ซอฟต์แวร์เคยกลืนกินโลก และตอนนี้ฮาร์ดแวร์กำลังกินซอฟต์แวร์

• ในยุค SaaS อินเทอร์เฟซและแอปพลิเคชันเคยทำอัตรากำไรขั้นต้นได้ 75~90% แต่ใน AI ศูนย์กลางของมูลค่ากำลังเลื่อนลงไปที่ เซมิคอนดักเตอร์·คอมพิวติง·ข้อมูล·แพลตฟอร์ม inference ทำให้เลเยอร์แอปพลิเคชันบางลง
• เงินทุนมหาศาลและ คอขวดทางกายภาพของ CoWoS·HBM·พลังงานไฟฟ้า, ต้นทุนการย้ายข้อมูล และความเป็นไปได้ที่ตรรกะของแอปพลิเคชันจะถูกแทนที่ กำลังตรึงศูนย์กลางมูลค่าไว้ที่เลเยอร์ล่าง
• รายได้ดาต้าเซ็นเตอร์ของ NVIDIA อยู่ที่ 75.2 พันล้านดอลลาร์ในไตรมาสที่สิ้นสุดเดือนเมษายน 2026 เพิ่มขึ้น 92% เมื่อเทียบกับปีก่อน และรายจ่ายลงทุนของไฮเปอร์สเกลเลอร์รายใหญ่ 4 รายในไตรมาส 1 ปี 2026 แตะ 131 พันล้านดอลลาร์ สะท้อนว่าทุนกำลังกระจุกตัวเข้าสู่ เลเยอร์ฐานทางกายภาพ
• ช่องว่างด้านประสิทธิภาพและราคาของโมเดล open weights กำลังลดลงอย่างรวดเร็ว แต่ แพลตฟอร์ม inference·optimization ที่ให้ throughput สูงและ latency ต่ำ, แพลตฟอร์มข้อมูลกรรมสิทธิ์ และโมเดลพรีเมียมส่วนน้อยที่มีประสิทธิภาพระดับสูงสุดพร้อมช่องทางจัดจำหน่ายในองค์กร ยังคงรักษามูลค่าไว้ได้
• แอปพลิเคชัน AI มีค่า inference เฉลี่ยคิดเป็น 23% ของรายได้ ทำให้อัตรากำไรขั้นต้นอาจอยู่เพียง 50~60% ดังนั้นต้องมีอย่างใดอย่างหนึ่งระหว่าง วงจรข้อมูลกรรมสิทธิ์·ระบบบันทึกข้อมูล·เวิร์กโฟลว์ที่อยู่ภายใต้กฎระเบียบ·พลังการจัดจำหน่าย·การตั้งราคาตามผลลัพธ์ จึงจะมีความสามารถในการป้องกันในระดับซอฟต์แวร์แบบเดิมได้

---

ทิศทางการย้ายมูลค่าที่ AI กำลังพลิกกลับ

• ใน SaaS ต้นทุนส่วนเพิ่มในการรองรับผู้ใช้อีกหนึ่งคนแทบเป็นศูนย์ และบริษัทที่เป็นเจ้าของอินเทอร์เฟซ·เวิร์กโฟลว์·ระบบบันทึกข้อมูลสามารถทำ อัตรากำไรขั้นต้น 75~90% ได้
• ใน AI เมื่อ inference กลายเป็นต้นทุนรายได้ผันแปร ศูนย์กลางมูลค่าจึงย้ายจากแอปพลิเคชันไปสู่เลเยอร์ล่าง
  • เซมิคอนดักเตอร์และคอมพิวติง, แพลตฟอร์มข้อมูล, เอนจิน inference ที่รันโมเดลเปิด และโมเดล frontier พรีเมียมจำนวนน้อย กลายเป็นเลเยอร์มูลค่าหลัก
• แอปพลิเคชันไม่ได้หายไป แต่เลเยอร์กำลังบางลง
  • ขณะที่การประเมินมูลค่าของโมเดลและข้อมูลสูงขึ้น แอปพลิเคชัน wrapper ที่ไม่มีความแตกต่างก็มีมาร์จิ้นและตัวคูณรายได้ลดลง
• หลังฟองสบู่ดอตคอมแตก เงินทุนภาคเอกชนเคลื่อนออกจากเซมิคอนดักเตอร์ที่ใช้เงินทุนสูงและเป็นวัฏจักร ไปสู่คลาวด์·SaaS ที่ให้อัตรากำไรขั้นต้นมากกว่า 80% และรายได้ประจำ
• AI กำลังพลิกกระแสนี้ โดยดึงทุนกลับไปยัง ซิลิคอน·แพ็กเกจจิง·พลังงานไฟฟ้า·โครงสร้างพื้นฐานข้อมูล·ฐาน inference
  • แฟรนไชส์ที่มีมูลค่าที่สุดในแวดวงเทคโนโลยีกลับมาเป็นบริษัทชิปอีกครั้ง
  • แพลตฟอร์ม inference และข้อมูลกลายเป็นธุรกิจโครงสร้างพื้นฐานที่เติบโตด้วยความเร็วเป็นประวัติการณ์
  • แอปพลิเคชันแบบ asset-light ซึ่งเคยเป็นปลายทางของการเคลื่อนย้ายเงินทุนครั้งก่อน กลับมีโครงสร้างมาร์จิ้นที่เสียเปรียบในสแตก AI

