แผนที่ห่วงโซ่อุปทานชิป AI: GPU, HBM, CoWoS หรือ EUV — อะไรสำคัญที่สุด?

ข้อสรุปหลักชัดเจน: GPU คือประตูสู่ความต้องการ HBM คือตัวขยายประสิทธิภาพ CoWoS คือคอขวดในการส่งมอบในระยะสั้น และ EUV คือเพดานในระยะยาวของเทคโนโลยีกระบวนการผลิตขั้นสูง คุณไม่ควรมองเพียงราคาหุ้นของ NVIDIA หรือสเปกของ GPU รุ่นเดียวเท่านั้น แต่คุณต้องติดตาม CAPEX ของคลาวด์ รายได้จากศูนย์ข้อมูล อุปทาน HBM กำลังการผลิตบรรจุภัณฑ์ขั้นสูง การจัดสรรกำลังการผลิตของฟาวดรี และคำสั่งซื้ออุปกรณ์เซมิคอนดักเตอร์ไปพร้อมกัน หากโฟกัสของคุณคือ 6–12 เดือนข้างหน้า HBM และ CoWoS สมควรได้รับความสนใจมากขึ้น หากโฟกัสของคุณคือ 3–5 ปีข้างหน้า EUV, กระบวนการผลิตขั้นสูง และระบบนิเวศอุปกรณ์ มีความสำคัญมากกว่า

ประเด็นสำคัญ

• GPU เป็นประตูด่านหน้าของอุปสงค์ชิป AI แต่ไม่ใช่คอขวดเพียงจุดเดียว
• HBM เป็นตัวกำหนดเพดานแบนด์วิดท์หน่วยความจำสำหรับการฝึกและอนุมาน AI ในระดับใหญ่
• CoWoS ส่งผลต่อว่า GPU AI ระดับไฮเอนด์จะส่งมอบได้ตามเวลาหรือไม่
• EUV เป็นรากฐานของการขยายสู่โหนดกระบวนการผลิตขั้นสูงและการปรับปรุงอัตราผลผลิตในระยะยาว
• นักลงทุนควรติดตามคำสั่งซื้อ กำลังการผลิต อัตรากำไร และ CAPEX อย่างพร้อมเพียงกัน

แผนผังห่วงโซ่อุปทานชิป AI: จากอุปสงค์ของโมเดลถึงการส่งมอบเซิร์ฟเวอร์

ห่วงโซ่อุปทานชิป AI ไม่ใช่ "สายการผลิต GPU" แบบง่าย ๆ แต่เป็นระบบที่เริ่มต้นจากความต้องการฝึกโมเดลและการอนุมาน (inference) จากนั้นไหลผ่าน CAPEX ของคลาวด์ การออกแบบ AI accelerator การผลิตเวเฟอร์ขั้นสูง การจัดหา HBM การบรรจุชิปขั้นสูงแบบ CoWoS และสุดท้ายคือเซิร์ฟเวอร์ แร็ก ระบบเครือข่าย พลังงาน และระบบระบายความร้อน การมองเพียงแค่ GPU เพียงอย่างเดียวอาจทำให้ประเมินข้อจำกัดด้านการบรรจุชิปและหน่วยความจำต่ำเกินไป ขณะที่การมองเพียงอุปกรณ์สารกึ่งตัวนำเพียงอย่างเดียวอาจทำให้มองข้ามวัฏจักรของความต้องการปลายทาง

จากพฤติกรรมการค้นหาระดับนานาชาติ ผู้ใช้มักค้นหาหัวข้อต่าง ๆ เช่น ห่วงโซ่อุปทานชิป AI, ห่วงโซ่อุปทาน NVIDIA, หุ้น HBM, คอขวด CoWoS, ASML EUV ชิป AI และหุ้นเซมิคอนดักเตอร์ AI ร่วมกัน ซึ่งสะท้อนว่าคำถามที่แท้จริงไม่ใช่เพียงแค่ “หุ้นตัวไหนขึ้นเร็วกว่ากัน” แต่คือ “ส่วนใดของความต้องการคอมพิวติ้ง AI ที่กำลังถูกแปลงเป็นรายได้จริงทั่วทั้งห่วงโซ่อุปทาน”

ห่วงโซ่อุปทานสามารถแบ่งออกได้เป็นหกชั้น:

ความต้องการชิป AI เริ่มต้นจากศูนย์ข้อมูล ผลประกอบการไตรมาสแรกปีงบประมาณ 2027 ของ NVIDIA แสดงให้เห็นรายได้รายไตรมาสที่ 81.6 พันล้านดอลลาร์ โดยธุรกิจศูนย์ข้อมูลยังคงเป็นเครื่องยนต์ขับเคลื่อนการเติบโตหลักของบริษัท ซึ่งบ่งชี้ว่าความต้องการด้านการประมวลผล AI ได้เปลี่ยนจากเรื่องเล่าไปสู่การจัดซื้อจริงโดยผู้ให้บริการคลาวด์และลูกค้าองค์กรแล้ว

แต่ความต้องการไม่ได้เท่ากับกำลังการผลิตโดยอัตโนมัติ ชิป AI ระดับไฮเอนด์ต้องบูรณาการ die ของ GPU, HBM, interposer, substrate, ระบบระบายความร้อน และการทดสอบระบบ TSMC CoWoS มุ่งเน้นไปที่การเชื่อมต่อความหนาแน่นสูงและการบูรณาการ HBM สำหรับงาน AI และการประมวลผลประสิทธิภาพสูงโดยเฉพาะ ซึ่งเป็นเหตุผลว่าทำไมการบรรจุขั้นสูง (advanced packaging) จึงเปลี่ยนจากกระบวนการสนับสนุนตอนปลาย (back-end) มาเป็นตัวแปรหลักในห่วงโซ่อุปทานของชิป AI

สรุป: หัวใจสำคัญของห่วงโซ่อุปทานชิป AI ไม่ใช่เทคโนโลยีใดเทคโนโลยีหนึ่งเพียงอย่างเดียว แต่เป็นการส่งมอบอย่างประสานกันในหลายขั้นตอน GPU กำหนดประตูด้านอุปสงค์ HBM เป็นตัวกำหนดแบนด์วิดท์ของหน่วยความจำ CoWoS เป็นตัวกำหนดว่าชิประดับไฮเอนด์สามารถถูกแพ็กเกจเป็นผลิตภัณฑ์ขั้นสุดท้ายได้หรือไม่ และ EUV ร่วมกับกระบวนการผลิตขั้นสูงเป็นตัวกำหนดเพดานประสิทธิภาพในระยะยาว เมื่อประเมินโอกาสในเซมิคอนดักเตอร์ AI คุณไม่ควรถามเพียงว่า "ใครผลิต GPU" แต่ควรถามด้วยว่า "ใครควบคุมอุปทาน HBM ใครมีกำลังการผลิตด้านการแพ็กเกจขั้นสูง และใครสามารถสนับสนุนการขยายสู่กระบวนการที่เล็กกว่า 2 นาโนเมตร" กรอบการวิเคราะห์นี้ช่วยให้เปรียบเทียบ NVIDIA, TSMC, SK hynix, Micron, ASML, Broadcom และบริษัทอื่น ๆ ภายในห่วงโซ่มูลค่าเดียวกันได้

เหตุใด GPU จึงเป็นศูนย์กลางด้านอุปสงค์ของห่วงโซ่อุปทานชิป AI?

