อความร่วมมือทางเศรษฐกิจและการพัฒนา)
- 25 คะแนนอีโลของอารีนา: ช่วงความแตกต่างด้านประสิทธิภาพที่แคบระหว่างโมเดลแนวหน้าของ Anthropic, xAI, Google และ OpenAI ณ เดือนมีนาคม 2026 (ดัชนีปัญญาประดิษฐ์ปี 2026 ของมหาวิทยาลัยสแตนฟอร์ด)
- 3.3%–3.4%: ช่องว่างด้านประสิทธิภาพระหว่างโมเดลซอร์สปิดที่ดีที่สุดและโมเดลเปิดค่าน้ำหนักที่ดีที่สุดในเดือนมีนาคม 2026 (ดัชนีปัญญาประดิษฐ์ของมหาวิทยาลัยสแตนฟอร์ด)
- 35% ถึง 63%: การเพิ่มขึ้นของสัดส่วนโมเดลแนวหน้าในรายจ่ายด้านปัญญาประดิษฐ์ขององค์กรระหว่าง Q3 2025 และ Q3 2026 (งานวิจัยของ Menlo)
- 40%–60% เทียบกับ 5%–10%: สัดส่วนโดยประมาณของรายการวัสดุและชิ้นส่วนของหุ่นยนต์รูปร่างมนุษย์ที่เป็นชุดขับเคลื่อนเทียบกับโมดูลแบตเตอรี่ (McKinsey)
- 2–3 กิโลกรัม: ปริมาณแม่เหล็กแร่หายากนีโอดิเมียม-เหล็ก-โบรอนโดยประมาณที่ต้องใช้ต่อหุ่นยนต์รูปร่างมนุษย์ (CRU)
6. สิ่งที่จะเปลี่ยนมุมมองของเรา
- การล้าสมัยอย่างรวดเร็วของสถาปัตยกรรม CUDA และหน่วยความจำแบนด์วิดท์สูง: การเร่งตัวของเทคโนโลยีเชื่อมต่อหรือสถาปัตยกรรมหน่วยความจำทางเลือกที่สามารถแทนที่หน่วยความจำแบนด์วิดท์สูงและ NVLink ได้สำเร็จ ทำลายคูเมืองทางเศรษฐกิจด้านเครือข่ายระดับระบบก่อนปี 2027
- การลดรายจ่ายลงทุนของผู้ให้บริการคลาวด์ขนาดยักษ์: การปรับลดอย่างรุนแรงของแนวโน้มรายจ่ายลงทุนประจำปีของผู้ให้บริการคลาวด์ขนาดยักษ์ที่ >$700 พันล้าน เนื่องจากอัตราผลตอบแทนต่อเงินทุนที่ลงทุน (ROIC) ต่ำกว่าที่คาด หรือความล่าช้าอย่างรุนแรงในการเชื่อมต่อกับโครงข่ายไฟฟ้า
- การสร้างรายได้อย่างรวดเร็วและการชะงักงันของโมเดลเปิดค่าน้ำหนัก: การหมดไปของช่องว่างประสิทธิภาพระดับแนวหน้า 3.3–3.4% ทำให้ลูกค้าองค์กรละทิ้งโมเดลปิดระดับพรีเมียม และหันไปใช้โมเดลเปิดค่าน้ำหนักราคาถูกที่ปรับใช้เฉพาะพื้นที่
- การนำปัญญาประดิษฐ์ทางกายภาพไปใช้งานอย่างรวดเร็ว: การนำหุ่นยนต์รูปร่างมนุษย์ออกสู่ตลาดเชิงพาณิชย์ในวงกว้างและการผลิตปริมาณสูงจนถึงระดับหลายล้านหน่วยก่อนปี 2030 เป็นเวลานาน ทำให้การเก็บเกี่ยวมูลค่าจากกระแสเงินสดในทันทีย้ายไปสู่ห่วงโซ่อุปทานชุดขับเคลื่อนและแม่เหล็ก
7. แหล่งข้อมูล
ถอดรหัสมูลค่าปัญญาประดิษฐ์, Chamath Palihapitiya (จดหมายประจำปี 2025 และกรอบแนวคิดที่เกี่ยวข้อง) ดัชนีปัญญาประดิษฐ์ของมหาวิทยาลัยสแตนฟอร์ด (มหาวิทยาลัยสแตนฟอร์ด, ข้อมูลปี 2024–2026) รายงานไฟฟ้าและรายจ่ายลงทุนของสำนักงานพลังงานระหว่างประเทศ Counterpoint Research (การวิเคราะห์ตลาดเซมิคอนดักเตอร์และหน่วยความจำแบนด์วิดท์สูง Q2 2026) งานวิจัยรายการวัสดุและชิ้นส่วนหุ่นยนต์ของ McKinsey & Company งานวิจัยวัสดุและแร่หายากของ CRU Group การศึกษาราคาโมเดลภาษาขององค์การเพื่อความร่วมมือทางเศรษฐกิจและการพัฒนา (2024–2026) งานวิจัยรายจ่ายด้านปัญญาประดิษฐ์ขององค์กรโดย Menlo Ventures (2025–2026) งานวิจัยโครงสร้างพื้นฐานและพลังงานศูนย์ข้อมูลของมหาวิทยาลัยจอห์นส์ฮอปกินส์ ผลสำรวจปัญญาประดิษฐ์ในการใช้งานจริงของ LangChain (2026)
ดู
ลิงก์แหล่งข้อมูล
- Decoding AI Value
ดูและฟัง
- Chamath's AI Stack: Who Gets Paid From $700B Capex? YouTube · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出 YouTube · 中文
- Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market พอดแคสต์ · EN
- 輝達vs艾司摩爾:7000億美元AI資本支出|美股市場 พอดแคสต์ · 中文