DeepSeek V4.1 Flash ทำให้นักลงทุนสะดุดกับสมมติฐานหลักของกระแสลงทุนโครงสร้างพื้นฐาน AI นั่นคือ เมื่อ AI ถูกใช้งานมากขึ้น ความต้องการหน่วยความจำต่อเวิร์กโหลดก็ควรเพิ่มขึ้นตามไปด้วย

สิ่งที่ DeepSeek อ้างว่าแก้ได้อย่างมีนัยสำคัญ คือการใช้หน่วยความจำสำหรับการทำ inference หรือช่วงที่โมเดลตอบคำถามและให้บริการผู้ใช้ โดยเฉพาะงานที่มีบริบทยาว ๆ อย่างแชตต่อเนื่องหรือ AI agent แต่ไม่ได้หมายความว่าการฝึกโมเดล หรือดาต้าเซ็นเตอร์ทั้งระบบ จะใช้เมมโมรีลดลงในสัดส่วนเดียวกัน 910

จุดเปลี่ยนทางเทคนิค: KV cache เล็กลง

KV cache คือพื้นที่เก็บสถานะ attention ของโทเคนก่อนหน้า เพื่อให้โมเดลไม่ต้องคำนวณบริบทเดิมซ้ำทุกครั้งที่สร้างคำตอบใหม่ ยิ่งบทสนทนายาวหรือ AI agent ทำงานหลายขั้น แคชส่วนนี้ก็ยิ่งสำคัญและใช้ทรัพยากรมาก

DeepSeek ระบุว่า V4.1 Flash ผสานการนำ KV cache ข้ามเลเยอร์กลับมาใช้ซ้ำใน Compressed Sparse Attention 2 กับการเก็บ KV cache แบบ FP4 ส่งผลให้ global KV cache ซึ่งอยู่ใน HBM มีขนาด 890 ไบต์ต่อโทเคน หรือประมาณ หนึ่งในสี่ ของ V4-Flash 9

บริษัทยังใช้เทคนิคการดีพลอยชื่อ SWA Bounded Replay สำหรับ attention แบบหน้าต่างสั้น แทนที่จะเก็บแคชนี้ไว้ถาวรบน SSD หรือหน่วยความจำของโฮสต์ ระบบจะใช้พูล DRAM ของโฮสต์แบบกระจายชั่วคราว และคำนวณบริบทกลับมาใหม่ในขอบเขตจำกัดเมื่อเกิด cache miss ตามข้อมูลของ DeepSeek วิธีนี้ลดขนาด KV cache ที่ต้องเก็บคงไว้เหลือราว หนึ่งในแปด ของรุ่นก่อน 19

หากเทียบเฉพาะหน้าที่ของ KV cache ตัวเลขดังกล่าวเทียบได้กับการใช้ HBM ลดลงประมาณ 75% และการใช้ SSD แบบถาวรลดลงประมาณ 87.5% จาก V4-Flash 910

แปลว่าจะรองรับผู้ใช้พร้อมกันได้ 4 เท่าหรือไม่?

ในทางทฤษฎี เป็นไปได้สำหรับระบบที่ติดคอขวดหลักตรงความจุ KV cache ที่ใช้งานอยู่ หากคำขอที่มีบริบทยาวแต่ละรายการใช้แคชเพียงหนึ่งในสี่ของเดิม HBM ชุดเดิมก็อาจเก็บแคชที่กำลังทำงานได้ราว 4 เท่า

อย่างไรก็ดี นี่เป็นข้อสรุปจากตัวเลขการใช้หน่วยความจำต่อโทเคน ไม่ใช่ผลทดสอบจำนวนผู้ใช้พร้อมกันแบบครบวงจรที่ได้รับการยืนยันอิสระ จำนวนผู้ใช้จริงยังขึ้นกับขนาดน้ำหนักโมเดล พลังประมวลผล เครือข่าย ความยาวคำขอ การจัดแบตช์ เป้าหมายด้านความหน่วง และซอฟต์แวร์สำหรับให้บริการโมเดล