GPU เป็นศูนย์กลางของความต้องการในห่วงโซ่อุปทานชิป AI เนื่องจากการฝึกโมเดลขนาดใหญ่และการอนุมานปริมาณสูงต้องการแพลตฟอร์มการคำนวณแบบขนานที่สามารถตั้งโปรแกรมได้ ขยายได้ และเป็นผู้ใหญ่เป็นอย่างแรก ความได้เปรียบของ NVIDIA ไม่ได้มีเพียงประสิทธิภาพของ GPU เท่านั้น แต่มาจาก CUDA ระบบเครือข่าย ซอฟต์แวร์ระบบ โซลูชันระดับแร็ค และระบบนิเวศลูกค้าที่ลึกซึ้ง AMD, Broadcom และชิปที่ผลิตเองของผู้ให้บริการคลาวด์กำลังเข้าสู่ตลาด แต่ GPU ยังคงเป็นจุดอ้างอิงหลักในการตัดสินใจจัดซื้อโครงสร้างพื้นฐาน AI ส่วนใหญ่

มูลค่าหลักของ GPU ไม่ได้อยู่ที่ชิปเพียงอย่างเดียว แต่อยู่ที่แพลตฟอร์มการคำนวณ

การฝึก AI ต้องใช้การคำนวณเมทริกซ์จำนวนมหาศาล และ GPU เหมาะกับการประมวลผลแบบขนานโดยธรรมชาติ ที่สำคัญกว่านั้น คลัสเตอร์ AI ระดับไฮเอนด์ไม่ใช่แค่การซื้อชิปเท่านั้น แต่คือการซื้อแพลตฟอร์มการประมวลผลทั้งระบบ: GPU, NVLink หรือเครือข่ายความเร็วสูง, ไลบรารีซอฟต์แวร์, ไดรเวอร์, เครื่องมือจัดตารางงาน, เฟรมเวิร์กปรับปรุงโมเดล, การออกแบบเซิร์ฟเวอร์ และความเชี่ยวชาญด้านการดำเนินงาน

จุดแข็งระยะยาวของ NVIDIA มาจากต้นทุนการเปลี่ยนผู้ให้บริการที่สูงมากสำหรับลูกค้า นักพัฒนาและผู้ให้บริการคลาวด์ต่างสร้างประสบการณ์ทางวิศวกรรมจำนวนมากบน CUDA และระบบสแตกของ NVIDIA ไว้แล้ว

คุณค่าของ AMD อยู่ที่การเป็นทางเลือก AMD Instinct MI300 โดดเด่นด้านหน่วยความจำแบบแบนด์วิดท์สูงและความสามารถในการรองรับปริมาณงาน AI/HPC ซึ่งแสดงให้เห็นว่าตลาดนี้ไม่ได้ขาดผู้ผลิตรายที่สอง อย่างไรก็ตาม ผู้ผลิตรายที่สองต้องแก้ไขปัญหาด้านประสิทธิภาพของฮาร์ดแวร์ ความเป็นผู้ใหญ่ของระบบนิเวศซอฟต์แวร์ และวงจรการตรวจสอบจากลูกค้าไปพร้อมกันทั้งหมด

GPU เทียบกับ AI ASIC: ความยืดหยุ่นแบบเอนกประสงค์ เทียบกับ ประสิทธิภาพแบบเฉพาะทาง

GPU เหมาะสำหรับการทำซ้ำโมเดลอย่างรวดเร็ว งานฝึกฝนที่ซับซ้อน และงานของลูกค้าที่หลากหลายมากกว่า ในขณะที่ AI ASIC เหมาะสำหรับผู้ให้บริการคลาวด์ขนาดใหญ่ที่ต้องการเพิ่มประสิทธิภาพต้นทุนภายใต้ปริมาณงานขนาดใหญ่ที่คงที่ Google TPU, AWS Trainium และโปรแกรม XPU แบบสั่งทำพิเศษของ Broadcom ล้วนเดินตามตรรกะเดียวกัน นั่นคือฮาร์ดแวร์แบบสั่งทำพิเศษสามารถลดต้นทุนต่อหน่วยของการอนุมาน (inference) ในระยะยาวได้เมื่อปริมาณงานคาดการณ์ได้

ธุรกิจ AI ของ Broadcom แสดงให้เห็นถึงความสำคัญของสาขานี้ ผลประกอบการไตรมาสแรกปีงบประมาณ 2026 ของบริษัทแสดงให้เห็นว่าโซลูชันเซมิคอนดักเตอร์ AI ยังคงขับเคลื่อนการเติบโตของรายได้ โดยตัวเร่ง AI แบบสั่งเฉพาะ (custom AI accelerators) และระบบเครือข่าย AI กลายเป็นอีกหนึ่งหัวข้อหลักของห่วงโซ่อุปทานนอกเหนือจาก GPU

ความต้องการ GPU ส่งผ่านไปสู่ HBM, CoWoS และเซิร์ฟเวอร์อย่างไร

GPU AI ระดับไฮเอนด์เพียงหนึ่งตัวดึงดูดความต้องการข้ามอย่างน้อยสี่หมวดหมู่ ประการแรกคือ HBM เนื่องจากโมเดลขนาดใหญ่ต้องการแบนด์วิดท์หน่วยความจำที่สูงมาก ประการที่สองคือ CoWoS เนื่องจาก GPU และ HBM ต้องการการเชื่อมต่อความหนาแน่นสูงภายในแพ็กเกจเดียวกัน ประการที่สามคือเซิร์ฟเวอร์และแร็ก เนื่องจากพลังงาน ระบบระบายความร้อน และระบบเครือข่ายเป็นตัวกำหนดว่าคลัสเตอร์สามารถทำงานได้อย่างเสถียรหรือไม่ ประการที่สี่คือ CAPEX ของคลาวด์ เนื่องจากแพลตฟอร์มคลาวด์ขนาดใหญ่ ห้องปฏิบัติการ AI และลูกค้าองค์กรมักเป็นผู้ให้ทุนสนับสนุนการจัดซื้อขั้นสุดท้าย

