AI ASIC vs GPU: แตกต่างกันอย่างไร และใครที่อาจ reshape ห่วงโซ่อุปทานของ Nvidia?

AI ASIC และ GPU ไม่ได้อยู่ในสงครามแทนที่กันอย่างง่าย ๆ GPU ยังคงเหมาะสมกว่าสำหรับสถาปัตยกรรมโมเดลที่เปลี่ยนแปลงเร็ว คลัสเตอร์การฝึกขนาดใหญ่ การใช้งานระดับองค์กร และงาน AI ทั่วไป ในขณะที่ ASIC น่าสนใจกว่าเมื่องานมีปริมาณมหาศาล ทำซ้ำ ค่อนข้างคงที่ และไวต่อการใช้พลังงานหรือต้นทุนต่อโทเค็นเป็นอย่างมาก แรงผลักดันที่แท้จริงซึ่งกำลังเปลี่ยนรูปห่วงโซ่อุปทานของ Nvidia อาจไม่ใช่ชิปที่ออกแบบเฉพาะตัวใดตัวหนึ่ง แต่เป็นการเปลี่ยนแปลงที่กว้างขวางกว่านั้น ซึ่งขับเคลื่อนโดยบริษัท hyperscalers, Broadcom, Marvell, TSMC, HBM, เทคโนโลยีการบรรจุขั้นสูง และการเชื่อมต่อความเร็วสูง

ประเด็นสำคัญ

• GPU มีจุดแข็งด้านความสามารถในการตั้งโปรแกรม ความพร้อมของซอฟต์แวร์ และคลัสเตอร์การฝึกขนาดใหญ่
• AI ASIC มีจุดแข็งด้านประสิทธิภาพการใช้พลังงานและการเพิ่มประสิทธิภาพต้นทุนสำหรับงานเฉพาะด้าน
• ASIC มีแนวโน้มที่จะแย่งส่วนแบ่งตลาดก่อนในงานการอนุมาน (inference) ระบบแนะนำ และงานภายในองค์กรที่ตายตัว
• คูเมืองของ Nvidia ขณะนี้ขยายเกินกว่า GPU ไปสู่ CUDA, NVLink ระบบเครือข่าย และระบบระดับแร็ค
• Broadcom, Marvell, TSMC และผู้จำหน่าย HBM เป็นบริษัทสำคัญที่ควรจับตามอง
• นักลงทุนควรติดตามการเพิ่มกำลังการผลิต ความเข้มข้นของลูกค้า และคอขวดในห่วงโซ่อุปทาน

ความแตกต่างที่แท้จริงระหว่าง AI ASIC และ GPU คืออะไร?

ความแตกต่างสำคัญระหว่าง AI ASIC และ GPU คือประสิทธิภาพเฉพาะทางเมื่อเทียบกับความยืดหยุ่นแบบอเนกประสงค์ GPU เป็นตัวเร่งที่สามารถตั้งโปรแกรมได้ ซึ่งออกแบบมาสำหรับการประมวลผลแบบขนานขนาดใหญ่ ครอบคลุมงานหลากหลายประเภท เช่น การฝึกฝน AI การอนุมาน (inference) การคำนวณทางวิทยาศาสตร์ กราฟิก และอื่น ๆ อีกมากมาย ส่วน AI ASIC ถูกออกแบบมาเพื่องาน AI เฉพาะด้าน โดยกระจุกตัวทรานซิสเตอร์ พลังงาน และแบนด์วิดท์หน่วยความจำไว้กับตัวดำเนินการ (operators) โครงสร้างโมเดล หรือสถานการณ์การใช้งานที่เป็นเป้าหมาย ในการเปรียบเทียบทั้งสองอย่างอย่างเหมาะสม คุณไม่สามารถดูเพียงพลังการคำนวณเชิงทฤษฎีได้เท่านั้น แต่ยังต้องพิจารณาการสนับสนุนด้านซอฟต์แวร์ วิวัฒนาการของโมเดล อัตราการใช้งาน และต้นทุนรวมของศูนย์ข้อมูลด้วย

ข้อได้เปรียบของ GPU มาจากความยืดหยุ่นของการคำนวณแบบขนานและระบบนิเวศที่ mature การฝึกโมเดลขนาดใหญ่มักเกี่ยวข้องกับการคูณเมทริกซ์ ความขนานระดับเทนเซอร์ ความขนานระดับไปป์ไลน์ ความแม่นยำแบบผสม การซิงโครไนซ์การสื่อสาร และการจัดตารางที่ทนทานต่อความผิดพลาด GPU สามารถปรับตัวให้เข้ากับการเปลี่ยนแปลงเหล่านี้ได้ผ่านการอัปเดตซอฟต์แวร์และการปรับปรุงคอมไพเลอร์ ในสถาปัตยกรรม NVIDIA Blackwell จุดเน้นไม่ได้อยู่ที่ประสิทธิภาพของชิปเดี่ยวเท่านั้น แต่ยังรวมถึงการผสาน GPU, NVLink, NVSwitch ระบบเครือข่าย และซอฟต์แวร์เข้าเป็นแพลตฟอร์มคลัสเตอร์ที่สมบูรณ์

