- ปีนี้ 4 บริษัทยักษ์ใหญ่เทคโนโลยีของโลกใช้จ่าย 3.44 แสนล้านดอลลาร์ กับ AI โดยนำเงินส่วนใหญ่ไปลงทุนในดาต้าเซ็นเตอร์สำหรับฝึกและรัน โมเดลภาษาขนาดใหญ่ (LLM)
- แม้ LLM จะประสบความสำเร็จในการเข้าถึงคนหมู่มากจนมีผู้ใช้ ChatGPT มากกว่า 700 ล้านคนต่อสัปดาห์ แต่ความเร็วในการพัฒนากำลังชะลอลง และข้อจำกัดอย่าง อาการหลอน, ต้นทุนสูง, การปรับปรุงประสิทธิภาพเพียงเล็กน้อย ก็เริ่มชัดเจนขึ้น
- DeepSeek จากจีนสร้างความประหลาดใจให้ตลาดด้วยการเปิดตัวโมเดลที่เล็กกว่าและมีประสิทธิภาพมากกว่า ขณะที่บริษัทอย่าง Covariant (หุ่นยนต์) และ Atman Labs (แนวทางที่ไม่ใช่ดีปเลิร์นนิง) กำลังสำรวจ AI ที่ตอบสนองต่อโลกกายภาพ
- งานวิจัยล่าสุดระบุว่า ความสามารถในการให้เหตุผลทางสังคม ของ LLM พึ่งพาลักษณะเพียงไม่กี่อย่าง ทำให้เปราะบางต่อการเปลี่ยนแปลงเล็กน้อย และ OpenAI ก็ยอมรับถึงความเป็นไปได้ที่ ระบบป้องกันสำหรับกลุ่มเปราะบางอาจล้มเหลว
- ผู้เชี่ยวชาญวิจารณ์ว่า LLM เป็นเพียง ‘เครื่องสร้างโทเค็น’ และเตือนว่าการ หมกมุ่นกับเทคโนโลยีเพียงแบบเดียว อาจเพิ่มความเปราะบางของตลาด จึงควรเตรียมรับมือ ความเป็นไปได้ที่แนวทางใหม่จะผงาดขึ้น
การลงทุน AI มหาศาลและการยึดติดกับ LLM
- นักลงทุนทุกคนรู้ว่า “ไม่ควรใส่ไข่ทั้งหมดไว้ในตะกร้าใบเดียว” แล้วทำไมซิลิคอนแวลลีย์จึงเดิมพันกับวิธีเดียวในการสร้าง ปัญญาประดิษฐ์ (AI)?
- 4 บริษัทยักษ์ใหญ่เทคโนโลยีของโลกกำลังลงทุน 3.44 แสนล้านดอลลาร์ ใน AI ในปี 2025 โดยมุ่งไปที่การสร้าง ดาต้าเซ็นเตอร์ สำหรับฝึกและรัน โมเดลภาษาขนาดใหญ่ (LLM) เป็นหลัก
- LLM ประมวลผลอินพุตแบบมัลติโหมด ทั้งข้อความ เสียง และภาพ โดยอาศัยเทคนิค การทำนายโทเค็นถัดไปในลำดับ
- แชตบอตส่วนบุคคล เติบโตอย่างรวดเร็ว สตาร์ทอัพ AI บางรายเริ่มทำกำไรได้ และองค์กรต่าง ๆ ก็เริ่มเพิ่มผลิตภาพเบื้องต้นด้วย Generative AI
- LLM เป็นเทคโนโลยี AI แรกที่ได้รับการยอมรับในกระแสหลัก โดย ChatGPT มีผู้ใช้มากกว่า 700 ล้านคนต่อสัปดาห์
- แม้สตาร์ทอัพบางรายจะถึงจุดคุ้มทุนแล้ว แต่ในสาขาอ่อนไหวอย่าง การแพทย์ และ กฎหมาย ก็ยังมีข้อจำกัดในการสร้างความเชื่อถือเพราะปัญหาอาการหลอน
ความเสี่ยงของการหมกมุ่นกับเทคโนโลยีเดียว
