- เมื่อเงินทุนล่วงหน้าจำนวนมหาศาลรวมกับวัฏจักรเทคโนโลยีที่สั้น ห้องแล็บ Frontier AI จึงเข้าสู่ ลู่วิ่งแบบเซมิคอนดักเตอร์ ที่ต้องเตรียมรุ่นถัดไปทันทีที่เปิดตัวผลิตภัณฑ์ใหม่
- ค่าใช้จ่ายในการฝึก Frontier model เพิ่มขึ้นราว 2.4 เท่า ต่อปีตลอด 8 ปีที่ผ่านมา และงานฝึกขนาดใหญ่ที่สุดอาจทะลุ 1 พันล้านดอลลาร์ในปี 2027 และแตะ 1 หมื่นล้านดอลลาร์ในปี 2028
- อุตสาหกรรมเซมิคอนดักเตอร์เผชิญภาวะตกต่ำทุก 3~4 ปีและถูกปรับโครงสร้างให้เหลือผู้เล่นไม่กี่ราย แต่บริษัทอย่าง Nvidia, Apple และ ARM ที่ครอง การออกแบบ·ซอฟต์แวร์·ระบบนิเวศ ซึ่งอยู่เหนือการผลิตขึ้นไปอีกชั้น กลับสร้างมูลค่าได้มหาศาล
- ใน AI ต้นทุนฝั่ง Frontier พุ่งสูงขึ้น ขณะที่ต้นทุนในการทำให้ได้ประสิทธิภาพระดับเดียวกันกลับลดลงตามการประเมินบางส่วนถึงระดับ เหลือหนึ่งในสิบ ต่อปี ทำให้บริษัทแอปพลิเคชันอย่าง Cursor, Harvey และ Abridge สามารถสร้างผลิตภัณฑ์และความสัมพันธ์กับลูกค้าได้โดยไม่ต้องฝึกโมเดลเองโดยตรง
- ขนาดและเงินทุนคือความสามารถในการแข่งขันหลักของห้องแล็บ Frontier แต่โอกาสทางธุรกิจที่กว้างกว่านั้นอยู่ในชั้นแอปพลิเคชันของปัญญาที่ถูกลงและมีมากขึ้น และต้องประเมินแยกต่างหากถึง ความเสี่ยงจากการพึ่งพาแพลตฟอร์ม ที่ผู้ให้บริการโมเดลอาจรุกเข้าสู่ตลาดลูกค้าได้
ลู่วิ่งเซมิคอนดักเตอร์ที่ไม่หยุดหมุน
- บริษัทเซมิคอนดักเตอร์รุ่นใหม่ต้องทุ่มเงินจำนวนมหาศาลไปกับการออกแบบ tape-out การรับรองกระบวนการ และการขยายการผลิต·การจัดจำหน่าย แต่เมื่อผลิตภัณฑ์เสร็จ ตลาดก็มักเรียกร้องรุ่นถัดไปแล้ว
- บริษัทที่ตามวัฏจักรนี้ไม่ทันมักถูกซื้อกิจการ·ควบรวม หรือค่อย ๆ ปิดธุรกิจลง โดยสิ่งที่ทำให้การลงทุนยากไม่ใช่แค่เทคโนโลยี แต่คือ ความเข้มข้นด้านเงินทุนและความเร็วในการพัฒนา
- ห้องแล็บ Frontier model ก็มีรูปแบบเดียวกัน เพราะทันทีที่ทุ่มทุนมหาศาลและเปิดตัวผลิตภัณฑ์ ก็จะถูกคาดหวังให้สร้างโมเดลถัดไปต่อทันที
ต้นทุนของกระบวนการผลิตเซมิคอนดักเตอร์รุ่นถัดไป
- ค่าใช้จ่ายในการ tape-out ที่เคยอยู่ระดับหลายแสนดอลลาร์ในกระบวนการรุ่นเก่า อาจสูงถึง มากกว่า 100 ล้านดอลลาร์ สำหรับมาสก์ครบชุดของ 3nm
