แผนที่โรงงาน AI 2026
เงินลงทุนมหาศาลไหลไปชั้นไหนบ้าง

1. บทสรุป — อิเล็กตรอนเข้า โทเคนออก

ถ้าจะสรุปศูนย์ข้อมูล AI ทั้งอาคารด้วยประโยคเดียว ประโยคนั้นคือ "ไฟฟ้าเข้าด้านหนึ่ง คำออกอีกด้านหนึ่ง" · ไฟฟ้าไหลเข้ามา วิ่งผ่านซิลิคอน กลายเป็นการคำนวณและความร้อน ความร้อนถูกพาออกด้วยน้ำ การคำนวณถูกประสานกันด้วยแสง และสิ่งที่ออกจากประตูโรงงานคือข้อความ

มุมมองแบบ "โรงงาน" นี้มีประโยชน์กับนักลงทุนมากกว่าที่คิด เพราะมันบังคับให้เราถามคำถามแบบอุตสาหกรรมหนัก แทนที่จะถามแบบหุ้นเทคโนโลยี: วัตถุดิบคืออะไรและหาได้ยากแค่ไหน · กำลังการผลิตติดคอขวดตรงไหน · ใครขายเครื่องจักรให้โรงงาน · และของที่ผลิตออกมาขายได้ราคาเท่าไร เทียบกับเงินที่ลงไปสร้าง

2. ทำไมยุค AI ถึงต้องเทเงินระดับนี้

อินเทอร์เน็ตอยู่มาสามสิบปี เสิร์ชเอนจินตอบคำถามมานับล้านล้านครั้ง คำถามคือทำไมเพิ่งมาต้องใช้เงินระดับนี้ตอนนี้ · คำตอบอยู่ที่ความต่างระหว่าง "บรรณารักษ์" กับ "นักเขียน"

เสิร์ชเอนจินทำงานแบบบรรณารักษ์ — งานหนักเกิดขึ้นล่วงหน้าไปแล้วตอนจัดทำดัชนีทั้งอินเทอร์เน็ต เวลามีคนค้น มันแค่หยิบหน้าที่มีอยู่แล้วมาให้ ต้นทุนต่อครั้งจึงต่ำมาก · โมเดลภาษาทำงานแบบนักเขียน — ไม่มีคำตอบวางอยู่บนชั้น ต่อให้คนล้านคนถามคำถามเดียวกันในวันเดียวกัน มันก็ประกอบคำตอบขึ้นใหม่ทีละคำทุกครั้ง การ "ผลิต" แพงกว่าการ "หยิบ" อย่างมีนัยสำคัญ และนี่คือความต่างเชิงโครงสร้างทั้งหมดของเรื่องนี้

นี่คือช่วงเวลาที่ซอฟต์แวร์เลิกเป็นเรื่องของโค้ดล้วนๆ แล้วกลายเป็นเรื่องของคอนกรีต เมกะวัตต์ และน้ำหล่อเย็น · ตัวเลขที่สะท้อนเรื่องนี้ชัดที่สุดคืองบลงทุนรวมของผู้ให้บริการคลาวด์รายใหญ่สี่รายในปี 2026 ที่ประเมินกันไว้ราว 7.25 แสนล้านดอลลาร์ เพิ่มขึ้นราว 77% จากปีก่อนหน้า · ข้อควรระวังในการอ่านตัวเลขนี้คือมันเป็น "แผนการใช้จ่ายที่บริษัทประกาศ" ไม่ใช่เงินที่จ่ายจริงแล้ว และแผนแบบนี้ปรับได้ทุกไตรมาส

3. เดินทางของคำถาม 1 ข้อ ใน 2 วินาที

วิธีที่เร็วที่สุดในการเข้าใจว่าเงินไปอยู่ตรงไหน คือไล่ตามคำถามหนึ่งข้อตั้งแต่ต้นจนจบ · สมมติมีคนพิมพ์คำถามลงมือถือแล้วกดส่ง นี่คือสิ่งที่เกิดขึ้นจริงตามลำดับ:

สิ่งที่ควรจำจากตารางนี้คือ ขั้นที่ 4 กับขั้นที่ 5 กดดันฮาร์ดแวร์คนละแบบกัน — prefill กินพลังคำนวณเป็นก้อน ส่วน decode กินความเร็วในการดึงข้อมูลจากหน่วยความจำ · ความต่างนี้จะกลับมาอธิบายเรื่อง HBM ในหัวข้อที่ 8