- อย่างไรก็ตาม การมุ่งเน้นไปที่เทคโนโลยีเพียงอย่างเดียวมีความเสี่ยง ดังที่เคยมีตัวอย่างความล้มเหลว เช่น BlackBerry ที่ยึดติดกับคีย์บอร์ดจริงจนพ่ายต่อหน้าจอสัมผัสของ Apple หรือ Yahoo ที่เดิมพันกับพอร์ทัลจนพ่ายต่อการครองตลาดค้นหาของ Google
- LLM เองก็เสี่ยงจะเดินซ้ำรอยเดียวกัน และหาก แนวทาง AI แบบใหม่ ปรากฏขึ้น การลงทุนขนาดมหาศาลก็อาจกลายเป็น สินทรัพย์ที่เสี่ยงสูญเปล่า
- เมื่อเดือนมกราคม DeepSeek จากจีนได้เปิดตัว LLM ที่เล็กกว่าและมีประสิทธิภาพมากกว่า พร้อมเปิดสถาปัตยกรรมออกมา สร้าง ความประหลาดใจให้ตลาด และพิสูจน์ว่า แนวทางนอกกระแสก็เป็นไปได้
การสำรวจแนวทางทางเลือก
- ความก้าวหน้าของ AI เกิดจากการผสานข้อมูลเชิงลึกจากอดีตเข้ากับแนวคิดใหม่ ๆ และแม้แต่การมุ่งสู่ เครื่องจักรอัจฉริยะเหนือมนุษย์ ก็ยังต้องอาศัยแนวทางที่หลากหลาย
- สตาร์ทอัพอย่าง Covariant กำลังพัฒนาซอฟต์แวร์ การรับรู้เชิงพื้นที่ แทนการวิเคราะห์รูปแบบข้อมูล จึงเป็นการขยับออกจากแนวทางที่ยึด LLM เป็นศูนย์กลาง
- บริษัทด้านหุ่นยนต์ โดรน การค้นพบยา และการสร้างแบบจำลองสภาพภูมิอากาศ ต้องการ การตอบสนองทางกายภาพแบบเรียลไทม์ จึงกำลังก้าวออกจากการยึดติดกับ LLM
- Atman Labs ในสหราชอาณาจักรกำลังขุดค้นแนวคิดที่ถูกลืมจากยุคก่อนดีปเลิร์นนิง ซึ่งสะท้อนแนวทางหลายเส้นทางในช่วงแรกของ Google DeepMind เช่น AlphaGo และการเรียนรู้แบบเสริมกำลัง
ข้อจำกัดของ LLM และปัญหาความน่าเชื่อถือ
- ตอนนี้เริ่มเกิดรอยร้าวใน ตรรกะของโมเดลภาษาขนาดใหญ่ แล้ว ตั้งแต่ต้นทุนที่สูงมหาศาลไปจนถึงแนวโน้ม ผลตอบแทนที่ลดลง
- โมเดลล่าสุดของ OpenAI และ Google ดีขึ้นจากรุ่นก่อนเพียงเล็กน้อย แม้จะทุ่มเงินเพิ่มมากขึ้นก็ตาม
- ถึงอย่างนั้น อาการหลอน ก็ยังไม่หายไป และยังเป็นอุปสรรคต่อการนำไปใช้ในองค์กร เช่น การแพทย์หรือการวิเคราะห์ทางกฎหมาย
- งานวิจัยล่าสุดใน Nature ระบุว่าความสามารถในการให้เหตุผลทางสังคมของโมเดลภาษาพึ่งพา คุณลักษณะเพียงส่วนน้อยมาก จนพังทลายได้จากการเปลี่ยนแปลงเล็กน้อย ซึ่งตั้งคำถามพื้นฐานต่อ ความน่าเชื่อถือ
- OpenAI ยอมรับว่าในการสนทนายาวนาน ระบบป้องกันสำหรับกลุ่มเปราะบางอาจพังทลาย และเคยเกิดเหตุการณ์ที่ระบบให้คำแนะนำการทำร้ายตนเองกับวัยรุ่นจริง