- ต้นทุนส่วนใหญ่มาจากชุดมาสก์และวิศวกรรมแบบไม่ทำซ้ำ มากกว่าจากเวเฟอร์
- International Business Strategies ประเมินว่าต้นทุนการออกแบบรวมของชิปรุ่นใหม่เพิ่มขึ้นอย่างรวดเร็วเมื่อกระบวนการยิ่งละเอียดขึ้น
- 28nm: ราว 40 ล้านดอลลาร์
- 7nm: ราว 217 ล้านดอลลาร์
- 5nm: ราว 416 ล้านดอลลาร์
- 3nm: ราว 590 ล้านดอลลาร์
- 2nm: มากกว่า 725 ล้านดอลลาร์
- อย่างไรก็ดี ตัวเลขเหล่านี้ยังมีข้อถกเถียง
- ตามข้อมูลของ SemiAnalysis มีกรณีที่สตาร์ทอัพเปิดตัวชิป 7nm ระดับล้ำสมัยจริงด้วยต้นทุนรวมเพียง 50 ล้าน~75 ล้านดอลลาร์ ทำให้การประเมินที่สูงควรถูกมองเป็นเพดานบน
- หากรวมโรงงานผลิตเข้าไปด้วย ภาระก็ยิ่งสูงขึ้น
- โรงงานผลิต 3nm: 15~20 พันล้านดอลลาร์
- เครื่องสแกน EUV หนึ่งเครื่อง: มากกว่า 350 ล้านดอลลาร์
- แผนลงทุนด้านอุปกรณ์ของ TSMC ในปี 2026: 52~56 พันล้านดอลลาร์
- ต้นทุนต่อทรานซิสเตอร์ยังลดลงต่อเนื่อง แต่มีเพียงบริษัทที่ผลิตได้ในปริมาณมากพอจะชดเชยต้นทุนเหล่านี้เท่านั้นที่ทำให้คุ้มทุนทางเศรษฐกิจ
ต้นทุนของ Frontier model รุ่นถัดไป
- Epoch AI ประเมินว่าต้นทุนฮาร์ดแวร์แบบคิดค่าเสื่อมที่ใช้ในการฝึก GPT-4 รอบสุดท้ายอยู่ที่ประมาณ 40 ล้านดอลลาร์
- Stanford AI Index คำนวณโดยใช้ราคาคลาวด์เช่าแล้วได้ราว 78 ล้านดอลลาร์
- Sam Altman ระบุว่ามีค่าใช้จ่ายมากกว่า 100 ล้านดอลลาร์
- ค่าใช้จ่ายในการฝึก Gemini Ultra ที่ประเมินกันนั้นแตกต่างตามวิธีคำนวณ อยู่ที่ 30 ล้าน~191 ล้านดอลลาร์
- แม้หลักแรกของตัวเลขจะต่างกันตามวิธีวิทยา แต่ขนาดของต้นทุนโดยรวมใกล้เคียงกัน และแนวโน้มการเพิ่มขึ้นระยะยาวสำคัญกว่าค่าประเมินรายจุด
- ตามข้อมูลของ Epoch AI ต้นทุนการฝึก Frontier เพิ่มขึ้นราว 2.4 เท่า ต่อปีติดต่อกัน 8 ปี
- งานฝึกขนาดใหญ่ที่สุดอาจทะลุ 1 พันล้านดอลลาร์ในปี 2027
- Dario Amodei คาดว่าในปี 2028 อาจมีงานฝึกระดับ 1 หมื่นล้านดอลลาร์เกิดขึ้น
- งานฝึก Frontier ในปี 2026 ถูกประเมินไว้แล้วที่ 200 ล้าน~500 ล้านดอลลาร์ขึ้นไป
- เงินทุนล่วงหน้าจำนวนมหาศาล รอบการเปิดตัวที่รวดเร็ว และสภาพแวดล้อมที่เรียกร้องรุ่นถัดไปทันทีหลังเปิดตัว กำลังกดดันห้องแล็บ AI ในลักษณะคล้ายบริษัทเซมิคอนดักเตอร์