เหตุใดหุ้นเมมโมรีจึงตอบสนองรุนแรง

ตลาดไม่ได้ตีความว่า DeepSeek ทำให้เมมโมรีหมดความจำเป็น แต่กำลังกังวลต่อ ความเข้มข้นของอุปสงค์ในอนาคต ผู้ผลิต HBM และ NAND/SSD สำหรับองค์กรได้รับแรงหนุนจากความเชื่อว่า AI ที่เก่งขึ้นจะต้องใช้เมมโมรีและสตอเรจมากขึ้น การเพิ่มประสิทธิภาพเช่นนี้จึงเปิดความเป็นไปได้ว่า inference หนึ่งงานอาจใช้บิตเมมโมรีและสตอเรจน้อยลง

เมื่อวันที่ 11 กันยายน หุ้น Samsung Electronics ลดลง 3.5% และ SK Hynix ลดลง 2.2% ในเกาหลีใต้หลังการประกาศของ DeepSeek ตามรายงานของ Bloomberg 17 รายงานในช่วงเดียวกันยังระบุว่า หุ้นทั้งสองบริษัทเคยอ่อนตัวเกิน 3% ในกรุงโซล ขณะที่ Micron และ SanDisk ในตลาดสหรัฐฯ ทรงตัวได้ดีกว่าในช่วงแรก 8

สำหรับนักลงทุน ความเสี่ยงจึงอยู่ที่มูลค่าหุ้น: หาก AI ใช้เมมโมรีต่อเวิร์กโหลดน้อยลง คาดการณ์การเติบโตของอุปสงค์ อำนาจต่อรองราคา และแผนลงทุนเพิ่มกำลังผลิตของผู้ผลิตเมมโมรีอาจต้องถูกปรับลด

ความกังวลลามจากเกาหลีสู่ตลาดชิปโลกอย่างไร

ต่อมา การปรับฐานขยายจากข้อกังวลเฉพาะเรื่องประสิทธิภาพ inference ไปสู่การทบทวนภาพรวมการลงทุน AI หรือ AI capex มากขึ้น

หลังเกิดเสียงเรียกร้องให้ชะลอการพัฒนา AI ระดับแนวหน้า หุ้นชิปอ่อนตัวในหลายตลาด: SK Hynix และ Samsung ลดลง 6.4% และ 4.1% ตามลำดับ ขณะที่ Kioxia ของญี่ปุ่นลดลง 6.4% หุ้นเซมิคอนดักเตอร์ยุโรป เช่น ASML, Infineon, ASM International, BE Semiconductor และ STMicroelectronics ก็ซื้อขายในแดนลบ 18 อีกรายงานระบุว่า SoftBank ลดลง 11%, Kioxia ลดลง 6.5% และ Taiwan Semiconductor Manufacturing ลดลง 1.2% ในการซื้อขายเอเชีย 19

ตลาดก่อนเปิดในสหรัฐฯ ก็อ่อนแอเช่นกัน โดย Marvell ลดลงเกือบ 8% ส่วน Intel, Micron และ SanDisk ถูกระบุว่าลดลงราว 6% 20

ไม่ควรสรุปว่าการเปิดตัวของ DeepSeek เพียงเหตุการณ์เดียวเป็นสาเหตุโดยตรงของทุกการปรับลง เพราะหุ้นเทคโนโลยียังได้รับผลจากดอกเบี้ย มูลค่าหุ้น และความกังวลต่อการเติบโตของ AI พร้อมกัน แต่โมเดลนี้ทำให้ตลาดมีเหตุผลที่จับต้องได้ในการทดสอบสมมติฐานที่เปราะบางข้อหนึ่ง: การเติบโตของการใช้งาน AI ไม่ได้แปลเป็นความต้องการเมมโมรีต่อคำขอที่เพิ่มขึ้นเป็นสัดส่วนเสมอไป 17