สี่เหตุผลที่มูลค่าสะสมอยู่ในเลเยอร์ล่าง

• แต่ละเลเยอร์ของสแตก AI สามารถประเมินได้จากว่ามูลค่า 1 ดอลลาร์ถัดไปสามารถถูกที่อื่นแทนที่ได้ง่ายเพียงใด
• ความเข้มข้นของเงินทุน ทำหน้าที่เป็นกำแพงกั้นการเข้าสู่ตลาด
  • ไฮเปอร์สเกลเลอร์รายใหญ่ 4 รายกำลังใช้จ่ายลงทุนในอัตราเกิน 500 พันล้านดอลลาร์ต่อปี และกำลังมุ่งสู่มากกว่า 600 พันล้านดอลลาร์ในปี 2026
  • ในตลาดที่ต้องใส่เงินทุนมหาศาลอย่างต่อเนื่อง เงินทุนเองก็กลายเป็นคูเมือง
• คอขวดทางกายภาพ แก้ได้ยากด้วยเงินอย่างเดียวในระยะสั้น
  • แพ็กเกจจิงขั้นสูง CoWoS, หน่วยความจำแบนด์วิดท์สูง (HBM), และพลังงานไฟฟ้า ทำหน้าที่เป็นข้อจำกัดที่ชัดเจน
  • บริษัทที่ควบคุมข้อจำกัดอันหายากเหล่านี้ย่อมยึดมูลค่าไว้ได้
• ต้นทุนการย้ายและแรงเฉื่อย ทำให้มูลค่าสะสมอยู่ในแพลตฟอร์มข้อมูล
  • ยิ่งมี pipeline·table·model เพิ่มในสภาพแวดล้อมเดียวกัน ต้นทุนการย้ายก็ยิ่งสูงขึ้น
  • เนื่องจาก open weights ถูกออกแบบให้เคลื่อนย้ายได้ มูลค่าจึงย้ายไปยังแพลตฟอร์มที่ให้บริการมัน มากกว่าตัวโมเดลเอง
• ความเสี่ยงที่เลเยอร์ผิวหน้าถูกแทนที่ กำลังเพิ่มขึ้นเรื่อย ๆ
  • ตรรกะของแอปพลิเคชันทั่วไปสามารถให้โมเดลทำได้โดยตรง จึงเป็นส่วนที่ถูกแทนที่ได้ง่ายที่สุดในสแตก