ทำไมสินทรัพย์สำหรับการฝึก AI จึงเสื่อมมูลค่าเร็วกว่า
- โรงงานเซมิคอนดักเตอร์สามารถนำกลับมาใช้ซ้ำได้ข้ามหลายรุ่นของกระบวนการ และแม้สายการผลิตเดิมจะคิดค่าเสื่อมหมดแล้ว ก็ยังสร้างรายได้ได้อีกหลายปี
- แต่ Frontier model ที่ฝึกเสร็จแล้วจะมูลค่าลดลงทันทีเมื่อคู่แข่งเปิดตัวโมเดลที่ดีกว่า และไม่มี มูลค่าคงเหลือ แบบโรงงานเซมิคอนดักเตอร์เก่า
- ความต่างข้อนี้ทำให้ลู่วิ่งทางเศรษฐกิจของห้องแล็บ Frontier AI อาจโหดกว่าการผลิตเซมิคอนดักเตอร์เสียอีก
วัฏจักรและการรวมศูนย์ของอุตสาหกรรมเซมิคอนดักเตอร์
- ตลอดราว 70 ปีที่ผ่านมา อุตสาหกรรมเซมิคอนดักเตอร์เผชิญภาวะตกต่ำทุก 3~4 ปี และผ่านวัฏจักรมาแล้ว มากกว่า 15 ครั้ง
- ตอนฟองสบู่ดอตคอมแตก PHLX Semiconductor Sector Index (SOX) ร่วงลงราว 82% จากจุดสูงสุดในปี 2000 และมูลค่ากิจการของ Nvidia ก็ลดลงราว 90%
- ตามข้อมูลของ PitchBook เงินลงทุนร่วมลงทุนในสตาร์ทอัพเซมิคอนดักเตอร์แตะจุดสูงสุดที่ราว 14.5 พันล้านดอลลาร์ในปี 2021 ก่อนลดลง 46% เหลือ 7.8 พันล้านดอลลาร์ ในปี 2022
- สตาร์ทอัพชิปที่ไม่สามารถเปลี่ยนงานวิจัยและพัฒนาให้เป็นรายได้ก่อนตลาดเงินทุนจะแข็งตัว มักหมดเงินทุนหมุนเวียน
- อุตสาหกรรมที่เคยมีบริษัทนับพัน ค่อย ๆ ถูกรวมศูนย์ตลอดหลายทศวรรษจนเหลือผู้เล่นไม่กี่ราย โดยเฉพาะตลาดหน่วยความจำที่กลายเป็นโครงสร้างกึ่งผูกขาด
- เมื่อความเข้มข้นด้านเงินทุนขั้นสุดและการเปลี่ยนรุ่นอย่างไม่หยุดยั้งมารวมกัน อุตสาหกรรมจะกระจุกตัวไปที่ผู้ชนะไม่กี่ราย และบริษัทที่เข้าใจผิดว่าช่วงขาขึ้นเป็นสภาวะถาวรจะถูกกระแทกหนักในรอบขาลงถัดไป
ชั้นที่สร้างมูลค่ามากกว่าในโลกเซมิคอนดักเตอร์
- อุตสาหกรรมเซมิคอนดักเตอร์ไม่ได้สร้างแค่การรวมศูนย์ของบริษัทกระบวนการผลิตล้ำสมัย แต่ยังเป็นฐานให้เกิดการสร้างมูลค่ามหาศาลของทั้งอุตสาหกรรมเทคโนโลยี
- Nvidia, Apple, Qualcomm, Broadcom และ AMD สร้างธุรกิจที่แข็งแกร่งด้วย โมเดล fabless โดยไม่ถือครองโรงงานเอง และปล่อยให้ TSMC เป็นต้น รับภาระเงินทุนของการผลิตล้ำสมัย
- ARM เข้าสู่โทรศัพท์มือถือแทบทั้งหมดด้วยการให้สิทธิใช้งาน instruction set โดยไม่แตะซิลิคอนโดยตรง