เสียงวิจารณ์จากอุตสาหกรรมและแนวโน้มข้างหน้า
- Fei-Fei Li: “ในธรรมชาติไม่มีภาษา และโลกดำเนินไปตามกฎฟิสิกส์” ชี้ให้เห็นข้อจำกัดของการยึดภาษาเป็นศูนย์กลาง
- Alex Karp (CEO ของ Palantir): วิจารณ์ว่า “ซิลิคอนแวลลีย์โฆษณา LLM เกินจริง”
- Yann LeCun: ระบุว่า LLM เป็น ‘ทางตัน’ ของการสร้างเครื่องจักรที่ฉลาดกว่า เป็นเพียง “เครื่องสร้างโทเค็น” และ ไม่สามารถเข้าใจสภาพแวดล้อมทางกายภาพหรือวางแผนล่วงหน้าได้
- โดยสรุป LLM จะยังคงอยู่ต่อไป แต่การ ยึดติดกับคำตอบเดียว นั้นมีความเสี่ยง และนักลงทุนกับองค์กรควรเตรียมพร้อมต่อ ความเป็นไปได้ของการเปลี่ยนผ่านสู่กระบวนทัศน์เทคโนโลยีใหม่
2 ความคิดเห็น
ตั้งแต่ GPT5 เป็นต้นมา ดูออกเลยว่ากำลังพยายามฝืนดันประสิทธิภาพขึ้นด้วยการใช้การให้เหตุผล แต่ดูแล้วแม้แต่แบบนั้นก็ยังไม่ง่ายเหมือนกัน คำตอบที่จริง ๆ แค่หยุดไว้ระดับพอเหมาะก็น่าจะพอ เดี๋ยวนี้กลับยาวเป็นหลายสิบบรรทัด เลยรู้สึกหนักเกินไปมากครับ T_T
ความคิดเห็นจาก Hacker News
ดูได้ที่ https://archive.is/2rFK4
เทคโนโลยีนี้ดูน่าประทับใจมากในเดโม เห็นได้ชัดว่าทุกคนในห้องตื่นเต้นกันจริง ๆ ภาพเพื่อนร่วมงานหรือผู้บริหารสาธิตมันอย่างภูมิใจ หรือเล่นมุกต่อกันไม่หยุด ทำให้นึกถึงตอนที่ผู้คนเพิ่งเริ่มมีโทรศัพท์มือถือแล้วเอาไปอวดคนอื่น เลยทำให้เกิดแนวโน้มที่จะมองว่ามันยิ่งใหญ่เกินมูลค่าจริง แม้จะเป็นพัฒนาการที่มีความหมายเหมือนมือถือ แต่ในระยะสั้นคงไม่ได้สร้างอิมแพ็กต์เท่ากับระดับโฆษณาเกินจริง โดยเฉพาะในฟอรัมไม่ระบุตัวตนที่มักมีคนชี้ว่า “นี่มันปั่นกระแสเกินไป” แต่ในบทบาทการทำงาน ทุกคนก็มักไหลไปตามบรรยากาศ เหมือนทุกคนรู้ว่าจะเกิดอะไรขึ้น แต่ก็ยังอยากให้งานเลี้ยงดำเนินต่อไป
ถ้าหัวหน้าผมย้ำเรื่อง AI มากเกินไปแล้วสั่งให้พนักงานทั้งบริษัท all-in ในตลาดหางานที่ยากแบบทุกวันนี้ คนจำนวนมากก็คงคล้อยตามเพราะความกลัว โดยเฉพาะเมื่อรู้สึกว่า AI กำลังทำให้ตำแหน่งงานลดลง บางคนก็แค่เงียบ ๆ ใช้เครื่องมือที่ใช้งานได้จริงกับตัวเองต่อไป เช่น LSP หรือการรีแฟกเตอร์ ในสนามอาชีพจริง มีเพียงไม่กี่คนเท่านั้นที่กล้าพูดว่า “จักรพรรดิไม่ได้สวมเสื้อผ้า”