เลเยอร์ 1: เซมิคอนดักเตอร์และคอมพิวติง

• NVIDIA และรายจ่ายลงทุนของไฮเปอร์สเกลเลอร์

  • รายได้ดาต้าเซ็นเตอร์ของ NVIDIA ในไตรมาสที่สิ้นสุดเดือนเมษายน 2026 อยู่ที่ 75.2 พันล้านดอลลาร์ เพิ่มขึ้น 92% เมื่อเทียบกับปีก่อน
  • อัตรากำไรขั้นต้นอยู่ราว 75% และรายได้แบบ annualized อยู่ราว 300 พันล้านดอลลาร์
  • คำแนะนำรายได้รวมสำหรับไตรมาสถัดไปคือ 91 พันล้านดอลลาร์ และส่วนแบ่งตามรายได้จาก AI accelerator อยู่ราว 80%
  • รายจ่ายลงทุนของไฮเปอร์สเกลเลอร์รายใหญ่ 4 รายในไตรมาส 1 ปี 2026 อยู่ที่ประมาณ 131 พันล้านดอลลาร์
    • Amazon ใช้จ่าย 44.2 พันล้านดอลลาร์ และ Alphabet ใช้จ่าย 35.7 พันล้านดอลลาร์
    • Microsoft ใส่เงิน 30.9 พันล้านดอลลาร์ และ Meta ใส่เงิน 19.8 พันล้านดอลลาร์
  • ขนาดการลงทุนนี้คิดเป็นอัตรารายปีประมาณ 525 พันล้านดอลลาร์ และกำลังเพิ่มขึ้นสู่คำแนะนำรายปี 2026 ที่มากกว่า 600 พันล้านดอลลาร์
  • Goldman Sachs ประเมินว่ารายจ่ายลงทุนสะสมของไฮเปอร์สเกลเลอร์ช่วงปี 2025~2030 จะอยู่ที่ 5.3 ล้านล้านดอลลาร์

• ข้อจำกัดด้านอุปทานของคอมพิวติง·หน่วยความจำ·สตอเรจ

  • รายได้เซมิคอนดักเตอร์ทั่วโลกในปี 2025 อยู่ที่ 793 พันล้านดอลลาร์ เพิ่มขึ้น 21% เมื่อเทียบกับปีก่อน และคาดว่าจะเข้าใกล้ 1 ล้านล้านดอลลาร์ในปี 2026
    • คาดการณ์ของ WSTS อยู่ราว 975 พันล้านดอลลาร์ เพิ่มขึ้นประมาณ 25% เมื่อเทียบกับปีก่อน
    • คาดการณ์ของ Gartner สูงกว่านั้น
  • AI คิดเป็นประมาณ 30% ของรายได้เซมิคอนดักเตอร์ทั้งหมด และคาดว่าจะเพิ่มเป็น มากกว่า 50% ในปี 2029
  • ในฝั่งคอมพิวติง ตลาด AI accelerator คาดว่าจะขยายจากประมาณ 80 พันล้านดอลลาร์ในปี 2024 เป็น มากกว่า 280 พันล้านดอลลาร์ ในปี 2029
  • ฝั่งหน่วยความจำก็กำลังถูกกดดันอย่างรวดเร็ว
    • ความต้องการ HBM เพิ่มขึ้นประมาณ 130% ในปี 2025 และเพิ่มอีกราว 70% ในปี 2026
    • ราคาสัญญา DRAM ทั่วไปเพิ่มขึ้นประมาณ 90% จากไตรมาสก่อนในไตรมาส 1 ปี 2026
    • ดาต้าเซ็นเตอร์ AI กำลังดูดซับ DRAM ระดับสูงประมาณ 70%
  • ตลาด NAND จะมีมูลค่าราว 65 พันล้านดอลลาร์ในปี 2026 และหนึ่งในห้าของบิตทั้งหมดถูกใช้กับ AI
    • ถึงปี 2027 อัตราการเติบโตของอุปสงค์คาดว่าจะอยู่ที่ 20~22% สูงกว่าอัตราการเติบโตของอุปทานที่ 15~17%

