คอขวด AI ของ Microsoft ไม่ใช่การซื้อชิป แต่คือการหาพลังงานให้ดาต้าเซ็นเตอร์

ปัญหาโครงสร้างพื้นฐาน AI ของ Microsoft กำลังเปลี่ยนจากเรื่อง “มีชิปหรือไม่” ไปเป็นเรื่อง “ติดตั้งให้ใช้งานได้หรือยัง” ชิปเร่งความเร็ว (accelerator) ที่อยู่ในคลังจะยังไม่กลายเป็นกำลังประมวลผลจนกว่าจะติดตั้งในอาคารที่สร้างเสร็จ พร้อมระบบไฟฟ้า ระบบระบายความร้อน ระบบเครือข่าย และบุคลากรสำหรับดูแล Reports ระบุว่า Microsoft มีชิปขั้นสูงจำนวนหลายพันตัวรอใช้งาน เพราะการก่อสร้างดาต้าเซ็นเตอร์ล่าช้ากว่ากำหนด

ผลที่ตามมาคือเงินลงทุนด้านฮาร์ดแวร์ก้อนใหญ่กลับกลายเป็นเส้นทางสู่รายได้ที่ช้าลง ขณะที่ความต้องการใช้ Azure มีรายงานว่าสูงกว่าความจุที่เปิดให้บริการได้ และไฟฟ้ากับพื้นที่ดาต้าเซ็นเตอร์ที่พร้อมใช้งานยังเป็นข้อจำกัดสำคัญต่อความเร็วในการนำชิป AI มาเปิดใช้

คอขวดนี้กระทบ Azure และ Copilot อย่างไร

ผลกระทบในทันทีไม่ใช่ Azure OpenAI หรือ Copilot จะหยุดทำงาน แต่ Microsoft จะมีพื้นที่น้อยลงในการรับลูกค้าใหม่ เพิ่มปริมาณการประมวลผล เปิดภูมิภาคใหม่ หรือโยกกำลังประมวลผลระหว่างงานของลูกค้ากับผลิตภัณฑ์ของตัวเอง

สำหรับลูกค้า Azure แรงกดดันอาจปรากฏในรูปของความจุระดับสูงที่ขาดแคลนในบางภูมิภาค การเริ่มใช้งานที่ช้าลง หรือการจัดสรรทรัพยากรที่เข้มงวดขึ้น สำหรับ Microsoft ประเด็นทางการเงินก็สำคัญไม่แพ้กัน เพราะชิปที่ยังไม่ได้ติดตั้งไม่สามารถเพิ่มกำลังประมวลผลสำหรับการตอบคำถามของโมเดลได้ ขณะที่งานที่กำลังให้บริการอาจยังต้องพึ่งฮาร์ดแวร์ทั่วไปที่มีต้นทุนสูงกว่า

Copilot เป็นผลิตภัณฑ์ที่อ่อนไหวต่อการแลกเปลี่ยนนี้เป็นพิเศษ เนื่องจากต้นทุนของบริการขึ้นอยู่กับการรองรับคำขอประมวลผลจำนวนมากในราคาที่คาดการณ์ได้ ชิปที่มีประสิทธิภาพดีกว่าสามารถช่วยให้ต้นทุนต่อคำขอลดลงได้ แต่ประโยชน์นั้นจะเกิดขึ้นก็ต่อเมื่อชิปเชื่อมต่ออยู่กับคลัสเตอร์ที่ทำงานจริงแล้ว

Maia 200 ช่วยเรื่องต้นทุน แต่ไม่ช่วยสร้างไฟฟ้า

Maia 200 ของ Microsoft ออกแบบมาเป็นหลักสำหรับงานอินเฟอเรนซ์ หรือขั้นตอนที่โมเดลซึ่งฝึกเสร็จแล้วนำมาสร้างคำตอบ Microsoft ระบุว่าชิปนี้ให้ประสิทธิภาพ FP4 และ FP8 สูงกว่าชิปเร่งความเร็วของ AWS และ Google ที่นำมาเปรียบเทียบ แม้ตัวเลขดังกล่าวจะเป็นการเปรียบเทียบที่รายงานโดยผู้ผลิต ไม่ใช่ผลทดสอบอิสระแบบครบกระบวนการ

รายงานอื่นประเมินว่า Maia 200 อาจมีต้นทุนการใช้งานต่ำกว่าฮาร์ดแวร์ Nvidia ระดับสูงประมาณ 30–40% สำหรับงานของ Microsoft และ OpenAI อย่างไรก็ตาม ตัวเลขนี้ยังเป็นประมาณการจากรายงาน ไม่ใช่การรับประกันว่าจะเกิดขึ้นกับทุกโมเดล ชุดซอฟต์แวร์ หรือระดับการใช้งาน