นี่คือเหตุผลว่าทำไมรายได้ของบริษัท GPU ที่เพิ่มขึ้นมักดึงดูด HBM บรรจุภัณฑ์ขั้นสูง ซับสเตรต ABF ระบบระบายความร้อนแบบเหลว ชิปเครือข่าย และห่วงโซ่การจัดการพลังงานให้เติบโตขึ้นพร้อมกัน เมื่อคุณมองไปที่ห่วงโซ่อุปทานชิป AI คุณไม่ควรมอง GPU เป็นผลิตภัณฑ์ที่แยกส่วนเพียงเดียว แต่ GPU คือจุดเริ่มต้นของคำสั่งซื้อในระดับระบบทั้งหมด

สรุป: GPU เป็นเครื่องยนต์ขับเคลื่อนดีมานด์ของห่วงโซ่อุปทานชิป AI โดยเฉพาะในด้านการฝึกโมเดล (training) และการอนุมาน (inference) แบบใช้งานทั่วไป แต่ความเป็นผู้นำด้าน GPU ไม่ได้หมายความว่าห่วงโซ่อุปทานจะไร้คอขวด ยิ่งตัวเร่ง AI (AI accelerator) ทันสมัยมากเท่าไร ก็ยิ่งพึ่งพา HBM, CoWoS, ระบบเครือข่าย และระบบระบายความร้อนมากขึ้นเท่านั้น หากคุณติดตาม NVIDIA หรือ AMD คุณควรมองให้เกินข้อกำหนดของชิปรุ่นใหม่ และติดตามรายได้จากศูนย์ข้อมูล, CAPEX ของภาคคลาวด์, ความเข้มข้นของลูกค้า, อุปทาน HBM และการส่งมอบบรรจุภัณฑ์ขั้นสูง GPU เป็นตัวกำหนดว่าดีมานด์สามารถพุ่งสูงขึ้นได้หรือไม่ ส่วนห่วงโซ่อุปทานโดยรอบเป็นตัวกำหนดว่าดีมานด์นั้นจะกลายเป็นรายได้ได้จริงหรือไม่

ทำไม HBM จึงกลายเป็นตัวแปรสำคัญต่อประสิทธิภาพและอุปทานของชิป AI?

HBM กลายเป็นตัวแปรสำคัญ เพราะโมเดล AI ไม่ได้ต้องการเพียงแค่ “คำนวณให้เร็วขึ้น” เท่านั้น แต่ยังต้องการให้ข้อมูลมาถึงเร็วพอดีด้วย เมื่อประสิทธิภาพการคำนวณของ GPU พัฒนาเร็วกว่าแบนด์วิดท์ของหน่วยความจำแบบดั้งเดิม “กำแพงหน่วยความจำ” (memory wall) จะจำกัดประสิทธิภาพของการเทรนและการอินเฟอเรนซ์ HBM ใช้แบนด์วิดท์สูง ใช้พลังงานต่ำกว่า และการรวมหน่วยความจำแบบ 3D-stack ที่อยู่ใกล้ชิด เพื่อวางหน่วยความจำให้อยู่ใกล้ชิปคำนวณมากขึ้น ผลลัพธ์คือมันทำหน้าที่เป็นเส้นแบ่งประสิทธิภาพของ GPU สำหรับ AI ระดับไฮเอนด์และ AI ASIC มากขึ้นเรื่อย ๆ

ทำไมชิป AI จึงหลีกเลี่ยง HBM ไม่ได้

การฝึกและการอนุมานของโมเดลขนาดใหญ่ต้องอ่านพารามิเตอร์ การกระตุ้น (activations) และ KV cache บ่อยครั้ง หากแบนด์วิดท์ของหน่วยความจำไม่เพียงพอ หน่วยประมวลผลของ GPU จะต้องรอข้อมูล และประสิทธิภาพตามทฤษฎีจะไม่สามารถเป็นที่เปิดเผยได้อย่างเต็มที่ คุณค่าของ HBM มาจากการซ้อนแบบ 3 มิติและอินเทอร์เฟซแบบกว้างพิเศษ ซึ่งช่วยเพิ่มแบนด์วิดท์ในขณะที่ลดพลังงานต่อบิตที่ส่ง สำหรับศูนย์ข้อมูล AI สิ่งนี้ส่งผลไม่เพียงแต่ต่อความเร็ว แต่ยังรวมถึงการใช้พลังงาน ความหนาแน่นของแร็ค และต้นทุนการเป็นเจ้าของโดยรวมด้วย

HBM ไม่ใช่การอัปเกรดแบบง่าย ๆ จาก DRAM ทั่วไป แต่เป็นผลิตภัณฑ์หน่วยความจำระดับไฮเอนด์ที่ซับซ้อนกว่า โดยต้องทำการซ้อนชิป DRAM หลายชั้นเข้าด้วยกัน เชื่อมต่อผ่าน TSV และบรรจุรวมเข้ากับชิปตรรกะอย่างใกล้ชิดผ่านเทคโนโลยีการบรรจุขั้นสูง อัตราผลผลิตที่ดี พลังงานที่ใช้ การออกแบบระบายความร้อน การรับรองจากลูกค้า และความเข้ากันได้ของการบรรจุ ล้วนส่งผลต่ออุปทานในที่สุด

จาก HBM3E สู่ HBM4: การแข่งขันเปลี่ยนจากกำลังการผลิตไปสู่อัตราผลผลิตและการรับรอง

แนวโน้มตลาดปี 2026 ของ SK hynix ระบุว่า HBM3E เป็นผลิตภัณฑ์หลักของปี 2026 และ HBM4 เป็นส่วนหนึ่งของเส้นทางการเติบโตในระยะกลางถึงระยะยาว ซึ่งสะท้อนให้เห็นว่าการแข่งขันด้าน HBM ได้เปลี่ยนจากการขยายกำลังการผลิตเพียงอย่างเดียว มาเป็นการแข่งขันด้านการรับรองจากลูกค้า อัตราผลผลิต (yield) ความสูงของการซ้อนชิป (stack height) และการเปลี่ยนผ่านสู่ผลิตภัณฑ์รุ่นถัดไป

Micron ยังคงกระชับความน่าเชื่อถือของแนวเล่าเรื่องหน่วยความจำ AI ของตน โดยเอกสารไตรมาสการเงินที่สามของปีงบประมาณ 2026 แสดงให้เห็นว่า รายได้จากดาต้าเซ็นเตอร์ ทะลุ 25,000 ล้านดอลลาร์สหรัฐ โดยทั้ง DRAM, NAND และ HBM ต่างได้รับประโยชน์จากความต้องการด้าน AI Micron ยังได้เน้นย้ำถึงประสิทธิภาพด้านการใช้พลังงานของ HBM3E อีกด้วย ซึ่งสะท้อนให้เห็นว่าการแข่งขันด้าน HBM ได้กลายเป็นการประลองที่ผสมผสานทั้งด้านประสิทธิภาพ พลังงาน การส่งมอบ และความสัมพันธ์กับลูกค้า

ตัวชี้วัด HBM ที่สำคัญที่สุดที่ควรติดตาม ได้แก่:

• ความคืบหน้าการรับรองลูกค้า HBM3E / HBM4
• ปริมาณการส่งมอบ HBM, ราคาขายเฉลี่ย และสัญญาจัดหาระยะยาว
• อัตราผลผลิต ความสูงของสแตก การใช้พลังงาน และประสิทธิภาพการระบายความร้อน
• ความสัมพันธ์ด้านคำสั่งซื้อกับ NVIDIA, AMD, Google และผู้ให้บริการคลาวด์
• ผลกระทบจากการจัดสรรกำลังการผลิต HBM ต่อการตั้งราคา DRAM และ NAND ทั่วไป

SK hynix, Samsung และ Micron: ใครได้ประโยชน์มากกว่ากัน?