ข้อเสนอของ Dario Amodei ยิ่งเพิ่มแรงกดดัน

แรงขายรุนแรงขึ้นหลัง Dario Amodei ซีอีโอ Anthropic เรียกร้องให้บริษัท AI ชะลออัตราการเพิ่มขีดความสามารถของโมเดลระดับแนวหน้า เขาเสนอกรอบการทำงานเพื่อให้มีเวลามากขึ้นในการจัดการความเสี่ยงด้านความปลอดภัยและการนำ AI ไปใช้ในทางที่ผิด

ในมุมของนักลงทุนโครงสร้างพื้นฐาน ข้อเสนอนี้เพิ่มความกังวลอีกชั้นหนึ่งจากประเด็น DeepSeek:

1. เมมโมรีต่อหนึ่งงาน inference ลดลง อาจลดความเข้มข้นในการใช้เมมโมรี
2. การแข่งขันพัฒนาโมเดลแนวหน้าที่ช้าลง อาจเลื่อนการฝึกโมเดลขนาดใหญ่ที่สุดและแผนขยายดาต้าเซ็นเตอร์ ซึ่งเป็นแรงหนุนต่อความต้องการชิปเร่งความเร็ว HBM เครือข่าย และสตอเรจ

ทั้งสองประเด็นมีเหตุผลทางเศรษฐกิจต่างกัน แต่ตลาดอาจมองว่าต่างท้าทายภาพการลงทุน AI ที่ตั้งราคาบนการเติบโตอย่างไม่หยุดยั้ง รายงานต่าง ๆ เชื่อมโยงการอ่อนตัวของหุ้นชิปในวงกว้างกับความกังวลต่อการเรียกร้องให้ชะลอการพัฒนา AI โดยตรง 1820

Michael Burry มองว่าเป็น “เรื่องเล่าที่เอื้อประโยชน์ตัวเอง”

Michael Burry นักลงทุนที่เป็นที่รู้จักจาก The Big Short วิจารณ์แนวคิดชะลอ AI ว่าเป็นการสื่อสารที่เอื้อประโยชน์แก่ผู้เสนอเอง เขาให้เหตุผลว่าผู้บริหารบริษัท AI ชั้นนำอาจได้ประโยชน์จากการบอกว่าเทคโนโลยีของตนกำลังก้าวหน้าเร็วและอันตรายเกินไป พร้อมเรียกกรอบคิดดังกล่าวว่า “IPO hype & puffery” 14

แก่นข้อโต้แย้งของ Burry คือ การชะลออาจเอื้อบริษัทเจ้าตลาดมากกว่าผู้ท้าชิงรายเล็ก อีกทั้งช่วยเสริมเรื่องเล่าด้านความขาดแคลน ความน่าเชื่อถือ และการเสนอขายหุ้นต่อสาธารณะในอนาคต อย่างไรก็ตาม นี่คือการตีความแรงจูงใจของบริษัทโดย Burry ไม่ใช่หลักฐานว่าความกังวลด้านความปลอดภัยนั้นไม่จริงหรือไม่มีมูล 14

DeepSeek บอกอะไร—and ไม่ได้บอกอะไร—เกี่ยวกับดีมานด์ชิป

ผลลัพธ์ของ DeepSeek มีนัยสำคัญ เพราะแนวคิดเบื้องหลังไม่ใช่สิ่งที่บริษัทเดียวทำได้ การใช้ความละเอียดต่ำลง การบีบอัดแคช การออกแบบ attention ใหม่ การใช้ข้อมูลซ้ำ และระบบให้บริการโมเดลที่ดีขึ้น เป็นแนวทางที่นักพัฒนาโมเดลรายอื่นนำไปต่อยอดได้ จึงเป็นความเสี่ยงเชิงโครงสร้างสำหรับผู้ขายเมมโมรีที่คาดหวังว่า AI แต่ละคำขอจะใส่เมมโมรีมากขึ้นเรื่อย ๆ 9