• คอขวดด้านแพ็กเกจจิง·พลังงานไฟฟ้า และความเสี่ยงด้านผลตอบแทน

  • ข้อจำกัดหลักกำลังย้ายจากการออกแบบชิปไปสู่ แพ็กเกจจิงและพลังงานไฟฟ้า
  • กำลังการผลิต CoWoS ของ TSMC จะเพิ่มจากประมาณ 70,000 เวเฟอร์ต่อเดือนในปี 2025 เป็นประมาณ 110,000 เวเฟอร์ต่อเดือนในปี 2026 แต่โดยพฤตินัยขายหมดแล้ว
  • NVIDIA จองอุปทานเกินครึ่งไว้จนถึงปี 2027
  • ความจุดาต้าเซ็นเตอร์ AI ใหม่ที่ประกาศในปี 2025 เกิน 10GW และฐานแพ็กเกจจิงในปัจจุบันรองรับได้ประมาณ 18GW
  • ซิลิคอนแบบกำหนดเองของไฮเปอร์สเกลเลอร์ เช่น Google TPU, AWS Trainium, Broadcom ASIC กำลังเติบโตเป็นตลาด accelerator ที่มีมูลค่า มากกว่า 200 พันล้านดอลลาร์
    • ในระยะยาวอาจลดส่วนแบ่งของ NVIDIA ได้ แต่ไม่ได้ย้ายมูลค่าออกจากเลเยอร์เซมิคอนดักเตอร์
  • ความเสี่ยงที่ใหญ่ที่สุดไม่ใช่รายได้ แต่คือ ผลตอบแทนจากการลงทุน
    • เมื่อคำนึงถึงรายจ่ายลงทุนมากกว่า 500 พันล้านดอลลาร์ต่อปี และอายุการใช้งานของ accelerator 2~3 ปี ฐานติดตั้งต้องมีอัตราการใช้งานสูงพอจึงจะรักษามาร์จิ้นได้
    • อัตราการใช้กำลังการผลิตเป็นตัวแปรที่กำหนดความสามารถในการทำกำไรของสแตก AI ทั้งหมด มากกว่าการแข่งขัน

เลเยอร์ 2: โมเดลเปิดและแพลตฟอร์ม inference

• การบรรจบกันของประสิทธิภาพโมเดลและอุปทานที่เพิ่มขึ้น

  • ตาม Stanford AI Index ช่องว่างระหว่างโมเดลปิดที่ดีที่สุดกับโมเดล open weights ที่ดีที่สุดใน Chatbot Arena ลดลงจาก 8.04% ในเดือนมกราคม 2024 เหลือ 1.70% ในเดือนกุมภาพันธ์ 2025
  • ใน MMLU ช่องว่างที่เคยอยู่ประมาณ 17.5 คะแนนในปี 2023 แทบหายไปแล้ว
  • DeepSeek R1 สร้างกรณีตัวอย่างว่าการทำ reasoning ระดับ frontier ไม่จำเป็นต้องใช้งบฝึกระดับ 100 ล้านดอลลาร์
  • Qwen แซง Llama ขึ้นเป็นตระกูลโมเดลที่ถูกดาวน์โหลดมากที่สุดบน Hugging Face
  • Hugging Face มีโมเดลลงทะเบียนอยู่ มากกว่า 2.2 ล้านโมเดล และแคตตาล็อกเพิ่มเป็นสองเท่าในเวลาประมาณ 24 เดือน
  • เมื่อมีโมเดลเปิดที่คล้ายกันหลายพันโมเดล ความสามารถในการรันอย่างมีประสิทธิภาพจึงหายากกว่าตัว weights เอง
    • ต้องปรับ throughput, latency และต้นทุนต่อโทเคนให้เหมาะสม
    • ยังต้องมี model routing, caching, fine-tuning, evaluation และ guardrails

• โมเดลเปิดนอกสหรัฐฯ และมูลค่าของแพลตฟอร์ม

  • สัดส่วนของนักพัฒนานอกสหรัฐฯ ในแนวหน้า open weights กำลังเพิ่มขึ้น
  • ตั้งแต่เดือนสิงหาคม 2024 ถึงสิงหาคม 2025 นักพัฒนาจีนคิดเป็น 17.1% ของการดาวน์โหลดบน Hugging Face
    • สัดส่วนของนักพัฒนาสหรัฐฯ อยู่ที่ 15.8%
  • Qwen แซง Llama ขึ้นเป็นตระกูลโมเดลดาวน์โหลดอันดับหนึ่ง
  • การทำให้โมเดลเปิดกลายเป็นสินค้าโภคภัณฑ์ไม่ได้มีแค่ปัญหาเศรษฐศาสตร์ แต่ยังรวมถึง ตัวแปรด้านซัพพลายเชนและนโยบาย
  • เช่นเดียวกับที่ Red Hat และคลาวด์ยึดมูลค่าทางเศรษฐกิจได้มากกว่า Linux เอง ใน open weights แพลตฟอร์มที่ให้บริการได้เสถียรและราคาถูกย่อมดูดซับการใช้จ่ายมากกว่าตัวโมเดล
  • ธุรกิจที่ยั่งยืนอยู่ใกล้กับ แพลตฟอร์ม inference·optimization มากกว่าตัวโมเดลเปิดเอง
    • ความสามารถในการรันโมเดลที่เคลื่อนย้ายได้อย่างน่าเชื่อถือและราคาถูกใน production ไม่ได้กลายเป็นสินค้าโภคภัณฑ์ได้ง่าย