ตรรกะของ AI ASIC แตกต่างออกไป แทนที่จะปรับตัวให้รองรับเวิร์กโหลดได้มากที่สุดเท่าที่จะทำได้ มันยอมสละความสามารถรอบด้านบางส่วนเพื่อปรับปรุงประสิทธิภาพการใช้พลังงาน ปริมาณงานต่อหน่วยเวลา หรือความคาดการณ์ด้านต้นทุนในเวิร์กโหลดที่กำหนดไว้ ระบบแนะนำสินค้า การจัดอันดับโฆษณา การอนุมานโมเดลภาษาขนาดใหญ่ การประมวลผลวิดีโอ การจัดอันดับการค้นหา และเวิร์กโหลดที่ทำซ้ำอื่น ๆ สามารถกลายเป็นตัวเลือกที่เหมาะสมสำหรับ ASIC ได้อย่างมั่นคง เมื่อทำงานในระดับขนาดมหาศาลและมีเส้นทางการคำนวณที่ค่อนข้างคงที่

ASIC ไม่ได้ถูกลงโดยอัตโนมัติ การออกแบบชิป การตรวจสอบความถูกต้อง การผลิตแผงวงจร (tape-out) การบรรจุภัณฑ์ เครื่องมือซอฟต์แวร์ การดำเนินงาน และการสนับสนุนระยะยาว ล้วนต้องใช้การลงทุนอย่างหนัก ASIC จะคุ้มค่าทางเศรษฐกิจก็ต่อเมื่อปริมาณงานมีขนาดใหญ่พอ อัลกอริทึมมีความเสถียรเพียงพอ และอัตราการใช้งานสูงพอที่จะกระจายต้นทุนการพัฒนาเบื้องต้นได้ สำหรับบริษัทส่วนใหญ่ การใช้อินสแตนซ์ GPU บนคลาวด์หรือตัวเร่งปฏิกิริยาที่ได้รับการจัดการอย่าง TPU และ Trainium นั้นเป็นไปได้จริงกว่าการออกแบบชิปขึ้นมาเองตั้งแต่ต้นมาก

สรุป: คุณค่าหลักของ GPU คือความยืดหยุ่น ความเป็นเทคโนโลยีที่成熟 และความสามารถในการพกพา ทำให้เหมาะสำหรับการฝึกโมเดล งานวิจัย และงานที่มีการเปลี่ยนแปลง ส่วนคุณค่าหลักของ AI ASIC คือประสิทธิภาพเฉพาะงาน ทำให้เหมาะกว่าสำหรับงานที่มีเสถียรภาพ ปริมาณสูง และคำนึงถึงต้นทุน ความแตกต่างไม่ได้อยู่ที่สถาปัตยกรรมแบบใดเหนือกว่าแบบใดโดยสากล แต่อยู่ที่ขนาดของงานประมวลผล ความเสถียรของโมเดล ระบบนิเวศซอฟต์แวร์ และการบริหารจัดการห่วงโซ่อุปทาน ในการตัดสินว่าบริษัทหนึ่งสามารถท้าทาย Nvidia ด้วย ASIC ได้หรือไม่ ก่อนอื่นต้องถามว่าบริษัทนั้นมีปริมาณงานภายในมากพอหรือไม่ และสามารถดูแลรักษาซอฟต์แวร์สแตกได้ตลอดหลายรุ่นของชิปหรือไม่

ทำไมผู้ให้บริการคลาวด์จึงเร่งพัฒนา AI ASIC?

ผู้ให้บริการคลาวด์กำลังพัฒนา AI ASIC เป็นหลักเพื่อลดต้นทุนการอนุมาน (inference) ในระยะยาว กระจายแหล่งทรัพยากรการประมวลผล และฝังความต้องการด้านโมเดลและศูนย์ข้อมูลของตนเองลงไปในฮาร์ดแวร์โดยตรง พวกเขาไม่ได้พยายามจะละทิ้ง GPU ไปในทันที เมื่อคำขอการอนุมานขยายจากล้านสู่พันล้านคำขอ การใช้พลังงาน ความหน่วง (latency) การใช้หน่วยความจำ และต้นทุนต่อโทเคนจะกลายเป็นปัจจัยสำคัญ GPU ยังคงมีบทบาทสำคัญในการฝึกโมเดล (training) และการใช้งานที่ยืดหยุ่น แต่ผู้ให้บริการคลาวด์ขนาดใหญ่ (hyperscalers) มีสเกลที่เพียงพอที่จะปรับปรุงงานที่มีรูปแบบคงที่ให้เหมาะสมด้วยชิปแบบกำหนดเอง

การฝึกโมเดลมักเป็นการใช้พลังการคำนวณแบบเป็นช่วงเป็นครั้ง ขณะที่การอนุมาน (Inference) เป็นบริการที่ต่อเนื่อง การค้นหา ระบบแนะนำ การโฆษณา ผู้ช่วยเขียนโค้ด การสนับสนุนลูกค้า การประมวลผลเสียง การสร้างสื่อหลายรูปแบบ และเวิร์กโฟลว์แบบเอเจนต์ ล้วนต้องการความสามารถในการตอบสนองผู้ใช้อย่างต่อเนื่อง ในด้านการอนุมาน แพลตฟอร์มให้ความสำคัญอย่างยิ่งกับปริมาณงานต่อวัตต์ ความหนาแน่นของแร็ก แบนด์วิดท์ของหน่วยความจำ ความหน่วงของบริการ และประสิทธิภาพการจัดคิว เมื่อสถาปัตยกรรมโมเดลและสถานการณ์ทางธุรกิจมีความเสถียร ก็สามารถออกแบบ ASIC โดยเน้นไปที่การคำนวณความแม่นยำต่ำ การจัดการ KV cache การเคลื่อนย้ายหน่วยความจำ การจัดคิวงานแบบกลุ่ม (batching) และการสื่อสารผ่านเครือข่าย