- บริษัทเหล่านี้ครองการออกแบบ ซอฟต์แวร์ และระบบนิเวศในชั้นที่อยู่เหนือกว่าลู่วิ่งการผลิต และโยนความเสี่ยงในงบการเงินไปให้ฝั่ง foundry
- การเปลี่ยนแปลงที่ใหญ่กว่านั้นเกิดขึ้นบนเซมิคอนดักเตอร์ที่ถูกลง มีมากขึ้น และดีขึ้นอย่างต่อเนื่อง
- อุตสาหกรรมซอฟต์แวร์
- อินเทอร์เน็ต
- เศรษฐกิจสมาร์ตโฟน
- คลาวด์คอมพิวติ้ง
- Google·Amazon และเศรษฐกิจแอป
- เมื่อเทียบกับบริษัทที่หายไปจากการแข่งขันกระบวนการล้ำสมัย บริษัทที่สร้างธุรกิจบนคอมพิวติ้งราคาถูกที่การแข่งขันนั้นสร้างขึ้น กลับเติบโตได้มากกว่าตลอดหลายทศวรรษ
ต้นทุน Frontier ที่สูงขึ้นและต้นทุนของปัญญาที่ลดลง
- แม้เพดานต้นทุนของ Frontier model จะขึ้นไปเกิน 1 พันล้านดอลลาร์ แต่ต้นทุนในการไปถึงระดับประสิทธิภาพที่กำหนดกลับลดลงตามการประเมินบางส่วนถึงระดับ เหลือหนึ่งในสิบ ต่อปี
- โมเดลระดับที่เคยต้องใช้ค่าฝึกราว 78 ล้านดอลลาร์ในปี 2023 ปัจจุบันอาจสร้างได้ด้วยเงินต่ำกว่า 10 ล้านดอลลาร์
- DeepSeek เป็นที่รู้กันว่าสามารถฝึกโมเดลสมรรถนะสูงได้ด้วยเงินเพียงไม่กี่ล้านดอลลาร์
- แม้ตัวเลขที่แม่นยำยังเป็นประเด็นถกเถียงและบางการประเมินอาจมองโลกในแง่ดีเกินไป แต่ทิศทางที่ต้นทุนในการทำให้ได้ประสิทธิภาพเดียวกันในโมเดลเปิดลดลงนั้นชัดเจน
- ต้นทุนของปัญญากำลังลดลงตามเส้นโค้งต้นทุนเช่นเดียวกับคอมพิวติ้ง และการแข่งขันฝั่ง Frontier กับตลาดแอปพลิเคชันที่อยู่เหนือขึ้นไปก็มีเศรษฐศาสตร์คนละแบบ
กลยุทธ์แบบ fabless ที่ถูกย้ายมาใช้กับ AI
- มีเพียงห้องแล็บไม่กี่แห่งที่มีเงินทุนมหาศาลพอจะเข้าร่วมการฝึก Frontier model แต่ชั้นแอปพลิเคชันที่อยู่เหนือขึ้นไปเปิดกว้างสำหรับบริษัทจำนวนมากกว่า
- Anysphere ก่อตั้งในปี 2022 โดยนักศึกษา MIT 4 คน และสร้าง Cursor บน Frontier model ของบริษัทอื่น
- รายได้ต่อปีแบบ annualized เพิ่มจากราว 100 ล้านดอลลาร์ต้นปี 2025 เป็นราว 4 พันล้านดอลลาร์กลางปี 2026
- SpaceX ตกลงเข้าซื้อบริษัทในเดือนมิถุนายน 2026 ที่มูลค่าราว 6 หมื่นล้านดอลลาร์
- Cursor ไม่ได้ฝึก Frontier model เองโดยตรง แต่ครอบครองผลิตภัณฑ์และความสัมพันธ์กับนักพัฒนา พร้อมปล่อยให้ห้องแล็บโมเดลเป็นผู้แบกรับต้นทุนการฝึก