4. ชั้นไฟฟ้า — คอขวดตัวจริงของปี 2026

ตัวเลขที่อธิบายอุตสาหกรรมนี้ได้ดีที่สุดคือ ความหนาแน่นพลังงานต่อตู้แร็ค · แร็คเซิร์ฟเวอร์แบบที่ขับเคลื่อนอินเทอร์เน็ตมายี่สิบปีกินไฟราวหลักหน่วยถึงสิบกิโลวัตต์ ส่วนแร็คสำหรับงาน AI รุ่นปัจจุบันขยับขึ้นไปถึงระดับหลักร้อยกิโลวัตต์ต่อแร็ค และรุ่นถัดไปที่กำลังทยอยออกมาถูกออกแบบให้สูงกว่านั้นอีก · เท่ากับความหนาแน่นเพิ่มขึ้นหลายสิบเท่าในเวลาไม่ถึงสิบปี

เมื่อคูณด้วยจำนวนแร็คทั้งศูนย์ข้อมูล ความต้องการไฟของหนึ่งโครงการใหญ่ขยับเข้าใกล้ระดับกิกะวัตต์ ซึ่งใกล้เคียงกำลังผลิตของเตาปฏิกรณ์นิวเคลียร์ขนาดใหญ่หนึ่งเครื่อง · สถาบันวิจัย EPRI ประเมินว่าศูนย์ข้อมูลในสหรัฐฯ อาจใช้ไฟฟ้าราว 9–17% ของทั้งประเทศภายในปี 2030 ขณะที่งานของ Lawrence Berkeley National Laboratory ให้ช่วงที่แคบกว่าคือ 6.7–12% · ช่วงประมาณการที่กว้างขนาดนี้เป็นสัญญาณเตือนในตัวมันเองว่า ไม่มีใครรู้ตัวเลขจริงแน่ชัด

ทางออกที่ผู้พัฒนาเลือกใช้คือ behind-the-meter — ผลิตไฟเองในพื้นที่หรือทำสัญญาซื้อไฟตรงจากโรงไฟฟ้าข้างเคียง เพื่อไม่ต้องเข้าคิวสาธารณะ · ดีลที่เป็นสัญลักษณ์ของแนวทางนี้คือข้อตกลง 20 ปีระหว่าง Microsoft กับ Constellation Energy ที่จะรีสตาร์ตเตาปฏิกรณ์ Unit 1 ของโรงไฟฟ้า Three Mile Island (เปลี่ยนชื่อเป็น Crane Clean Energy Center) กำลังผลิต 835 เมกะวัตต์ โดยมีเป้าหมายกลับมาเดินเครื่องในปี 2027 · เตานี้เป็นคนละเครื่องกับเตาที่เกิดอุบัติเหตุเมื่อปี 1979

ในระยะสั้นกว่านั้น ก๊าซธรรมชาติคือคำตอบที่สร้างได้ทันจริง · GE Vernova ซึ่งผลิตกังหันก๊าซขนาดใหญ่ รายงานคิวคำสั่งซื้อกังหันที่สิ้นไตรมาส 2 ปี 2026 อยู่ที่ 116 กิกะวัตต์ เพิ่มจาก 100 GW ในไตรมาสก่อน และ 83 GW เมื่อสิ้นปี 2025 โดยบริษัทระบุว่าคิวการผลิตเต็มไปถึงราวปี 2029 · ส่วนกลุ่มอุปกรณ์ไฟฟ้ากลางทางอย่าง Vertiv ให้กรอบรายได้ปี 2026 ไว้ที่ราว 13.5–14.0 พันล้านดอลลาร์ พร้อมคิวงานค้างส่งเกิน 15 พันล้านดอลลาร์

📎 เจาะลึกชั้นนี้ต่อ: นิวเคลียร์ & SMR กับไฟฟ้าสำหรับ AI ↗ · พลังงานศูนย์ข้อมูล AI สหรัฐ vs จีน ↗