แต่ข้ออ้างนี้มีขอบเขตสำคัญ

เป็นเรื่อง KV cache ไม่ใช่ทุกความต้องการเมมโมรี

DeepSeek ไม่ได้ ระบุว่าโมเดลทั้งก้อนหรือดาต้าเซ็นเตอร์ทั้งหมดใช้ HBM ลดลง 75% และ SSD ลดลง 87.5% การเปรียบเทียบเจาะจงไปที่ KV cache ระหว่าง inference เทียบกับสถาปัตยกรรมรุ่นก่อนเท่านั้น ยังไม่รวมค่าน้ำหนักโมเดล หน่วยความจำส่วนอื่นของระบบ เครือข่าย และความต้องการสตอเรจด้านอื่น 10

การฝึกโมเดลยังเป็นแรงขับอุปสงค์อีกทางหนึ่ง

ข้อมูลที่เปิดเผยไม่ได้พิสูจน์ว่าปริมาณคอมพิวต์และเมมโมรีที่ใช้ฝึกโมเดลแนวหน้าลดลงในระดับเดียวกัน ดังนั้น การนำการเพิ่มประสิทธิภาพ KV cache ไปตีความว่าอุปสงค์เซมิคอนดักเตอร์ AI ทั้งหมดกำลังพังทลาย จึงเกินกว่าที่หลักฐานนี้รองรับ 10

ประสิทธิภาพที่ดีขึ้นอาจทำให้การใช้งานขยายตัว

inference ที่ถูกลงและใช้เมมโมรีน้อยลง อาจลดการใช้เมมโมรี ต่อคำขอ แต่ในอีกทางหนึ่งก็อาจทำให้ผู้ช่วย AI ที่รับบริบทยาว เวิร์กโฟลว์แบบ agent และการติดตั้งใช้งานเองคุ้มค่าขึ้นในหลายกรณี หากจำนวนผู้ใช้และแอปพลิเคชันขยายมากพอ ความต้องการเมมโมรีรวมอาจยังแข็งแกร่งหรือเติบโตได้ แม้แต่ละเวิร์กโหลดจะใช้ทรัพยากรน้อยลง

บทสรุป

DeepSeek V4.1 Flash เผยจุดอ่อนของเรื่องเล่าขาขึ้นในหุ้นเมมโมรี: ความต้องการเมมโมรีต่อหนึ่งงาน inference สามารถลดลงอย่างมากได้ เมื่อสถาปัตยกรรมโมเดลและซอฟต์แวร์ให้บริการดีขึ้น ตัวเลข global KV cache ที่ 890 ไบต์ต่อโทเคน และขนาดแคชถาวรที่เหลือหนึ่งในแปด ช่วยอธิบายว่าทำไมนักลงทุนจึงรีบประเมินสมมติฐาน HBM และ SSD ใหม่ 9

แต่หลักฐานยังไม่เพียงพอที่จะเรียกสิ่งนี้ว่าเป็นแรงกระแทกต่ออุปสงค์อุตสาหกรรมชิปในทันที เพราะการลดลงที่ประกาศครอบคลุม KV cache ใน inference ไม่ใช่การฝึกโมเดลหรือโครงสร้างพื้นฐานดาต้าเซ็นเตอร์ทั้งหมด ผลระยะยาวจึงขึ้นอยู่กับแรงสองด้านที่แข่งกัน: การใช้เมมโมรีต่อภารกิจ AI ที่ลดลง กับการขยายตัวของการใช้ AI ที่อาจเกิดจากต้นทุนที่ต่ำลง

สำหรับนักลงทุนหุ้นเมมโมรี คำถามจึงไม่ใช่เพียงว่า AI จะเติบโตหรือไม่ แต่คือจำนวนเวิร์กโหลดรวมจะเติบโตเร็วพอที่จะชดเชยความเร็วที่ระบบ AI เรียนรู้จะใช้เมมโมรีอย่างมีประสิทธิภาพมากขึ้นหรือไม่

