DeepSeek V4.1-Flash เขย่าหุ้นเมมโมรี AI เพราะอะไร

DeepSeek เปิดตัว V4.1-Flash เมื่อวันที่ 10 กันยายน และทำให้เรื่องเล่าที่ตลาดใช้หนุนหุ้นเมมโมรี AI สั่นคลอนอย่างรวดเร็ว เดิมนักลงทุนจำนวนมากตั้งสมมติฐานค่อนข้างตรงไปตรงมาว่า โมเดลใหญ่ขึ้น บริบทสนทนายาวขึ้น และ AI แบบเอเจนต์แพร่หลายขึ้น ย่อมต้องใช้หน่วยความจำแบนด์วิดท์สูง (HBM), NAND และอุปกรณ์จัดเก็บข้อมูลเพิ่มขึ้นอย่างต่อเนื่อง

ประเด็นจาก DeepSeek ไม่ใช่ว่า AI จะไม่ต้องใช้เมมโมรีอีกต่อไป แต่เป็นการชี้ให้เห็นว่า ปริมาณเมมโมรีที่ต้องใช้เพื่อให้บริการงาน AI หนึ่งหน่วย อาจลดลงได้มากด้วยการออกแบบโมเดลและการจัดการแคชที่มีประสิทธิภาพกว่าเดิม 6125

จุดเปลี่ยนทางเทคนิค: KV cache เล็กลงมาก

KV cache หรือแคชคีย์-แวลู คือส่วนที่เก็บสถานะการประมวลผลของกลไก attention ระหว่างโมเดลตอบคำขอ มีความสำคัญมากกับการสนทนาที่ยาวและงาน AI แบบเอเจนต์ เพราะช่วยให้ระบบไม่ต้องนำบริบทเดิมทั้งหมดมาคำนวณซ้ำทุกครั้ง

DeepSeek ระบุว่า V4.1-Flash ใช้ HBM สำหรับ KV cache เพียง 1 ใน 4 และใช้พื้นที่จัดเก็บบน SSD เพียง 1 ใน 8 ของรุ่นก่อนหน้า 61 คำอธิบายใน model card ระบุว่าเป็นผลจากสถาปัตยกรรม causal encoder-decoder ซึ่งสร้าง global KV cache ของ decoder จาก hidden states ขั้นสุดท้ายของ encoder ร่วมกับเทคนิคการใช้งานจริงชื่อ SWA Bounded Replay ที่หลีกเลี่ยงการบันทึกสถานะ cache แบบ sliding-window บางส่วนลง SSD 52

รายงานอิสระประเมินว่า global KV cache มีขนาดราว 890 ไบต์ต่อโทเค็น หรือประมาณ 1 ใน 4 ของ V4-Flash และการออกแบบนี้อาจรองรับผู้ใช้พร้อมกันได้ราว 4–8 เท่า ภายใต้ขนาด KV cache เท่าเดิม 53 DeepSeek ยังระบุว่า โมเดลเปิดใช้งานพารามิเตอร์ 8 พันล้านตัวต่อโทเค็นในขั้น prefill และ 16 พันล้านตัวในขั้นสร้างคำตอบ (decoding) เพื่อเพิ่มประสิทธิภาพสำหรับงานเอเจนต์ที่มีข้อมูลขาเข้ามาก 52

เหตุใดหุ้นเมมโมรีและเซมิคอนดักเตอร์จึงถูกขาย

สิ่งที่ตลาดกังวลในทันทีไม่ใช่คำถามว่า AI ยังต้องใช้หน่วยความจำหรือไม่ เพราะคำตอบคือยังต้องใช้แน่นอน แต่เป็นคำถามว่า เมมโมรีที่จำเป็นต่อผลลัพธ์จากการประมวลผล AI หนึ่งหน่วย อาจลดลงเร็วกว่าที่แบบจำลองรายได้และอุปสงค์ของตลาดเคยตั้งไว้หรือไม่

หากโมเดลที่ให้ความสามารถใกล้เคียงกันรองรับคำขอที่มีบริบทยาวได้มากขึ้นจาก HBM หรือสตอเรจชุดเดิม ผู้ให้บริการคลาวด์ก็อาจรีดปริมาณงานจากโครงสร้างพื้นฐานที่มีอยู่ได้มากขึ้น ความเป็นไปได้นี้กระทบสมมติฐานเกี่ยวกับยอดขายรายหน่วย ภาวะตึงตัวของอุปทาน และอำนาจกำหนดราคาในตลาด HBM, DRAM, SSD สำหรับองค์กร และอุปกรณ์จัดเก็บข้อมูลที่เกี่ยวข้อง

