แผนที่การลงทุนโครงสร้างพื้นฐาน AI: จาก GPU, HBM และ CoWoS สู่หุ้นศูนย์ข้อมูล

หัวใจสำคัญของการลงทุนในโครงสร้างพื้นฐาน AI ไม่ใช่เพียงแค่การค้นหา "NVIDIA ตัวถัดไป" แต่คือการทำความเข้าใจว่าเงินทุนไหลจาก CAPEX ของผู้ให้บริการคลาวด์เข้าสู่ชิป หน่วยความจำ การบรรจุชิป เซิร์ฟเวอร์ ระบบเครือข่าย พลังงาน และดาต้าเซ็นเตอร์อย่างไร คุณสามารถมองสิ่งนี้เป็นแผนที่อุตสาหกรรมได้: ชั้นต้นน้ำเป็นตัวกำหนดอุปทานพลังการคำนวณ ชั้นกลางเป็นตัวกำหนดความเร็วในการส่งมอบ และชั้นปลายน้ำเป็นตัวกำหนดผลตอบแทนเชิงพาณิชย์ หากคุณต้องการลงทุนในห่วงโซ่อุปทาน AI คุณจำเป็นต้องเปรียบเทียบทั้งความชัดเจนของการเติบโต คอขวดของอุปทาน คุณภาพของกำไร แรงกดดันด้านการประเมินมูลค่า และความเสี่ยงจากวงจรธุรกิจไปพร้อมกัน

ประเด็นสำคัญ

• การลงทุนในโครงสร้างพื้นฐาน AI เริ่มต้นจาก CAPEX ของคลาวด์และจบลงด้วยการรับรู้รายได้จากบริการ AI
• GPU ยังคงเป็นแกนกลางของการประมวลผล แต่ ASIC และเครือข่ายความเร็วสูงกำลังได้รับงบประมาณส่วนเพิ่มมากขึ้น
• HBM และ CoWoS เป็นตัวกำหนดว่าชิป AI ระดับไฮเอนด์จะสามารถส่งมอบได้อย่างราบรื่นหรือไม่
• คอขวดของศูนย์ข้อมูลกำลังขยายจากชิปไปสู่พลังงาน ระบบระบายความร้อนแบบเหลว และวงจรการก่อสร้าง
• เมื่อเลือกหุ้นโครงสร้างพื้นฐาน AI ให้เน้นที่การเติบโต คูเมือง (moats) กระแสเงินสด และการประเมินมูลค่า
• ETF สามารถลดความเสี่ยงจากหุ้นรายตัว แต่ความบริสุทธิ์ของการถือครองและอัตราค่าธรรมเนียมก็ยังมีความสำคัญ

วิธีทำความเข้าใจแผนที่การลงทุนโครงสร้างพื้นฐาน AI: เงินทุน CAPEX ของคลาวด์ไหลไปที่ใด

การลงทุนในโครงสร้างพื้นฐาน AI สามารถแบ่งได้ตามห่วงโซ่ “การใช้จ่ายของผู้ให้บริการคลาวด์—ชิปประมวลผล—กลุ่มเซิร์ฟเวอร์—ศูนย์ข้อมูล—รายได้จากคลาวด์” ก่อนอื่นคุณต้องระบุว่าใครคือผู้ใช้จ่ายเงิน จากนั้นติดตามว่าชั้นฮาร์ดแวร์และวิศวกรรมใดได้รับเงินทุนนั้น และสุดท้ายประเมินว่าการลงทุนเหล่านั้นสามารถกลายเป็นรายได้ที่ยั่งยืนได้หรือไม่ หากคุณมองเฉพาะหุ้นชิปเพียงตัวเดียว คุณอาจพลาดการเห็นว่ากำไรถูกกระจายอย่างไร และคอขวดเคลื่อนย้ายไปตามห่วงโซ่อุปทานอย่างไร

ผู้ให้บริการคลาวด์รายใหญ่เป็นแหล่งเงินทุนหลักของความต้องการด้านโครงสร้างพื้นฐาน AI Microsoft ยังคงเน้นย้ำถึงส่วนสนับสนุนของคลาวด์และ AI ต่อการเติบโตของรายได้ในผลประกอบการไตรมาส 3 ปีบัญชี FY26 Alphabet ระบุโครงสร้างพื้นฐานด้านเทคนิคเป็นองค์ประกอบหลักของรายจ่ายลงทุนในการนำเสนอต่อนักลงทุนปี 2026 Meta ปรับกรอบ CAPEX ทั้งปีขึ้นเป็น 125,000 ล้านดอลลาร์ถึง 145,000 ล้านดอลลาร์ในแนวโน้มรายจ่ายลงทุนปี 2026 รายได้จากการดำเนินงานของ AWS ยังแสดงให้เห็นว่าคลาวด์ยังคงเป็นแกนหลักสำคัญของการลงทุนด้านโครงสร้างพื้นฐาน

