คำตอบเผยแพร่แล้ว16 แหล่งที่มา
โกลด์แมนเตือนราคาโทเคน AI ร่วง: นักลงทุนชิป คลาวด์ และดาต้าเซ็นเตอร์ต้องดูอะไร
ดัชนีค่าใช้จ่ายโทเคน LLM ของ Silicon Data ลดลงมาอยู่ที่ 0.97 ดอลลาร์ต่อ 1 ล้านโทเคน หลังลดลง 29% ในเดือนสิงหาคม ขณะที่ดัชนีราคาโมเดลชั้นนำต่ำกว่าฐานเดือนมีนาคม 2023 อยู่ 84% [2][4][5] กรณีลบไม่ได้เกิดขึ้นโดยอัตโนมัติ: Goldman Sachs Research คาดว่า AI แบบเอเจนต์อาจทำให้การใช้โทเคนต่อเดือนเพิ่ม 24 เท่า สู่ราว 120 ควอด...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- ดัชนีค่าใช้จ่ายโทเคน LLM ของ Silicon Data ลดลงมาอยู่ที่ 0.97 ดอลลาร์ต่อ 1 ล้านโทเคน หลังลดลง 29% ในเดือนสิงหาคม ขณะที่ดัชนีราคาโมเดลชั้นนำต่ำกว่าฐานเดือนมีนาคม 2023 อยู่ 84% [2][4][5]
- กรณีลบไม่ได้เกิดขึ้นโดยอัตโนมัติ: Goldman Sachs Research คาดว่า AI แบบเอเจนต์อาจทำให้การใช้โทเคนต่อเดือนเพิ่ม 24 เท่า สู่ราว 120 ควอดริลเลียนโทเคนภายในปี 2030 แต่ต้องแปลงเป็นงานที่สร้างรายได้จริง [7]
- สัญญาณสำคัญสำหรับนักลงทุนคือรายได้ AI เทียบกับราคาต่อโทเคน คำสั่งซื้อเซิร์ฟเวอร์เทียบกับการนำไปใช้งานจริง และอัตราใช้ดาต้าเซ็นเตอร์พร้อมปริมาณสัญญาที่ทำไว้
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Goldman Sachs’ warning that rapidly falling LLM token prices—down to about $0.97–$0.98 per million tokens after a 29% August decline. Article summary: Goldman’s warning implies a more selective, riskier outlook for AI-infrastructure investors: compute demand can grow sharply while the revenue earned per unit of compute falls even faster. If that happens, utilization, p. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
AI inference หรือการให้โมเดลประมวลผลคำสั่งหลังฝึกเสร็จ กำลังมีต้นทุนถูกลงอย่างรวดเร็ว ซึ่งเป็นข่าวดีต่อผู้ใช้เพราะทำให้แอปพลิเคชัน AI เข้าถึงได้มากขึ้น แต่สำหรับผู้ลงทุนในชิป คลาวด์ และดาต้าเซ็นเตอร์ ประเด็นคือรายได้จากการใช้งานต่อหน่วยอาจลดลงเร็วกว่าความต้องการใช้ที่เพิ่มขึ้น
คำเตือนของ Goldman Sachs จึงอยู่ที่ความไม่สอดคล้องกันระหว่างการลงทุนโครงสร้างพื้นฐานซึ่งต้องวางเงินล่วงหน้าหลายปี กับราคาค่าใช้โมเดลที่ปรับลงได้รวดเร็ว ดัชนี LLM Token Expenditure Index ของ Silicon Data ล่าสุดอยู่ที่ 0.97 ดอลลาร์ต่อ 1 ล้านโทเคน หลังลดลง 29% ในเดือนสิงหาคม ขณะที่ดัชนีราคาโมเดลชั้นนำอีกชุดหนึ่งต่ำกว่าระดับฐานเดือนมีนาคม 2023 ถึง 84% 2
4
5
หากปริมาณการใช้งานเติบโตไม่พอชดเชยการลดลงของราคา ผลลัพธ์อาจเป็นกำลังประมวลผลราคาแพงที่มีมากเกินไป และต้องแข่งขันกันรองรับงาน inference ซึ่งสร้างรายได้ต่อหน่วยต่ำลง