DeepSeek V4.1 Flash ทำให้นักลงทุนสะดุดกับสมมติฐานหลักของกระแสลงทุนโครงสร้างพื้นฐาน AI นั่นคือ เมื่อ AI ถูกใช้งานมากขึ้น ความต้องการหน่วยความจำต่อเวิร์กโหลดก็ควรเพิ่มขึ้นตามไปด้วย

สิ่งที่ DeepSeek อ้างว่าแก้ได้อย่างมีนัยสำคัญ คือการใช้หน่วยความจำสำหรับการทำ inference หรือช่วงที่โมเดลตอบคำถามและให้บริการผู้ใช้ โดยเฉพาะงานที่มีบริบทยาว ๆ อย่างแชตต่อเนื่องหรือ AI agent แต่ไม่ได้หมายความว่าการฝึกโมเดล หรือดาต้าเซ็นเตอร์ทั้งระบบ จะใช้เมมโมรีลดลงในสัดส่วนเดียวกัน 910

จุดเปลี่ยนทางเทคนิค: KV cache เล็กลง

KV cache คือพื้นที่เก็บสถานะ attention ของโทเคนก่อนหน้า เพื่อให้โมเดลไม่ต้องคำนวณบริบทเดิมซ้ำทุกครั้งที่สร้างคำตอบใหม่ ยิ่งบทสนทนายาวหรือ AI agent ทำงานหลายขั้น แคชส่วนนี้ก็ยิ่งสำคัญและใช้ทรัพยากรมาก

DeepSeek ระบุว่า V4.1 Flash ผสานการนำ KV cache ข้ามเลเยอร์กลับมาใช้ซ้ำใน Compressed Sparse Attention 2 กับการเก็บ KV cache แบบ FP4 ส่งผลให้ global KV cache ซึ่งอยู่ใน HBM มีขนาด 890 ไบต์ต่อโทเคน หรือประมาณ หนึ่งในสี่ ของ V4-Flash 9

บริษัทยังใช้เทคนิคการดีพลอยชื่อ SWA Bounded Replay สำหรับ attention แบบหน้าต่างสั้น แทนที่จะเก็บแคชนี้ไว้ถาวรบน SSD หรือหน่วยความจำของโฮสต์ ระบบจะใช้พูล DRAM ของโฮสต์แบบกระจายชั่วคราว และคำนวณบริบทกลับมาใหม่ในขอบเขตจำกัดเมื่อเกิด cache miss ตามข้อมูลของ DeepSeek วิธีนี้ลดขนาด KV cache ที่ต้องเก็บคงไว้เหลือราว หนึ่งในแปด ของรุ่นก่อน 19

หากเทียบเฉพาะหน้าที่ของ KV cache ตัวเลขดังกล่าวเทียบได้กับการใช้ HBM ลดลงประมาณ 75% และการใช้ SSD แบบถาวรลดลงประมาณ 87.5% จาก V4-Flash 910

แปลว่าจะรองรับผู้ใช้พร้อมกันได้ 4 เท่าหรือไม่?

ในทางทฤษฎี เป็นไปได้สำหรับระบบที่ติดคอขวดหลักตรงความจุ KV cache ที่ใช้งานอยู่ หากคำขอที่มีบริบทยาวแต่ละรายการใช้แคชเพียงหนึ่งในสี่ของเดิม HBM ชุดเดิมก็อาจเก็บแคชที่กำลังทำงานได้ราว 4 เท่า

อย่างไรก็ดี นี่เป็นข้อสรุปจากตัวเลขการใช้หน่วยความจำต่อโทเคน ไม่ใช่ผลทดสอบจำนวนผู้ใช้พร้อมกันแบบครบวงจรที่ได้รับการยืนยันอิสระ จำนวนผู้ใช้จริงยังขึ้นกับขนาดน้ำหนักโมเดล พลังประมวลผล เครือข่าย ความยาวคำขอ การจัดแบตช์ เป้าหมายด้านความหน่วง และซอฟต์แวร์สำหรับให้บริการโมเดล