อย่างไรก็ตาม CAPEX ที่สูงขึ้นไม่ได้หมายความว่าบริษัทในห่วงโซ่อุปทานทุกแห่งจะได้รับประโยชน์ในจังหวะเดียวกัน GPU, HBM, การบรรจุขั้นสูง เซิร์ฟเวอร์ สวิตช์ โมดูลออปติคอล การจ่ายไฟ ระบบหล่อเย็นด้วยของเหลว และผู้ดำเนินการศูนย์ข้อมูล ล้วนยอมรับรายได้ในความเร็วที่แตกต่างกันและดำเนินงานภายใต้โครงสร้างอัตรากำไรที่แตกต่างกัน บริษัทชิปอาจได้เปรียบในด้านอัตรากำไรขั้นต้นที่สูงกว่า ผู้ประกอบร่างเซิร์ฟเวอร์อาจมีความยืดหยุ่นของรายได้ที่แข็งแกร่งแต่มีอัตรากำไรที่บางกว่า ส่วนผู้ดำเนินการศูนย์ข้อมูลอาจมีสัญญาระยะยาว แต่พวกเขาก็ต้องเผชิญกับภาระหนี้ทางการเงินที่สูงและวงจรการก่อสร้างที่ยาวนานเช่นกัน

คุณสามารถใช้สัญญาณห้าประการในการประเมินว่าวัฏจักรโครงสร้างพื้นฐาน AI อยู่ ณ จุดใด: ว่าคำแนะนำ CAPEX ของคลาวด์ยังคงสูงขึ้นหรือไม่; ว่าระยะเวลารอคอยของ GPU และ HBM กำลังสั้นลงหรือไม่; ว่าความจุ CoWoS กำลังเปลี่ยนจากการขาดแคลนไปสู่ความสมดุลหรือไม่; ว่าคำสั่งซื้อระบบหล่อเย็นด้วยของเหลว ระบบไฟฟ้า และระบบเครือข่ายยังคงเติบโตเร่งขึ้นหรือไม่; และว่ารายได้จากคลาวด์สามารถครอบคลุมค่าเสื่อมราคาและต้นทุนการดำเนินงานได้หรือไม่

สรุป: กุญแจสำคัญของแผนที่โครงสร้างพื้นฐาน AI คือต้องมองไปที่แหล่งทุนก่อน จากนั้นจึงดูการส่งต่อคำสั่งซื้อ และสุดท้ายคือกำไรตกอยู่ตรงไหน CAPEX ของคลาวด์กำหนดอุปสงค์รวม GPU และ ASIC กำหนดแกนการประมวลผล HBM และ CoWoS กำหนดการส่งมอบชิป ศูนย์ข้อมูล พลังงาน และระบบระบายความร้อนด้วยของเหลวกำหนดการติดตั้งจริง คุณไม่ควรมองห่วงโซ่อุปทานทั้งหมดเป็นภาคส่วนเดียวที่กำลังขึ้น แต่ให้ระบุจุดขาดแคลนในปัจจุบัน และประเมินว่าบริษัทในชั้นนั้นสามารถเปลี่ยนภาวะขาดแคลนให้เป็นกำไร กระแสเงินสด และความได้เปรียบทางการแข่งขันระยะยาวได้หรือไม่

GPU, ASIC และเครือข่ายความเร็วสูง: หุ้นใดสำคัญในชั้นการประมวลผล AI

GPU ยังคงเป็นสินทรัพย์หลักสำหรับการฝึก AI และการอนุมานแบบทั่วไป แต่ชั้นการประมวลผลได้เปลี่ยนจาก "การแข่งขันด้านประสิทธิภาพของ GPU เดี่ยว" มาเป็นการแข่งขันระดับระบบที่เกี่ยวข้องกับชิป ซอฟต์แวร์ การเชื่อมต่อ เครือข่าย และระบบแร็คเต็มรูปแบบ เมื่อวิจัยหุ้นการประมวลผล AI คุณไม่ควรมองเพียงประสิทธิภาพจากการทดสอบเท่านั้น แต่ยังต้องประเมินความแข็งแกร่งของระบบนิเวศ ความภักดีของลูกค้า ความสามารถในการจัดหา และการส่งมอบคลัสเตอร์แบบครบวงจรด้วย

จุดแข็งของ NVIDIA ไม่ได้มีเพียงแค่ GPU เท่านั้น แต่คือการผสมผสานระหว่าง GPU, CPU, NVLink, ชิปสวิตช์, ระบบทั้งหมด และระบบนิเวศซอฟต์แวร์ รายได้ศูนย์ข้อมูลของบริษัทได้กลายเป็นแกนหลักของธุรกิจ ซึ่งสะท้อนให้เห็นว่าการใช้จ่ายด้านโครงสร้างพื้นฐาน AI นั้นมุ่งความเข้มข้นไปที่แพลตฟอร์มตัวเร่งระดับไฮเอนด์ก่อนเป็นอันดับแรก โอกาสของ AMD อยู่ที่ GPU ทางเลือก ระบบนิเศซอฟต์แวร์แบบเปิด และการกระจายความเสี่ยงในกลุ่มลูกค้าคลาวด์ แต่บริษัทยังคงต้องพิสูจน์ต่อไปถึงความสามารถด้านอุปทาน ความพร้อมของซอฟต์แวร์ และการยอมรับจากลูกค้า