โจทย์เศรษฐศาสตร์: ปริมาณต้องโตเร็วกว่าราคาที่ลดลง
ราคาโทเคนที่ลดลงไม่ใช่สัญญาณลบโดยตัวมันเอง ราคาที่ต่ำลงอาจเปิดทางให้เกิดการทดลองและการใช้งานรูปแบบใหม่ ๆ จนความต้องการรวมเพิ่มขึ้นมาก แต่ผู้ให้บริการต้องตอบให้ได้ว่า ปริมาณโทเคนที่มีผู้จ่ายเงินจริง รวมถึงประสิทธิภาพการดำเนินงานของตน จะเพิ่มขึ้นเร็วพอที่จะชดเชยรายได้ต่อโทเคนที่ลดลงหรือไม่
ความกังวลของ Goldman ตามรายงานคือ การแข่งขันด้านราคาระหว่างผู้ให้บริการโมเดลอาจทำให้การสร้างรายได้ต่อโทเคนไม่ยั่งยืน และท้ายที่สุดอาจเหลือโครงสร้างพื้นฐานมากเกินความต้องการ หากการใช้คอมพิวต์ไม่เร่งตัวพอ 1
2
สรุปคือ
- ผู้ใช้ได้ประโยชน์ หาก AI ที่ถูกลงทำให้เกิดงานที่มีประโยชน์ในต้นทุนต่ำลง
- เจ้าของโครงสร้างพื้นฐานอาจเผชิญแรงกดดัน หากลงทุนบนสมมติฐานว่าคอมพิวต์จะขาดแคลนและขายได้ในราคาสูงต่อเนื่อง
- ตัวแปรสำคัญคือ ความยืดหยุ่นของอุปสงค์: การลดราคาทำให้การใช้งานเพิ่มมากพอที่จะรักษาหรือเพิ่มรายได้รวมและความต้องการคอมพิวต์ได้หรือไม่
เงินลงทุนที่เดิมพันมีขนาดใหญ่มาก
ความเสี่ยงนี้เกิดขึ้นในช่วงที่อุตสาหกรรมกำลังขยายการลงทุนอย่างหนัก Goldman Sachs ประเมินกรณีฐานว่าการลงทุนด้าน AI ในส่วนคอมพิวต์ ดาต้าเซ็นเตอร์ และพลังงานรวมกันอาจอยู่ที่ราว 7.6 ล้านล้านดอลลาร์สหรัฐในช่วงปี 2026–2031 โดยรายจ่ายต่อปีอาจเพิ่มจากประมาณ 765,000 ล้านดอลลาร์ในปี 2026 เป็น 1.6 ล้านล้านดอลลาร์ในปี 2031 ทั้งนี้ Goldman ระบุชัดว่าตัวเลขดังกล่าวอ่อนไหวต่อสมมติฐานและไม่ใช่สิ่งที่รับประกันได้ 9
เงินส่วนใหญ่ถูกนำไปสร้างสินทรัพย์อายุใช้งานยาว เช่น ตัวเร่งการประมวลผล เซิร์ฟเวอร์ ระบบเครือข่าย อาคารดาต้าเซ็นเตอร์ และระบบไฟฟ้า สินทรัพย์เหล่านี้จึงต้องมีเวิร์กโหลดต่อเนื่องและผลตอบแทนที่เหมาะสมในระยะยาว
ผลต่อผู้ผลิตชิป: อย่าดูเพียงยอดส่งมอบ
สำหรับผู้ผลิตเซมิคอนดักเตอร์ ความเสี่ยงอาจไม่ปรากฏเป็นยอดสั่งซื้อที่ทรุดทันที ลูกค้ายังอาจเร่งสร้างกำลังการผลิตเพื่อพัฒนาผลิตภัณฑ์ AI ใหม่หรือเพื่อให้มีอุปทานเพียงพอ
แต่หากกำลังการผลิตที่ติดตั้งแล้วสูงเกินกว่าความต้องการที่ทำกำไรได้ ลูกค้าอาจชะลอการซื้อชิปเร่ง AI และเซิร์ฟเวอร์ หันมาต่อรองราคามากขึ้น หรือเรียกร้องประสิทธิภาพต่อเงินลงทุนที่ดีขึ้น บริษัทที่มีฮาร์ดแวร์แตกต่าง มีระบบซอฟต์แวร์ที่แข็งแรง หรือมีข้อได้เปรียบด้านประสิทธิภาพสำหรับงาน inference อาจรับแรงกระทบได้ดีกว่า
คำถามเชิงปฏิบัติคือ อุปกรณ์ที่ขายไปกำลังถูกใช้งานจนสร้างรายได้จริงหรือไม่ ไม่ใช่แค่ถูกส่งมอบแล้ว
ดาต้าเซ็นเตอร์ต้องพิสูจน์อัตราการใช้จริง
