จาก GPU เป็นสินทรัพย์การเงิน นิยามใหม่ของเศรษฐศาสตร์ AI
เศรษฐศาสตร์ AI คือการมองระบบปัญญาประดิษฐ์ไม่ใช่แค่ในมิติเทคโนโลยี แต่รวมถึงต้นทุน โครงสร้างพื้นฐาน และรูปแบบการเงินที่รองรับการขยายตัวของการประมวลผล ซึ่งครอบคลุมตั้งแต่การออกแบบ GPU CPU ต้นทุน การลงทุนศูนย์ข้อมูล ไปจนถึงการบริหารความเสี่ยงและสภาพคล่องให้ธุรกิจที่ใช้ AI ในระดับมหภาค โดยมีข้อจำกัดพลังงาน AI และการจัดสรรทรัพยากรดิจิทัลเป็นหัวใจสำคัญของการเติบโตระยะยาวของอุตสาหกรรม AI จุดพลิกเกมสำคัญคือการที่ Nvidia ไม่ได้มอง GPU เป็นแค่ฮาร์ดแวร์ที่รอเสื่อมราคาอีกต่อไป แต่มองชิปประมวลผลเป็นสินทรัพย์ทางการเงินที่สร้างรายได้ระยะยาวคล้ายตลาดอสังหาริมทรัพย์ โมเดลนี้เปลี่ยนบริษัทจากผู้ขายชิปไปสู่ผู้บริหารสินทรัพย์ ทำให้โครงสร้างพื้นฐาน AI ถูกยกระดับเป็นกลุ่มสินทรัพย์ที่สามารถปล่อยเช่า นำไปค้ำประกัน และต่อยอดเป็นดีลการเงินซับซ้อน หากมองในมุมเศรษฐศาสตร์ นี่คือการย้ายจุดศูนย์กลางของมูลค่า AI จากซอฟต์แวร์และโมเดล ไปสู่ชั้นโครงสร้างพื้นฐานที่จับต้องได้และมีอายุการใช้งานยาวนานกว่า คำถามคือ เมื่อมองชิปเป็นสินทรัพย์ การลงทุนในพลังงานและศูนย์ข้อมูลจะยิ่งผูกกับวงจรการเงิน มากกว่าการแข่งขันด้านนวัตกรรมเพียงอย่างเดียวหรือไม่
โมเดล ‘ธนาคารกลาง AI’ ของ Nvidia: สินทรัพย์หรือฟองสบู่ใหม่
การที่นักวิเคราะห์เรียก Nvidia ว่าเป็นธนาคารกลางแห่งวงการ AI ไม่ใช่คำเปรียบเทียบเล่น ๆ เพราะบริษัทเริ่มเข้าไปคุมสภาพคล่อง อัดฉีดเงินทุน และรับประกันความเสี่ยงให้กับระบบนิเวศ AI คล้ายหน้าที่ของธนาคารกลางในโลกการเงิน หัวใจคือการใช้ชิปเป็นหลักทรัพย์ค้ำประกันเงินกู้และสัญญาเช่าระยะยาว เพื่อให้ลูกค้าและนักลงทุนกล้าทุ่มทุนสร้างโครงสร้างพื้นฐาน AI ขนาดใหญ่ หนึ่งในคำพูดที่สะท้อนแนวคิดนี้ชัดเจนคือ "Nvidia จับมือกับ 6 สถาบันการเงินในวอลล์สตรีทเพื่อระดมทุนกว่า 500,000 ล้านดอลลาร์สหรัฐฯ โดย Nvidia รับหน้าที่ค้ำประกันมูลค่าซากของชิปไว้ให้ 25%" นั่นหมายความว่าบริษัทยอมรับภาระหากสินทรัพย์เสื่อมค่าเพื่อแลกกับการเร่งให้ตลาดลงทุนในโครงสร้างพื้นฐาน AI ให้เร็วที่สุด แรงกดดันที่บีบให้ Nvidia ต้องผันตัวมารับบทนี้เกิดจากสองด้าน ลูกค้ารายใหญ่ดั้งเดิมอย่างผู้ให้บริการแพลตฟอร์มและคลาวด์หันไปสร้างชิปเฉพาะทางของตัวเอง ซึ่งมีราคาถูกกว่าชิป Nvidia ถึง 3–5 เท่า ทำให้ส่วนแบ่งตลาดจากลูกค้ากลุ่มนี้ถูกคาดว่าจะลดลงเหลือครึ่งหนึ่งในเวลาไม่กี่สิบปี