5. ชั้นความเย็น — สงครามกับความร้อน

ฟิสิกส์ชั้นมัธยมอธิบายชั้นนี้ได้ทั้งหมด: ไฟฟ้าที่ป้อนเข้าไปเกือบทั้งหมดกลายเป็นความร้อน · ศูนย์ข้อมูลไม่ได้ "ใช้" ไฟฟ้าไปทำโทเคนแล้วหายไป มันแปลงไฟเป็นความร้อนแทบทั้งก้อน การระบายความร้อนจึงไม่ใช่งานสนับสนุน แต่เป็นครึ่งหนึ่งของงานทั้งหมด

ตัวชี้วัดที่ใช้กันคือ PUE (Power Usage Effectiveness) = ไฟทั้งหมดที่ใช้ หารด้วยไฟที่ถึงเครื่องคอมพิวเตอร์จริง · ค่าที่สมบูรณ์แบบคือ 1.0 ศูนย์ข้อมูลรุ่นเก่าอยู่ราว 2.0 คือเสียไปกับระบบทำความเย็นเกือบเท่ากับที่ใช้คำนวณ ส่วนศูนย์ข้อมูลสมัยใหม่ทำได้ต่ำกว่านั้นมาก · ส่วนต่างของ PUE คูณด้วยขนาดระดับกิกะวัตต์ คูณด้วยค่าไฟ กลายเป็นเงินจำนวนไม่น้อยต่อปี

ปัญหาคือการเป่าลมเย็นแบบเดิมเอาไม่อยู่เมื่อความหนาแน่นพลังงานสูงเกินระดับหนึ่ง ไม่ใช่เพราะออกแบบไม่ดี แต่เพราะอากาศพาความร้อนได้จำกัดตามธรรมชาติของมัน · อุตสาหกรรมจึงกำลังเปลี่ยนระบบท่อครั้งใหญ่ที่สุดในประวัติศาสตร์ของตัวเอง คือย้ายจากอากาศไปเป็นของเหลว ซึ่งพาความร้อนได้ดีกว่ามากต่อปริมาตรเท่ากัน โดยรูปแบบที่เป็นกระแสหลักคือแผ่นระบายความร้อนวางแนบบนตัวชิปโดยตรง (direct-to-chip)

สัญญาณที่บอกว่าอุตสาหกรรมเชื่อเรื่องนี้จริง ไม่ได้มาจากคำพูด แต่มาจากเงิน — ยักษ์ใหญ่อุปกรณ์ไฟฟ้าสองรายซื้อทางเข้าสู่ธุรกิจระบายความร้อนด้วยของเหลวห่างกันไม่นาน: Eaton ปิดดีลซื้อ Boyd Thermal มูลค่าราว 9.5 พันล้านดอลลาร์ (เสร็จสมบูรณ์เดือนมีนาคม 2026) และ Schneider Electric เข้าถือหุ้นใหญ่ 75% ใน Motivair ด้วยเงินสดราว 850 ล้านดอลลาร์ · เมื่ออุตสาหกรรมที่ขึ้นชื่อเรื่องวินัยการเงินยอมจ่ายแพงเพื่อเข้าตลาดเดียวกัน นั่นคือมุมมองของพวกเขาต่อหน้าตาของศูนย์ข้อมูลในอนาคต

เสน่ห์ของชั้นนี้ในเชิงการวิเคราะห์คือมัน ไม่ต้องเดาว่าผู้ผลิตชิปรายไหนจะชนะ — ไม่ว่าชิปในแร็คจะเป็นยี่ห้อใด ความร้อนก็เกิดขึ้นเหมือนกันและต้องถูกพาออกเหมือนกัน · ข้อควรระวังคือเมื่อธีมชัดขนาดนี้ ราคาหุ้นในกลุ่มมักสะท้อนความคาดหวังไปแล้วบางส่วน การประเมินจึงควรกลับไปดูคิวงานค้างส่ง อัตรากำไร และความสม่ำเสมอของคำสั่งซื้อ มากกว่าดูว่าเรื่องเล่าน่าเชื่อแค่ไหน

6. ชั้นชิป — เปิดฝาเซิร์ฟเวอร์ AI

ถ้าเปรียบเซิร์ฟเวอร์ AI หนึ่งตู้เป็นครัวของร้านอาหาร องค์ประกอบข้างในจะเข้าใจง่ายขึ้นมาก:

ในปีงบประมาณ 2026 NVIDIA รายงานรายได้รวม 215.9 พันล้านดอลลาร์ เพิ่มขึ้น 65% จากปีก่อน โดยเป็นส่วนของศูนย์ข้อมูลราว 193.7 พันล้านดอลลาร์ หรือเกือบ 90% ของทั้งบริษัท · อัตรากำไรขั้นต้นตามมาตรฐานบัญชี GAAP อยู่ที่ราว 71.1% (non-GAAP 71.3%) ซึ่งเป็นระดับที่สูงมากสำหรับธุรกิจฮาร์ดแวร์ โดยตัวเลขปีนี้ยังรวมผลของการตั้งสำรองสินค้าคงคลังราว 4.5 พันล้านดอลลาร์ในไตรมาสแรกจากมาตรการคุมส่งออกไว้ด้วย

ข้อควรระวังที่คู่มากับตัวเลขสวยงามนี้ คือการกระจุกตัวของลูกค้า — รายได้ส่วนใหญ่มาจากลูกค้ารายใหญ่ไม่กี่ราย และลูกค้ากลุ่มเดียวกันนั้นกำลังพัฒนาชิปของตัวเองไปพร้อมกัน · ซึ่งพาเรามาที่ผู้เล่นที่คนทั่วไปมองข้ามบ่อยที่สุดในห่วงโซ่นี้

Broadcom คือบริษัทที่ผู้ให้บริการคลาวด์รายใหญ่จ้างให้ร่วมออกแบบชิปเฉพาะทางของพวกเขา เพราะการออกแบบชิป AI ระดับแนวหน้าต้องอาศัยทรัพย์สินทางปัญญาที่สะสมมานาน ทำเองตั้งแต่ศูนย์ไม่ไหว · บริษัทรายงานรายได้ชิป AI ไตรมาส 1 ปีงบ 2026 ที่ราว 8.4 พันล้านดอลลาร์ เพิ่มขึ้น 106% จากปีก่อน และไตรมาส 2 ที่ราว 10.8 พันล้านดอลลาร์ · พูดง่ายๆ คือ NVIDIA ขายครัวสำเร็จรูป ส่วน Broadcom ช่วยเชนร้านอาหารรายใหญ่สร้างครัวของตัวเอง แล้วได้ส่วนแบ่งไม่ว่าทางไหน — และยังขายชิปสวิตช์สำหรับเครือข่ายในหัวข้อถัดไปด้วย

ชั้นล่างสุดของงานฮาร์ดแวร์คือการประกอบแร็คจริง ซึ่งทำโดยผู้ผลิตเซิร์ฟเวอร์และผู้รับจ้างผลิตในเอเชียเป็นหลัก · จุดที่ควรสังเกตคือ ช่องว่างของอัตรากำไรระหว่างคนออกแบบชิปกับคนขันน็อตประกอบแร็คนั้นห่างกันหลายเท่าตัว · หลักที่ใช้อ่านได้ทั่วไปคือ กำไรไปกระจุกตรงจุดที่ของหายากและเปลี่ยนผู้ขายยาก ส่วนงานที่ใครก็ทำได้มักได้มาร์จิ้นบาง — การรู้ว่าบริษัทหนึ่งยืนอยู่ชั้นไหนช่วยตั้งความคาดหวังได้ตรงกว่าการเหมารวมว่าเป็น "หุ้น AI" เหมือนกันหมด

📎 เจาะลึกชั้นนี้ต่อ: สมรภูมิชิป AI สหรัฐ vs จีน ↗

7. ชั้นเครือข่าย — ให้หมื่นชิปคิดเป็นก้อนเดียว

เหตุผลที่ต้องใช้ชิปหลายพันตัวไม่ใช่เรื่องความเร็วอย่างเดียว แต่เป็นเพราะ โมเดลใหญ่เกินกว่าจะใส่ในชิปตัวเดียว · โมเดลระดับแนวหน้ามีพารามิเตอร์เกินหนึ่งล้านล้านตัว ต้องการหน่วยความจำความเร็วสูงรวมกันหลายเทระไบต์ ขณะที่ชิปตัวหนึ่งพกได้ระดับไม่กี่ร้อยกิกะไบต์ โมเดลจึงถูกหั่นกระจายไปหลายพันชิป