SK hynix ได้ประโยชน์จากความสัมพันธ์กับลูกค้าในช่วงต้นและประสบการณ์การผลิต HBM แบบแมสโปรดักชั่น Samsung ได้ประโยชน์จากฐาน DRAM ที่ใหญ่และศักยภาพในการไล่ตาม Micron ได้ประโยชน์จากความสนใจอย่างมากจากตลาดหุ้นสหรัฐฯ ศักยภาพการเติบโตของรายได้จากศูนย์ข้อมูล และการปรับปรุงส่วนผสมของผลิตภัณฑ์ สำหรับนักลงทุนแล้ว สิ่งสำคัญไม่ใช่เพียงแค่ว่าบริษัทใดอวดว่ามี HBM แต่คือบริษัทใดที่ได้เข้าสู่กระบวนการตรวจสอบจากลูกค้ารายใหญ่ สามารถจัดหาได้อย่างน่าเชื่อถือ และสามารถยืนยันการปรับปรุงอัตรากำไรได้ในผลการดำเนินงานทางการเงิน

สรุป: HBM เป็นหนึ่งในส่วนที่ถูกประเมินต่ำที่สุดในห่วงโซ่อุปทานชิป AI GPU กำหนดแพลตฟอร์มการประมวลผล แต่ HBM เป็นตัวกำหนดว่าข้อมูลสามารถป้อนเข้าสู่แกนประมวลผลได้อย่างต่อเนื่องหรือไม่ เมื่อการอนุมาน AI (AI inference) ขยายตัวขึ้น แบนด์วิดท์หน่วยความจำ ความจุ พลังงาน และต้นทุนจะยิ่งมีความสำคัญมากขึ้น หากคุณกำลังประเมินวงจรชิป AI การพิจารณาเพียงคำสั่งซื้อ GPU เพียงอย่างเดียวยังไม่เพียงพอ คุณยังต้องติดตาม HBM3E, HBM4 การรับรองจากลูกค้า อัตราผลผลิต (yield) และวงจรราคาด้วย เมื่ออุปทาน HBM ตึงตัว บริษัทชิป AI อาจมีคำสั่งซื้อแต่ยังคงลำบากในการส่งมอบได้อย่างเต็มที่ เมื่ออุปทาน HBM ดีขึ้น การจัดส่ง GPU และต้นทุนการอนุมานจะสามารถก้าวเข้าสู่ขั้นตอนถัดไปได้

เหตุใด CoWoS Advanced Packaging จึงอาจกลายเป็นคอขวดด้านการส่งมอบในระยะสั้น?

CoWoS อาจกลายเป็นคอขวดในระยะสั้นได้ เนื่องจาก GPU AI ระดับไฮเอนด์ยังไม่เสร็จสมบูรณ์เพียงแค่การผลิตชิปเท่านั้น GPU, HBM และอินเตอร์โพสเซอร์ต้องถูกรวมเข้าด้วยกันเป็นแพ็กเกจประสิทธิภาพสูงที่ใช้งานได้จริง การผลิตเวเฟอร์ตอบคำถามว่าชิปสามารถถูกผลิตขึ้นได้หรือไม่ ส่วนการแพ็กเกจขั้นสูงตอบคำถามว่าชิป หน่วยความจำ และระบบสามารถเชื่อมต่อกันได้อย่างหนาแน่นสูงหรือไม่ เมื่อความต้องการ GPU AI เพิ่มขึ้นอย่างรวดเร็ว กำลังการผลิต CoWoS ความสามารถในการทดสอบ และการจัดหาซับสเตรตล้วนส่งผลโดยตรงต่อกำหนดเวลาการส่งมอบ

CoWoS แก้ปัญหาการเชื่อมต่อระหว่าง GPU กับ HBM

CoWoS สามารถเข้าใจได้ว่าเป็นฐานการรวมระบบสำหรับชิป AI ระดับไฮเอนด์ ดายของ GPU และ HBM ต้องการการเชื่อมต่อระยะใกล้มาก แบนด์วิดท์สูง และแลเตนซีต่ำ ซึ่งบรรจุภัณฑ์แบบดั้งเดิมให้ได้ยาก CoWoS-S ของ TSMC ใช้ silicon interposer เพื่อรองรับชิปลอจิกและสแตก HBM ช่วยให้ AI accelerator บรรลุแบนด์วิดท์ที่สูงขึ้นและการรวมระบบที่ดีกว่า

สิ่งนี้อธิบายว่าทำไมการบรรจุชิปขั้นสูง (Advanced Packaging) จึงไม่ใช่กระบวนการหลังการผลิตที่มีมูลค่าต่ำอีกต่อไป คำอธิบายการบรรจุชิปของ IBM อธิบายว่าการบรรจุชิปคือชั้นที่ช่วยให้ชิปสามารถสื่อสารกับระบบภายนอกได้ ในขณะเดียวกันก็ดูแลด้านพลังงาน การจัดการความร้อน และความน่าเชื่อถือ ชิป AI มีการใช้พลังงานสูงและมีโครงข่ายเชื่อมต่อที่ซับซ้อนมากขึ้น ซึ่งย่อมเพิ่มความสำคัญของการบรรจุชิปโดยธรรมชาติ

ทำไมการบรรจุชิปขั้นสูงจึงอาจมีข้อจำกัดมากกว่าการผลิตเวเฟอร์

ในการส่งมอบชิป AI ระดับไฮเอนด์ การผลิตเวเฟอร์ HBM การบรรจุ การทดสอบ และการประกอบเซิร์ฟเวอร์ ทั้งหมดต้องดำเนินไปพร้อมกันอย่างสมดุล หากขั้นตอนใดขั้นตอนหนึ่งล่าช้า การจัดส่งขั้นสุดท้ายก็จะล่าช้าตามไปด้วย CoWoS ทำได้ยากเพราะเกี่ยวข้องกับอินเทอร์โพเซอร์ขนาดใหญ่ เส้นทางวงจรที่ซับซ้อน การซ้อน HBM หลายชั้น ข้อกำหนดด้านการระบายความร้อนกำลังสูง และเวลาทดสอบที่ยาวนาน ซึ่งต้องใช้ทั้งความสามารถด้านกระบวนการผลิตและประสบการณ์ทางวิศวกรรม

การขยายตัวของ TSMC จะบรรเทาข้อจำกัดด้าน CoWoS ได้หรือไม่?