ASIC แบบกำหนดเอง (Custom ASICs) เป็นอีกเส้นทางสำคัญหนึ่ง ผู้ให้บริการคลาวด์รายใหญ่ต้องการใช้ชิปที่พัฒนาขึ้นเองหรือร่วมออกแบบเพื่อลดต้นทุนการอนุมาน (inference) ต่อหน่วย การเติบโตด้านรายได้เซมิคอนดักเตอร์ AI ของ Broadcom สะท้อนถึงการขยายตัวของตัวเร่งปฏิกิริยา (accelerator) แบบกำหนดเองและความต้องการระบบเครือข่าย AI ASIC ไม่จำเป็นต้องมาแทนที่ GPU เนื่องจากมักถูกใช้ในโมเดลเฉพาะทาง ปริมาณงานที่คงที่ และสถานการณ์การอนุมานขนาดใหญ่มากกว่า สำหรับนักลงทุน GPU คือแพลตฟอร์มการประมวลผลแบบอเนกประสงค์ ในขณะที่ ASIC คือการผสานรวมกับลูกค้าอย่างลึกซึ้งและการเพิ่มประสิทธิภาพด้านต้นทุน

เครือข่ายความเร็วสูงเป็นตัวกำหนดว่าคลัสเตอร์ AI จะสามารถขยายขนาดได้หรือไม่ การฝึกโมเดลขนาดใหญ่ต้องใช้ GPU จำนวนมากในการคำนวณแบบซิงโครนัส ในขณะที่คลัสเตอร์การอนุมาน (inference) ก็ต้องการการเชื่อมต่อที่มีความหน่วงต่ำและมีความสามารถในการส่งข้อมูลสูง การเติบโตของรายได้ไตรมาส 1 ปี 2026ของ Arista สะท้อนถึงความสำคัญที่เพิ่มขึ้นของ Ethernet ในศูนย์ข้อมูลขนาดใหญ่และคลัสเตอร์ AI ในอนาคต คุณต้องติดตาม InfiniBand, Ethernet, Spectrum-X, 800G, 1.6T, DSP, โมดูลออปติคอล และสายทองแดงเชื่อมต่อ เพราะคอขวดด้านเครือข่ายส่งผลโดยตรงต่ออัตราการใช้งาน GPU

เมื่อวิจัยหุ้นกลุ่มชั้นการประมวลผล (compute-layer) คุณสามารถคัดกรองหุ้นเหล่านี้ได้ในสามขั้นตอน ประการแรก พิจารณาว่าบริษัทนั้นอยู่ในคอขวดด้านการประมวลผลหรือเครือข่ายที่สำคัญหรือไม่ ประการที่สอง ตรวจสอบว่าลูกค้าของบริษัทรวมถึงผู้ให้บริการคลาวด์ชั้นนำหรือไม่ ประการที่สาม ประเมินว่าการเติบโตที่คาดหวังนั้นได้สะท้อนอยู่ในการประเมินมูลค่าเต็มที่แล้วหรือไม่ หากบริษัทใดมีเพียง “แนวคิด AI” แต่ขาดคำสั่งซื้อจริง ส่วนสนับสนุนรายได้ และการยืนยันจากลูกค้า ตรรกะการลงทุนของบริษัทนั้นจะอ่อนแอกว่าบริษัทที่ฝังตัวอยู่ในห่วงโซ่อุปทานจริงๆ อย่างมาก

สรุป: GPU ยังคงเป็นศูนย์กลางของชั้นการประมวลผล AI แต่โอกาสกำลังกระจายไปสู่ ASIC เครือข่ายความเร็วสูง และระบบสมบูรณ์ คูเมืองหลักของ NVIDIA อยู่ที่ความสามารถด้านแพลตฟอร์ม Broadcom และบริษัทที่คล้ายกันได้รับประโยชน์จากชิปสั่งผลิตเฉพาะและเครือข่าย Arista และผู้เล่นที่เกี่ยวข้องได้รับประโยชน์จากการขยายตัวของศูนย์ข้อมูลอีเทอร์เน็ต สิ่งที่คุณต้องเปรียบเทียบไม่ใช่แค่ "ชิปของใครเร็วกว่า" แต่คือใครสามารถส่งมอบคลัสเตอร์ขนาดใหญ่ได้อย่างน่าเชื่อถือ ผูกขาดลูกค้าหลัก และเก็บเกี่ยวกำไรที่มีคุณภาพสูงกว่าจาก CAPEX ด้าน AI

HBM, CoWoS และโหนดกระบวนการผลิตขั้นสูง: ใครควบคุมคอขวดการส่งมอบชิป AI

HBM และ CoWoS ถือเป็นคอขวดสำคัญในการส่งมอบชิป AI แม้ว่าการออกแบบ GPU หรือ ASIC จะเสร็จสมบูรณ์แล้ว แต่เซิร์ฟเวอร์ขั้นสุดท้ายก็จะไม่สามารถส่งมอบได้ตามกำหนดเวลา หากขาดหน่วยความจำแบบแบนด์วิดท์สูง กำลังการผลิตบรรจุภัณฑ์ขั้นสูง และอัตราผลผลิตที่เป็นผู้ใหญ่ เมื่อศึกษาค้นคว้าเกี่ยวกับสารกึ่งตัวนำ AI คุณต้องวางชิปตรรกะ หน่วยความจำ และบรรจุภัณฑ์ไว้บนแผนที่เดียวกัน

