Physical AI Data 2026
คอขวดตัวจริงไม่ใช่ GPU แต่คือ "ข้อมูลโลกจริง"

1. บทสรุปเชิงกลยุทธ์

การก้าวสู่ยุค Physical AI (Embodied AI) — AI ที่โต้ตอบกับโลกกายภาพได้ (หุ่นยนต์ ยานยนต์ไร้คนขับ โดรน ระบบอัตโนมัติในโรงงาน) — เป็นการเปลี่ยนกระบวนทัศน์ครั้งใหญ่สุดนับตั้งแต่กำเนิดอินเทอร์เน็ต · แต่ข้อค้นพบสำคัญคือ "คอขวดที่แท้จริงไม่ใช่การขาด GPU หรืออัลกอริทึม แต่คือการจัดการข้อมูลโลกจริง (Real-world Data)" — วิดีโอ ภาพ เซ็นเซอร์ และ 3D Point Cloud

ในทางเศรษฐศาสตร์ การนำวิดีโอดิบ 1 ล้านคลิปไปให้โมเดลเรียนรู้ตรง ๆ เป็นไปไม่ได้ — วิดีโอมีความหนาแน่นข้อมูลสูงแต่ signal ต่ำ ท่ามกลาง noise มหาศาล ต้นทุนอาจถึงระดับล้านดอลลาร์ต่อรอบการเรียนรู้

ข้อค้นพบหลักในประโยคเดียว: ผู้ชนะยุค Physical AI ไม่ใช่แค่ผู้พัฒนาโมเดลแนวหน้า แต่คือ กลุ่มบริษัทโครงสร้างพื้นฐานข้อมูล ที่กรอง จัดการ และสกัดความหมายจากโลกจริงได้อย่างมีประสิทธิภาพ — เมื่อ Foundation Model ถูกลงเรื่อย ๆ มูลค่าจะไหลไปที่ Data Infrastructure ที่ป้อนข้อมูลสด + hardware ปลายทางที่เป็นเครื่องรับสัมผัสความจริง

2. ทำไม Video 1 ล้านคลิปอ่านตรง ๆ ไม่ได้

วิดีโอคือชุดข้อมูลเชิงพื้นที่-เวลา (Spatial-Temporal) — ภาพนิ่งจำนวนมหาศาลฉายต่อเนื่อง · ที่ 30 fps วิดีโอ 1 นาที = 1,800 ภาพนิ่ง · ถ้ามี 1 ล้านคลิป = 1.8 พันล้านเฟรม ทันที

การ "เข้าใจวิดีโอทั้งหมด" ต้องสกัด Visual Token + Audio Token + Temporal Context + Multi-frame Reasoning · ต้นทุนไม่ใช่แค่ค่าอ่านไฟล์ แต่คือคอขวดทั้งสถาปัตยกรรม: storage → bandwidth → frame sampling → embedding → indexing → annotation → พลังงานไฟฟ้า

ยิ่งกว่านั้น ข้อมูลโลกจริงเต็มไปด้วย noise สูงมาก (>90%) — กล้องวงจรปิด/หน้ารถบันทึกภาพไม่เปลี่ยนแปลงหลายชั่วโมง ภาพซ้ำ มุมไม่ชัด motion blur + ประเด็น privacy · ถ้าสอนโมเดลโดยไม่คัดกรอง AI จะไม่ได้เรียนรู้พฤติกรรมที่มีค่า · Physical AI ต้องการข้อมูลคุณภาพสูงสุดเพื่อเข้าใจ วัตถุ · การกระทำ · เหตุ-ผล · ความสัมพันธ์เชิงพื้นที่ · Safety Edge Cases ที่หายาก

3. ตารางต้นทุน Token / Cost (เชิงประจักษ์)

สมมติฐาน: 1 ล้านคลิป · 1 เฟรม = 258 โทเค็น · เสียง 1 วินาที = 32 โทเค็น · อ้างราคา Gemini API 2026