• การเติบโตและโครงสร้างต้นทุนของแพลตฟอร์ม inference

  • Fireworks AI เปิดเผยว่ารายได้แบบ annualized เกิน 800 ล้านดอลลาร์ ภายในเวลาประมาณ 3 ปี และเติบโตมากกว่า 4 เท่าเมื่อเทียบกับปีก่อน
  • Together AI ก็เป็นที่ทราบกันว่าอยู่ในระดับใกล้เคียงกัน และ Baseten เติบโตมากกว่า 5 เท่าเมื่อเทียบกับปีก่อน จนแตะประมาณ 600 ล้านดอลลาร์
  • บริษัทเหล่านี้ไม่ใช่แล็บวิจัยโมเดล แต่เป็นผู้ให้บริการฐานที่ทำให้ใช้ open weights ใน production ได้
  • หากสมมติฟีเจอร์ AI ขนาดกลางที่ประมวลผล output token 50 พันล้านโทเคนต่อเดือน ความต่างของต้นทุนจะสูงมาก
    • หากราคา output ของ frontier API อยู่ที่ประมาณ 10~15 ดอลลาร์ต่อ 1 ล้านโทเคน ต้นทุนรายเดือนจะอยู่ราว 500,000~750,000 ดอลลาร์
    • หากให้บริการโมเดลเปิดอย่าง Llama, Qwen, DeepSeek ผ่านแพลตฟอร์ม inference ที่ประมาณ 0.40~1 ดอลลาร์ต่อ 1 ล้านโทเคน ต้นทุนรายเดือนจะอยู่ราว 20,000~50,000 ดอลลาร์
  • ต้นทุนลดลง มากกว่า 90% และแพลตฟอร์มยึดส่วนหนึ่งของเงินที่ประหยัดได้เป็นมาร์จิ้น
  • การคำนวณนี้เป็นตัวอย่าง และต้นทุนจริงขึ้นอยู่กับโมเดล, ความยาวบริบท และอัตราการใช้งาน

เลเยอร์ 3: โมเดลพรีเมียมจำนวนน้อย

• การบรรจบกันของโมเดลเปิดลดช่องว่างของประสิทธิภาพเฉลี่ย แต่ไม่ได้ทำให้ frontier หายไป
• ยังมีเลเยอร์พรีเมียมสำหรับพื้นที่ที่ยอมจ่ายเพื่อ ประสิทธิภาพส่วนเพิ่มอีกหนึ่งจุด เช่น งาน agent ที่ซับซ้อน, ความน่าเชื่อถือในการรันระยะยาว, การเขียนโค้ดใน production และความปลอดภัย
• รายได้แบบ annualized ของ Anthropic เพิ่มจากประมาณ 1 พันล้านดอลลาร์ปลายปี 2024 เป็นประมาณ 47 พันล้านดอลลาร์ในเดือนพฤษภาคม 2026 และคาดว่าปลายปีจะอยู่ราว 100 พันล้านดอลลาร์
  • มีลูกค้าองค์กรที่ใช้จ่ายมากกว่า 1 ล้านดอลลาร์ต่อปีเกิน 1,000 ราย
• รายได้แบบ annualized ของ OpenAI อยู่ที่ประมาณ 6 พันล้านดอลลาร์ปลายปี 2024, ประมาณ 20 พันล้านดอลลาร์ปลายปี 2025, ประมาณ 30 พันล้านดอลลาร์กลางปี 2026 และกำลังมุ่งสู่ประมาณ 60 พันล้านดอลลาร์ปลายปี
• แล็บทั้งสองใช้เกณฑ์รายได้ต่างกัน และตัวเลขปลายปี 2026 เป็น ประมาณการ จึงควรโฟกัสที่เส้นทางการเติบโตมากกว่าขนาดสัมบูรณ์
• เลเยอร์พรีเมียมแคบกว่าที่คาดไว้ในปี 2023 และการจะได้ตำแหน่งที่ป้องกันได้ต้องมีไม่เพียงประสิทธิภาพ frontier แต่ยังต้องมี ช่องทางจัดจำหน่ายที่เข้าถึงลูกค้าองค์กร ด้วย