TSMC กำลังเพิ่มการลงทุนในด้านการบรรจุชิปขั้นสูง Reuters รายงานว่า TSMC วางแผนที่จะเพิ่มโรงงานบรรจุชิปขั้นสูงอีกสองแห่ง ในนิคมวิทยาศาสตร์เจียอี้ ซึ่งจะเปลี่ยนภูมิภาคนี้ให้เป็นฐานการผลิตที่สำคัญด้านความจุการบรรจุชิปขั้นสูง ปัจจัยขับเคลื่อนเบื้องหลังคือความต้องการชิป AI

แต่การขยายความจุไม่สามารถแก้ปัญหาได้ทันที การก่อสร้างโรงงานบรรจุชิปขั้นสูง การติดตั้งอุปกรณ์ การเพิ่มอัตราผลผลิต และการตรวจสอบโดยลูกค้า ล้วนต้องใช้เวลา ในระยะสั้น CoWoS ยังคงส่งผลกระทบต่อกำหนดการส่งมอบจริงของ NVIDIA, AMD, Broadcom และชิป AI ที่พัฒนาขึ้นเองโดยผู้ให้บริการคลาวด์

สรุป: CoWoS เป็นหนึ่งในคอขวดที่ส่งผลต่อการส่งมอบมากที่สุดในห่วงโซ่อุปทานชิป AI ปี 2026 สถาปัตยกรรม GPU ชั้นนำและคำสั่งซื้อ HBM จำนวนมากไม่ได้รับประกันโดยอัตโนมัติว่าจะสามารถจัดส่งผลิตภัณฑ์ได้อย่างรวดเร็ว GPU AI ระดับไฮเอนด์จะเข้าสู่เซิร์ฟเวอร์และศูนย์ข้อมูลได้ก็ต่อเมื่อบรรจุภัณฑ์ขั้นสูง อินเตอร์โพสเซอร์ ซับสเตรต การทดสอบ และโซลูชันการระบายความร้อน ขยายขีดความสามารถขึ้นพร้อมกันทั้งหมด เมื่อประเมินแรงส่งของชิป AI คุณควรติดตามการขยายบรรจุภัณฑ์ขั้นสูงของ TSMC ระยะเวลารอคอยของ CoWoS อุปทาน HBM และความต้องการของลูกค้าไปพร้อมกัน ในระยะสั้น ปัจจัยที่สำคัญที่สุดมักไม่ใช่ GPU เพียงอย่างเดียว แต่เป็นการประสานกันระหว่าง CoWoS และ HBM

EUV และโหนดกระบวนการผลิตขั้นสูง: เหตุใดจึงเป็นตัวกำหนดเพดานในระยะยาว?

EUV เป็นตัวกำหนดเพดานประสิทธิภาพและประสิทธิภาพการใช้พลังงานในระยะยาวของชิป AI มากกว่าที่จะเป็นปัจจัยเดียวเบื้องหลังปริมาณการจัดส่ง GPU รายไตรมาส การส่งมอบในระยะสั้นอาจถูกจำกัดด้วย HBM และ CoWoS แต่ความสามารถในการปรับปรุงความหนาแน่นของทรานซิสเตอร์ ประสิทธิภาพการใช้พลังงาน และอัตราผลผลิตที่กระบวนการ 3nm, 2nm และโหนดที่ทันสมัยยิ่งขึ้นไป ขึ้นอยู่กับอุปกรณ์ EUV ความสามารถด้านกระบวนการลิโธกราฟี วัสดุ การตรวจสอบ และ CAPEX ของลูกค้า จึงอาจกล่าวได้ว่า EUV เป็นเสมือนรากฐานระยะยาวของห่วงโซ่อุปทานชิป AI

EUV คืออุปกรณ์สำคัญสำหรับการขยายขนาดโหนดที่ทันสมัยอย่างต่อเนื่อง

ชิป AI ขั้นสูงต้องการพลังการคำนวณที่สูงขึ้น การใช้พลังงานที่ต่ำลง และการรวมระบบที่มากขึ้น เมื่อเทคโนโลยีกระบวนการผลิตก้าวเข้าสู่ระดับ 3nm, 2nm และต่ำกว่า การถ่ายภาพด้วยแสงแบบดั้งเดิมยิ่งทำได้ยากขึ้น ทำให้ EUV กลายเป็นเครื่องมือสำคัญสำหรับการผลิตลอจิกชิปขั้นสูง EUV ไม่ได้ผลิตผลิตภัณฑ์ GPU สำเร็จรูปโดยตรง แต่ส่งผลต่อว่าผู้รับจ้างผลิต (foundry) จะสามารถผลิตโหนดกระบวนการขั้นสูงได้อย่างน่าเชื่อถือหรือไม่ นอกจากนี้ยังส่งผลต่อประสิทธิภาพ อัตราผลผลิตที่ดี (yield) และโครงสร้างต้นทุนของชิป AI รุ่นถัดไปอีกด้วย

ทำไม ASML จึงเป็นรากฐานด้านอุปกรณ์ของห่วงโซ่อุปทานชิป AI

ASML จัดหาอุปกรณ์ลิโธกราฟี EUV สำหรับการผลิตเวเฟอร์ขั้นสูง บริษัทไม่ได้ขาย GPU โดยตรง และไม่ได้ผลิต HBM โดยตรง แต่ปลายทางอย่าง NVIDIA, AMD, Apple และ ASIC ของผู้ให้บริการคลาวด์ล้วนต้องพึ่งกำลังการผลิตกระบวนการขั้นสูง ซึ่งกำลังการผลิตกระบวนการขั้นสุดท้ายนี้เองก็ต้องพึ่งพาระบบนิเวศ EUV แนวโน้มปี 2026 ของ ASML ได้รับการปรับขึ้นจากความต้องการชิป AI ที่แข็งแกร่งขึ้น ซึ่งสะท้อนว่าฝั่งอุปกรณ์เริ่มรู้สึกถึงแรงส่งต่อจากการขยายตัวของโครงสร้างพื้นฐาน AI แล้ว

รายได้ของ TSMC ยังยืนยันถึงห่วงโซ่การส่งผ่านนี้อีกด้วย Reuters รายงานว่า รายได้ไตรมาสที่สองของ TSMC เพิ่มขึ้น 36% เมื่อเทียบกับปีก่อนหน้า ทำสถิติสูงสุดเป็นประวัติการณ์ โดยมีดีมานด์ด้านการใช้งาน AI เป็นแรงขับเคลื่อนหลัก เมื่อรายได้ของผู้รับจ้างผลิตเวเฟอร์และ CAPEX ยังคงขยายตัวต่อเนื่อง บริษัทด้านอุปกรณ์สารกึ่งตัวนำ วัสดุ และการตรวจสอบ ย่อมได้รับการสนับสนุนด้านออร์เดอร์ที่แข็งแกร่งขึ้น

EUV vs. CoWoS: อะไรสำคัญกว่ากัน?