เหตุใดหุ้นเมมโมรีจึงตอบสนองรุนแรง

ตลาดไม่ได้ตีความว่า DeepSeek ทำให้เมมโมรีหมดความจำเป็น แต่กำลังกังวลต่อ ความเข้มข้นของอุปสงค์ในอนาคต ผู้ผลิต HBM และ NAND/SSD สำหรับองค์กรได้รับแรงหนุนจากความเชื่อว่า AI ที่เก่งขึ้นจะต้องใช้เมมโมรีและสตอเรจมากขึ้น การเพิ่มประสิทธิภาพเช่นนี้จึงเปิดความเป็นไปได้ว่า inference หนึ่งงานอาจใช้บิตเมมโมรีและสตอเรจน้อยลง

เมื่อวันที่ 11 กันยายน หุ้น Samsung Electronics ลดลง 3.5% และ SK Hynix ลดลง 2.2% ในเกาหลีใต้หลังการประกาศของ DeepSeek ตามรายงานของ Bloomberg 17 รายงานในช่วงเดียวกันยังระบุว่า หุ้นทั้งสองบริษัทเคยอ่อนตัวเกิน 3% ในกรุงโซล ขณะที่ Micron และ SanDisk ในตลาดสหรัฐฯ ทรงตัวได้ดีกว่าในช่วงแรก 8

สำหรับนักลงทุน ความเสี่ยงจึงอยู่ที่มูลค่าหุ้น: หาก AI ใช้เมมโมรีต่อเวิร์กโหลดน้อยลง คาดการณ์การเติบโตของอุปสงค์ อำนาจต่อรองราคา และแผนลงทุนเพิ่มกำลังผลิตของผู้ผลิตเมมโมรีอาจต้องถูกปรับลด

ความกังวลลามจากเกาหลีสู่ตลาดชิปโลกอย่างไร

ต่อมา การปรับฐานขยายจากข้อกังวลเฉพาะเรื่องประสิทธิภาพ inference ไปสู่การทบทวนภาพรวมการลงทุน AI หรือ AI capex มากขึ้น

หลังเกิดเสียงเรียกร้องให้ชะลอการพัฒนา AI ระดับแนวหน้า หุ้นชิปอ่อนตัวในหลายตลาด: SK Hynix และ Samsung ลดลง 6.4% และ 4.1% ตามลำดับ ขณะที่ Kioxia ของญี่ปุ่นลดลง 6.4% หุ้นเซมิคอนดักเตอร์ยุโรป เช่น ASML, Infineon, ASM International, BE Semiconductor และ STMicroelectronics ก็ซื้อขายในแดนลบ 18 อีกรายงานระบุว่า SoftBank ลดลง 11%, Kioxia ลดลง 6.5% และ Taiwan Semiconductor Manufacturing ลดลง 1.2% ในการซื้อขายเอเชีย 19

ตลาดก่อนเปิดในสหรัฐฯ ก็อ่อนแอเช่นกัน โดย Marvell ลดลงเกือบ 8% ส่วน Intel, Micron และ SanDisk ถูกระบุว่าลดลงราว 6% 20

ไม่ควรสรุปว่าการเปิดตัวของ DeepSeek เพียงเหตุการณ์เดียวเป็นสาเหตุโดยตรงของทุกการปรับลง เพราะหุ้นเทคโนโลยียังได้รับผลจากดอกเบี้ย มูลค่าหุ้น และความกังวลต่อการเติบโตของ AI พร้อมกัน แต่โมเดลนี้ทำให้ตลาดมีเหตุผลที่จับต้องได้ในการทดสอบสมมติฐานที่เปราะบางข้อหนึ่ง: การเติบโตของการใช้งาน AI ไม่ได้แปลเป็นความต้องการเมมโมรีต่อคำขอที่เพิ่มขึ้นเป็นสัดส่วนเสมอไป 17