หลังการเปิดตัว หุ้น Samsung Electronics และ SK Hynix ต่างร่วงระหว่างวันมากกว่า 3% ในเกาหลีใต้ตามรายงาน 17 ความกังวลลุกลามไปยังกลุ่มกว้างขึ้น เพราะธีมลงทุนโครงสร้างพื้นฐาน AI เชื่อมผู้ผลิตเมมโมรีเข้ากับผู้ขายสตอเรจ ระบบเครือข่าย และชิปประมวลผล เมื่อรอยเท้าด้านเมมโมรีลดลง เศรษฐศาสตร์ของการนำโมเดลไปใช้งานก็เปลี่ยนได้ แม้ผลกระทบต่อฮาร์ดแวร์แต่ละประเภทจะไม่เท่ากันก็ตาม

กรณีของ SanDisk สะท้อนว่ามุมมองการลงทุนไวต่อความคาดหวังอุปสงค์จาก AI เพียงใด ช่วงราคาสูงสุด-ต่ำสุดในรอบ 52 สัปดาห์อยู่ที่ประมาณ 85–2,354 ดอลลาร์สหรัฐ แม้นักวิเคราะห์โดยรวมยังให้คำแนะนำระดับ Buy หรือ Moderate Buy 3537 แต่ฉันทามติเชิงบวกไม่ได้ลบคำถามสำคัญว่า อุปสงค์สตอเรจในอนาคตพึ่งพาสถาปัตยกรรม inference ที่ใช้เมมโมรีเข้มข้นแบบเดิมมากแค่ไหน

ข้อเสนอ “ชะลอ AI แนวหน้า” เติมความเสี่ยงอีกด้าน

ข่าว DeepSeek คือแรงกระแทกจากประสิทธิภาพที่ดีขึ้น ส่วนข้อเสนอของ Dario Amodei คือความเสี่ยงอีกแบบหนึ่ง นั่นคือความเร็วของการเติบโตด้านขีดความสามารถ AI และท้ายที่สุดคือความเร็วของการใช้จ่ายลงทุนโครงสร้างพื้นฐาน

ในบทความเดือนกันยายน Dario Amodei ซีอีโอ Anthropic เสนอว่าบริษัทต่าง ๆ ควรลดความเร็วในการยกระดับขีดความสามารถของโมเดลแนวหน้าโดยตั้งใจ เพื่อให้มีเวลามากขึ้นสำหรับงานด้าน alignment และความปลอดภัย เขาเสนอให้มีผู้ประเมินอิสระที่ทำงานฝังตัวในองค์กร การประสานงานระหว่างบริษัทในประเทศประชาธิปไตย และท้ายที่สุดคือข้อตกลงระหว่างรัฐบาล 45

ข้อเสนอนี้ไม่ใช่การเรียกร้องให้หยุดพัฒนา AI ทั้งหมด แต่การสนับสนุนจากผู้นำ AI รายอื่นทำให้ตลาดต้องพิจารณาว่า การประสานงานโดยสมัครใจหรือกฎระเบียบในอนาคตอาจทำให้การใช้จ่ายกับชิปเร่งความเร็ว ศูนย์ข้อมูล และเมมโมรี เติบโตช้าลงกว่าที่คาดหรือไม่ มีรายงานว่า Nasdaq 100 futures ลดลง 1% ในช่วงสุดสัปดาห์ดังกล่าว ขณะที่การถกเถียงนี้ทำให้ธีมลงทุน AI ถูกจับตา 8

เมื่อนำสองปัจจัยมารวมกัน นักลงทุนจึงเผชิญสถานการณ์ที่ไม่สบายใจ: DeepSeek บอกเป็นนัยว่าบริการ AI อาจใช้เมมโมรีน้อยลงต่องานหนึ่งหน่วย ขณะที่การถกเถียงเรื่องการชะลอโมเดลแนวหน้าเพิ่มโอกาสที่จำนวนและความซับซ้อนของงานเหล่านั้นอาจโตช้าลง

เหตุใด Michael Burry จึงมองว่าเป็นเรื่อง “เอื้อประโยชน์ตัวเอง”