เหตุผลเชิงกลยุทธ์จึงชัดเจน หาก Maia ทำผลงานได้ตามคาดเมื่อใช้งานจริงในระดับใหญ่ Microsoft ก็อาจลดการพึ่งพา Nvidia ในงานอินเฟอเรนซ์บางประเภท และปรับปรุงโครงสร้างต้นทุนของบริการอย่าง Copilot กับ Azure OpenAI ได้

แต่ชิปที่ออกแบบเองไม่ได้ลบข้อกำหนดทางกายภาพรอบตัวมัน Maia ยังคงต้องใช้หน่วยความจำแบนด์วิดท์สูง (HBM) การแพ็กเกจชิป ระบบเครือข่าย แร็ก ระบบระบายความร้อน และกำลังไฟฟ้าที่เพียงพอ

พูดง่าย ๆ คือ Maia ช่วยให้ดาต้าเซ็นเตอร์ที่เปิดใช้งานแล้วมีต้นทุนต่อการประมวลผลที่ดีขึ้น แต่ไม่สามารถทำให้อาคารที่ยังก่อสร้างไม่เสร็จหรือยังไม่มีไฟฟ้าทำงานได้

Maia 300 คือการเดิมพันเรื่องสเกล ไม่ใช่ความจุที่ติดตั้งแล้ว

Reuters รายงานว่า Microsoft มีแผนเปิดตัว Maia 300 เร็วที่สุดในช่วงฤดูใบไม้ร่วงปีนี้ และกำลังหารือกับ TSMC เรื่องกำลังการผลิตมากกว่า 300,000 ชิป เพื่อส่งมอบในปี 2027 รายงานยังระบุถึงเป้าหมายระยะยาวที่มากกว่า 1 ล้านชิป

ตัวเลขเหล่านี้ควรถูกมองว่าเป็นแผนที่อยู่ระหว่างการเจรจา ไม่ใช่จำนวนการส่งมอบที่ยืนยันแล้ว Microsoft โต้แย้งตัวเลขที่มีรายงาน และแม้จะจัดสรรกำลังการผลิตจากโรงงานได้สำเร็จ Microsoft ก็ยังต้องจัดหาหน่วยความจำและชิ้นส่วนอื่น ประกอบเป็นระบบ และติดตั้งทั้งหมดในสถานที่ที่มีไฟฟ้าพร้อมใช้งาน

หากการเพิ่มกำลังผลิตเกิดขึ้นจริง Maia 300 อาจทำให้โครงการชิปของ Microsoft ขยับจากโครงการภายในที่มีขอบเขตจำกัด ไปสู่แหล่งกำลังประมวลผลอินเฟอเรนซ์ทางเลือกที่มีความสำคัญเชิงกลยุทธ์มากขึ้น ความสำเร็จจึงขึ้นอยู่กับการจัดลำดับเวลาให้การผลิต การประกอบระบบ และความพร้อมของดาต้าเซ็นเตอร์เกิดขึ้นพร้อมกัน

AWS และ Google มีข้อได้เปรียบด้านการนำไปใช้งาน

AWS มีประสบการณ์กับชิปเร่งความเร็วที่ออกแบบเองในระดับที่พัฒนากว่า Amazon ระบุว่ามีชิป Trainium จากทั้งสามรุ่นติดตั้งใช้งานแล้ว 1.4 ล้านตัว และมี Trainium2 มากกว่า 1 ล้านตัวที่ใช้กับ Claude ของ Anthropic ตามรายงานของ TechCrunch นอกจากนี้ AWS ยังมี Inferentia ซึ่งเป็นสายชิปที่เน้นงานอินเฟอเรนซ์โดยเฉพาะ ทำให้บริษัทมีประสบการณ์ทั้งงานฝึกโมเดลและงานให้บริการโมเดล

โครงการ TPU ของ Google มีประวัติการผลิตใช้งานจริงยาวนานยิ่งกว่า โดยสถาปัตยกรรม Ironwood ระบุว่าสามารถขยายเป็นพ็อดขนาด 9,216 ชิปได้ รายงานอื่นระบุว่า Anthropic อาจเข้าถึง TPU ของ Google ได้มากถึง 1 ล้านตัว แต่ตัวเลขดังกล่าวเป็นคำมั่นด้านความจุ ไม่ควรถูกนำไปตีความว่าเป็นการเปรียบเทียบจำนวนชิปที่ติดตั้งใช้งานจริงแบบตรง ๆ

ปัจจุบันยังไม่มีการจัดอันดับสาธารณะที่เปรียบเทียบจำนวนชิป AI ทั้งหมดของ Microsoft กับ AWS และ Google แบบเทียบเคียงกันได้อย่างสมบูรณ์ แต่ละบริษัทนับรุ่นชิป ประเภทงาน รูปแบบการถือครอง และความหมายของคำว่า “ติดตั้งแล้ว” “ใช้งานแล้ว” หรือ “จองความจุไว้” แตกต่างกัน