Google เป็นหนึ่งในตัวอย่างที่ชัดเจนที่สุด Google Cloud วางตำแหน่ง Ironwood TPU ในฐานะซิลิคอนแบบกำหนดเองสำหรับการฝึกโมเดล การเรียนรู้แบบเสริมแรง การอนุมานขนาดใหญ่ และการให้บริการโมเดล ทิศทาง TPU 8t และ TPU 8i ในเวลาต่อมายิ่งแยกการออกแบบระบบที่เน้นการฝึกและที่เน้นการอนุมานออกจากกันมากขึ้น สิ่งนี้แสดงให้เห็นว่าชิปแบบกำหนดเองกำลังพัฒนาจากตัวเร่งปฏิกิริยาเดี่ยวไปสู่กลยุทธ์โครงสร้างพื้นฐาน AI แบบหลายชั้น

AWS ดำเนินแนวทางแพลตฟอร์มที่คล้ายกัน Trainium3 UltraServers ผสานชิป เซิร์ฟเวอร์ ซอฟต์แวร์ Neuron และอินสแตนซ์ EC2 เข้าด้วยกัน โดยมีเป้าหมายเพื่อมอบความสามารถในการเทรนและอินเฟอเรนซ์ที่ต้นทุนต่ำลงภายใน AWS ส่วน MTIA roadmap ของ Meta เน้นงานด้านระบบแนะนำ การจัดอันดับ การเทรน และ AI เชิงสร้างสรรค์ โดยมี Broadcom เข้าร่วมในการพัฒนาชิปแบบกำหนดเอง นอกจากนี้ ความร่วมมือด้าน AI accelerator แบบกำหนดเองขนาด 10GW ระหว่าง OpenAI กับ Broadcom ก็สะท้อนให้เห็นว่าบริษัทด้านโมเดลกำลังเข้าใกล้การกำหนดฮาร์ดแวร์มากขึ้น

อย่างไรก็ตาม การที่บริษัท hyperscaler ผลิตชิปเฉพาะทางของตัวเองไม่ได้หมายความว่าพวกเขาจะหยุดซื้อ GPU เนื่องจากการฝึกโมเดล frontier การวนซ้ำอัลกอริทึมอย่างรวดเร็ว และบริการคลาวด์แบบ multi-tenant ยังคงต้องใช้ความยืดหยุ่นของ GPU อยู่ เป้าหมายที่แท้จริงคือการมีพอร์ตโฟลิโอของทรัพยากรการประมวลผล นั่นคือใช้ GPU สำหรับงานที่ไม่แน่นอน เปลี่ยนแปลงเร็ว และขึ้นอยู่กับระบบนิเวศ ในขณะที่ค่อย ๆ ย้ายงานภายในที่มีเสถียรภาพและต้นทุนสูงไปสู่ตัวเร่งปฏิกิริยา (accelerator) ที่ผลิตเอง

สรุป: ผู้ให้บริการคลาวด์กำลังสร้าง AI ASIC เพราะขนาดสเกลเปลี่ยนเศรษฐศาสตร์ของการประมวลผล ยิ่งปริมาณงาน inference มีมากเท่าไหร่ ประสิทธิภาพด้านพลังงาน ความหน่วง และอัตราการใช้งานก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น แต่ ASIC ไม่ใช่นวัตกรรมชิปเดี่ยวที่เป็นทางลัดสู่ความสำเร็จ หากแต่ต้องการการปรับแต่งชิป คอมไพเลอร์ เฟรมเวิร์ก เครือข่าย แร็็ก และงานโหลดบริการให้ทำงานร่วมกันอย่างเป็นระบบ มีเพียงบริษัทอย่าง Google, AWS, Meta และ OpenAI เท่านั้นที่มีปริมาณงาน AI และกำลังคนด้านวิศวกรรมเพียงพอที่จะยกระดับซิลิคอนแบบกำหนดเองจากการทดลองไปสู่โครงสร้างพื้นฐานระยะยาว

AI ASIC จะมาแทนที่ GPU ของ Nvidia ได้หรือไม่?

ASIC ของ AI มีแนวโน้มที่จะแย่งส่วนแบ่งจาก Nvidia ในปริมาณงานภายในของ hyperscaler บางส่วนมากกว่าที่จะเข้ามาแทนที่ GPU ได้อย่างสมบูรณ์ ในระยะสั้น การฝึกฝนโมเดลระดับแนวหน้า (frontier model) การนำ AI ไปใช้ในองค์กร และบริการคลาวด์แบบ multi-tenant ยังคงพึ่งพา GPU อย่างมาก ในระยะยาว ปริมาณงานการอนุมาน (inference) ที่มั่นคง ระบบแนะนำ (recommendation systems) และปริมาณงานของแพลตฟอร์มภายใน อาจค่อยๆ เปลี่ยนไปใช้ ASIC มากขึ้น อนาคตมีแนวโน้มที่จะเป็นการอยู่ร่วมกันของ GPU, ASIC แบบกำหนดเอง, GPU เชิงพาณิชย์ของ AMD และตัวเร่งประสิทธิภาพอื่นๆ มากกว่าที่จะเป็นตลาดชิปแบบผู้ชนะรับทั้งหมด