วิดีโอ 5 นาที 1 ล้านคลิปแบบเต็ม (30 fps) = ต้นทุน $4.6M ต่อการรัน 1 รอบ — และ training ต้องรันซ้ำหลาย epochs · การอ่านวิดีโอดิบทั้งหมดจึง "ทำลายล้างเงินทุน" · Frame sampling ประหยัด >90% แต่เสี่ยงพลาด Rare Events เสี้ยววินาที → ทางออกที่คุ้มกว่าคือ Edge AI คัดกรองที่กล้อง (Event-triggered) + Human-in-the-loop เลือกเฉพาะ High-value Data

4. Data Pipeline โลกจริง (Capture → Feedback Loop)

• Capture: กล้อง/เซ็นเซอร์/เรดาร์/LiDAR บนยานยนต์ โดรน แขนกล
• Edge Processing (Gatekeeper): บีบอัด คัดกรอง noise ลบข้อมูลส่วนบุคคล (anonymization) สกัด Metadata ก่อนขึ้นคลาวด์
• Ingestion → Data Lake: สูบสตรีมความเร็วสูงจากอุปกรณ์นับแสน + เก็บวิดีโอดิบ/Point Cloud/log/ถอดเสียง
• Curation → Annotation: dedup + คัดคลิปมืด/เบลอ + จัดหมวด · ผู้เชี่ยวชาญ/AI ติดป้าย (segmentation, bounding box, พฤติกรรม)
• Human QA + Synthetic/Sim: มนุษย์แก้ bias + Edge Cases · Digital Twin สร้างข้อมูลสังเคราะห์ (อุบัติเหตุ/แสงสะท้อน)
• Embedding → Training → Eval → Deploy → Feedback Loop: ดึงความผิดพลาดจากภาคสนามกลับเข้าระบบ = Data Flywheel

5. Physical AI Data Stack Map

6. กลุ่ม A — Annotation / Human-in-the-loop

Innodata (INOD): "ตรงธีมที่สุด" — ไม่ใช่แค่ฟาร์มแรงงาน label แต่พัฒนาเป็นแพลตฟอร์ม Data Preparation + Model Evaluation (เปิดตัว Evaluation and Observability Platform) · เชี่ยวชาญ Human-in-the-loop สร้าง Ground Truth แม่นยำสูงสำหรับ Foundation Model + Agentic AI + Robotics Data

TELUS Digital (TIXT): จัดการ AI Data ได้ แต่ถูก TELUS (แม่, แคนาดา) ซื้อควบรวมทั้งหมด → เพิกถอนจากตลาดปลายปี 2025 ลงทุน pure-play ตรงไม่ได้แล้ว · Appen (APX.AX): เคยนำด้าน annotation แต่ตอนนี้เป็น outsourcing ดั้งเดิมพึ่งแรงงานมาก · ผลประกอบการตกต่ำหนัก (net margin ติดลบต่อเนื่อง) — เสี่ยงสูง แข่งยากในยุคที่ต้องการความลึกทางเทคโนโลยี

7. กลุ่ม B — Data Platform

Palantir (PLTR): ไม่ใช่แค่ที่เก็บข้อมูล แต่เป็น "Decision Intelligence Layer" ด้วย Ontology ของ Foundry + AIP · ผูกข้อมูลไร้โครงสร้างจากโลกจริง (เซ็นเซอร์/วิดีโอ) เข้ากับ Business Objects อย่างเป็นระบบ → AI Agent องค์กรนำข้อมูลโลกจริงไปตัดสินใจใน Operational AI ได้แม่นยำ

Snowflake (SNOW): ผู้นำ Data Infrastructure · เปิด Snowflake Openflow (GA ปลายปี 2025, บน Apache NiFi) ดึง unstructured (วิดีโอ/ภาพ/เสียง/เซ็นเซอร์) เข้า Snowflake ตรงเพื่อใช้ต่อใน RAG + Cortex AI · Hyperscalers (MSFT/AMZN/GOOGL): เป็น "Video Analytics API" + "Data Lake" ระดับมวลชน (Azure Video Indexer, Rekognition, Vertex AI) — แต่รายได้ส่วน video analytics เล็กมากเทียบธุรกิจรวม