ข้อสรุปที่ปลอดภัยกว่าคือ AWS และ Google ดูเหมือนจะนำหน้าในด้านการติดตั้งชิปออกแบบเองและประสบการณ์ปฏิบัติการในระดับใหญ่ ขณะที่ Microsoft กำลังพยายามไล่ตามด้วย Maia

ปัญหาขาดแคลนทั้งอุตสาหกรรมอาจทำให้ช่องว่างกว้างขึ้น

Microsoft ไม่ได้เผชิญข้อจำกัดเหล่านี้เพียงรายเดียว รายงานที่ Ars Technica สรุปพบว่า ประมาณ 40% ของโครงการดาต้าเซ็นเตอร์ในสหรัฐฯ ที่วางแผนแล้วเสร็จในปี 2026 มีความเสี่ยงล่าช้า โดยมีสาเหตุจากการขาดแคลนแรงงาน ไฟฟ้า วัสดุ และอุปสรรคด้านการขอใบอนุญาต

หน่วยความจำก็เป็นอีกคอขวด รายงานอุตสาหกรรมคาดการณ์ว่าดาต้าเซ็นเตอร์อาจใช้หน่วยความจำระดับสูงมากกว่า 70% ของการผลิตในปี 2026 ขณะที่ผู้บริหาร Synopsys ระบุว่าวิกฤตขาดแคลนเซมิคอนดักเตอร์อาจลากยาวถึงปี 2027 สถานการณ์นี้อาจทำให้ต้นทุนเพิ่มขึ้นและระยะเวลารอชิ้นส่วนของอุตสาหกรรมอื่นยาวนานขึ้น แต่ผลกระทบจะแตกต่างกันตามชนิดหน่วยความจำ ซัพพลายเออร์ และเงื่อนไขสัญญา

ข้อจำกัดเหล่านี้อาจขยายช่องว่างระหว่าง “กำลังประมวลผล AI ตามแผน” กับ “กำลังประมวลผล AI ที่ใช้ได้จริง” บริษัทที่มีพื้นที่พร้อมจ่ายไฟอยู่แล้ว มีการจองกำลังจากผู้ให้บริการสาธารณูปโภคล่วงหน้า มีห่วงโซ่อุปทานที่成熟กว่า และมีคลัสเตอร์ขนาดใหญ่ที่เดินระบบอยู่แล้ว ย่อมเพิ่มงานได้ต่อเนื่อง ขณะที่โครงการใหม่อาจยังรอหม้อแปลง ระบบระบายความร้อน แรงงานฝีมือ หรือการเชื่อมต่อกับโครงข่ายไฟฟ้า

บทสรุปเชิงกลยุทธ์

ความล่าช้าของดาต้าเซ็นเตอร์ไม่ได้ทำให้กลยุทธ์ AI ของ Microsoft หมดความน่าเชื่อถือ แต่ทำให้กลยุทธ์นี้ไวต่อการลงมือทำและลำดับเวลามากขึ้น บริษัทสามารถซื้อชิป ออกแบบ Maia และลงนามข้อตกลงการผลิตได้ แต่ไม่มีขั้นตอนใดรับประกันได้โดยอัตโนมัติว่าจะเกิดกำลังประมวลผลที่ลูกค้าใช้งานได้จริง

ความเสี่ยงระยะใกล้คือการขยายความจุ Azure ได้ช้าลง และต้นทุนต่อหน่วยของการประมวลผลอินเฟอเรนซ์สำหรับผลิตภัณฑ์อย่าง Copilot และ Azure OpenAI สูงขึ้น ความเสี่ยงด้านการแข่งขันคือ AWS และ Google อาจใช้ประสบการณ์จากการติดตั้งชิปของตัวเองที่มีอยู่แล้ว เพื่อปรับราคา เพิ่มความพร้อมใช้งาน และสร้างความคุ้นเคยให้กับนักพัฒนาก่อนที่ดาต้าเซ็นเตอร์รุ่นใหม่และชิป Maia ระลอกถัดไปของ Microsoft จะเปิดใช้งานได้

Maia 200 อาจช่วยลดต้นทุนเมื่อ Microsoft สามารถติดตั้งใช้งานได้ในระดับใหญ่ ส่วน Maia 300 อาจช่วยกระจายแหล่งจัดหากำลังประมวลผลในปี 2027 หากแผนการผลิตที่มีรายงานกลายเป็นจริง แต่จนกว่าการก่อสร้างและการจัดหาไฟฟ้าจะตามทัน ความท้าทายหลักของ Microsoft ยังคงเรียบง่ายแต่แก้ยาก นั่นคือการเปลี่ยนชิปที่ซื้อไว้และแผนอันทะเยอทะยาน ให้กลายเป็นความจุที่มีไฟฟ้าและพร้อมให้บริการจริง