18 ปีรอคอย! นักวิเคราะห์ Bernstein ประกาศ ‘ซูเปอร์ไซเคิล’ ชิปครั้งแรกมาถึงแล้ว

ราสกอนชี้ให้เห็นว่า ผู้เล่นคลาวด์รายใหญ่ที่สุดของสหรัฐฯ 4 ราย ได้แก่ Amazon, Microsoft, Google และ Meta วางแผนใช้จ่ายด้านทุน (CapEx) รวมกันประมาณ 725,000 ล้านเหรียญสหรัฐ (ประมาณ 26.1 ล้านล้านบาท) ในปี 2026 โดยส่วนใหญ่จะไปที่โครงสร้างพื้นฐาน AI ราคาเมมโมรีพุ่งสูงเป็นแนวตั้ง ราคา DRAM เพิ่มขึ้นประมาณ 90% เมื่อเทียบไตรมาสต่อไตรมาส ก่อนเข้าสู่ปี 2026

ปรากฏการณ์ 'ตีตัวตุ่น': ขาดแคลนทุกจุด

หนึ่งในข้อสังเกตที่โดดเด่นที่สุดของราสกอนคือสิ่งที่เขาเรียกว่า 'เอฟเฟกต์ตีตัวตุ่น' (Whack-a-Mole effect) ซึ่งเป็นจุดคอขวดที่กระจายตัวไปทั่วซัพพลายเชนชิป “ทุกอย่างถูกดึงด้วยความต้องการที่ไม่มีที่สิ้นสุดสำหรับการประมวลผล AI ผมไม่เคยเห็นอะไรในระดับนี้มาก่อนในอาชีพการงานของผม” ราสกอนกล่าว

เขาติดตามการกระจายตัวของปัญหานี้: การขาดแคลนเริ่มจาก GPU Accelerator ต่อมาขยายไปยัง HBM Memory จากนั้นไปยังเครื่องจักรผลิตเซมิคอนดักเตอร์ (Equipment) ไปถึงเน็ตเวิร์กและออปติกส์ ไปจนถึงชิปจ่ายไฟ (Power Chip) และตอนนี้แม้แต่ CPU ก็ยังขาดแคลน

ตัวอย่างที่จับต้องได้ของดีมานด์นี้: แม้แต่อินเทล (Intel) ซึ่งมี 'สินค้าคงคลังที่เคยถูกมองว่าเป็นศูนย์' ก็ขายหมดเกลี้ยง โดยลูกค้าบอกกับอินเทลว่า “เราไม่สน เอามาให้เราเถอะ”

HBM: จุดคอขวดที่ซ่อนอยู่

จุดคอขวดสำคัญคือหน่วยความจำแบบมีแบนด์วิดท์สูง (HBM) ซึ่งกินพื้นที่ถึงมากกว่า 85% ของซิลิคอนบนชิป AI เนื่องจากการซ้อนเหลื่อม (stacking yields) และค่าใช้จ่ายของ logic die การผลิต HBM ปริมาณ 1GB จึงต้องใช้พื้นที่ซิลิคอนมากกว่าหน่วยความจำ DRAM ทั่วไปถึง 4 เท่า สมการนี้อธิบายว่าทำไมอุปทานเมมโมรีจึงไม่สามารถตามทันดีมานด์ของ GPU ได้ และทำไมราคาเมมโมรีจึงกลายมาเป็นปัจจัยหลักในต้นทุนชิป

รายได้ CPU ของ Nvidia: เรื่องราวจากแร็คเดียว

ราสกอนเน้นจุดข้อมูลที่น่าประหลาดใจ: ในแร็คที่มี 72 GPU นั้นมี CPU ถึง 36 ตัว ซึ่งสร้างรายได้ให้กับ Nvidia ประมาณ 20,000 ล้านเหรียญสหรัฐ (ประมาณ 720,000 ล้านบาท) นี่แสดงให้เห็นว่าการสร้างโครงสร้างพื้นฐาน AI ก่อให้เกิดดีมานด์ชิปมหาศาลนอกเหนือไปจาก GPU เพียงอย่างเดียว