ผลที่ตามมาคือ ในการผลิตทุก token ชิปเหล่านั้นต้องแลกเปลี่ยนผลลัพธ์ระหว่างกันตลอดเวลาด้วยความเร็วสูงมาก · กลับไปที่ครัว: ลูกมือหมื่นคนทำอาหารจานเดียวกัน ทุกคนต้องส่งวัตถุดิบให้กันตลอด ถ้าการส่งของช้า ลูกมือที่แพงที่สุดในประวัติศาสตร์ก็จะยืนรอเฉยๆ · ในระดับคลัสเตอร์ เครือข่ายที่ช้ากว่าเดิมเพียงไม่กี่เปอร์เซ็นต์แปลว่าเงินลงทุนมูลค่ามหาศาลถูกใช้ไม่เต็มประสิทธิภาพ ด้วยเหตุนี้งบส่วนเครือข่ายจึงเป็นสัดส่วนที่มีนัยสำคัญของทุกโครงการ

สงครามที่เกิดขึ้นในชั้นนี้เป็นเรื่องคลาสสิกของวงการเทคโนโลยี คือ มาตรฐานเฉพาะของผู้ขายรายเดียว ปะทะ มาตรฐานเปิดที่ทุกคนใช้ร่วมกัน · เครือข่ายเฉพาะทางที่ออกแบบมาเพื่อความหน่วงต่ำครองตลาดคลัสเตอร์ AI ยุคแรก ขณะที่ฝั่งอีเทอร์เน็ตซึ่งเป็นมาตรฐานเปิดและมีผู้สนับสนุนแทบทุกรายที่ไม่ใช่เจ้าของมาตรฐานปิด ค่อยๆ ไล่ตามมาและได้ส่วนแบ่งเพิ่มขึ้นในคลัสเตอร์รุ่นใหม่ · บทเรียนเชิงโครงสร้างที่ใช้ได้กับหลายอุตสาหกรรมคือ เมื่อให้เวลามากพอ มาตรฐานเปิดมักได้เปรียบเรื่องต้นทุนและตัวเลือกผู้ขาย

อีกจุดที่มักถูกมองข้ามคือ เมื่อระยะทางไกลขึ้น สายทองแดงส่งข้อมูลความเร็วสูงไม่ไหว ต้องแปลงเป็นแสง · อุปกรณ์ที่ทำหน้าที่แปลงสัญญาณไฟฟ้าเป็นแสงนี้ต้องใช้เป็นคู่ทุกเส้นเชื่อม คลัสเตอร์ขนาดใหญ่หนึ่งชุดใช้เป็นหลักแสนชิ้น และถูกเปลี่ยนใหม่ทุกครั้งที่อัปเกรดความเร็ว · คุณสมบัติแบบ "ของสิ้นเปลืองที่ขายซ้ำได้" นี้ต่างจากอุปกรณ์ที่ซื้อครั้งเดียวจบ และเป็นเหตุผลที่นักลงทุนสนใจกลุ่มออปติกส์เป็นพิเศษ

📎 เจาะลึกชั้นนี้ต่อ: ห่วงโซ่อุปทานออปติกส์ 2026 ↗ · InP Optical สำหรับศูนย์ข้อมูล AI ↗

8. ชั้นหน่วยความจำ — คอขวดที่อยู่ห่าง 2 ซม.

ความจริงที่ขัดกับสัญชาตญาณที่สุดในบทความนี้คือ ในเฟส decode ซึ่งเป็นการผลิตคำตอบทีละคำ แกนคำนวณของชิปมักไม่ใช่คอขวด · ในการผลิตทุก token ชิปต้องดึงพารามิเตอร์ของโมเดลและความทรงจำของบทสนทนาจากหน่วยความจำเข้าสู่แกนคำนวณใหม่ทุกครั้ง ปรากฏว่าการคำนวณเร็วกว่าการขนข้อมูลมาก แกนคำนวณจึงนั่งรอข้อมูลอยู่บ่อยครั้ง · วิศวกรเรียกสภาพนี้ว่า memory bandwidth bound — คอขวดไม่ได้อยู่ที่ "คิดเร็วแค่ไหน" แต่อยู่ที่ "ป้อนข้อมูลได้เร็วแค่ไหน"

คำตอบของอุตสาหกรรมคือ HBM (High Bandwidth Memory) · แทนที่จะวางชิปหน่วยความจำแบนราบห่างจากตัวประมวลผลหลายนิ้ว HBM วางซ้อนกันเป็นชั้นในแนวตั้ง เจาะช่องเชื่อมทะลุระหว่างชั้น แล้วติดตั้งไว้ติดกับชิปบนแพ็กเกจเดียวกัน · เปรียบได้กับย้ายคลังสินค้าจากชานเมืองมาไว้ตึกข้างๆ แลกกับต้นทุนต่อความจุที่แพงกว่ามากและผลิตยากกว่ามาก จนหน่วยความจำกลายเป็นหนึ่งในต้นทุนก้อนใหญ่ที่สุดในชิป AI หนึ่งตัว