คุณค่าของ HBM อยู่ที่แบนด์วิดท์และประสิทธิภาพด้านพลังงาน DRAM แบบดั้งเดิมเปรียบเสมือนหน่วยความจำสำหรับงานทั่วไป ในขณะที่ HBM ใช้โครงสร้างแบบซ้อนกันที่อยู่ใกล้ชิปคำนวณเพื่อส่งมอบอัตราการรับส่งข้อมูลที่สูงขึ้นภายในพื้นที่จำกัด ยิ่งโมเดล AI มีขนาดใหญ่ขึ้นและการเรียกใช้งานอินเฟอเรนซ์มีความหนาแน่นมากขึ้นเท่าไร ความต้องการแบนด์วิดท์ของหน่วยความจำก็ยิ่งสูงขึ้นเท่านั้น Micron เน้นย้ำแรงขับเคลื่อนจาก AI ต่อธุรกิจหน่วยความจำของบริษัทในการเปิดเผยข้อมูลที่เกี่ยวข้องกับรายได้จากดาต้าเซ็นเตอร์ ซึ่งแสดงให้เห็นว่า HBM ไม่ได้เป็นเพียงสายผลิตภัณฑ์ขนาดเล็กภายในวงจรอุตสาหกรรมหน่วยความจำอีกต่อไป แต่เป็นองค์ประกอบสำคัญของต้นทุนและประสิทธิภาพของระบบ AI

CoWoS เชื่อมต่อ GPU หรือ ASIC เข้ากับ HBM ภายในระบบบรรจุภัณฑ์ประสิทธิภาพสูงเดียวกัน เทคโนโลยี CoWoS ของ TSMC แสดงให้เห็นว่าการบรรจุภัณฑ์ขั้นสูงใช้ interposer และ substrate อย่างไรเพื่อเปิดใช้งานการเชื่อมต่อความหนาแน่นสูง คุณสามารถเข้าใจอย่างง่าย ๆ ได้ว่า: โหนดการผลิตขั้นสูงผลิตชิปตรรกะหลัก, HBM มอบหน่วยความจำความเร็วสูง และ CoWoS เชื่อมต่อทั้งสองเข้าด้วยกันเป็นผลิตภัณฑ์ที่เสถียรและผลิตได้จำนวนมาก

บริษัทโหนดกระบวนการผลิตขั้นสูงและบริษัทเครื่องจักรอุปกรณ์ต่างก็ได้รับประโยชน์ทางอ้อมเช่นกัน ชิป AI ต้องการโหนดกระบวนการที่ทันสมัยกว่า อัตราผลผลิตที่สูงขึ้น และกระบวนการตรวจสอบที่ซับซ้อนมากขึ้น เครื่องจักร EUV, การกัด, การเคลือบ, การวัดค่า, การตรวจสอบ และการบรรจุ ล้วนเกี่ยวข้องกับวงจรการขยายกำลังการผลิต อย่างไรก็ตาม รายได้ของบริษัทเครื่องจักรอุปกรณ์มักได้รับอิทธิพลจากวงจรคำสั่งซื้อ CAPEX ของลูกค้า และการวางแผนกำลังการผลิตมากกว่า จึงไม่ควรเทียบเคียงตรง ๆ กับยอดขายชิป AI

ในการประเมินมูลค่าการลงทุนของชั้นนี้ อย่าถามเพียงว่า “ใครมีกำลังการผลิต” เท่านั้น คุณยังต้องพิจารณาคุณสมบัติของลูกค้า อัตราผลผลิตในการผลิตจำนวนมาก รุ่นของผลิตภัณฑ์ กำลังการผลิตต่อหน่วย และแนวโน้มราคา HBM3E, HBM4, การซ้อนชั้นที่มากขึ้น ขนาด die ที่ใหญ่ขึ้น และการบรรจุที่ซับซ้อนมากขึ้น จะยังคงเปลี่ยนจุดคอขวดในระยะสั้นอย่างต่อเนื่อง

สรุป: HBM, CoWoS และโหนดการผลิตขั้นสูงร่วมกันเป็นตัวกำหนดการส่งมอบชิป AI HBM ให้แบนด์วิดท์ของข้อมูล โหนดการผลิตขั้นสูงให้ความหนาแน่นของการประมวลผล และ CoWoS ทำให้การรวมระดับประสิทธิภาพสูงสมบูรณ์ สำหรับนักลงทุน คำถามที่แท้จริงคือความขาดแคลนนั้นมาจากความเป็นผู้นำด้านเทคโนโลยี การผ่านการรับรองจากลูกค้า ความได้เปรียบด้านอัตราผลผลิต หรือการขาดแคลนกำลังการผลิต หากการขยายกำลังการผลิตเป็นเพียงนามธรรมและขาดการยืนยันจากลูกค้าระดับไฮเอนด์ ความยืดหยุ่นของกำไรอาจอ่อนแอกว่าที่ตลาดคาดหวัง บริษัทที่มีทั้งเทคโนโลยี กำลังการผลิต และการผูกขาดลูกค้ามีแนวโน้มที่จะได้รับประโยชน์อย่างต่อเนื่องจากวงจรโครงสร้างพื้นฐาน AI มากกว่า