น่าสนใจที่ในฟอรัมไม่ระบุตัวตนกลับเห็นความเห็นประเภทที่ว่า AI เป็นนวัตกรรมที่จะเปลี่ยนทั้งชีวิตอยู่ไม่น้อย อย่างน้อยเมื่อคนไม่ได้ปลอมตัวเป็นผู้เชี่ยวชาญก็มักเห็นมุมมองนี้ได้ง่ายกว่า พออยู่ในบทบาทการทำงาน คนจะถูกแบ่งออกเป็นสองกลุ่ม คนที่ใช้ AI ในพื้นที่ที่ไม่ใช่ความเชี่ยวชาญของตัวเองมักชื่นชมมันเกินจริงราวกับเพิ่งได้เห็นการปฏิวัติโทรศัพท์มือถือครั้งแรก แต่เมื่อเอา AI ไปใช้กับสายงานที่ตัวเองเชี่ยวชาญจริง ๆ ก็จะสัมผัสได้โดยตรงว่ามันมีส่วนที่ถูกประเมินค่าสูงเกินไป จึงกลายเป็นพวกมองโลกในแง่ดีแบบระมัดระวังมากขึ้น ส่วนคนที่เดิมทีใช้ AI ได้เก่งที่สุดในสาขาที่ตัวเองเชี่ยวชาญนั้นก็ยังมองบวก แต่ส่วนใหญ่จะพูดอย่างนิ่ง ๆ ว่ามันทำงานได้ดีในบริบทที่จำกัด
ลืมกันได้ง่ายว่ายังมี “ผลไม้ที่เก็บง่าย” อีกมากสำหรับการดึงศักยภาพของเทคโนโลยีนี้ออกมาใช้ ตอนนี้ผู้คนยังเพียงแค่พยายามทำการผสานระบบขั้นพื้นฐานกันอยู่ แม้อยู่ในระยะแรก แต่ก็ทำของเจ๋ง ๆ ด้วย LLM ได้มาก เช่น ใช้ Cursor ปรับโค้ดเบสเก่าให้ทันสมัย และสร้างฟีเจอร์ใหม่ที่อยากได้มานาน ผมใช้เวลาแค่ไม่กี่ชั่วโมงกับงานที่ถ้าทำแบบเดิมคงใช้เวลา 1-2 สัปดาห์ ศักยภาพจึงมีมาก เพียงแต่กระแสโฆษณาเกินจริงนั้นค่อนข้างห่างจากประสบการณ์จริงของผม เลยอาจทำให้การรับรู้ต่างกัน
ระบบพวกนี้ไม่มี error bars หรือช่วงความเชื่อมั่น สุดท้ายแล้วมันก็เป็นนักเล่นคำที่มี “ความสามารถพิเศษ” อย่างเดียว คือสร้างผลลัพธ์ที่ดูเหมือนจะเข้าท่าในแวบแรก แน่นอนว่ามีพื้นที่ใช้งานที่เหมาะสมอยู่มาก แต่ก็ยังมีรูโหว่จำนวนมากที่ทั้งคาดเดาขนาดไม่ได้และแก้ไม่ได้อยู่ดี จึงมีเพดานด้านประสิทธิภาพ
ประเด็นที่เอาไปเทียบกับสมาร์ตโฟนน่าสนใจ สมาร์ตโฟนเปลี่ยนโลกจริง มี hype มาก แต่สุดท้ายก็เกิดการเปลี่ยนแปลงจริง เลยสงสัยว่ามองว่า LLM และ AI จะสร้างการเปลี่ยนแปลงจริงแบบนั้นได้หรือเปล่า
ผมสงสัยว่าแผนการคืนทุนของเงินลงทุนก้อนนี้คืออะไรกันแน่ ต่อให้บริษัทใหญ่ทั้งหมดในอเมริกาจ่ายค่าสมาชิกรายปี 100,000 ดอลลาร์ และทุกครัวเรือนจ่ายเดือนละ 20 ดอลลาร์ ก็ดูยังห่างไกลจากการคืนทุนมากเมื่อคิดรวมต้นทุนการอนุมานและค่าใช้จ่ายประกอบอื่น ๆ หรือว่าต้องมีการค้นพบใหม่ด้านการแพทย์ด้วย เช่น ข่าว OpenAI เรื่อง gpt-bio กับ iPSC นั้นน่าทึ่งมากจริง ๆ แต่กว่าจะเอาไปใช้เชิงพาณิชย์ได้ก็ยังอีกไกลมาก เลยอยากรู้ว่าแผนจริง ๆ คืออะไร