จุดแข็งที่สุดของ Nvidia ไม่ได้มีเพียงแค่คอร์ GPU เท่านั้น แต่คือทั้งแพลตฟอร์มแบบครบวงจร GB200 NVL72 รวม GPU Blackwell จำนวน 72 ตัว, CPU Grace, แร็คระบบหล่อเย็นด้วยของเหลว และโดเมน NVLink ขนาดใหญ่สำหรับงานโมเดลระดับพารามิเตอร์นับล้านล้าน สำหรับคลัสเตอร์การเทรน ประสิทธิภาพของชิปเดี่ยวสำคัญ แต่การสื่อสารระหว่าง GPU หลายตัว ความทนทานต่อความผิดพลาด การจัดตารางงาน ความเข้ากันได้ของเฟรมเวิร์ก ประสบการณ์ของนักพัฒนา และความสะดวกในการบำรุงรักษา ก็สำคัญไม่แพ้กัน

ความท้าทายของ ASIC คือความไม่แน่นอน หากสถาปัตยกรรมของโมเดลเปลี่ยนแปลงอย่างรวดเร็ว ชิปที่ออกแบบโดยอิงตามกลไก attention รูปแบบความแม่นยำ เส้นทางหน่วยความจำ หรือกลยุทธ์การขนานข้อมูลในปัจจุบัน อาจต้องปรับเปลี่ยนครั้งใหญ่ภายในไม่กี่ปี GPU สามารถรองรับการเปลี่ยนแปลงได้หลายรูปแบบผ่านการอัปเดตซอฟต์แวร์และคอมไพเลอร์ ส่วน ASIC ต้องการเผื่อระยะในการออกแบบที่เพียงพอตั้งแต่ต้น หากเผื่อระยะน้อยเกินไปจะเกิดความเสี่ยงที่จะล้าสมัย แต่หากเผื่อระยะมากเกินไปก็จะบั่นทอนประโยชน์ด้านประสิทธิภาพของความเชี่ยวชาญเฉพาะทาง

AMD ยังสร้างแรงกดดันด้านการแข่งขันด้วย แต่ผ่านเส้นทางที่แตกต่างออกไป ชุดซอฟต์แวร์ ROCm และ Instinct MI300X ถือเป็นการแข่งขันด้าน GPU เชิงพาณิชย์ ไม่ใช่การพัฒนา ASIC แบบทั่วไปของผู้ให้บริการคลาวด์ขนาดใหญ่ AMD นำเสนอตัวเลือกตัวเร่งปฏิกิริยาทั่วไปอีกหนึ่งตัวที่สามารถซื้อหา นำไปใช้งานได้ และเป็นมิตรกับคลาวด์ แทนที่จะเป็นการฝังงานภายในของผู้ให้บริการคลาวด์รายใดรายหนึ่งลงไปในซิลิคอนโดยตรง

Nvidia ยังปรับตัวให้เข้ากับเทรนด์ ASIC ด้วยเช่นกัน NVLink Fusion ช่วยให้ลูกค้า hyperscale และนักออกแบบ ASIC แบบเฉพาะสามารถเชื่อมต่อ CPU หรือ XPU แบบกำหนดเองเข้ากับระบบ interconnect NVLink ของ Nvidia และระบบแร็ค OCP MGX ได้ ซึ่งหมายความว่าแม้การประมวลผลบางส่วนจะเปลี่ยนจาก GPU มาตรฐานไปเป็นชิปแบบเฉพาะ Nvidia ก็อาจยังคงรักษามูลค่าไว้ได้ในส่วนของระบบเชื่อมต่อ เครือข่าย ซอฟต์แวร์ และระบบระดับแร็ค

สำหรับนักลงทุนที่ติดตามหุ้นชิป AI สถาปัตยกรรมเป็นเพียงส่วนหนึ่งของการตัดสินใจเท่านั้น เมื่อสร้างหรือปรับสมดุลพอร์ตการลงทุน ต้นทุนการซื้อขายจริงก็มีความสำคัญเช่นกัน ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ อาจรวมถึงค่าคอมมิชชัน ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย และค่าใช้จ่ายอื่น ๆ ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ ของ Biya แสดงให้เห็นถึงรูปแบบค่าคอมมิชชัน $0 ขณะที่ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก และค่าใช้จ่ายอื่น ๆ ขึ้นอยู่กับศูนย์ค่าธรรมเนียมและหน้าคำสั่งซื้อ นี่คือข้อมูลเกี่ยวกับโครงสร้างตลาด ไม่ใช่คำแนะนำการลงทุน

สรุป: ASIC สามารถเปลี่ยนองค์ประกอบการเติบโตของ Nvidia ได้ แต่ไม่ได้ยุติตลาด GPU โดยตรง ปริมาณงานแรกที่มีแนวโน้มถูกย้ายไปคืองาน inference และ recommendation ภายในองค์กรที่มีเสถียรภาพ ความถี่สูง และขนาดใหญ่ ส่วนปริมาณงานที่ยากที่สุดในการถูกแทนที่ยังคงเป็นการฝึกฝน (training) ระดับ frontier การใช้งานระดับองค์กรทั่วไป และระบบนิเวศซอฟต์แวร์ที่เป็นผู้ใหญ่แล้ว ในการประเมินความยั่งยืนของ Nvidia อย่าเพียงแค่ติดตามยอดจัดส่ง GPU เท่านั้น แต่ให้จับตาดูระบบเครือข่ายในศูนย์ข้อมูล NVLink CUDA ระบบระดับแร็ค และว่าลูกค้ายังคงอยู่ภายในระบบนิเวศแพลตฟอร์มของ Nvidia ต่อไปหรือไม่

AI ASIC อาจปรับเปลี่ยนห่วงโซ่อุปทานของ Nvidia ได้อย่างไร?