จากเซิร์ฟเวอร์สู่ระบบจ่ายไฟและระบบหล่อเย็นด้วยของเหลว: หุ้นศูนย์ข้อมูลดูดซับ CAPEX ด้าน AI อย่างไร

หุ้นศูนย์ข้อมูล AI ไม่ได้รวมเพียงผู้ดำเนินการสถานประกอบการเท่านั้น แต่ยังรวมถึงเซิร์ฟเวอร์ ระบบเครือข่าย การจำหน่ายไฟฟ้า ไฟฟ้าสำรอง ระบบหล่อเย็นด้วยของเหลว หม้อแปลง งานวิศวกรรมก่อสร้าง และสาธารณูปโภค ด้วยความหนาแน่นของพลังงานในแร็ค AI ที่เพิ่มขึ้น คอขวดกำลังเปลี่ยนจาก "ชิปมีให้ใช้หรือไม่" ไปสู่ "พลังงาน ระบบหล่อเย็น และสิ่งอำนวยความสะดวกที่ส่งมอบได้มีหรือไม่" คุณจำเป็นต้องมองศูนย์ข้อมูลในฐานะระบบวิศวกรรม ไม่ใช่เพียงสินทรัพย์อสังหาริมทรัพย์เท่านั้น

บริษัทผู้ผลิตเซิร์ฟเวอร์ AI มักมีความยืดหยุ่นด้านรายได้ที่แข็งแกร่ง เนื่องจากผู้ให้บริการคลาวด์จำเป็นต้องซื้อระบบ แร็ค และคลัสเตอร์แบบครบชุด แต่กำไรจากการประกอบเซิร์ฟเวอร์มักต่ำกว่ากำไรของชิปและแพลตฟอร์มซอฟต์แวร์ และมักได้รับผลกระทบจากราคาส่วนประกอบ สินค้าคงคลัง และการกระจุกตัวของลูกค้าอย่างง่ายดาย เมื่อศึกษาบริษัทเหล่านี้ ให้เน้นที่คุณภาพของคำสั่งซื้อ โครงสร้างลูกค้า เงินทุนหมุนเวียน และว่าอัตรากำไรขั้นต้นจะปรับปรุงขึ้นพร้อมกับรายได้หรือไม่

พลังงานและระบบระบายความร้อนด้วยของเหลว (liquid cooling) กำลังมีความสำคัญมากขึ้น สำนักงานพลังงานระหว่างประเทศ (International Energy Agency) ประเมินว่าภายในปี 2030 ปริมาณการใช้ไฟฟ้าของศูนย์ข้อมูลทั่วโลกอาจสูงถึงราว 945 TWh โดยมี AI เป็นหนึ่งในแหล่งความต้องการที่เพิ่มขึ้นหลัก ๆ แร็ค GPU กำลังไฟสูงต้องการแหล่งจ่ายไฟฟ้าที่เสถียรยิ่งขึ้น ระบบ UPS ที่มีประสิทธิภาพสูงขึ้น ระบบจ่ายไฟฟ้า หม้อแปลง และโซลูชันการระบายความร้อนที่ดีกว่าเดิม ทัศนะของ Vertiv เกี่ยวกับแนวโน้มการออกแบบศูนย์ข้อมูลสำหรับ AI ก็ชี้เน้นถึงความหนาแน่นสูง การระบายความร้อนด้วยของเหลว และการมองศูนย์ข้อมูลในฐานะหน่วยประมวลผลเช่นกัน

เนื้อหาของ Eaton เกี่ยวกับการจ่ายไฟในศูนย์ข้อมูลและแรงกดดันด้านการระบายความร้อน ชี้ให้เห็นว่าคลัสเตอร์ GPU ที่มีความหนาแน่นสูงสร้างความต้องการที่สูงขึ้นต่อระบบไฟฟ้า การจัดการความร้อน และความเสถียรในการดำเนินงาน สำหรับนักลงทุนแล้ว บริษัทอุปกรณ์ไฟฟ้าและการจัดการความร้อนอาจดูไม่โดดเด่นเท่าบริษัท GPU แต่บริษัทเหล่านี้ทำหน้าที่เป็น "เงื่อนไขความพร้อมในการส่งมอบ" สำหรับการขยายตัวของโครงสร้างพื้นฐาน AI

ผู้ประกอบการศูนย์ข้อมูล (Data Center) จำเป็นต้องได้รับการประเมินแยกกัน กำลังการผลิตที่สร้างแล้ว กำลังการผลิตที่อยู่ระหว่างก่อสร้าง อัตราการเช่าล่วงหน้า สำรองพลังงานไฟฟ้า ความน่าเชื่อถือของลูกค้า การครบกำหนดชำระหนี้ และต้นทุนการจัดหาเงินทุน ล้วนส่งผลต่อผลตอบแทนของผู้ถือหุ้น หากบริษัทใดมีเพียงที่ดินหรือเรื่องราวการ "เปลี่ยนผ่านสู่ศูนย์ข้อมูล AI" แต่ขาดการเข้าถึงพลังงานไฟฟ้า สัญญากับลูกค้า และความสามารถในการจัดหาเงินทุน ความเสี่ยงของบริษัทนั้นย่อมสูงกว่าผู้ประกอบการที่เป็นที่ยอมรับแล้วอย่างชัดเจน