ถ้าจำไม่ผิด เป้าหมายเดิมคือ AGI ไม่ใช่หวัง ROI จากบริการ AI แบบปัจจุบัน พอ AGI ออกมาก็จะผูกขาดได้ ทุกคนเลยทุ่มเงินลงทุนกันเหมือนซื้อลอตเตอรี่ แต่ในช่วง 1 ปีที่ผ่านมาไม่ได้มีความก้าวหน้าแบบเอ็กซ์โปเนนเชียล ทำให้บรรยากาศความฝันเรื่อง AGI แผ่วลงไปบ้าง
แผนเกมตั้งแต่แรกคือเล็งไปที่แรงงานมนุษย์ บางอาชีพถูกแทนที่ด้วย AI ไปแล้วทั้งหมด และงานที่เหลือ AI ก็ช่วยเพิ่มผลิตภาพได้มาก มูลค่าทางเศรษฐกิจของเรื่องนี้มหาศาล แม้ยังไม่ใช่ AGI แต่การทำงานอัตโนมัติด้วย AI ตอนนี้ก็กำลังแทนที่แรงงานประเภทที่ “ถูกที่สุดและเปลี่ยนแทนได้ง่ายที่สุด” อย่างจริงจัง งานที่เมื่อก่อนเอาต์ซอร์ซไปคอลเซ็นเตอร์ในอินเดียกำลังค่อย ๆ ย้ายไปอยู่ในดาต้าเซ็นเตอร์ บริษัท AI รายใหญ่เชื่อว่าถ้ายังลงทุน R&D และคอมพิวต์ต่อเนื่อง ในที่สุดก็จะไปถึง AGI ได้
ถ้า AI ไม่ทำให้คุณถูกไล่ออก AI ก็ไม่สามารถจ่ายค่าตัวมันเองได้
If AI Doesn’t Fire You, It Can’t Pay For Itself
ถ้า LLM ทำให้ประสิทธิภาพของงาน white-collar โดยรวมเพิ่มขึ้นได้ถึง 2 เท่า บริษัทใหญ่ก็หลีกเลี่ยงไม่ได้ที่จะต้องจ่ายมากกว่า 100,000 ดอลลาร์ต่อปีอย่างมาก ถ้าจ่ายเพียง 25% ของต้นทุนที่ประหยัดได้จากการแทนที่งานครึ่งหนึ่ง รายได้ที่เกิดขึ้นก็มากพอจะทำให้มูลค่าบริษัทในตอนนี้ดูถูกไปเลย
100,000 ดอลลาร์ต่อปีแทบไม่ใช่อะไรเลย คิดคร่าว ๆ ก็ประมาณ 10 พันดอลลาร์ต่อพนักงานหนึ่งคน ถ้าคิดเงินเดือนกับสวัสดิการรวมกันที่ 100,000 ดอลลาร์ แล้วผลิตภาพแรงงานเพิ่มขึ้นแค่ 10% ก็ถือว่ากระทบมากแล้ว สำหรับบริษัทที่มีพนักงาน 10,000 คน นั่นคือมูลค่าระดับ 100 ล้านดอลลาร์ต่อปี
ผมยังนึกภาพไม่ค่อยออกว่า 344 พันล้านดอลลาร์มันใหญ่แค่ไหน แต่ถ้าดูว่ามูลค่าตลาดรวมของตลาดหุ้นสหรัฐอยู่ที่ 62.8 ล้านล้านดอลลาร์ และค่า Shiller CAPE (ราคาปัจจุบัน/กำไรเฉลี่ย 10 ปี) อยู่ราว 38 เท่า ก็แปลว่ากำไรเฉลี่ยต่อปีในช่วง 10 ปีอยู่ประมาณ 1.7 ล้านล้านดอลลาร์ ดังนั้น 344 พันล้านดอลลาร์จึงอยู่ที่ประมาณ 1/5 ของกำไรเฉลี่ยต่อปีของตลาดหุ้นสหรัฐ มองแบบนี้ก็น่าจะพอช่วยให้กะขนาดได้ง่ายขึ้น
