ยุคที่ Hyperscaler สร้างชิปแข่งกันเอง นี่คือจุดเปลี่ยนของ AI หรือโอกาสของ NVIDIA?

เมื่อ Google เตรียมขาย TPU ให้ Meta หรือ Amazon เปิดตัว Trainium 3 ที่เร็วขึ้นถึง 4 เท่าและกินไฟลดลง 40% จึงไม่น่าแปลกที่นักลงทุนบางส่วนเริ่มกังวลว่า GPU อาจกำลังถูกแทนที่ในบางงาน

ข้อมูลจากทีม Global Investing หลักทรัพย์บัวหลวง ระบุว่า เมื่อพิจารณาเชิงลึกจะพบว่า Hyperscaler รายใหญ่พัฒนาชิปของตัวเองมานานแล้ว และไม่ได้ออกแบบมาเพื่อแข่งขันกับ NVIDIA โดยตรง งานด้าน AI จำนวนมาก 

โดยเฉพาะ Inference ซึ่งเป็นขั้นตอนที่โมเดลนำความรู้ที่เทรนไว้มาใช้ตอบคำถามหรือสร้างผลลัพธ์จริงในชีวิตประจำวัน และต้องประมวลผลซ้ำจำนวนมหาศาล เหมาะกับชิปเฉพาะทางอย่าง ASIC หรือ TPU มากกว่า

ดังนั้นผู้ให้บริการ Cloud จึงมีเหตุผลในการสร้างชิปของตนเองเพื่อช่วยลดต้นทุน แต่ในทางกลับกัน งานที่สำคัญที่สุดของยุค AI อย่างการเทรนโมเดลขนาดใหญ่ (Training) ยังคงต้องพึ่งพา GPU เป็นหลัก เพราะต้องใช้สถาปัตยกรรมที่หลากหลาย ยืดหยุ่น และรองรับเทคนิคใหม่ที่เกิดขึ้นแทบทุกเดือน ซึ่งเป็นจุดแข็งที่ GPU ทำได้ดีกว่าชิปเฉพาะทางอย่างชัดเจน

GPU จึงกลายเป็นเครื่องมือที่ “เหมาะกับงานเทรนโมเดลมากที่สุด” ไม่ใช่แค่เพราะมีพลังประมวลผลสูง แต่เพราะมีระบบซอฟต์แวร์และเครื่องมือประกอบ (ecosystem) ที่ครบที่สุดในอุตสาหกรรม ไลบรารี CUDA ของ NVIDIA รองรับงานด้าน AI แทบทุกประเภท ตั้งแต่การเทรนโมเดล การปรับแต่งโมเดล ไปจนถึงการประมวลผลผลลัพธ์ (Inference) ที่ต้องการความยืดหยุ่นสูง

นอกจากนี้ เทคโนโลยีเชื่อมต่ออย่าง NVLink และ NVSwitch ยังทำให้ GPU จำนวนหลายหมื่นตัวทำงานร่วมกันได้เสมือนเป็นเครื่องเดียว ความสามารถนี้จำเป็นสำหรับการสร้างโมเดลขนาดใหญ่ระดับ “ล้านล้านพารามิเตอร์” ซึ่งบริษัทชั้นนำอย่าง OpenAI, Anthropic และ Meta ใช้ในการพัฒนา AI รุ่นล่าสุดในปัจจุบัน

อีกหนึ่งความเข้าใจผิดของตลาด คือการประเมินความคุ้มค่าของชิปด้วยการดูเพียง “ราคาต่อชิ้น” ซึ่งไม่ได้สะท้อนต้นทุนจริงของบริษัทที่ต้องการสร้างโมเดลให้เสร็จเร็วและมีประสิทธิภาพที่สุด ความคุ้มค่าที่แท้จริงต้องดูจาก “ต้นทุนต่อหนึ่งงานเทรนโมเดล” ว่าทำได้เร็วแค่ไหนและใช้พลังงานทรัพยากรเท่าไร