เลเยอร์ 4: แพลตฟอร์มข้อมูล

• แพลตฟอร์มข้อมูลสร้าง แรงโน้มถ่วงของข้อมูล ที่ทำให้ต้นทุนการย้ายสูงขึ้นเมื่อ pipeline·table·ontology สะสมมากขึ้น
• รายได้แบบ annualized ของ Databricks เกิน 6.9 พันล้านดอลลาร์ และเติบโตประมาณ 80%
  • ผลิตภัณฑ์ AI คิดเป็นประมาณ 26% ของรายได้แล้ว
  • มูลค่าบริษัทเอกชนอยู่ราว 170 พันล้านดอลลาร์
• Palantir เป็นเลเยอร์ปฏิบัติการที่เชื่อมข้อมูลขององค์กรเข้ากับการตัดสินใจที่ถูกควบคุม
  • รายได้ไตรมาส 1 ปี 2026 เพิ่มขึ้น 85% เมื่อเทียบกับปีก่อน แตะขนาด annualized ประมาณ 6.5 พันล้านดอลลาร์
  • รายได้ภาคพาณิชย์ในสหรัฐฯ เพิ่มขึ้น 133%
  • ค่า Rule of 40 อยู่ที่ 145%
  • มูลค่าตลาดอยู่ราว 350 พันล้านดอลลาร์ และถูกประเมินที่ประมาณ 50 เท่าของรายได้
• โมเดลต่าง ๆ บรรจบเข้าหากัน แต่ข้อมูลกรรมสิทธิ์ขององค์กร รวมถึงเวิร์กโฟลว์·ontology ที่สร้างอยู่บนนั้น ไม่ถูกแทนที่
• ยิ่งเลเยอร์โมเดลกลายเป็นสินค้าโภคภัณฑ์ แพลตฟอร์มที่เป็นเจ้าของข้อมูลและวงจรการตัดสินใจก็ยิ่งมีคานงัดต่อเนื่อง
• ตัวคูณรายได้ที่สูง เช่น Palantir ประมาณ 50 เท่า และบริษัทโมเดลฐาน 25~50 เท่า กระจุกตัวอยู่ใน เลเยอร์ที่ผสานกับข้อมูลกรรมสิทธิ์ มากกว่าพื้นผิวซอฟต์แวร์ทั่วไป

เลเยอร์ 5: แอปพลิเคชันที่บางลง

• แรงกดดันต่ออัตรากำไรขั้นต้น

  • SaaS แบบดั้งเดิมแทบไม่มีต้นทุนรองรับผู้ใช้เพิ่มเติม จึงทำ อัตรากำไรขั้นต้น 75~90% ได้
  • แอปพลิเคชัน AI-native ต้องรันโมเดลใหม่ทุกครั้งที่มีคำขอ ทำให้อัตรากำไรขั้นต้นอยู่ราว 50~60%
  • จากข้อมูลปี 2026 ของ ICONIQ ค่า inference ของบริษัท AI ระยะเติบโตคิดเป็นโดยเฉลี่ยประมาณ 23% ของรายได้
  • ต่างจากต้นทุนรายได้ของ SaaS แม้ขนาดจะใหญ่ขึ้น สัดส่วนค่า inference ก็ไม่ได้ลดลงโดยอัตโนมัติ
  • wrapper ที่บางมากอาจมีอัตรากำไรขั้นต้นลดลงถึง 25%