ช่วงนี้ผมบริหารพอร์ตเองโดยคำนวณผลตอบแทนคาดหวัง (GDP+เงินปันผล) แล้วปรับตามความเสี่ยงเพื่อประเมินผลตอบแทนของแต่ละประเทศ/ภูมิภาค ปรับพอร์ตปีละหนึ่งหรือสองครั้ง ถ้าสมมติว่าสิ่งนี้เกือบทั้งหมดเป็นฟองสบู่ ผมก็สงสัยว่าควรปรับประมาณการกำไรของตลาดหุ้นสหรัฐอย่างไร โดยเฉพาะเวลาจะเอาไปใช้กับการลงทุนติดตามกลุ่มหุ้น AI
แต่ 344 พันล้านดอลลาร์เป็นตัวเลขสะสม ไม่ใช่รายปี
สิ่งที่เรามีตอนนี้คืออินเทอร์เฟซชั้นยอดที่ทำให้ผู้ใช้เข้าถึงระบบที่ซับซ้อนมาก ๆ เพื่อใช้ทำงานหรือใช้ส่วนตัวได้แบบแทบไม่มีแรงเสียดทาน แต่นี่ไม่ใช่ตัวแก่นแท้ของมันเอง มันยังเป็นเพียงเปลือกบาง ๆ เท่านั้น ผมยังสงสัยว่าการปฏิวัติครั้งนี้สุดท้ายจะมีมูลค่าระดับหลายล้านล้านดอลลาร์จริงหรือไม่ แต่โชคดีที่มันไม่ใช่เรื่องที่ผมต้องปวดหัว
“บทความ” นี้เป็น clickbait มีแค่พาดหัวแรง ๆ แต่เนื้อแทบไม่มี แค่โยนคำถามไร้สาระประมาณว่า “มันมีประโยชน์ในบางกรณี แล้วทำไมบริษัทยักษ์ใหญ่ถึงลงทุนหนักขนาดนี้ ทั้งที่ทำ R&D ตรง ๆ อาจดีกว่า”
เหมือนตอนที่ภาพยนตร์เพิ่งออกมาแล้วคนกลัวว่าจะโดนรถไฟชน ผมก็ยังยืนอยู่ฝั่งที่เชื่อว่าตอนนี้ผู้คนกำลังเชื่อว่าเครื่องจักรกำลังคิดได้
ตอนนี้ในตลาดมีฟองสบู่อยู่แน่ ๆ ช่วงหลังมานี้จำนวนสตาร์ตอัปที่ใช้ AI เพิ่มขึ้นระเบิด จนทุกเจ้าพยายามทำให้ตัวเองต่างจากสินค้ากลุ่มเดียวกัน รายละเอียดเชิงเทคนิคเลยถูกแปลงเป็นถ้อยคำการตลาดไปหมด ในมุมผู้บริหาร ต่อให้มีสตาร์ตอัปสิบรายมาบอกว่า “ถ้าฝึกด้วยข้อมูลของเรา คุณจะได้แชตบอตที่ดีที่สุด” ก็แทบแยกไม่ออกว่าเขากำลังฝึกโมเดลจริงหรือแค่ปรับพรอมป์ต์ เรื่องแบบนี้เคยเกิดขึ้นมาแล้ว และตัวอย่างเด่นก็คือ “deep research” กับอะไรทำนองนั้น การตลาดแบบนี้ช่วยเรื่องการเติบโต แต่บั่นทอนความน่าเชื่อถือ จริง ๆ แล้วมีสตาร์ตอัปรายหนึ่งเพิ่งระดมทุน Series A ได้ โดยอ้างว่าเป็น “การเรียนรู้จากประสบการณ์” ทั้งที่จริงแค่เพิ่มเมมโมรีเข้าไปในพรอมป์ต์เพื่อยกระดับประสิทธิภาพ (ไปหาเองได้) แต่นั่นก็ไม่ได้แปลว่าไม่มีไอเดียเชิงนวัตกรรมเกิดขึ้น ส่วนตัวผมคิดว่าพรีเทรนนิงได้ตอบโจทย์วัตถุประสงค์ที่ตั้งไว้เพียงพอแล้ว