โลกนี้มีผู้ผลิต HBM ระดับโลกเพียงสามราย คือ SK hynix, Samsung และ Micron · SK hynix เป็นผู้นำส่วนแบ่งตลาดโดยตัวเลขที่รายงานกันอยู่ในช่วงราว 56–62% ขึ้นกับแหล่งข้อมูลและช่วงเวลาที่วัด ส่วนอันดับสองสลับกันระหว่าง Samsung กับ Micron แล้วแต่วิธีนับ · ที่ตรงกันทุกแหล่งคือ กำลังการผลิต HBM ของทั้งสามรายถูกจองเต็มสำหรับปี 2026 ไปแล้ว

แต่นี่คือจุดที่ต้องระวังที่สุดของธีมหน่วยความจำ — ธุรกิจนี้ในอดีตคือธุรกิจที่โหดที่สุดในวงการชิป วนอยู่กับวัฏจักรราคาขึ้นแรงลงแรงซ้ำแล้วซ้ำเล่า · สิ่งที่เปลี่ยนไปในรอบนี้คือ HBM ถูกจองล่วงหน้าและตั้งราคาแบบสินค้าหายาก ไม่ใช่สินค้าโภคภัณฑ์ · คำถามที่ยังไม่มีคำตอบคือสภาพนี้จะอยู่รอดหรือไม่ เมื่อผู้ผลิตทั้งสามรายขยายกำลังการผลิตเสร็จพร้อมกัน · วัฏจักรหน่วยความจำเคยทำให้นักลงทุนเจ็บตัวมาแล้วหลายรอบ และไม่มีอะไรรับประกันว่ารอบนี้ต่างออกไป

อีกฝั่งหนึ่งของชั้นนี้คือสตอเรจ ซึ่งได้อานิสงส์แบบที่แทบไม่มีใครคาดคิด · AI ไม่ได้แค่บริโภคข้อมูล แต่ ผลิตข้อมูลออกมาไม่หยุด — ชุดข้อมูลฝึก จุดบันทึกสถานะโมเดลระหว่างเทรน บทสนทนา บันทึกการใช้งาน และไฟล์ที่ระบบสร้างขึ้น ทั้งหมดถูกเก็บไว้ · ฮาร์ดดิสก์จานหมุนที่หลายคนประกาศว่าตายไปแล้วเมื่อสิบปีก่อน กลับมามีคำสั่งซื้อล้นมืออีกครั้ง เพราะยังไม่มีอะไรถูกกว่าต่อความจุสำหรับข้อมูลที่ไม่ต้องเรียกใช้บ่อย

📎 เจาะลึกชั้นนี้ต่อ: อ่านงบ Micron Q3 FY2026 & HBM4 ↗

9. ชั้นซอฟต์แวร์ — moat ที่ถ่ายรูปไม่ได้

ทุกชั้นที่ผ่านมาซื้อได้ด้วยเงิน · คำถามที่ตามมาโดยธรรมชาติคือ แล้วความได้เปรียบที่ยั่งยืนจริงๆ อยู่ตรงไหน · คำตอบคือชั้นเดียวที่ถ่ายรูปไม่ได้

เรื่องแรกคือ แพลตฟอร์มซอฟต์แวร์สำหรับเขียนโปรแกรมบนชิป · NVIDIA ลงทุนพัฒนา CUDA มานานหลายปีก่อนกระแส AI จะมา ตอนนั้นดูเหมือนงานอดิเรกราคาแพง แต่ผลสะสมคือมีนักพัฒนาจำนวนมากที่คุ้นเคย มีไลบรารีเฉพาะทางจำนวนมาก และเฟรมเวิร์ก AI ส่วนใหญ่ถูกปรับให้ทำงานดีที่สุดบนแพลตฟอร์มนี้ก่อนเสมอ · ความหมายเชิงการแข่งขันคือ เมื่อคู่แข่งออกชิปที่สเปกดีกว่า ลูกค้าไม่ได้เปรียบเทียบชิปกับชิป แต่เปรียบเทียบ "ชิป + ต้นทุนฝึกทีมวิศวกรใหม่ + ความเสี่ยงที่งานสำคัญจะสะดุด" · นี่คือ switching cost ในรูปแบบที่แข็งแรงที่สุดแบบหนึ่ง — moat ไม่ได้อยู่ที่ซิลิคอน แต่อยู่ที่ความเคยชินของวิศวกรทั้งอุตสาหกรรม