• การแบ่งขั้วของการประเมินมูลค่า

  • ตลาดกำลังใช้ตัวคูณรายได้ต่างกันตามเลเยอร์ของสแตก AI
    • บริษัทโมเดลฐานถูกประเมินที่ 25~50 เท่า
    • แพลตฟอร์ม AI-native อยู่ราว 25~30 เท่า
    • ค่ามัธยฐานของ SaaS แบบดั้งเดิมลดลงจากจุดสูงสุด 18.6 เท่าในปี 2021 เหลือประมาณ 6.7 เท่า
    • AI wrapper อยู่ที่ 5~8 เท่า เท่ากับหรือต่ำกว่า SaaS เดิม
  • โมเดลและข้อมูลได้มูลค่าสูง แต่พื้นผิวแอปพลิเคชันที่ไม่มีความแตกต่างถูกประเมินต่ำ
  • แอปพลิเคชันที่ยั่งยืนต้องมีสินทรัพย์ที่โมเดลดูดซับได้ยาก
    • ต้องมี วงจรข้อมูลกรรมสิทธิ์ หรือระบบบันทึกข้อมูล
    • เวิร์กโฟลว์ที่อยู่ภายใต้กฎระเบียบและช่องทางจัดจำหน่ายจริงให้ความสามารถในการป้องกัน
    • การตั้งราคาตามผลลัพธ์สามารถเปลี่ยนค่า inference ให้กลายเป็นมาร์จิ้นได้
  • หากไม่มีองค์ประกอบเหล่านี้ แอปพลิเคชันจะคงเป็นเลเยอร์บาง ๆ ที่วางพรอมป์ต์และโค้ดเชื่อมต่ออยู่บนโมเดลที่กำลังกลายเป็นสินค้าโภคภัณฑ์

เงื่อนไขที่มูลค่าจะย้ายกลับขึ้นไปยังแอปพลิเคชัน

• หากแอปพลิเคชันสะสมข้อมูลจากการโต้ตอบได้รวดเร็ว ก็จะกลายเป็น แพลตฟอร์มข้อมูล ในตัวและได้แรงโน้มถ่วงของข้อมูล
  • แอปพลิเคชันที่ทำหน้าที่เป็นระบบบันทึกข้อมูลอาจเป็นข้อยกเว้นต่อกระแสที่เลเยอร์บางลง
• หากแล็บโมเดลพรีเมียมเป็นเจ้าของ inference และสร้าง agent เพื่อขายแอปพลิเคชันโดยตรง ก็สามารถ internalize มูลค่าของทั้งสามเลเยอร์ได้
  • สิ่งนี้ทำให้มูลค่ากระจุกตัวอยู่ในบริษัทเดียวมากกว่ากระจายขึ้นไปด้านบน แต่อาจทำให้แพลตฟอร์ม inference อิสระและเลเยอร์แอปพลิเคชันอ่อนแอลง
• หากต้นทุน inference กลายเป็นสินค้าโภคภัณฑ์เร็วกว่าคาด อัตรากำไรขั้นต้นของแอปพลิเคชัน AI อาจฟื้นกลับไประดับ SaaS ได้
  • LLMflation มองว่าต้นทุนต่อหนึ่งหน่วยของความฉลาดลดลงประมาณ 10 เท่าต่อปี และตั้งแต่ต้นปี 2024 อัตราการลดลงของราคามัธยฐานแตะประมาณ 200 เท่าต่อปี
  • หาก inference แทบฟรี ปัญหามาร์จิ้นของเลเยอร์แอปพลิเคชันก็จะอ่อนลง
  • อย่างไรก็ตาม แม้ต้นทุนจะเป็นศูนย์ ความเป็นไปได้ที่เลเยอร์ผิวหน้าจะถูกแทนที่ยังคงอยู่ ดังนั้นปัญหาการประเมินมูลค่าส่วนใหญ่จะยังคงอยู่
• การลดต้นทุนแบบเดียวกันอาจกดดันราคาของเซมิคอนดักเตอร์และแพลตฟอร์ม inference พร้อมกับฟื้นมาร์จิ้นของแอปพลิเคชัน แต่ ความเสี่ยงเชิงโครงสร้างที่จะถูกแทนที่ ของเลเยอร์ผิวหน้ายังคงอยู่