ข้อเสนอของ Dario Amodei ยิ่งเพิ่มแรงกดดัน

แรงขายรุนแรงขึ้นหลัง Dario Amodei ซีอีโอ Anthropic เรียกร้องให้บริษัท AI ชะลออัตราการเพิ่มขีดความสามารถของโมเดลระดับแนวหน้า เขาเสนอกรอบการทำงานเพื่อให้มีเวลามากขึ้นในการจัดการความเสี่ยงด้านความปลอดภัยและการนำ AI ไปใช้ในทางที่ผิด

ในมุมของนักลงทุนโครงสร้างพื้นฐาน ข้อเสนอนี้เพิ่มความกังวลอีกชั้นหนึ่งจากประเด็น DeepSeek:

1. เมมโมรีต่อหนึ่งงาน inference ลดลง อาจลดความเข้มข้นในการใช้เมมโมรี
2. การแข่งขันพัฒนาโมเดลแนวหน้าที่ช้าลง อาจเลื่อนการฝึกโมเดลขนาดใหญ่ที่สุดและแผนขยายดาต้าเซ็นเตอร์ ซึ่งเป็นแรงหนุนต่อความต้องการชิปเร่งความเร็ว HBM เครือข่าย และสตอเรจ

ทั้งสองประเด็นมีเหตุผลทางเศรษฐกิจต่างกัน แต่ตลาดอาจมองว่าต่างท้าทายภาพการลงทุน AI ที่ตั้งราคาบนการเติบโตอย่างไม่หยุดยั้ง รายงานต่าง ๆ เชื่อมโยงการอ่อนตัวของหุ้นชิปในวงกว้างกับความกังวลต่อการเรียกร้องให้ชะลอการพัฒนา AI โดยตรง 1820

Michael Burry มองว่าเป็น “เรื่องเล่าที่เอื้อประโยชน์ตัวเอง”

Michael Burry นักลงทุนที่เป็นที่รู้จักจาก The Big Short วิจารณ์แนวคิดชะลอ AI ว่าเป็นการสื่อสารที่เอื้อประโยชน์แก่ผู้เสนอเอง เขาให้เหตุผลว่าผู้บริหารบริษัท AI ชั้นนำอาจได้ประโยชน์จากการบอกว่าเทคโนโลยีของตนกำลังก้าวหน้าเร็วและอันตรายเกินไป พร้อมเรียกกรอบคิดดังกล่าวว่า “IPO hype & puffery” 14

แก่นข้อโต้แย้งของ Burry คือ การชะลออาจเอื้อบริษัทเจ้าตลาดมากกว่าผู้ท้าชิงรายเล็ก อีกทั้งช่วยเสริมเรื่องเล่าด้านความขาดแคลน ความน่าเชื่อถือ และการเสนอขายหุ้นต่อสาธารณะในอนาคต อย่างไรก็ตาม นี่คือการตีความแรงจูงใจของบริษัทโดย Burry ไม่ใช่หลักฐานว่าความกังวลด้านความปลอดภัยนั้นไม่จริงหรือไม่มีมูล 14

DeepSeek บอกอะไร—and ไม่ได้บอกอะไร—เกี่ยวกับดีมานด์ชิป

ผลลัพธ์ของ DeepSeek มีนัยสำคัญ เพราะแนวคิดเบื้องหลังไม่ใช่สิ่งที่บริษัทเดียวทำได้ การใช้ความละเอียดต่ำลง การบีบอัดแคช การออกแบบ attention ใหม่ การใช้ข้อมูลซ้ำ และระบบให้บริการโมเดลที่ดีขึ้น เป็นแนวทางที่นักพัฒนาโมเดลรายอื่นนำไปต่อยอดได้ จึงเป็นความเสี่ยงเชิงโครงสร้างสำหรับผู้ขายเมมโมรีที่คาดหวังว่า AI แต่ละคำขอจะใส่เมมโมรีมากขึ้นเรื่อย ๆ 9