คำตอบขึ้นอยู่กับกรอบเวลาที่พิจารณา หากคุณมองไปยัง 6–12 เดือนข้างหน้า CoWoS, HBM และระบบเซิร์ฟเวอร์เป็นคอขวดด้านการส่งมอบที่ใกล้ที่สุด หากคุณมองไปยัง 2–3 ปีข้างหน้า กระบวนการผลิตรุ่นขั้นสูง, HBM4, การออกแบบชิปเล็ต และการขยายกำลังการบรรจุชิปร่วมกันเป็นตัวกำหนดการพัฒนาผลิตภัณฑ์ หากคุณมองไปยัง 3–5 ปีข้างหน้า EUV, High-NA EUV, วัสดุ และความสามารถด้านกระบวนการผลิตจะกลายเป็นคูเมืองระยะยาว

สรุป: EUV อาจไม่ใช่คอขวดในการส่งมอบชิป AI ในระยะสั้นที่ใหญ่ที่สุด แต่มันเป็นตัวกำหนดว่าเทคโนโลยีกระบวนการผลิตขั้นสูงจะสามารถขยายขีดความสามารถได้ไกลแค่ไหนในระยะยาว CoWoS เป็นผู้ควบคุมประตูในปัจจุบันที่เปลี่ยน GPU และ HBM ให้กลายเป็นผลิตภัณฑ์ที่ส่งมอบได้ ส่วน EUV เป็นรากฐานสำหรับโหนดกระบวนการผลิตขั้นสูงในอนาคตเพื่อให้ประสิทธิภาพและประสิทธิผลยังคงพัฒนาต่อไป หากคุณมุ่งเน้นกำไรรายไตรมาสและการส่งมอบในระยะใกล้ ให้ติดตาม CoWoS, HBM และคำสั่งซื้อจากผู้ให้บริการคลาวด์ หากคุณมุ่งเน้นโครงสร้างอุตสาหกรรมในระยะ 3–5 ปี ให้ติดตาม ASML, TSMC, แผนที่พัฒนากระบวนการผลิตขั้นสูง และวัฏจักรอุปกรณ์ EUV และ CoWoS ไม่ใช่สิ่งที่ทดแทนกัน แต่เป็นตัวแปรสำคัญในกรอบเวลาที่แตกต่างกัน

นักลงทุนควรตัดสินอย่างไรว่า GPU, HBM, CoWoS หรือ EUV สิ่งใดสำคัญที่สุด?

ไม่มีคำตอบสำเร็จรูปสำหรับคำถามว่าเซกเมนต์ใดสำคัญที่สุด วิธีที่ถูกต้องคือการแยกแยะระหว่างกรอบเวลา ตำแหน่งในอุตสาหกรรม และประเภทของหุ้น ในระยะสั้น ปัญหาคอขวดด้านการส่งมอบทำให้ HBM และ CoWoS มีความสำคัญมากกว่า ในระยะกลาง เศรษฐศาสตร์ของแพลตฟอร์มทำให้ GPU และ AI ASIC มีความสำคัญมากกว่า ในระยะยาว คูเมืองด้านเทคโนโลยีกระบวนการผลิตทำให้ EUV เครื่องจักรขั้นสูง และความสามารถด้านฟาวดรีมีความสำคัญมากกว่า กรอบการวิเคราะห์ที่มีประโยชน์ที่สุดคือการเปรียบเทียบดีมานด์ ซัพพลาย อัตรากำไร และ CAPEX ในภาพเดียว

พิจารณาตามกรอบเวลา: คอขวดระยะสั้น คูเมืองระยะยาว

ในช่วง 6–12 เดือนข้างหน้า ตลาดจะให้ความสำคัญกับว่า GPU สำหรับ AI จะส่งมอบได้หรือไม่ อุปทาน HBM จะพร้อมใช้งานหรือไม่ และความจุ CoWoS จะขยายตัวได้หรือไม่ ในช่วง 1–3 ปีข้างหน้า การแข่งขันจะเปลี่ยนไปสู่แพลตฟอร์ม GPU, AI ASIC, HBM4, การเชื่อมต่อเครือข่าย และระบบระดับแร็ค ส่วนในช่วง 3–5 ปีข้างหน้า EUV, โหนดกระบวนการผลิตขั้นสูง, High-NA, วัสดุบรรจุภัณฑ์ขั้นสูง และวงจรอุปกรณ์เซมิคอนดักเตอร์ทั่วโลก จะเป็นตัวกำหนดว่าใครจะสามารถขยายขีดความสามารถต่อไปได้

ตัดสินจากตำแหน่งในอุตสาหกรรม: ศูนย์กลางกำไรและศูนย์กลางคอขวดไม่ได้อยู่ที่เดียวกันเสมอไป

บริษัท GPU อาจได้รับกำไรสูงสุด แต่คอขวดอาจเกิดขึ้นใน HBM, CoWoS หรือซับสเตรต บริษัท HBM อาจมีรายได้เติบโตสูง แต่ยังคงได้รับผลกระทบจากการขยายกำลังการผลิต การรับรองลูกค้า และวงจรราคา บริษัทเครื่องจักรมีคูแค่ระยะยาว แต่คำสั่งซื้อขึ้นอยู่กับ CAPEX ของผู้รับจ้างผลิตและข้อจำกัดการส่งออก หากนักลงทุนมองเพียงธีมที่ร้อนแรงที่สุดเท่านั้น พวกเขาอาจพลาดข้อเท็จจริงที่ว่าความคาดหวังบางส่วนถูกกำหนดไว้ในราคาแล้ว

การวิเคราะห์การเทรดควรคำนึงถึงต้นทุนจริงด้วย

เมื่อการวิเคราะห์ห่วงโซ่อุปทานกลายเป็นการเทรดหุ้นสหรัฐฯ หรือหุ้นฮ่องกง คุณควรพิจารณาทั้งปัจจัยพื้นฐานและต้นทุนธุรกรรมจริง หุ้นอย่าง NVIDIA, AMD, Micron, TSMC, ASML, Broadcom และ Marvell อาจสะท้อนส่วนต่างๆ ของห่วงโซ่อุปทาน AI ที่แตกต่างกัน แต่ต้นทุนการเทรดอาจมีมากกว่าค่าคอมมิชชั่น ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก ค่าธรรมเนียมกิจกรรมธุรกรรม และต้นทุนการซื้อหุ้นย่อยส่วนแบ่ง (fractional share) ก็อาจมีผลบังคับใช้เช่นกัน