การรับมือของนักลงทุน·ผู้ก่อตั้ง·บริษัทเดิม

• นักลงทุนควรประเมิน จุดควบคุม มากกว่าอินเทอร์เฟซ
  • ต้องพิจารณาคอขวดทางกายภาพ เช่น คอมพิวติงและแพ็กเกจจิง·พลังงานไฟฟ้า·หน่วยความจำ
  • รวมถึงแพลตฟอร์มข้อมูลที่สะสมข้อมูลกรรมสิทธิ์อย่างต่อเนื่อง
  • แพลตฟอร์ม inference·optimization ที่ทำเงินจากอุปทานอันอุดมของโมเดลเปิดก็เป็นเป้าหมายเช่นกัน
  • ต้องแยกแยะโมเดลพรีเมียมจำนวนน้อยที่มีทั้งประสิทธิภาพ frontier และช่องทางจัดจำหน่ายในองค์กร
• สำหรับแอปพลิเคชัน ต้องเรียกร้องให้มีวงจรข้อมูลหรือระบบบันทึกข้อมูล และก่อนพิสูจน์ได้ควรสมมติ อัตรากำไรขั้นต้น 50~60% ไม่ใช่มากกว่า 80%
• ผู้ก่อตั้งต้องเป็นเจ้าของวงจรข้อมูลกรรมสิทธิ์ หรือกลายเป็นระบบบันทึกข้อมูล
  • หรือกำหนดราคาตามผลลัพธ์ เพื่อให้ต้นทุน inference ที่ลดลงไม่หยุดอยู่แค่เงินประหยัดของลูกค้า แต่ไหลเข้าสู่มาร์จิ้นของบริษัทเอง
• บริษัทเดิมอาจเช่าคูเมืองของเลเยอร์ฐานที่ต้องใช้เงินทุนมหาศาลได้ แต่ยากที่จะเป็นเจ้าของโดยตรง
  • แทนที่จะแข่งขันด้านคอมพิวติงหรือโมเดล frontier การสร้างการป้องกันใน เลเยอร์ข้อมูล ที่เก็บข้อมูล·การฝึก·การให้บริการไว้ในที่เดียวเหมาะสมกว่า

ตัวชี้วัดที่ต้องดูใน 4 ไตรมาสข้างหน้า

• หาก รายจ่ายลงทุนต่อรายได้ของไฮเปอร์สเกลเลอร์ เกิน 25~30% แล้วยังรักษามาร์จิ้นได้ ตรรกะผลตอบแทนของเลเยอร์ฐานยังคงอยู่
  • หากผลตอบแทนต่อเงินลงทุนพังลง มูลค่าของทั้งสแตกอาจถูกประเมินใหม่
• หากรายได้ประจำต่อปีของ Fireworks AI, Together AI, Baseten เพิ่มขึ้นเป็นประมาณ 1~2 พันล้านดอลลาร์ แต่ละราย ก็จะเป็นหลักฐานว่ามูลค่ารวมตัวอยู่ที่เลเยอร์ inference มากกว่าที่โมเดล
• หากช่องว่างระหว่างโมเดลเปิดและโมเดลปิดใน benchmark ยาก ๆ อย่าง agent·coding อยู่ภายในประมาณ 2 คะแนน การกลายเป็นสินค้าโภคภัณฑ์ของเลเยอร์โมเดลก็จะมั่นคงขึ้น
• หากอัตรากำไรขั้นต้นของแอปพลิเคชัน AI ระยะเติบโตยังอยู่ที่ 50~60% ตรรกะเรื่องแอปพลิเคชันบางลงยังคงอยู่ และหากฟื้นเกิน 75% ตรรกะนั้นจะอ่อนลง
• หากราคา DRAM และ HBM ยังคงเพิ่มขึ้นเป็นเลขสองหลักทุกไตรมาส ก็ยืนยันได้ว่า ข้อจำกัดทางกายภาพและมาร์จิ้น ยังคงอยู่ในเลเยอร์ฐาน

การจัดวางในมุมมอง 3~5 ปี

• ในฉากทัศน์ที่มีความเป็นไปได้สูง ควรโฟกัสที่เลเยอร์ฐานและเลเยอร์ข้อมูล ส่วนโมเดลพรีเมียมควรเลือกเมื่อมีความมั่นใจสูงในผู้ชนะจำนวนน้อย
• สำหรับแอปพลิเคชัน ควรใช้ตัวคูณรายได้ระดับซอฟต์แวร์เดิมเฉพาะกรณีที่มีวงจรข้อมูลหรือระบบบันทึกข้อมูลเท่านั้น
• แรงโน้มถ่วงของมูลค่า ที่เกิดจากเงินทุน, คอขวดทางกายภาพ, ต้นทุนการย้ายข้อมูล และความเป็นไปได้ในการถูกแทนที่ กำลังทำให้มูลค่าสะสมอยู่ในเลเยอร์ล่างของสแตก AI