แต่ข้ออ้างนี้มีขอบเขตสำคัญ

เป็นเรื่อง KV cache ไม่ใช่ทุกความต้องการเมมโมรี

DeepSeek ไม่ได้ ระบุว่าโมเดลทั้งก้อนหรือดาต้าเซ็นเตอร์ทั้งหมดใช้ HBM ลดลง 75% และ SSD ลดลง 87.5% การเปรียบเทียบเจาะจงไปที่ KV cache ระหว่าง inference เทียบกับสถาปัตยกรรมรุ่นก่อนเท่านั้น ยังไม่รวมค่าน้ำหนักโมเดล หน่วยความจำส่วนอื่นของระบบ เครือข่าย และความต้องการสตอเรจด้านอื่น 10

การฝึกโมเดลยังเป็นแรงขับอุปสงค์อีกทางหนึ่ง

ข้อมูลที่เปิดเผยไม่ได้พิสูจน์ว่าปริมาณคอมพิวต์และเมมโมรีที่ใช้ฝึกโมเดลแนวหน้าลดลงในระดับเดียวกัน ดังนั้น การนำการเพิ่มประสิทธิภาพ KV cache ไปตีความว่าอุปสงค์เซมิคอนดักเตอร์ AI ทั้งหมดกำลังพังทลาย จึงเกินกว่าที่หลักฐานนี้รองรับ 10

ประสิทธิภาพที่ดีขึ้นอาจทำให้การใช้งานขยายตัว

inference ที่ถูกลงและใช้เมมโมรีน้อยลง อาจลดการใช้เมมโมรี ต่อคำขอ แต่ในอีกทางหนึ่งก็อาจทำให้ผู้ช่วย AI ที่รับบริบทยาว เวิร์กโฟลว์แบบ agent และการติดตั้งใช้งานเองคุ้มค่าขึ้นในหลายกรณี หากจำนวนผู้ใช้และแอปพลิเคชันขยายมากพอ ความต้องการเมมโมรีรวมอาจยังแข็งแกร่งหรือเติบโตได้ แม้แต่ละเวิร์กโหลดจะใช้ทรัพยากรน้อยลง

บทสรุป

DeepSeek V4.1 Flash เผยจุดอ่อนของเรื่องเล่าขาขึ้นในหุ้นเมมโมรี: ความต้องการเมมโมรีต่อหนึ่งงาน inference สามารถลดลงอย่างมากได้ เมื่อสถาปัตยกรรมโมเดลและซอฟต์แวร์ให้บริการดีขึ้น ตัวเลข global KV cache ที่ 890 ไบต์ต่อโทเคน และขนาดแคชถาวรที่เหลือหนึ่งในแปด ช่วยอธิบายว่าทำไมนักลงทุนจึงรีบประเมินสมมติฐาน HBM และ SSD ใหม่ 9

แต่หลักฐานยังไม่เพียงพอที่จะเรียกสิ่งนี้ว่าเป็นแรงกระแทกต่ออุปสงค์อุตสาหกรรมชิปในทันที เพราะการลดลงที่ประกาศครอบคลุม KV cache ใน inference ไม่ใช่การฝึกโมเดลหรือโครงสร้างพื้นฐานดาต้าเซ็นเตอร์ทั้งหมด ผลระยะยาวจึงขึ้นอยู่กับแรงสองด้านที่แข่งกัน: การใช้เมมโมรีต่อภารกิจ AI ที่ลดลง กับการขยายตัวของการใช้ AI ที่อาจเกิดจากต้นทุนที่ต่ำลง

สำหรับนักลงทุนหุ้นเมมโมรี คำถามจึงไม่ใช่เพียงว่า AI จะเติบโตหรือไม่ แต่คือจำนวนเวิร์กโหลดรวมจะเติบโตเร็วพอที่จะชดเชยความเร็วที่ระบบ AI เรียนรู้จะใช้เมมโมรีอย่างมีประสิทธิภาพมากขึ้นหรือไม่