ก่อนหน้านี้ตัวเป้าหมายเองยังไม่ชัดเจน แต่พอ RL มาแรง เราก็เริ่มเข้าใจแบบเลือนรางว่าอะไรคือทิศทาง พรีเทรนนิงและคอมพิวต์ในสภาพแวดล้อมทดสอบคือหัวใจในการสะสม priors ทั่วไปเพื่อใช้งานกว้าง ๆ กล่าวคือสามารถแก้ปัญหาหลากหลายแบบมนุษย์ได้ บางครั้งถ้ายังทำไม่ได้ดีพอ ก็ต้องเพิ่มการฝึกด้วย RLVR แม้ยังอยู่ในระยะแรก แต่ผมมองโลกในแง่ดีว่านี่จะนำไปสู่เส้นโค้งการสเกลอีกระลอก
บริษัทต่าง ๆ จำเป็นต้องลงทุนใน AI ไม่ว่าจะมีเงินมากหรือน้อย เพราะ LLM กำลังคุกคามโมเดลธุรกิจเดิมของพวกเขา จึงต้องลงมือก่อน ถ้าไม่สามารถนำหน้าได้ ก็มีความเสี่ยงที่เศรษฐกิจสหรัฐทั้งระบบจะสั่นคลอน หากบิ๊กเทคสหรัฐสูญเสียรายได้โฆษณาระดับโลกไป (Meta, Google) พวกเขาอาจกลายเป็นเพียงเปลือกว่างเปล่าในพริบตา เพราะหากแต่ละประเทศหรือกลุ่มเศรษฐกิจสร้างและนำผลิตภัณฑ์ของตัวเองมาใช้ การแทนที่ผลิตภัณฑ์อเมริกันจะง่ายมาก เศรษฐกิจสหรัฐพึ่งพากระแสเงินสดของ FAANG มากเกินไปมานาน และเงินก้อนนั้นก็เป็นแรงขับให้กับอุตสาหกรรมอื่น ๆ ด้วย แบบนี้ก็พอเข้าใจได้ว่าทำไมถึงมีโต๊ะอาหารค่ำกับทรัมป์ ถ้าโครงสร้าง AI นี้อ่อนแรงลง สหรัฐก็จะเผชิญอนาคตที่เปราะบางทางเศรษฐกิจอย่างมาก
เหตุผลที่ Oracle เคลื่อนไหวแรงมากในตลาดคือข่าวว่า OpenAI ให้คำมั่นว่าจะย้ายเวิร์กโหลดจำนวนมากไปยังคลาวด์ของบริษัท ซึ่งจริง ๆ แล้วเป็นกลยุทธ์ “วิศวกรรม” ทางการเงินที่ให้ความสำคัญกับรายได้มากกว่ากำไร โดยเฉพาะการพยายามเลื่อนค่าใช้จ่ายลงทุน (CapEx) ออกไปในอนาคตให้มากที่สุด พูดอีกแบบ นี่คือกรณีตัวอย่างที่แสดงว่าฟองสบู่ AI ตอนนี้เกินเลยแค่ไหน ตามบทวิเคราะห์ล่าสุดของ Economist ตลาดตอนนี้ไม่ได้ขับเคลื่อนด้วย “ความเสี่ยง” อีกต่อไป แต่ด้วย “ความกลัวการขาดทุน” หรือ “ความกลัวพลาดโอกาส (FOMO)” และตอนนี้ FOMO กำลังอยู่ในระดับสุดขีด
Want better returns? Forget risk, focus on fear (Economist)
การพุ่งขึ้นของ Oracle รอบนี้กับแนวโน้มรายได้นั้นให้ความรู้สึกแบบ
jumping the sharkเต็ม ๆ ด้วยลักษณะของบริษัทอย่าง Oracle เอง ผมเลยระวังมากถ้าจะเดิมพันกับมัน ถึงขั้นรู้สึกเย้ายวนให้เปิดชอร์ตด้วยซ้ำFOMO มันรุนแรงจริง ๆ ตอนนี้ตลาดหุ้นกำลังเคลื่อนไหวเหมือนฟองสบู่คริปโตในอดีต