สรุป: ตรรกะการลงทุนของศูนย์ข้อมูล AI กำลังแพร่ขยายจากการจัดซื้อเซิร์ฟเวอร์ไปสู่ด้านพลังงาน ระบบหล่อเย็นด้วยของเหลว และการส่งมอบงานก่อสร้าง คุณไม่สามารถตัดสินบริษัทได้จากป้าย "ศูนย์ข้อมูล" เพียงอย่างเดียว คุณต้องประเมินว่าบริษัทนั้นมีคำสั่งซื้อจริง พลังงานที่พร้อมใช้งาน ความสามารถในการส่งมอบ และโครงสร้างเงินทุนที่สมเหตุสมผลหรือไม่ บริษัทเซิร์ฟเวอร์มีความยืดหยุ่นด้านรายได้สูงแต่ก็เผชิญแรงกดดันด้านอัตรากำไร บริษัทด้านพลังงานและระบบหล่อเย็นอาจได้ประโยชน์จากแนวโน้มความหนาแน่นสูง ส่วนผู้ดำเนินการศูนย์ข้อมูลต้องเผชิญความเสี่ยงจาก CAPEX สูง การก่อหนี้ และอัตราดอกเบี้ย

วิธีคัดเลือกหุ้นโครงสร้างพื้นฐาน AI: เปรียบเทียบการเติบโต คูเมืองการแข่งขัน การประเมินมูลค่า และความเสี่ยงตามวัฏจักร

เมื่อเลือกหุ้นโครงสร้างพื้นฐาน AI คุณต้องระบุก่อนว่าบริษัทนั้นอยู่ในชั้นใดของห่วงโซ่อุปทาน จากนั้นจึงประเมินสัดส่วนรายได้จาก AI คูเปอร์สูทางการแข่งขัน คุณภาพของกระแสเงินสด และระยะปลอดภัยด้านการประเมินมูลค่า การอยู่ใกล้คอขวดไม่จำเป็นต้องทำให้หุ้นดีขึ้นเสมอไป เพราะตลาดอาจตั้งราคาการเติบโตหลายปีไว้แล้ว คำถามสำคัญคือการเติบโตนั้นสามารถเปลี่ยนเป็นกำไรและกระแสเงินสดอิสระได้หรือไม่

คุณสามารถใช้ห้ามิติสำหรับการคัดกรองเบื้องต้นได้ดังนี้:

1. ความบริสุทธิ์ของรายได้ AI: รายได้ที่เกี่ยวข้องกับ AI มีสัดส่วนเท่าใดของรายได้รวม และปรากฏอยู่ในผลประกอบการทางการเงินแล้วหรือยัง
2. คูเมืองการแข่งขัน: บริษัทมีเทคโนโลยี ระบบนิเวศซอฟต์แวร์ การรับรองจากลูกค้า กำลังการผลิต หรือสัญญาที่ยากต่อการเลียนแบบหรือไม่
3. คุณภาพของกำไร: อัตรากำไรขั้นต้น กระแสเงินสดจากการดำเนินงาน และผลตอบแทนจากเงินทุน ดีขึ้นควบคู่กับรายได้หรือไม่
4. ความชัดเจนของการเติบโต: คำสั่งซื้อ งานค้างรับ สัญญาระยะยาว และการลงทุน CAPEX ของลูกค้า สนับสนุนการคาดการณ์หรือไม่
5. ความทนทานของการประเมินมูลค่า: มูลค่าตลาดปัจจุบันได้สะท้อนการเติบโตในอนาคตหลายปีข้างหน้าไปแล้วหรือยัง

นักลงทุนที่มีความเสี่ยงที่แตกต่างกันสามารถแบ่งหุ้นโครงสร้างพื้นฐาน AI ออกเป็นหลายประเภทได้:

การวิจัยในขั้นตอนกลางควรครอบคลุมถึงปัจจัยด้านต้นทุนการซื้อขายด้วย หากคุณติดตามหุ้นกลุ่ม GPU, HBM, เครื่องจักรเซมิคอนดักเตอร์ หรือศูนย์ข้อมูล คุณควรเข้าใจต้นทุนการซื้อขายจริง นอกเหนือจากปัจจัยพื้นฐานของบริษัท ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ มักไม่ได้รวมเพียงค่าคอมมิชชั่นเท่านั้น แต่อาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย และค่าธรรมเนียมอื่น ๆ ที่แสดงบนหน้าคำสั่งซื้อขาย Biya ไม่เก็บค่าคอมมิชชั่นสำหรับการซื้อขายหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก และต้นทุนอื่น ๆ ขึ้นอยู่กับตารางค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯและหน้าคำสั่งซื้อขาย ข้อมูลตลาดสาธารณะ กฎการซื้อขาย และโครงสร้างค่าธรรมเนียมมีไว้เพื่อการอ้างอิงในการวิจัยเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุน

มีความผิดพลาดที่พบบ่อยสามประการในการลงทุนโครงสร้างพื้นฐาน AI ประการแรก คือการถือว่าบริษัทศูนย์ข้อมูลทุกแห่งเป็นผู้ได้ประโยชน์จาก AI โดยละเลยเรื่องพลังงาน ลูกค้า และความสามารถในการระดมทุน ประการที่สอง คือการคาดการณ์ภาวะขาดแคลนอุปทานในระยะสั้นเป็นเส้นตรงไปสู่ระยะยาว โดยละเลยความเป็นไปได้ที่ราคาและอัตรากำไรอาจลดลงหลังจากการขยายกำลังการผลิต ประการที่สาม คือการมุ่งเน้นเพียงการเติบโตของรายได้ โดยละเลยกระแสเงินสดอิสระและแรงกดดันจากค่าเสื่อมราคา โดยเฉพาะอย่างยิ่งในชั้นที่มี CAPEX สูง การเติบโตของรายได้ไม่จำเป็นต้องนำไปสู่ผลตอบแทนที่สูงขึ้นสำหรับผู้ถือหุ้น

สรุป: การคัดเลือกหุ้นโครงสร้างพื้นฐาน AI ควรเริ่มต้นจากตำแหน่งในห่วงโซ่อุปทาน แต่ไม่สามารถหยุดอยู่แค่การจำแนกตามแนวคิดได้ คุณจำเป็นต้องยืนยันว่ารายได้จาก AI เป็นของจริงหรือไม่ ลูกค้ามีความมั่นคงหรือไม่ คูเปิดป้องกัน (moat) แข็งแกร่งเพียงใด กระแสเงินสดตามทันหรือไม่ และมูลค่าหุ้นยังมีระยะเผื่อผิดพลาดหรือไม่ GPU, ASIC, HBM, CoWoS, ระบบเครือข่าย, พลังงาน และศูนย์ข้อมูลล้วนได้รับประโยชน์ได้ แต่แต่ละชั้นมีอัตรากำไร ความผันผวนตามวัฏจักร และแหล่งความเสี่ยงที่แตกต่างกัน วิธีที่รอบคอบกว่าคือใช้แผนที่ห่วงโซ่อุปทานสร้างรายการวิจัย จากนั้นคัดกรองบริษัททีละขั้นตอนโดยใช้ผลประกอบการทางการเงิน คำสั่งซื้อ มูลค่าหุ้น และต้นทุนการซื้อขาย

หากคุณต้องการติดตามหุ้นโครงสร้างพื้นฐาน AI ในระยะยาว คุณสามารถแยกกลุ่ม GPU, HBM, ฟาวดรี, เครื่องจักรเซมิคอนดักเตอร์, ระบบเครือข่าย, ระบบหล่อเย็นแบบเหลว และผู้ให้บริการดาต้าเซ็นเตอร์ออกเป็นวอทช์ลิสต์ที่แตกต่างกัน แทนที่จะมองว่าเป็นกลุ่ม "หุ้นคอนเซ็ปต์ AI" ที่กว้างเพียงกลุ่มเดียว ผู้ใช้ที่ตรงตามเงื่อนไขความพร้อมใช้งานบริการในท้องถิ่น การยืนยันตัวตน และกฎของแพลตฟอร์ม สามารถใช้ Biya เพื่อดูหุ้นสหรัฐฯ และหุ้นฮ่องกงที่เกี่ยวข้อง และใช้ ค้นหาข้อมูลหุ้นสหรัฐฯ เพื่อเปรียบเทียบข้อมูลบริษัท ราคาหุ้น และข้อมูลการซื้อขายหากคุณต้องการทำการเทรดในภายหลัง คุณควรทำความเข้าใจเกี่ยวกับประเภทของออเดอร์ โครงสร้างค่าธรรมเนียม การเคลื่อนไหวของอัตราแลกเปลี่ยน และระดับความเสี่ยงที่คุณยอมรับได้ล่วงหน้า โดยอาศัยกฎของแพลตฟอร์ม หน้าออเดอร์ และข้อกำหนดด้านกำกับดูแลในท้องถิ่น สำหรับการใช้งานบนมือถือ คุณสามารถดาวน์โหลดแอป แล้วตรวจสอบว่าบริการนี้พร้อมใช้งานในพื้นที่ของคุณหรือไม่

คำถามที่พบบ่อย

นักลงทุนรายย่อยสามารถแยกแยะหุ้นชิป AI ออกจากหุ้นโครงสร้างพื้นฐาน AI ได้อย่างไร?

หุ้นชิป AI มักเป็นส่วนหนึ่งของกลุ่มโครงสร้างพื้นฐาน AI ที่กว้างขึ้น หุ้นชิปส่วนใหญ่ครอบคลุม GPU, ASIC, CPU, HBM, โรงงานผลิตเวเฟอร์ และการบรรจุชิปขั้นสูง ส่วนหุ้นโครงสร้างพื้นฐาน AI มีขอบเขตกว้างกว่า รวมถึงเซิร์ฟเวอร์ ระบบเครือข่าย พลังงาน ระบบระบายความร้อนด้วยของเหลว การดำเนินงานศูนย์ข้อมูล และแพลตฟอร์มคลาวด์ สิ่งสำคัญคือต้องดูแหล่งรายได้ ไม่ใช่ดูแค่ว่าบริษัทใช้ฉลาก AI หรือไม่

ความต้องการ HBM ที่เพิ่มขึ้นจะช่วยดันหุ้นชิปหน่วยความจำทุกตัวหรือไม่?