8. กลุ่ม C — Edge AI / Camera Chip

Ambarella (AMBA): pure-play Edge AI สูงสุด · สถาปัตยกรรม CVflow + แพลตฟอร์ม CV3-AD Cooper · ทำ preprocessing ที่กล้อง/ยานยนต์ ลด bandwidth ส่งเฉพาะเหตุการณ์สำคัญขึ้นคลาวด์ · รายได้ >80% มาจาก Edge AI ตรง ๆ

Qualcomm (QCOM): รุก Robotics ด้วย Dragonwing IQ10 RRD (2026, 700 TOPS) รองรับกล้อง 12 ตัว + LiDAR ตรงโดยไม่ต้องแปลงสัญญาณ → ลดคอขวด Sensor Fusion ที่หน้างาน · Sony: เหนือกว่าด้าน Image Sensor — ระบบ AITRIOS + IMX500 เซ็นเซอร์ตัวแรกของโลกที่มี On-chip AI ส่งออกเฉพาะ Metadata ไม่ส่งไฟล์ต้นฉบับ (ลดคอขวด + ปกป้อง privacy) · NVIDIA: ครอบคลุม datacenter→edge (Jetson) + ระบบนิเวศ Isaac สำหรับหุ่นยนต์ที่ไม่มีใครเทียบ

Moat หากไม่ได้เป็นเจ้าของกล้อง? AMBA/QCOM มี moat จาก perf-per-watt สูงในอุปกรณ์ไร้สาย + ระบบนิเวศซอฟต์แวร์ที่ทำให้นักพัฒนาเชื่อมต่อ/เทรนง่าย → ผู้ผลิตส่วนใหญ่ยังพึ่งชิปเหล่านี้แทนทำเอง

9. กลุ่ม D — Industrial Vision

Cognex (CGNX) & Zebra (ZBRA): ผู้นำ "Physical Enterprise Data Capture" ในโรงงาน/คลังสินค้า · Cognex เชี่ยว Machine Vision สายการผลิต · Zebra ครอบคลุม 3D Vision · ต่างจากการเก็บข้อมูลสอน Foundation Model ตรงที่ต้องการ "ความแม่นยำ 100% Zero-Defect" — สแกนบาร์โค้ด/ตรวจรอยร้าวชิ้นส่วนทำด้วยความน่าจะเป็นแบบ LLM ไม่ได้ · เป็นเจ้าของข้อมูล+ฮาร์ดแวร์ในอุตสาหกรรมจริง → มีโอกาสครอบครองฐานข้อมูลเชิงลึกระยะยาว · แต่ปัจจุบันยังเป็น Hardware Cycle Play สูง

10. กลุ่ม E — LiDAR / 3D Sensor

ความสำคัญของ 3D: ข้อมูล 2D จากกล้องให้มิติความลึกแม่นยำทุกสภาพแสงไม่ได้ · Point Cloud จาก LiDAR = Ground Truth ด้านระยะทาง ที่จำเป็นต่อการตัดสินใจเชิงพื้นที่ของยานยนต์/หุ่นยนต์

11. กลุ่ม F — Compute / Simulation

Synopsys (SNPS) + NVIDIA: ผู้วางโครงสร้างพื้นฐานที่หล่อเลี้ยงระบบนิเวศ Physical AI ทั้งหมด · การฝึกหุ่นยนต์ในโลกจริงแพง ช้า อันตราย → ทางออกคือ Digital Twin + Synthetic Data · Synopsys ควบรวม Ansys เสร็จ ก.ค. 2025 (มูลค่าเป้า >$31B) กลายเป็นมหาอำนาจจำลองระบบฟิสิกส์ตั้งแต่ระดับไมโคร (ออกแบบชิป) ถึงมหภาค (ฟิสิกส์/การไหล) · เมื่อทำงานร่วม Omniverse + Isaac ของ NVIDIA → โลกจำลองแม่นยำตามฟิสิกส์เพื่อฝึก Foundation Model ก่อนใช้จริง (Sim-to-Real)