เรื่องที่สองคือคำตอบของคำถามว่า ทำไมต้นทุนต่อคำถามถึงอยู่ในระดับเศษสตางค์ · ถ้ารันโมเดลขนาดใหญ่แบบตรงไปตรงมาทีละคำถาม ต้นทุนจะสูงจนธุรกิจไม่คุ้ม สิ่งที่ทำให้ถูกลงคือซอฟต์แวร์ชั้นที่เรียกว่า serving engine ซึ่งใช้เทคนิคหลักสามอย่าง:

รวมกันแล้วลดต้นทุนได้หลายเท่าโดยไม่ต้องเปลี่ยนฮาร์ดแวร์เลย · เวลาเห็นข่าวว่าผู้ให้บริการโมเดลลดราคาต่อโทเคนลงอย่างมากภายในปีเดียว ส่วนใหญ่มาจากซอฟต์แวร์ชั้นนี้ ไม่ใช่จากชิปใหม่ · และนี่คือดาบสองคม — ด้านหนึ่งต้นทุนที่ถูกลงช่วยขยายการใช้งานให้กว้างขึ้น อีกด้านหนึ่งมันคือแรงกดราคาต่อหน่วยที่วิ่งเข้าหาผู้ขายโมเดลตลอดเวลา ทำให้รายได้ต้องโตด้วยปริมาณให้ทันราคาที่ตกลง

📎 เจาะลึกชั้นนี้ต่อ: โมเดลเปิดจีน vs โมเดลปิดสหรัฐ — สงครามราคา API ↗

10. เงินไหลไปไหน — อ่านห่วงโซ่มูลค่าให้ออก

ถึงตรงนี้เราไล่ครบทุกชั้นแล้ว · ตารางข้างล่างคือแผนที่สรุปว่าเงินลงทุนหนึ่งก้อนไปตกอยู่กับใคร ชั้นไหนมีลักษณะกำไรอย่างไร และอะไรคือตัวชี้วัดที่ควรตามในแต่ละชั้น

มีอีกจุดหนึ่งในแผนที่นี้ที่ควรเข้าใจให้ชัด เพราะมันเป็นที่มาของการถกเถียงมากที่สุดในปี 2026 · ในระบบนิเวศนี้มีรูปแบบที่ ผู้ผลิตชิปเข้าไปลงทุนในผู้ให้บริการประมวลผลและในบริษัทพัฒนาโมเดล แล้วบริษัทเหล่านั้นนำเงินไปซื้อชิปกลับ ขณะที่บริษัทคลาวด์รายใหญ่ก็ทำสัญญาซื้อกำลังประมวลผลกับผู้ให้บริการรายเล็กและลงทุนในบริษัทโมเดลไปพร้อมกัน

เพื่อความเป็นธรรม ต้องบอกว่านี่ไม่ใช่เรื่องผิดกฎหมายและไม่ใช่เรื่องใหม่ · รูปแบบ vendor financing แบบนี้เคยเกิดในยุคสร้างทางรถไฟและยุคขยายโครงข่ายโทรคมนาคมมาแล้ว · แต่สิ่งที่ต้องระวังคือ รายได้ที่หมุนอยู่ในวงอาจดูโตเร็วกว่าเงินสดใหม่ที่ไหลเข้ามาจากนอกวงจริงๆ · ช่องทางเดียวที่เงินใหม่เข้ามาได้คือผู้ใช้ปลายทางและองค์กรที่จ่ายค่าบริการจริง และตัวเลขนั้นยังเล็กกว่างบลงทุนอยู่มาก — ผู้พัฒนาโมเดลรายใหญ่สองรายมีอัตรารายได้ต่อปีรวมกันในระดับหลายหมื่นล้านดอลลาร์ เทียบกับงบลงทุนของกลุ่มคลาวด์ที่ระดับ 7.25 แสนล้านดอลลาร์ในปีเดียว และทั้งคู่ยังขาดทุนอยู่มาก