หากบริการพร้อมให้ใช้งานในภูมิภาคของคุณและคุณตรงตามข้อกำหนดที่เกี่ยวข้อง คุณสามารถใช้ Biya เพื่อติดตามหุ้นสหรัฐฯ และหุ้นฮ่องกงที่เกี่ยวข้องกับชิป AI และใช้ ค้นหาหุ้นสหรัฐฯ เพื่อสร้างรายการที่ต้องการติดตาม Biya ไม่เก็บค่าธรรมเนียมคอมมิชชั่นสำหรับการซื้อขายหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก และค่าธรรมเนียมอื่น ๆ ควรตรวจสอบผ่าน ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ และหน้าคำสั่งซื้อขาย ข้อมูลตลาดสาธารณะ โครงสร้างค่าธรรมเนียม และกฎการซื้อขายเป็นเพียงข้อมูลอ้างอิงเท่านั้นและไม่ถือเป็นคำแนะนำการลงทุน ความพร้อมให้บริการขึ้นอยู่กับตำแหน่งที่ตั้งของคุณ ผลการตรวจสอบยืนยันตัวตน กฎของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้อง

สรุป: ไม่ว่าจะเป็น GPU, HBM, CoWoS หรือ EUV อะไรสำคัญที่สุดนั้นขึ้นอยู่กับกรอบเวลาของคุณ การเทรดระยะสั้นและความคาดหวังด้านกำไรควรมุ่งเน้นที่ HBM และ CoWoS เพราะส่งผลโดยตรงต่อปริมาณการจัดส่ง การแข่งขันในอุตสาหกรรมระยะกลางควรมุ่งเน้นที่ GPU, AI ASIC และคำสั่งซื้อของลูกค้า เพราะเป็นตัวกำหนดรายได้และกำไร โครงสร้างอุตสาหกรรมระยะยาวควรมุ่งเน้นที่ EUV, กระบวนการผลิตขั้นสูง และระบบนิเวศของอุปกรณ์ เพราะเป็นตัวกำหนดการขยายขีดความสามารถรุ่นถัดไป สำหรับนักลงทุนทั่วไป วิธีที่สมดุลกว่าคือไม่ควรเดิมพันเพียงหนึ่งกลุ่มธุรกิจเดียว แต่ควรสร้างกรอบการวิเคราะห์อย่างต่อเนื่องที่ครอบคลุมด้านความต้องการ กำลังการผลิต อัตราผลผลิต อัตรากำไร CAPEX และมูลค่าหลักทรัพย์

ข้อสรุปสำคัญในห่วงโซ่อุปทานชิป AI

หัวใจสำคัญที่แท้จริงในห่วงโซ่อุปทานชิป AI ไม่ใช่ว่า GPU, HBM, CoWoS หรือ EUV จะครองอันดับหนึ่งตลอดไปหรือไม่ แต่ละส่วนจะกลายเป็นจุดวิกฤตในช่วงเวลาที่แตกต่างกัน GPU เป็นศูนย์กลางของกำไรและดีมานด์ HBM เป็นข้อจำกัดด้านประสิทธิภาพและอุปทาน CoWoS เป็นประตูสำคัญในการส่งมอบระยะสั้น EUV เป็นรากฐานระยะยาวของกระบวนการผลิตโหนดขั้นสูง หาก CAPEX ของบริษัทคลาวด์ยังคงขยายตัวต่อเนื่อง บริษัทแพลตฟอร์ม GPU และผู้เล่นในห่วงโซ่อุปทานต้นน้ำอาจได้รับประโยชน์ร่วมกัน หากการขยายกำลังผลิต HBM หรือ CoWoS ต่ำกว่าคาด การส่งมอบชิป AI ระดับไฮเอนด์อาจยังคงตึงตัว และหากการลงทุนด้านกระบวนการผลิตขั้นสูงช้าลง ความคาดหวังระยะยาวต่อหุ้นกลุ่มเครื่องจักรและฟาวดรีก็อาจถูกปรับราคาใหม่เช่นกัน

คุณสามารถแบ่งห่วงโซ่อุปทานชิป AI ออกเป็นสามเส้นทางการติดตาม ได้แก่ เส้นทางแรกคือสายแพลตฟอร์มการประมวลผล ประกอบด้วย NVIDIA, AMD, Broadcom, Marvell และชิป AI ที่พัฒนาเองโดยผู้ให้บริการคลาวด์ เส้นทางที่สองคือสายหน่วยความจำและการบรรจุชิป ประกอบด้วย SK hynix, Micron, Samsung, TSMC, ASE และ Amkor เส้นทางที่สามคือสายอุปกรณ์และการผลิต ประกอบด้วย ASML, Applied Materials, Lam Research, KLA, TSMC, Samsung และ Intel Foundry คุณจะหลีกเลี่ยงการถูกขับเคลื่อนด้วยคอนเซ็ปต์ร้อนเพียงอย่างเดียวได้ก็ต่อเมื่อทั้งสามเส้นทางยืนยันกันและกันเท่านั้น

สรุป: กรอบแนวคิดหลักของห่วงโซ่อุปทานชิป AI ควรเปลี่ยนจาก "แชมป์เดี่ยว" ไปสู่ "การส่งมอบแบบระบบ" ในขณะที่โมเดลมีขนาดใหญ่ขึ้น ความต้องการการอนุมาน (inference) ขยายตัว และผู้ให้บริการคลาวด์เพิ่มการลงทุน CAPEX ด้านศูนย์ข้อมูล GPU อาจยังคงครองตำแหน่งศูนย์กลางของความต้องการต่อไป แต่หาก HBM, CoWoS, ซับสเตรต, ระบบจ่ายไฟ หรือระบบระบายความร้อนตามไม่ทัน การสร้างรายได้ที่แท้จริงอาจล่าช้ากว่าความคาดหวังด้านความต้องการ ในระยะยาว เทคโนโลยี EUV และกระบวนการผลิตขั้นสูงจะเป็นตัวกำหนดว่าชิปรุ่นถัดไปสามารถลดต้นทุนต่อหน่วยของพลังการคำนวณได้อย่างต่อเนื่องหรือไม่ สิ่งสำคัญที่สุดที่ควรติดตามไม่ใช่คำที่เป็นกระแสเพียงคำเดียว แต่คือการที่แต่ละส่วนของห่วงโซ่ยืนยันถึงความสอดคล้องกันผ่านผลประกอบการ คำสั่งซื้อ กำลังการผลิต และอัตรากำไร