ชิป AI แบบ ASIC ไม่ได้สร้างห่วงโซ่อุปทานที่แยกออกมาโดยสมบูรณ์ แต่เปลี่ยนวิธีการกระจายมูลค่าภายในห่วงโซ่อุปทานชิป AI ที่มีอยู่เดิม ทั้ง GPU และ ASIC ยังคงแข่งขันกันเพื่อแย่งโหนดกระบวนการผลิตขั้นสูง, HBM, CoWoS, ซับสเตรต ABF, โมดูลออปติคัล, พลังงาน และระบบระบายความร้อนแบบเหลว การเปลี่ยนแปลงที่ใหญ่ที่สุดเกิดขึ้นในด้านการนิยามชิป บริการออกแบบ การเชื่อมต่อเครือข่าย และการบูรณาการระบบ กล่าวอีกนัยหนึ่ง ห่วงโซ่อุปทานของ Nvidia ไม่ได้หายไป แต่เปลี่ยนจากการขยายตัวรอบแพลตฟอร์ม GPU มาตรฐานเดียว ไปเป็นแพลตฟอร์มแบบกำหนดเองหลายแพลตฟอร์มที่ใช้กำลังการผลิตที่สำคัญชุดเดียวกัน

มูลค่าการออกแบบชิปเคลื่อนไปสู่ Broadcom และ Marvell

ชิปที่ออกแบบเองไม่ได้แปลว่าบริษัท hyperscaler ทำทุกอย่างด้วยตัวเอง ลูกค้ารายใหญ่มักเป็นผู้กำหนดปริมาณงาน เป้าหมายด้านประสิทธิภาพ ความต้องการของระบบ และสถาปัตยกรรมบางส่วน ส่วน Broadcom, Marvell และพันธมิตรด้านการออกแบบรายอื่น ๆ จะให้บริการ SerDes ความเร็วสูง การนำชิปไปใช้งานจริง IP สำหรับอินเทอร์เฟซ การประสานงานด้านการบรรจุชิป โซลูชันด้านเครือข่าย และประสบการณ์ด้านการผลิต ชิปอนุมาน Jalapeño ของ OpenAI และ Broadcom แสดงให้เห็นว่าบริษัทด้านโมเดลต่างแปลงความต้องการด้านการอนุมานให้กลายเป็นเป้าหมายในการออกแบบฮาร์ดแวร์โดยตรงอย่างไร

โอกาสของ Marvell ผูกพันอย่างยิ่งกับระบบเชื่อมต่อ (interconnects) และแพลตฟอร์มแบบกำหนดเอง โดย สถาปัตยกรรม co-packaged optics ของบริษัทมุ่งเน้นการปรับปรุงความหนาแน่นของการเชื่อมต่อและแบนด์วิดท์ระหว่าง AI accelerators ซึ่งเป็นการแก้ปัญหาคอขวดที่พบได้ทั่วไปในคลัสเตอร์: ชิปคำนวณได้อย่างรวดเร็ว แต่ข้อมูลไม่ได้เคลื่อนย้ายเร็วเพียงพอเสมอไป ในขณะที่คลัสเตอร์ AI ขยายขนาดจากระดับเซิร์ฟเวอร์ไปสู่ระดับแร็ค จากนั้นข้ามหลายแร็คและหลายศูนย์ข้อมูล คุณค่าของระบบเครือข่ายก็ยิ่งเพิ่มขึ้นเรื่อย ๆ

TSMC, HBM และ Advanced Packaging ยังคงเป็นคอขวดที่ใช้ร่วมกัน

ไม่ว่าชิปนั้นจะเป็น GPU หรือ ASIC การฝึกและการอนุมาน (inference) AI ระดับสูงมักต้องใช้กระบวนการผลิตขั้นสูง หน่วยความจำแบบแบนด์วิดท์สูง และการแพ็กเกจที่ซับซ้อน CoWoS ของ TSMC มีคุณค่าเนื่องจากสามารถรวมชิปตรรกะ ชิปเล็ต (chiplets) และสแตก HBM เข้าไว้ในแพ็กเกจเดียวผ่านการเชื่อมต่อที่หนาแน่น การเติบโตของ ASIC ไม่ได้ทำให้ความต้องการ CoWoS ลดลงโดยอัตโนมัติ แต่กลับอาจช่วยกระจายฐานลูกค้าสำหรับการแพ็กเกจขั้นสูงให้หลากหลายยิ่งขึ้นจริง ๆ

HBM เดินตามตรรกะเดียวกันนี้ HBM4 ของ Samsung เน้นที่แบนด์วิดท์ที่สูงขึ้นและประสิทธิภาพของระบบ AI ในขณะที่ข้อความสื่อสาร HBM4 ของ SK hynix เน้นที่ 2,048 I/O, แบนด์วิดท์ที่สูงขึ้น และประสิทธิภาพการใช้พลังงานที่ดีขึ้น ตราบใดที่ชิป AI ยังคงถูกจำกัดด้วยแบนด์วิดท์ของหน่วยความจำ ทั้ง GPU และ ASIC ต่างก็ใช้ HBM ปริมาณมาก ความแตกต่างคือความต้องการอาจกระจุกตัวรอบ Nvidia น้อยลง และกระจายไปยัง Nvidia, ซิลิคอนแบบกำหนดเองของผู้ให้บริการคลาวด์, โครงการที่เกี่ยวข้องกับ Broadcom, AMD และแพลตฟอร์มอื่นๆ มากขึ้น