เดิมพันทั้งหมดของธีมนี้จึงสรุปได้ประโยคเดียว: มุมเล็กๆ ที่เป็นเงินใหม่จากผู้ใช้จริง จะต้องโตเร็วกว่าวงเงินลงทุนขนาดใหญ่ที่กำลังหมุนอยู่ · ไม่มีใครบนโลกรู้คำตอบตอนนี้ และใครที่บอกว่ารู้แน่ ควรถูกตั้งคำถาม

📎 เจาะลึกชั้นนี้ต่อ: Neocloud — ธุรกิจให้เช่าเมกะวัตต์ ↗

11. อีกด้านของเหรียญ — 5 จุดที่อาจสะดุด

แผนที่ที่ดีต้องบอกทั้งทางเดินและหลุมบ่อ · ห้าข้อนี้คือจุดที่ควรเฝ้าดูจริงจัง ไม่ใช่เพื่อทำนายว่าจะพัง แต่เพื่อรู้ว่าถ้าเรื่องเล่าเปลี่ยน มันจะเริ่มเปลี่ยนจากตรงไหน

12. บทสรุป & แหล่งอ้างอิง

กลับไปที่คำถามหนึ่งข้อบนมือถืออีกครั้ง · มันกลายเป็นแสงในใยแก้ว วิ่งข้ามรัฐไปยังอาคารที่กินไฟระดับเมือง ไฟที่อาจมาจากเตาปฏิกรณ์ที่ถูกปลุกให้ตื่นอีกครั้งหรือกังหันก๊าซที่คิวเต็มถึงปลายทศวรรษ · ถูกหั่นเป็นโทเคน ป้อนเข้าแร็คที่ประกอบในเอเชีย ที่ซึ่งชิปหลายหมื่นตัวดึงพารามิเตอร์จากตึกหน่วยความจำข้างตัว ขณะที่ของเหลวพาความร้อนออกไป และแสงเชื่อมให้ชิปทั้งหมดคิดเป็นความคิดเดียว · แล้วคำตอบก็ทยอยกลับมาทีละคำ

สิ่งที่บทความนี้อยากให้ติดตัวไปมี 3 ข้อ:

ส่วนคำถามที่ว่าการลงทุนครั้งใหญ่ที่สุดครั้งหนึ่งในประวัติศาสตร์อุตสาหกรรมนี้จะคุ้มหรือไม่ — คำตอบที่ซื่อสัตย์ที่สุดคือยังไม่มีใครรู้ · สิ่งที่ทำได้คือรู้ว่าเงินไหลไปที่ไหน ตัวชี้วัดของแต่ละชั้นคืออะไร และจุดไหนที่ควรจับตาเวลาเรื่องเล่าเริ่มเปลี่ยน

📎 อ่านต่อในธีมเดียวกัน: Neocloud & ศูนย์ข้อมูล AI ↗ · นิวเคลียร์ & SMR ↗ · สมรภูมิชิป AI ↗ · ห่วงโซ่ออปติกส์ ↗ · งบ Micron & HBM4 ↗

📚 แหล่งอ้างอิง

• NVIDIA Newsroom — NVIDIA Announces Financial Results for Fourth Quarter and Fiscal 2026 ↗
• CNBC — Tech AI spending approaches $700 billion in 2026, cash taking big hit ↗
• Lawrence Berkeley National Laboratory / EPRI (สรุปโดย World Resources Institute) — Powering the US Data Center Boom: The Challenge of Forecasting Electricity Needs ↗
• RMI — The Interconnection Queue Continues to Be a Barrier to US Economic Competitiveness ↗
• CNBC — Constellation Energy to restart Three Mile Island, sell the power to Microsoft for AI ↗
• Utility Dive — GE Vernova gas turbine backlog climbs to 116 GW ↗
• GE Vernova — GE Vernova reports first quarter 2026 financial results ↗
• Eaton — Eaton completes acquisition of liquid-cooling provider Boyd Thermal ↗
• Schneider Electric — Schneider Electric unveils liquid cooling portfolio with Motivair ↗
• Counterpoint Research — Global DRAM and HBM Market Share: Quarterly ↗
• Futurum Group — Broadcom Q1 FY2026 Earnings Driven by XPU Momentum ↗
• CNBC — Broadcom Q2 2026 earnings report ↗