ความต้องการ HBM ที่เพิ่มขึ้นจะไม่ยกกระแสหุ้นชิปหน่วยความจำทุกตัวขึ้นมาโดยอัตโนมัติ คุณจำเป็นต้องเปรียบเทียบรุ่น HBM ของแต่ละบริษัท การได้รับการรับรองจากลูกค้า อัตราผลผลิตการผลิต สัดส่วนกำลังการผลิต และการสัมผัสกับ DRAM และ NAND แบบดั้งเดิม หากราคาหน่วยความจำแบบดั้งเดิมตกลง ปัจจัยเหล่านี้อาจชดเชยส่วนหนึ่งของผลสนับสนุนการเติบโตจาก HBM ดังนั้นผลประกอบการทางการเงินและวงจรราคาในอุตสาหกรรมยังคงมีความสำคัญ

การขยายกำลังการผลิต CoWoS จะทำให้มูลค่าของบริษัทบรรจุภัณฑ์ขั้นสูงลดลงหรือไม่?

การขยายกำลังการผลิต CoWoS อาจบรรเทาภาวะขาดแคลนในระยะสั้น แต่ไม่จำเป็นต้องทำให้มูลค่าในระยะยาวอ่อนแอลง ชิปขนาดใหญ่ขึ้น การซ้อน HBM ที่มากขึ้น และการบรรจุที่ซับซ้อนมากขึ้น สามารถเพิ่มความต้องการบรรจุขั้นสูงต่อไปได้ กุญแจสำคัญคือการประเมินอัตราการใช้กำลังการผลิต อัตราผลผลิต การกำหนดราคา โครงสร้างลูกค้า และจังหวะการขยายตัว ไม่ใช่เพียงแค่การเพิ่มขึ้นของกำลังการผลิตตามตัวเลขเท่านั้น

ตัวชี้วัดทางการเงินใดสำคัญที่สุดสำหรับหุ้นศูนย์ข้อมูล AI?

สำหรับหุ้นศูนย์ข้อมูล AI ให้เน้นที่อัตราการเช่าล่วงหน้า พลังงานที่มีอยู่ กำลังการผลิตที่อยู่ระหว่างก่อสร้าง คำสั่งซื้อคงค้าง ค่าใช้จ่ายฝ่ายทุน หนี้สุทธิ และกระแสเงินสดอิสระ หากการเติบโตของรายได้ต้องอาศัยการกู้ยืมอย่างต่อเนื่องและการขยายตัวที่ต้นทุนสูง ผลตอบแทนที่แท้จริงต่อผู้ถือหุ้นอาจต่ำกว่าที่การเติบโตของรายได้ชี้ให้เห็น อัตราดอกเบี้ย การอนุมัติจากระบบสายส่งไฟฟ้า และการพึ่งพาลูกค้าเพียงไม่กี่รายก็เป็นปัจจัยสำคัญเช่นกัน

ETF โครงสร้างพื้นฐาน AI เหมาะกับมือใหม่มากกว่าการซื้อหุ้น GPU โดยตรงหรือไม่?

ETF โครงสร้างพื้นฐาน AI โดยทั่วไปเหมาะกับมือใหม่ที่ไม่ต้องการรับความเสี่ยงจากหุ้นรายบริษัทเดียวมากกว่า แต่ก็ไม่ได้ปราศจากความเสี่ยง ETF แต่ละตัวอาจมุ่งเน้นไปที่เซมิคอนดักเตอร์ แพลตฟอร์มคลาวด์ ศูนย์ข้อมูล หรืออุปกรณ์ไฟฟ้าเป็นหลัก ก่อนการลงทุน ควรตรวจสอบระดับความเข้มข้นของหลักทรัพย์ในพอร์ต อัตราค่าธรรมเนียม กฎของดัชนี และการกระจายความเสี่ยงตามภูมิภาค รวมถึงอาศัยข้อมูลจากเอกสารกองทุนและข้อมูลจากแพลตฟอร์มซื้อขาย

นักลงทุนควรตรวจสอบค่าธรรมเนียมใดบ้างก่อนซื้อขายหุ้นโครงสร้างพื้นฐาน AI?

ก่อนทำการซื้อขายหุ้นโครงสร้างพื้นฐาน AI นักลงทุนควรตรวจสอบค่าธรรมเนียมนายหน้า ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย ต้นทุนอัตราแลกเปลี่ยน และกฎการดำเนินการคำสั่งซื้อ แพลตฟอร์ม ตลาด และประเภทคำสั่งซื้อที่แตกต่างกันอาจมีต้นทุนที่แตกต่างกัน ควรอาศัยการเปิดเผยค่าธรรมเนียมของแพลตฟอร์ม หน้าคำสั่งซื้อ รายละเอียดการเรียกเก็บเงิน และข้อกำหนดด้านกฎระเบียบในท้องถิ่นเสมอ มากกว่าตัวเลข "ค่าธรรมเนียมนายหน้า" เพียงตัวเดียว