ระบบเครือข่ายและแร็กกลายเป็นสมรภูมิแห่งใหม่

ขั้นตอนต่อไปของการแข่งขันชิป AI ไม่ได้เกี่ยวข้องกับตัวชิปเพียงอย่างเดียวเท่านั้น แต่ยังรวมถึงวิธีที่ชิปเชื่อมต่อถึงกันด้วย การฝึกโมเดลขนาดใหญ่ต้องการแบนด์วิดท์สูง ความหน่วงต่ำ และการสื่อสารแบบซิงโครไนซ์ระหว่างหลายโหนด บริการอินเฟอเรนซ์ (Inference) ก็ยังต้องการการจัดตารางงานที่รวดเร็วข้ามหน่วยความจำ หน่วยประมวลผล และแร็ก ผู้ใดที่สามารถลดภาระการสื่อสารได้ก็จะสามารถเพิ่มอัตราการใช้งานจริงของ GPU หรือ ASIC ได้

นี่คือเหตุผลที่ Nvidia ยังคงมีความแข็งแกร่งเชิงป้องกันอยู่ แม้ว่าลูกค้าจะเปิดตัว ASIC แบบกำหนดเอง Nvidia ก็ยังสามารถรักษามูลค่าระดับระบบไว้ได้ หาก interconnect, DPU, NIC, สวิตช์, ซอฟต์แวร์จัดตาราง และการออกแบบแร็คยังคงผูกอยู่กับระบบนิเวศของตน ในทางกลับกัน หาก Ethernet, CPO และ XPU แบบกำหนดเองเติบโตเต็มที่ มูลค่าอาจถ่ายโอนไปยัง Broadcom, Marvell, ผู้ผลิตโมดูลออปติคอล, ผู้ผลิตชิปสวิตช์ และ ODM เซิร์ฟเวอร์มากขึ้น

สรุป: AI ASIC ไม่ได้ทำลายห่วงโซ่อุปทานของ Nvidia แต่เป็นการกระจายมูลค่าไปยังชิปแบบกำหนดเอง เครือข่าย และการบูรณาการระบบ TSMC, HBM และ CoWoS มีแนวโน้มที่จะยังคงเป็นคอขวดที่ใช้ร่วมกันซึ่งได้ประโยชน์จากการเติบโตทั้งของ GPU และ ASIC Broadcom และ Marvell มีความเสี่ยงโดยตรงมากกว่าจากการเติบโตของชิปแบบกำหนดเอง ความเสี่ยงหลักได้แก่ การพึ่งพาลูกค้าเพียงไม่กี่ราย ความล่าช้าของโครงการ ปัญหาด้านอัตราผลผลิต และความไม่สอดคล้องระหว่างกำลังการผลิตบรรจุภัณฑ์ขั้นสูงกับความต้องการจริง

ใครมีแนวโน้มที่จะปรับเปลี่ยนห่วงโซ่อุปทานของ Nvidia มากที่สุด?

บริษัทที่มีแนวโน้มจะเปลี่ยนรูปห่วงโซ่อุปทานของ Nvidia มากที่สุดนั้นไม่ได้จำกัดอยู่แค่คู่แข่งรายใดรายหนึ่งโดยตรง แรงกดดันที่แท้จริงคือกลุ่มบริษัทต่าง ๆ: ผู้ให้บริการ hyperscaler เป็นผู้กำหนดดีมานด์ Broadcom และ Marvell ส่งมอบชิปที่ออกแบบเฉพาะและระบบเชื่อมต่อ TSMC ให้บริการการผลิตและการบรรจุชิปขั้นสูง ผู้ผลิต HBM จัดหาหน่วยความจำที่จำเป็น และ Nvidia ปกป้องมูลค่าของตนผ่าน CUDA, NVLink, ระบบระดับแร็ค และซอฟต์แวร์ หากต้องการเข้าใจโครงสร้างในอนาคต ให้เปลี่ยนคำถามจาก “ใครคือผู้ขายชิป?” มาเป็น “ใครคือผู้กำหนดแพลตฟอร์ม ควบคุมคอขวด และเป็นเจ้าของภาระงาน?”

จากมุมมองความมั่นใจ TSMC และผู้ขาย HBM อาจเป็นผู้ได้รับประโยชน์ที่กว้างที่สุด ไม่ว่าลูกค้าจะซื้อ GPU ของ Nvidia, GPU ของ AMD หรือ AI ASIC ชิป AI ขั้นสูงกำลังมุ่งไปสู่แพ็กเกจที่ใหญ่ขึ้น แบนด์วิดท์ที่สูงขึ้น กำลังไฟที่สูงขึ้น และการเชื่อมต่อที่หนาแน่นขึ้น ซึ่งทำให้กำลังการผลิตฟาวดรีขั้นสูง HBM และการแพ็กเกจยังคงอยู่ตรงกลางของห่วงโซ่อุปทาน

จากมุมมองโอกาสเติบโต Broadcom และ Marvell สมควรได้รับความสนใจอย่างใกล้ชิด พวกเขาไม่ใช่แค่ผู้ขายฟาวดรี และไม่ได้ขายแพลตฟอร์ม GPU ที่สมบูรณ์เหมือน Nvidia พวกเขาอยู่ในระดับกลางที่ลูกค้าต้องการชิปแบบกำหนดเอง ยิ่งบริษัท hyperscaler พยายามนำ workload ของตนไปเข้ารหัสลงในชิปมากเท่าไร การออกแบบและดำเนินการ ระบบเครือข่าย SerDes และการประสานงานด้านการแพ็กเกจก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น