จากการฝึกฝนสู่การอนุมาน: การเปลี่ยนผ่านสู่เชิงพาณิชย์

ราสกอนเน้นย้ำว่าจุดสนใจของตลาดกำลังเคลื่อนจาก 'การเทรนโมเดล' (Training) ไปสู่ 'การอนุมาน AI' (Inference) ซึ่งเป็นเส้นทางหลักสู่การทำเงิน โดยเขายกรายได้ของ Anthropic ที่ทะยานจาก 9,000 ล้านเหรียญเป็น 30,000 ล้านเหรียญ (ประมาณ 324,000 ล้านบาท เป็น 1.08 ล้านล้านบาท) เป็นหลักฐานโดยตรงถึงการเปลี่ยนแปลงนี้ เมื่อโมเดล AI ย้ายจากงานวิจัยไปสู่การใช้งานจริง พลังประมวลผลที่ต้องการสำหรับการอนุมาน (Inference) จะมากกว่างานฝึกฝน (Training) หลายเท่า

ASIC ปะทะ GPU: อยู่ร่วมกัน ไม่ใช่แข่งขัน

คำถามที่พบบ่อยของนักลงทุนคือชิปแบบ ASIC (เช่นที่ผลิตโดย Broadcom) จะมาแทนที่ GPU ของ Nvidia หรือไม่ ราสกอนเชื่อว่าทั้งสองจะอยู่ร่วมกันในระยะยาวในตลาดที่กำลังเติบโต กรอบความคิดของเขา: GPU ที่ตั้งโปรแกรมได้ (Programmable) เหมาะกับงานวิจัยและการอนุมานเชิงสำรวจมากกว่า ในขณะที่ ASIC เหมาะกับงานอนุมานที่มีปริมาณสูงและคาดการณ์ได้ ตลาดมีขนาดใหญ่พอที่จะรองรับทั้งสอง

จุดคอขวดที่แท้จริง: พลังงาน

ราสกอนปิดท้ายด้วยข้อสังเกตที่หนักหน่วง อุปสรรคสุดท้ายไม่ใช่ชิป ไม่ใช่เมมโมรี ไม่ใช่เน็ตเวิร์ก แต่คือพลังงาน โครงสร้างพื้นฐาน AI ต้องการกำลังการผลิตไฟฟ้าของสหรัฐฯ เพิ่มขึ้นประมาณ 5% ต่อปี เพื่อรักษาอัตราการเติบโตนี้ไว้ นี่เป็นดีมานด์ที่มหาศาลสำหรับระบบสาธารณูปโภคที่แทบไม่มีการเพิ่มกำลังการผลิตมานานหลายทศวรรษ

เขาโต้แย้งว่าคลื่นแห่งนวัตกรรมและคอขวดของ AI ในครั้งถัดไปจะต้องตกไปอยู่ที่การผลิตพลังงาน การทำความเย็น และพลังงานนิวเคลียร์ หากไม่มีการลงทุนในโครงข่ายไฟฟ้าอย่างมีนัยสำคัญ ซูเปอร์ไซเคิลเองก็อาจชนเพดานพลังงาน

หมายความว่าอย่างไรสำหรับนักลงทุน

ข้อความของราสกอนชัดเจน: ตราบใดที่ความต้องการ AI ไม่พังทลาย ซูเปอร์ไซเคิลเซมิคอนดักเตอร์นี้เกิดขึ้นจริงและยั่งยืน แต่ธรรมชาติของโอกาสกำลังเปลี่ยนแปลง เงินง่าย ๆ จากหุ้น GPU อาจกำลังเปิดทางให้กับภูมิทัศน์ที่ซับซ้อนมากขึ้น ซึ่ง 'คอขวด' หรือ 'Bottleneck' ไม่ว่าจะเป็น HBM, ชิปจ่ายไฟ หรือโครงสร้างพื้นฐานพลังงาน จะกลายเป็นเครื่องจักรสร้างความมั่งคั่ง