- กลยุทธ์เดียวกันนี้กำลังถูกใช้ในหลายอุตสาหกรรม
- Perplexity: การค้นหา
- Harvey: งานกฎหมาย
- Sierra: บริการลูกค้า
- Abridge: งานหน้างานคลินิก
- Glean: งานภายในองค์กร
- Foundry Robotics: การผลิต
- บริษัทเหล่านี้ไม่ได้ขึ้นไปวิ่งบนลู่วิ่งการฝึกโดยตรง แต่สร้างผลิตภัณฑ์และธุรกิจบนชั้นเหนือมัน
ความเสี่ยงอีกแบบหนึ่งคือการพึ่งพาแพลตฟอร์ม
- เมื่อสร้างผลิตภัณฑ์บนโมเดลภายนอก ผู้ให้บริการโมเดลอาจไต่ขึ้นมาสู่ชั้นแอปพลิเคชันและแข่งขันกับธุรกิจของลูกค้าโดยตรง
- ปัจจุบันห้องแล็บต่าง ๆ ก็แข่งขันกับลูกค้ารายสำคัญบางรายที่ใช้โมเดลของตนเองอยู่แล้ว
- Cursor ต้องแข่งขันกับเครื่องมือเขียนโค้ดของผู้ให้บริการโมเดลเอง พร้อมแบกรับราคาขายปลีกของโมเดล ขณะที่ผู้ให้บริการสามารถใช้ประโยชน์จากเศรษฐศาสตร์ระดับขายส่งได้
- การพึ่งพาแพลตฟอร์ม เป็นความเสี่ยงการลงทุนที่มองข้ามไม่ได้ แต่มีธรรมชาติและต้นทุนการเข้าสู่ตลาดต่างจากความเสี่ยงด้านต้นทุนการฝึกและการเปลี่ยนรุ่นที่ห้องแล็บ Frontier ต้องแบกรับ
สองประเภทที่ต้องแยกให้ออกในการลงทุน
- ในยุคเซมิคอนดักเตอร์ มีบริษัทสองประเภทที่ทำผลงานได้ดี
- บริษัทส่วนน้อยสามารถสร้างขนาดธุรกิจที่พอจะรับภาระลู่วิ่งล้ำสมัยได้ต่อเนื่อง
- บริษัทจำนวนมากกว่าสร้างธุรกิจที่ยั่งยืนและมาร์จินสูงในชั้นที่อยู่เหนือซิลิคอนราคาถูกและอุดมสมบูรณ์ขึ้นไปหนึ่งหรือสองชั้น
- ในแง่ขนาดของการสร้างมูลค่ารวม กลุ่มที่สองมีขนาดใหญ่กว่ากลุ่มแรกมาก
- ยุคของ Frontier model ก็กำลังพัฒนาไปในทิศทางเดียวกัน และไม่ควรมองว่าลู่วิ่งนั้นคือทั้งตลาด
- AI เองก็อาจเผชิญภาวะเงินทุนแห้งมากกว่าหนึ่งครั้งเหมือนช่วงบูมเทคโนโลยีที่ใช้เงินทุนสูงในอดีต และบริษัทที่ระดมเงินจากตลาดในภาวะมองโลกแง่ดีเพื่อจ่ายให้รุ่นล่าสุดจะถูกกดดันในช่วงนั้น
- โอกาสที่กว้างกว่าคือไม่ใช่แค่ว่าใครจะชนะในการแข่งขัน Frontier แต่คือ ใครจะสร้างอะไรได้หลังจากที่ปัญญามีราคาถูกลงและมีมากขึ้น
- Red Glass Ventures ให้ความสนใจเป็นพิเศษกับหุ่นยนต์ ฮาร์ดแวร์ และระบบที่ลงมือกระทำในโลกจริงโดยตรง ซึ่งเป็นจุดที่ปัญญาราคาถูกมาบรรจบกับโลกกายภาพ
ยังไม่มีความคิดเห็น