จากมุมมองเชิงป้องกัน Nvidia ยังคงแข็งแกร่งอย่างมาก ข้อได้เปรียบของบริษัทไม่ใช่ GPU เพียงรุ่นเดียว แต่คือแพลตฟอร์มศูนย์ข้อมูล: CUDA, NCCL, TensorRT, NVLink, Spectrum-X, BlueField, DGX, HGX, GB200 และระบบ Rubin ในอนาคต สิ่งเหล่านี้สร้างต้นทุนในการย้ายแพลตฟอร์มที่สูงอย่างมีนัยสำคัญ ตราบใดที่ลูกค้ายังต้องการการนำไปใช้งานที่รวดเร็ว ความน่าเชื่อถือสูง และระบบนิเวศที่เป็นผู้ใหญ่ Nvidia จะไม่ถูกแทนที่ได้ง่าย ๆ ด้วย ASIC เพียงตัวเดียว

นักลงทุนไม่ควรตัดสินธีม AI ASIC โดยดูจากการประกาศชิปเพียงอย่างเดียว ตัวชี้วัดนำที่สำคัญกว่านั้น ได้แก่:

• ชิปนั้นย้ายจากขั้นตอนตัวอย่างไปสู่รายได้จากการผลิตจริงหรือไม่
• การใช้งานของลูกค้าย้ายจากการทดสอบภายในไปสู่การใช้งานในวงกว้างหรือไม่
• ชิปที่ออกแบบเฉพาะรองรับการฝึกฝน (training) หรือส่วนใหญ่เป็นการอนุมาน (inference) หรือไม่
• คำสั่งซื้อ HBM, CoWoS, ซับสเตรต และโมดูลออปติคัลกำลังเพิ่มขึ้นพร้อมกันหรือไม่
• ระบบนิเวศซอฟต์แวร์สามารถดึงดูดนักพัฒนาและลูกค้าคลาวด์ในระยะยาวได้หรือไม่

หากคุณติดตามหุ้นที่จดทะเบียนในสหรัฐฯ เช่น NVDA, AVGO, MRVL, AMD, TSM และ MU การจัดหุ้นเหล่านี้ไว้ในวอทช์ลิสต์เดียวกันจะช่วยให้คุณเปรียบเทียบการเปิดเผยข้อมูลทางการเงิน วงจรคำสั่งซื้อ อัตรากำไร การลงทุนด้านทุน (Capex) และการเปลี่ยนแปลงของมูลค่าหุ้นได้ คุณสามารถใช้ข้อมูลตลาดหุ้นสหรัฐฯ เพื่อติดตามบริษัทที่เกี่ยวข้องและเปรียบเทียบตำแหน่งของบริษัทเหล่านี้ในห่วงโซ่อุปทานชิป AI นอกจากนี้ ควรตรวจสอบต้นทุนการซื้อขายก่อนทำการสั่งซื้อด้วย เนื่องจากต้นทุนที่แท้จริงอาจรวมถึงค่าใช้จ่ายที่มากกว่าค่าธรรมเนียมที่ประกาศไว้

สรุป: การเปลี่ยนแปลงที่แท้จริงในห่วงโซ่อุปทานของ Nvidia มาจากการกระจายตัวของการกำหนดความต้องการ ผู้ให้บริการคลาวด์และบริษัทด้านโมเดลไม่ได้เป็นเพียงผู้ซื้อ GPU มาตรฐานอีกต่อไป แต่ต้องการกำหนดตัวเร่งปฏิกิริยา (accelerator) ของตนเองมากขึ้นเรื่อย ๆ Broadcom, Marvell, TSMC, ผู้ผลิต HBM และบริษัทเทคโนโลยีการบรรจุชิปขั้นสูง ล้วนสามารถคว้ามูลค่าจากการเปลี่ยนแปลงครั้งนี้ได้ อย่างไรก็ตาม Nvidia ไม่ได้นั่งเฉย บริษัทกำลังขยายคูเมืองจาก GPU ไปสู่ซอฟต์แวร์ ระบบเชื่อมต่อ (interconnect) ระบบเครือข่าย และระบบระดับแร็ค (rack-scale) อนาคตที่เป็นไปได้มากกว่าคือการขยายตัวแบบหลายแพลตฟอร์ม ไม่ใช่การที่ ASIC เพียงตัวเดียวจะมาแทนที่ Nvidia ได้อย่างสมบูรณ์

หากคุณต้องการเปลี่ยน AI ASICs, GPUs, HBM, CoWoS และ CAPEX ของ hyperscaler ให้กลายเป็นรายการติดตามการลงทุนที่ใช้งานได้จริง ให้เปรียบเทียบแต่ละบริษัทด้วยสัดส่วนรายได้ที่สัมพันธ์กับธุรกิจนี้ ความชัดเจนของคำสั่งซื้อ ช่วงเวลาการผลิต อัตรากำไรขั้นต้น มูลค่าหุ้น และข้อจำกัดด้านห่วงโซ่อุปทาน Biya รองรับการซื้อขายสินทรัพย์หลายประเภทครอบคลุมหุ้นสหรัฐฯ หุ้นฮ่องกง และสินทรัพย์ดิจิทัล พร้อมทั้งให้บริการข้อมูลตลาดและช่องทางการซื้อขายสำหรับหุ้นที่เกี่ยวข้องด้วยเช่นกัน ความพร้อมใช้งานขึ้นอยู่กับพื้นที่ที่คุณอยู่ ผลการตรวจสอบตัวตน กฎของแพลตฟอร์ม และกฎหมายและข้อบังคับที่เกี่ยวข้อง ข้อมูลตลาดและโครงสร้างค่าธรรมเนียมมีไว้เพื่ออ้างอิงเท่านั้นและไม่ถือเป็นคำแนะนำการลงทุน ก่อนทำการซื้อขาย โปรดตรวจสอบประเภทคำสั่งซื้อ รายละเอียดค่าธรรมเนียม ความผันผวนของราคา และระดับการยอมรับความเสี่ยงของคุณคุณยังสามารถใช้ Biya App เพื่อติดตามสินทรัพย์ในห่วงโซ่อุปทานชิป AI ต่อไปได้

คำถามที่พบบ่อย

AI ASIC ใช้สำหรับการอนุมาน (Inference) เท่านั้นหรือไม่?