โครงการดาต้าเซ็นเตอร์ต้องผูกพันกับที่ดิน ไฟฟ้า และอาคารเป็นเวลานาน หาก inference มีราคาถูกลงหรือมีประสิทธิภาพสูงขึ้น ลูกค้าอาจใช้โครงสร้างพื้นฐานน้อยลงเพื่อสร้างผลลัพธ์ของแอปพลิเคชันในระดับเดิม ซึ่งอาจกดดันอัตราการเช่า การใช้พื้นที่ และผลตอบแทนของโครงการที่ตั้งอยู่บนสมมติฐานว่ากำลังการผลิตจะตึงตัวเสมอ
ไม่ได้หมายความว่าความต้องการดาต้าเซ็นเตอร์จะหายไป เพราะความพร้อมของไฟฟ้าและข้อกำหนดทางเทคนิคของงาน AI ยังเป็นข้อจำกัดด้านอุปทานได้ แต่การขาดแคลนในบางทำเลหรือบางตลาดพลังงาน อาจเกิดพร้อมกับเศรษฐศาสตร์ที่อ่อนแอในที่อื่นได้ นักลงทุนจึงควรแยก “ความขาดแคลนทางกายภาพ” ออกจากหลักฐานว่าลูกค้าใช้กำลังการผลิตอย่างคุ้มค่า และต่ออายุหรือเพิ่มสัญญาจริง
คลาวด์และผู้ให้บริการโมเดลต้องชดเชยราคาด้วยปริมาณและบริการมูลค่าสูง
แพลตฟอร์มคลาวด์และผู้ให้บริการโมเดลอาจได้ประโยชน์จาก inference ที่ถูกลง เพราะดึงนักพัฒนาและงานองค์กรเข้าสู่แพลตฟอร์มได้มากขึ้น แต่ในอีกด้าน ราคาที่ต่ำลงก็ทำให้รายได้ต่อหน่วยลดลงเช่นกัน
การรักษากำไรขั้นต้นจึงต้องอาศัยอย่างน้อยหนึ่งในสามปัจจัยต่อไปนี้
- ปริมาณโทเคนที่เพิ่มขึ้นมากจากการใช้งานจริงแบบต่อเนื่อง
- ประสิทธิภาพที่ดีขึ้นจนต้นทุนลดลงเร็วกว่าราคาขาย
- บริการมูลค่าเพิ่มรอบโมเดล เช่น การติดตั้งใช้งาน ความปลอดภัย การเชื่อมข้อมูล และเครื่องมือจัดการเวิร์กโฟลว์
การแข่งขันด้านราคาในโมเดล proprietary เป็นหัวใจของความเสี่ยงที่ถูกกล่าวถึงในรายงานที่เกี่ยวข้องกับ Goldman 1
2 ดังนั้น สิ่งที่ควรดูไม่ใช่ราคาโทเคนตามตัวเลขลำพัง แต่คือความสัมพันธ์ระหว่างราคาที่ลูกค้าจ่าย ต้นทุนของผู้ให้บริการ และปริมาณการใช้งานแบบชำระเงินจริงทั้งหมด
AI แบบเอเจนต์คือแรงชดเชยที่สำคัญ
ด้านบวกของเรื่องนี้คือ AI แบบเอเจนต์ (agentic AI) ซึ่งเป็นระบบที่ทำงานหลายขั้นตอนแทนผู้ใช้ และอาจใช้โทเคนมากกว่าการถาม-ตอบแชตบอตทั่วไปอย่างมาก Goldman Sachs Research คาดว่าการนำเอเจนต์ไปใช้ทั้งในภาคผู้บริโภคและองค์กรอาจทำให้การใช้โทเคนต่อเดือนเพิ่ม 24 เท่าระหว่างปี 2026–2030 สู่ราว 120 ควอดริลเลียนโทเคนต่อเดือน 7
การคาดการณ์นี้ชี้ว่าราคาโทเคนที่ลดลงไม่ได้แปลว่าความต้องการคอมพิวต์จะลดลงเสมอไป หากเอเจนต์เปลี่ยนจากการสาธิตไปเป็นการทำงานที่สร้างคุณค่าบ่อยครั้ง ปริมาณใช้งานรวมก็อาจมากพอจะรองรับการลงทุนโครงสร้างพื้นฐานได้
อย่างไรก็ดี นี่ยังเป็นเพียงประมาณการ กรณีลงทุนในโครงสร้างพื้นฐานต้องอาศัยงานจากเอเจนต์ที่เกิดซ้ำ มีคุณค่า และผู้ใช้หรือองค์กรยอมจ่าย ไม่ใช่เพียงการทดลองใช้งานต้นทุนต่ำจำนวนมาก
ตัวชี้วัดที่ควรติดตาม มากกว่าพาดหัวเรื่องราคาโทเคน