หากคุณกำลังติดตามห่วงโซ่อุปทานชิป AI คุณสามารถใช้ Biya App เป็นหนึ่งในเครื่องมือสำหรับติดตามหุ้นสหรัฐฯ หุ้นฮ่องกง และสินทรัพย์ดิจิทัล ชื่อที่สำคัญอาจรวมถึง NVIDIA, AMD, Micron, TSMC, ASML, Broadcom, Marvell รวมถึงบริษัทที่เกี่ยวข้องกับเซมิคอนดักเตอร์และเซิร์ฟเวอร์ที่จดทะเบียนในตลาดหุ้นฮ่องกง Biya รองรับการซื้อขายหุ้นสหรัฐฯ และหุ้นฮ่องกง และยังให้บริการกระเป๋าเงินแบบหลายสินทรัพย์อีกด้วย หากคุณยังติดตาม USD, HKD, USDT หรือรูปแบบเงินทุนอื่น ๆ คุณควรประเมินกฎของแพลตฟอร์ม รายละเอียดค่าธรรมเนียม ข้อกำหนดการยืนยันตัวตน และกฎระเบียบที่ใช้บังคับในพื้นที่ของคุณ หุ้น AI ยอดนิยมอาจมีความผันผวนสูง ก่อนทำการซื้อขาย คุณควรทำความเข้าใจประเภทคำสั่งซื้อขาย โครงสร้างค่าธรรมเนียม วันประกาศผลประกอบการ ความเสี่ยงด้านมูลค่าหลักทรัพย์ตามบัญชี และสภาพคล่องความแข็งแกร่งของห่วงโซ่อุปทานไม่ควรถูกมองว่าเป็นการรับประกันผลตอบแทนของหุ้น

คำถามที่พบบ่อย

อะไรสำคัญกว่ากันในห่วงโซ่อุปทานชิป AI: GPU หรือ HBM?

GPU เปรียนเสมือนประตูสู่ความต้องการ ขณะที่ HBM เป็นข้อจำกัดด้านประสิทธิภาพและอุปทาน หากคุณมุ่งเน้นที่กำไรของแพลตฟอร์มและกำแพงกั้นของระบบนิเวศ GPU จะสำคัญกว่า แต่หากมุ่งเน้นที่ประสิทธิภาพการฝึกฝน (Training), ประสิทธิภาพการอนุมาน (Inference) และคอขวดในการส่งมอบในระยะสั้น HBM จะสำคัญกว่า ชิป AI ระดับไฮเอนด์ต้องการทั้ง GPU ที่ทรงพลังและหน่วยความจำแบบแบนด์วิดท์สูงในเวลาเดียวกัน

ทำไม CoWoS Advanced Packaging จึงส่งผลกระทบต่อการส่งมอบ AI GPU ของ NVIDIA?

CoWoS ส่งผลกระทบต่อการส่งมอบ AI GPU ของ NVIDIA เนื่องจาก GPU ระดับไฮเอนด์จำเป็นต้องรวมชิปตรรกะ (Logic Chip) และ HBM ไว้ภายในแพ็กเกจความหนาแน่นสูงเดียวกัน แม้ว่าการผลิตเวเฟอร์จะเสร็จสมบูรณ์แล้ว แต่ความไม่เพียงพอของกำลังการผลิตด้านการบรรจุขั้นสูง (Advanced Packaging), อินเตอร์โพสเซอร์ (Interposer), ซับสเตรต (Substrate) หรือการทดสอบ ก็ยังสามารถทำให้การส่งมอบเซิร์ฟเวอร์ขั้นสุดท้ายล่าช้าได้

เครื่อง lithography EUV มีบทบาทอย่างไรในห่วงโซ่อุปทานชิป AI?

เครื่อง lithography EUV สนับสนุนการผลิตกระบวนการขั้นสูงและส่งผลต่ออัตราผลิตผลได้ (yield) สมรรถนะ และกำลังการผลิตในระยะยาวของโหนด 3nm, 2nm และโหนดในอนาคต แม้ว่าจะไม่ใช่คอขวดระยะสั้นเพียงอย่างเดียวของการจัดส่ง GPU แต่มันเป็นตัวกำหนดว่าชิป AI รุ่นถัดไปจะสามารถปรับปรุงความหนาแน่นของทรานซิสเตอร์และประสิทธิภาพการใช้พลังงานได้อย่างต่อเนื่องหรือไม่

นักลงทุนทั่วไปสามารถติดตามโมเมนตัมของห่วงโซ่อุปทานชิป AI ได้อย่างไร?

นักลงทุนทั่วไปควรติดตาม CAPEX ของคลาวด์ รายได้ศูนย์ข้อมูลของ NVIDIA ปริมาณการจัดส่งและราคาของ HBM การขยายกำลังการผลิต CoWoS ของ TSMC คำสั่งซื้อของ ASML และแนวโน้มรายได้ (guidance) ของบริษัทเซมิคอนดักเตอร์ การมองเพียงราคาหุ้นหรือข่าวเพียงชิ้นเดียวอาจทำให้เข้าใจผิดได้ ควรตรวจสอบข้อมูลจากตัวชี้วัดห่วงโซ่อุปทานหลายๆ ด้านอย่างครบถ้วน

อะไรคือความเสี่ยงหลักในการลงทุนห่วงโซ่อุปทานชิป AI?

ความเสี่ยงหลัก ได้แก่ การลดลงของ CAPEX ระบบคลาวด์ที่ช้าลง ผลตอบแทนจากการลงทุน AI ที่ต่ำกว่าคาด ความผันผวนของราคา HBM การขยายตัวของ CoWoS ที่ช้าลง ข้อจำกัดการส่งออก การพึ่งพาลูกค้าที่เข้มข้นสูง และการประเมินมูลค่าที่สูงเกินจริง การตัดสินใจซื้อขายใด ๆ ควรพิจารณากฎของแพลตฟอร์ม รายละเอียดค่าธรรมเนียม และข้อกำหนดด้านกฎระเบียบในท้องถิ่นด้วย

การเติบโตของ AI Inference จะเปลี่ยนความสำคัญของ GPU, HBM และ CoWoS หรือไม่?

การเติบโตของ AI inference จะเพิ่มความสำคัญของต้นทุน การใช้พลังงาน และแบนด์วิดท์ของหน่วยความจำ GPU จะยังคงเป็นแพลตฟอร์มการประมวลผลหลัก แต่ ASIC, HBM, ชิปเครือข่าย และการบรรจุชิปขั้นสูงอาจมีความสำคัญเพิ่มมากขึ้น เมื่อการใช้งาน inference ขยายตัว ต้นทุนการประมวลผลต่อหน่วยและประสิทธิภาพของระบบจะยิ่งมีความสำคัญมากขึ้น