ไม่ใช่ AI ASIC สามารถใช้ได้ทั้งการฝึกโมเดล (Training) และการอนุมาน (Inference) แต่ความเหมาะสมนั้นขึ้นอยู่กับสถาปัตยกรรมชิป แบนด์วิดท์ของหน่วยความจำ ขนาดของระบบเชื่อมต่อ และการสนับสนุนด้านซอฟต์แวร์ ยกตัวอย่างเช่น Google TPU ครอบคลุมทั้งสถานการณ์การฝึกโมเดลและการอนุมาน อย่างไรก็ตาม โครงการ ASIC แบบสั่งทำเฉพาะจำนวนมากเริ่มต้นจากงานด้านการอนุมาน ระบบแนะนำ หรือการจัดอันดับ เนื่องจากงานเหล่านั้นมีความเสถียรมากกว่าและง่ายต่อการปรับแต่งให้คุ้มค่าและมีประสิทธิภาพ

องค์กรทั่วไปควรสร้าง AI ASIC ของตัวเองหรือไม่?

องค์กรส่วนใหญ่ไม่ควรสร้าง AI ASIC ของตัวเอง เนื่องจากการพัฒนาชิปต้องใช้เงินลงทุนวิจัยและพัฒนา (R&D) จำนวนมาก วงจรการตรวจสอบความถูกต้องที่ยาวนาน เครื่องมือซอฟต์แวร์ และปริมาณงานขนาดใหญ่ที่มีเสถียรภาพ ซึ่งเส้นทางที่เป็นจริงมากกว่าคือการใช้ GPU cloud instance, Google TPU, AWS Trainium หรือตัวเร่งปฏิกิริยา (accelerator) บนคลาวด์อื่น ๆ ส่วนการตัดสินใจย้ายแพลตฟอร์มควรพิจารณาจากขนาดของโมเดล ปริมาณการเรียกใช้งาน ศักยภาพด้านวิศวกรรม และต้นทุนรวมทั้งหมด

เมื่อไหร่ที่ AI ASIC จะมีต้นทุนต่ำกว่า GPU?

ASIC สำหรับ AI จะมีต้นทุนต่ำกว่า GPU ก็ต่อเมื่อปริมาณงานมีความเสถียร ปริมาณการใช้งานมีขนาดใหญ่มาก อัตราการใช้งานสูง และวงจรชีวิตของชิปยาวนานเพียงพอเท่านั้น การคำนวณต้นทุนไม่ควรเปรียบเทียบเพียงราคาชิปเท่านั้น แต่ต้องรวมต้นทุนการ tape-out การบรรจุชิป การดูแลรักษาซอฟต์แวร์ พลังงานของศูนย์ข้อมูล ระบบหล่อเย็น และต้นทุนการย้ายระบบด้วย ผลลัพธ์จริงขึ้นอยู่กับการทดสอบการใช้งานจริงและข้อมูลการเรียกเก็บเงิน

การเติบโตของ AI ASIC จะลดความต้องการ HBM ลงหรือไม่?

การเติบโตของ AI ASIC ไม่จำเป็นต้องลดความต้องการ HBM ลงอย่างแน่นอน ASIC ประสิทธิภาพสูงอาจต้องการ HBM หลายชั้นและการบรรจุชิปขั้นสูงเช่นกัน โดยเฉพาะในการฝึกโมเดลขนาดใหญ่และการอนุมาน (inference) ที่มีปริมาณงานสูง การเปลี่ยนแปลงที่ใหญ่กว่าอาจเป็นความหลากหลายของลูกค้า กล่าวคือ ความต้องการ HBM อาจกระจายจากแพลตฟอร์มที่เน้น GPU ไปสู่ชิปแบบกำหนดเองของผู้ให้บริการคลาวด์และตัวเร่งประสิทธิภาพเชิงพาณิชย์อื่น ๆ

นักลงทุนจะบอกได้อย่างไรว่า AI ASIC ได้เข้าสู่การผลิตจำนวนมากแล้ว?

นักลงทุนควรพิจารณาจากรายได้จากการผลิต การวางจำหน่ายให้ลูกค้า คำสั่งซื้อในห่วงโซ่อุปทาน ความพร้อมใช้งานของบริการคลาวด์ การใช้จ่ายด้านทุน และการเปิดเผยข้อมูลทางการเงินอย่างเป็นทางการ ชิปตัวอย่างที่สำเร็จไม่เท่ากับการผลิตในระดับเชิงพาณิชย์ การวางจำหน่ายจำนวนมากยังคงต้องอาศัยอัตราผลผลิต การบรรจุ การปรับตัวซอฟต์แวร์ และการตรวจสอบความถูกต้องในศูนย์ข้อมูล การตัดสินใจลงทุนควรอ้างอิงจากเอกสารยื่นต่อหน่วยงานและการเปิดเผยข้อมูลอย่างเป็นทางการของบริษัท