ผู้ลงทุนที่ต้องการประเมินความเสี่ยงกำลังประมวลผลล้นตลาดอาจติดตามตัวเลขที่เชื่อมโยงกัน ได้แก่
- รายได้ AI เทียบกับราคาต่อโทเคน: รายได้รวมยังขยายตัวหรือไม่ แม้ราคาต่อหน่วยลดลง
- คำสั่งซื้อชิปเร่ง AI และเซิร์ฟเวอร์ เทียบกับการติดตั้งใช้งาน: กำลังการผลิตที่ซื้อถูกนำไปทำงานจริงหรือไม่
- อัตราการใช้ดาต้าเซ็นเตอร์ กำลังการผลิตตามสัญญา และการต่ออายุสัญญา: ความต้องการยังแข็งแรงหลังโครงการเปิดใช้หรือไม่
- กำไรขั้นต้นของคลาวด์: ประสิทธิภาพและบริการมูลค่าเพิ่มชดเชยราคา inference ที่ลดลงได้หรือไม่
- การใช้เอเจนต์ในระบบงานจริง: เอเจนต์สร้างเวิร์กโฟลว์สำคัญที่ใช้ซ้ำได้ หรือยังเป็นเพียงโครงการทดลอง
- ความพร้อมของไฟฟ้า: เป็นข้อจำกัดถาวรของกำลังการผลิตที่มีประโยชน์ หรือเป็นเพียงคอขวดที่เกิดก่อนความต้องการจริง
บทสรุป
คำเตือนของ Goldman ไม่ได้บอกว่าราคาโทเคน LLM ที่ลดลงเป็นเรื่องแย่โดยเนื้อแท้ ตรงกันข้าม inference ที่ถูกลงอาจเป็นตัวปลดล็อกการใช้ AI ในวงกว้าง ความเสี่ยงอยู่ที่ภาวะราคาและประสิทธิภาพของโมเดลพัฒนาจนทำให้รายได้และคอมพิวต์ที่ต้องใช้ลดลงเร็วกว่าการเติบโตของการใช้งานจากเอเจนต์
สำหรับนักลงทุนโครงสร้างพื้นฐาน AI นี่จึงไม่ใช่เรื่อง “สร้างกำลังการผลิตให้มาก” เพียงอย่างเดียว แต่เป็นบททดสอบเรื่องอัตราการใช้งานและการสร้างรายได้ ธุรกิจที่มีความทนทานมากกว่าอาจเป็นธุรกิจที่เปลี่ยนโทเคนราคาถูกให้เป็นเวิร์กโหลดมูลค่าสูงและยั่งยืนได้ พร้อมรักษาความได้เปรียบด้านต้นทุน ประสิทธิภาพ หรือความลึกของบริการ 1
7
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "โกลด์แมนเตือนราคาโทเคน AI ร่วง: นักลงทุนชิป คลาวด์ และดาต้าเซ็นเตอร์ต้องดูอะไร" คืออะไร
ดัชนีค่าใช้จ่ายโทเคน LLM ของ Silicon Data ลดลงมาอยู่ที่ 0.97 ดอลลาร์ต่อ 1 ล้านโทเคน หลังลดลง 29% ในเดือนสิงหาคม ขณะที่ดัชนีราคาโมเดลชั้นนำต่ำกว่าฐานเดือนมีนาคม 2023 อยู่ 84% [2][4][5]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
ดัชนีค่าใช้จ่ายโทเคน LLM ของ Silicon Data ลดลงมาอยู่ที่ 0.97 ดอลลาร์ต่อ 1 ล้านโทเคน หลังลดลง 29% ในเดือนสิงหาคม ขณะที่ดัชนีราคาโมเดลชั้นนำต่ำกว่าฐานเดือนมีนาคม 2023 อยู่ 84% [2][4][5] กรณีลบไม่ได้เกิดขึ้นโดยอัตโนมัติ: Goldman Sachs Research คาดว่า AI แบบเอเจนต์อาจทำให้การใช้โทเคนต่อเดือนเพิ่ม 24 เท่า สู่ราว 120 ควอดริลเลียนโทเคนภายในปี 2030 แต่ต้องแปลงเป็นงานที่สร้างรายได้จริง [7]
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
สัญญาณสำคัญสำหรับนักลงทุนคือรายได้ AI เทียบกับราคาต่อโทเคน คำสั่งซื้อเซิร์ฟเวอร์เทียบกับการนำไปใช้งานจริง และอัตราใช้ดาต้าเซ็นเตอร์พร้อมปริมาณสัญญาที่ทำไว้