12. Deep Dive รายบริษัท + Scores

Score เด่น (1–5): INOD — direct exposure 5, growth 5 · PLTR — moat 5, financial 5 (valuation risk 5) · AMBA — exposure 5, materiality 5 · OUST — exposure 5, materiality 5 · SNPS/SNOW — moat 4–5, financial 4–5

13. Pure-play vs Platform vs Hardware

14. Rankings + Thesis Q&A

Thesis Q&A (สรุป):

• คอขวดใหญ่สุด? Data + Edge device (bandwidth/พลังงาน) — ไม่ใช่ GPU · มี GPU หมื่นตัวก็ไร้ค่าถ้าโอน 4K ดิบขึ้นคลาวด์จนเครือข่ายพัง
• มี video 1 ล้านคลิปแล้วทำไม train ไม่ได้ทันที? วิดีโอดิบ >90% เป็น noise (กำแพงว่าง/ท้องฟ้า) — สิ้นเปลืองที่ 258 tok/เฟรม
• ใครทำ raw → training-grade? Edge chip (SONY/AMBA) คัดหน้างาน → platform เชื่อม (SNOW Openflow) → Human Annotator (INOD)
• Annotation จะถูก AI กิน margin? "ฟาร์มลากกล่อง" (APX) ตกต่ำ · แต่พันธมิตร Safety/Red-teaming (INOD) ยังมี margin ดี เพราะ AI กายภาพต้องการความปลอดภัยสูงสุด
• บริษัทไม่มีกล้อง capture value ได้ไหม? ได้ — PLTR/SNPS เป็น "Picks & Shovels" องค์กรต้องจ่ายค่าเครื่องมือ/ผูก workflow
• LiDAR = data play หรือ commodity? เสี่ยง commodity (LAZR ล้ม) · ผู้มี GM บวก (OUST) จะอยู่รอดไปเก็บ software/map data play
• Value ย้ายจาก model → data infra? ใช่ — เมื่อ Foundation Model ถูกลง มูลค่าไหลไป data infra + hardware ปลายทาง

15. Bull / Base / Bear

16. ใคร Capture Value ตามช่วงเวลา

17. Analyst Verdict + Watchlist

ธีมหลัก: Physical AI ย้ายมูลค่าจาก "model company" ไปสู่ "data infrastructure company" บางส่วน — เมื่อ Foundation Model ถูกลง (commoditize) มูลค่าจะไหลไปที่กลุ่มที่ป้อนข้อมูลสดใหม่ + ฮาร์ดแวร์ปลายทางที่รับสัมผัสความจริง · สิ่งที่ต้องแยกให้ออกคือ ใคร "แก้คอขวด" ได้จริง (Edge AI, Data prep) และใครมี moat โครงสร้าง (Platform/Simulation) — ไม่ใช่ใครมีข่าว MOU มากสุด

สรุป: PLTR / SNPS / NVDA คือ core ที่มี moat โครงสร้าง (Picks & Shovels) และคุณภาพสูงสุด · SNOW ได้เปรียบจาก Openflow ในระยะ enterprise adoption · INOD / AMBA เป็น pure-play ตรงธีมสำหรับผู้รับความเสี่ยง valuation/single-customer ได้ · OUST / HSAI เป็นเดิมพัน 3D sensor ที่รอด (GM บวก) · ส่วน LAZR / AEVA / INVZ / Appen ควรเลี่ยง (เผาเงิน/commoditize/ล้มละลาย) — ตัวแปรชี้ขาดคือ "ใครเปลี่ยน raw data เป็น training-grade data ที่ทำกำไรได้ก่อน"

📎 อ่านต่อธีม AI infrastructure ที่เกี่ยวข้อง: AI Power & Nuclear/SMR ↗ · Optical Supply Chain ↗