โดยภาพรวม NVIDIA มักให้ผลลัพธ์ที่คุ้มค่ากว่า เพราะมีความเร็วสูง ระบบซอฟต์แวร์ที่ปรับแต่งมาอย่างดี เสถียรภาพของระบบ และความสามารถในการรับส่งข้อมูลจำนวนมาก ทำให้แม้ราคาชิ้นจะสูงกว่า แต่เมื่อนำไปใช้งานจริงกลับ “ประหยัดกว่า” สำหรับองค์กรที่ต้องการความเร็ว ความแม่นยำ และความแน่นอนในการพัฒนา AI

แม้ในอนาคตงานประมวลผลผลลัพธ์ (Inference) จะถูกย้ายไปใช้ชิปเฉพาะทางอย่าง TPU หรือ ASIC มากขึ้น แต่ความต้องการด้านการเทรนโมเดลกลับเพิ่มขึ้นรวดเร็วกว่าเดิมมาก เมื่อบริษัทต่าง ๆ ต้องอัปเดตโมเดลใหม่ทุก 3–6 เดือน ต้องเทรนโมเดลขนาดใหญ่ขึ้น และต้องจำลองสถานการณ์จำนวนมากสำหรับงานด้าน AI Agents หุ่นยนต์ และโมเดลหลายโหมด (Multimodal) ทำให้ตลาดงานเทรนโมเดลเติบโตอย่างรวดเร็ว และความต้องการใช้ GPU ยังคงเพิ่มขึ้นต่อเนื่อง

ดังนั้น การที่บรรดา Hyperscaler เร่งผลิตชิปใช้เอง ไม่ได้หมายความว่าตลาดของ NVIDIA กำลังถูกแย่งไป แต่สะท้อนว่าตลาด AI ทั้งอุตสาหกรรมกำลังเติบโตเร็วจนไม่สามารถพึ่งพาเทคโนโลยีแบบเดียวได้ งานบางส่วนที่เป็นงานซ้ำ ๆ และต้องการต้นทุนต่ำ จึงถูกย้ายไปใช้ชิปเฉพาะทางอย่าง TPU หรือ ASIC ขณะที่งานสำคัญที่สุดของการพัฒนา AI ยุคใหม่ ซึ่งคือการเทรนโมเดลขนาดใหญ่ ยังคงต้องพึ่งพา GPU ของ NVIDIA อย่างชัดเจน

เมื่อประเมินด้าน “ความคุ้มค่าของราคา” NVIDIA ในปัจจุบันกลับดูน่าสนใจมากขึ้น หลังราคาหุ้นปรับตัวลงแรงจากความกังวลว่าลูกค้ารายใหญ่จะลดการใช้ GPU แต่เมื่อดูโครงสร้างรายได้จริงพบว่า ความกังวลนั้นอาจตีความผิดไป เพราะรายได้หลักของบริษัทมาจากงานเทรนโมเดลที่ยังเติบโตอย่างรวดเร็ว ขณะที่งานประมวลผลผลลัพธ์ที่ถูกเบี่ยงไปให้ชิปอื่น มีสัดส่วนรายได้ค่อนข้างน้อย

กราฟแสดงมูลค่าและอัตราส่วนทางการเงินของหุ้น Nvidia

ปัจจุบันค่า Forward P/E 12 เดือนของ NVIDIA อยู่ที่ประมาณ 25 เท่า ต่ำกว่าค่าเฉลี่ยย้อนหลัง 5 ปีที่ราว 38 เท่า และต่ำกว่าโดยเฉลี่ยถึงเกือบ 2 ส่วนเบี่ยงเบนมาตรฐาน ซึ่งถือว่าต่ำผิดปกติเมื่อเทียบกับศักยภาพการเติบโตในอุตสาหกรรม และตำแหน่งผู้นำตลาดของบริษัท มุมมองโดยรวมจึงชี้ว่า ระดับราคานี้เป็น “โอกาสทยอยสะสม” มากกว่าจะเป็นความเสี่ยงในระยะยาว

สำหรับนักลงทุนไทยที่มองหาโอกาสในธีม AI วันนี้ไม่จำเป็นต้องเปิดบัญชีต่างประเทศอีกต่อไป เพราะสามารถลงทุนในหุ้นผู้นำโลกอย่าง NVIDIA ได้ผ่าน Depositary Receipt (DR) NVDA01 ที่จดทะเบียนซื้อขายในตลาดหุ้นไทย โดยสามารถศึกษาข้อมูลเพิ่มเติมของ DR ได้ที่ DR01.