Michael Burry นักลงทุนที่เป็นที่รู้จักจากเรื่องราวใน The Big Short วิจารณ์การเรียกร้องให้ชะลอ AI ว่าเป็นเรื่อง “เอื้อประโยชน์ตัวเอง” เขาให้เหตุผลว่าการชะลออาจเป็นผลดีต่อห้องแล็บ AI ระดับแนวหน้าที่มีฐานเดิมอยู่แล้ว และทำให้คู่แข่งรายเล็กตามทันได้ยากขึ้น นอกจากนี้ เขายังตั้งข้อสงสัยว่าแชตบอต AI ในปัจจุบันกำลังมุ่งไปสู่ปัญญาประดิษฐ์ทั่วไป หรือ AGI จริงหรือไม่ 15

อย่างไรก็ดี คำพูดของ Burry เป็นการวิจารณ์แรงจูงใจ ไม่ใช่หลักฐานยืนยันเจตนาของบริษัท ข้อกล่าวหาว่าวาทกรรมด้านความปลอดภัยมีเป้าหมายเพื่อสนับสนุนแผนเข้าตลาดหุ้น จึงควรเข้าใจว่าเป็นข้อกล่าวหาของเขา ไม่ใช่ข้อเท็จจริงที่พิสูจน์แล้ว 1115

DeepSeek เปลี่ยนอะไร และยังไม่ได้เปลี่ยนอะไร

ข้อสรุปที่ชัดที่สุดมีขอบเขตแคบ แต่สำคัญมาก: DeepSeek ท้าทายวิทยานิพนธ์แบบง่ายเกินไปที่ว่า AI จะใช้เมมโมรีเพิ่มขึ้นเสมอ โดยแสดงให้เห็นว่าซอฟต์แวร์ สถาปัตยกรรมโมเดล การทำ quantization และเทคนิคบริหารแคช สามารถลดความเข้มข้นของการใช้เมมโมรีในขั้น inference ได้อย่างมีนัยสำคัญ 5255

แต่สิ่งนี้ ไม่ได้พิสูจน์ว่าอุปสงค์เมมโมรีรวมจะลดลง ตัวเลขที่ประกาศเป็นการลด KV cache ระหว่างการให้บริการโมเดล เทียบกับสถาปัตยกรรม DeepSeek รุ่นก่อน ไม่ได้หมายความว่าทั้งโมเดลหรือทั้งศูนย์ข้อมูลใช้ HBM น้อยลง 75% และ SSD น้อยลง 87.5% อีกทั้งไม่ได้ตัดความต้องการเมมโมรีสำหรับน้ำหนักโมเดลหรือการฝึกโมเดลออกไป 25

ต้นทุนการให้บริการที่ต่ำลงอาจยิ่งขยายการใช้งานได้ด้วยเช่นกัน: inference ที่ถูกลงอาจนำไปสู่ผู้ใช้มากขึ้น บริบทยาวขึ้น และวงจรการทำงานของเอเจนต์มากขึ้น ผลลัพธ์สุดท้ายจึงขึ้นอยู่กับว่า ระหว่างประสิทธิภาพที่ดีขึ้นต่อคำขอหนึ่งครั้ง กับการเพิ่มขึ้นของจำนวนและความซับซ้อนของคำขอ แรงใดจะมากกว่า

บทสรุปต่อธีมลงทุนเมมโมรี AI

DeepSeek V4.1-Flash ไม่ได้ล้มล้างกรณีลงทุนระยะยาวของ HBM, NAND หรือโครงสร้างพื้นฐาน AI แต่ทำให้กรณีนั้นมีเงื่อนไขมากขึ้น นักลงทุนไม่อาจสมมติได้อีกต่อไปว่าการใช้ AI ที่มากขึ้นจะแปลงเป็นการใช้เมมโมรีเพิ่มขึ้นตามสัดส่วนในทุกงาน

คำถามที่มีประโยชน์กว่าคือ การเพิ่มประสิทธิภาพจะเร็วกว่าอัตราการขยายตัวของการนำ AI ไปใช้งานหรือไม่ DeepSeek นำเสนอหลักฐานว่า inference สามารถประหยัดทรัพยากรขึ้นได้อย่างมาก แต่ยังไม่ได้ตัดสินว่าในระยะต่อไป การใช้ AI ทั่วโลก ขนาดการฝึกโมเดล และความต้องการฮาร์ดแวร์จะเติบโตเร็วเพียงใด