ขณะเดียวกันลูกค้า AI รุ่นใหม่ เช่น neoclouds และสตาร์ทอัพ กลับไม่มีเครดิตและเงินกู้เพียงพอจากธนาคารทั่วไป ผลคือ Nvidia ต้องสร้างกลไกค้ำประกันรายได้และค้ำประกันหนี้สินในโครงการศูนย์ข้อมูลยักษ์ เพื่อให้สถาบันการเงินยอมปล่อยกู้แลกกับการติดตั้งชิปของตน โมเดลนี้ดันมูลค่าบริษัทพุ่งขึ้น แต่ก็สร้างภาระผูกพันและการค้ำประกันทางการเงินนอกงบการเงินรวมกันเกือบ 300,000 ล้านดอลลาร์สหรัฐฯ หากความต้องการ AI โตไม่ทันหรือราคาเช่ากำลังการประมวลผลตกลง สตาร์ทอัพอาจชำระหนี้ไม่ได้ และภาระดังกล่าวจะไหลกลับมาที่ Nvidia ทันที ในมุมเศรษฐศาสตร์ นี่คล้ายการสร้างอุปสงค์เทียมให้กับโครงสร้างพื้นฐาน AI นักวิเคราะห์บางรายถึงกับเปรียบเทียบสถานการณ์นี้กับฟองสบู่ Dot-com ปลายยุค 1990 หากการคาดหวังต่อพลังงาน AI ระดับโลกและการเติบโตของโมเดลขนาดใหญ่เกินจริง วงจรนี้อาจกลายเป็นแรงกระแทกใหม่ของตลาดการเงิน
จากสงคราม GPU สู่ยุคที่ CPU กลายเป็นคอขวดของ AI Agents
ขณะเศรษฐศาสตร์ด้านโครงสร้างพื้นฐานกำลังเข้มข้น ด้านเทคนิคก็เปลี่ยนกติกาเช่นกัน ในยุคแชตบอต คนมักมองว่า GPU คือหัวใจของ AI เพราะใช้ในการฝึกและรันโมเดลขนาดใหญ่ แต่เมื่อ AI ก้าวไปสู่ Agentic AI ที่วางแผน แบ่งงาน เรียกใช้เครื่องมือ ค้นข้อมูล เรียก API รันโค้ด และตรวจสอบผลลัพธ์เอง สมการฮาร์ดแวร์เริ่มเปลี่ยนไปอย่างชัดเจน AI Agent ไม่ได้ใช้แค่ GPU แต่ต้องพึ่งพา CPU Memory และระบบจัดการข้อมูลมากขึ้นอย่างต่อเนื่อง งานวิจัย AgentSysBench ที่เผยแพร่เดือนสิงหาคมซึ่งศึกษาการทำงานของ Agentic AI จำนวน 10 แอปพลิเคชัน พบว่าใน 5 จาก 10 แอป ส่วนที่ไม่ใช่ LLM กลายเป็นตัวกินเวลาหลักของระบบ และ workload กระจายไปทั้ง GPU-bound สำหรับโมเดล memory-bound สำหรับการค้นคืนข้อมูล และ CPU-bound สำหรับงาน sandbox และการประมวลผลบางประเภท นี่คือหลักฐานว่าการเพิ่มแต่ GPU ไม่สามารถแก้ปัญหาคอขวดของ AI Agents ได้อีกต่อไป AMD ยังระบุว่า workload แบบ Agentic กำลังทำให้สัดส่วน CPU ต่อ GPU ในศูนย์ข้อมูลเปลี่ยนจากราว 1:4–8 ในยุค Chatbot ไปสู่ระดับใกล้ 1:1 และบางกรณีมี CPU มากกว่า GPU ด้วยซ้ำ นั่นแปลว่าโครงสร้างพื้นฐาน AI ต้องลงทุนใน CPU อย่างหนักเพื่อรองรับงาน orchestration การเรียกเครื่องมือ การประเมินผลลัพธ์ และการจัดการการทำงานระหว่างหลาย Agent TrendForce อ้างการประเมินของ Arm ว่าความต้องการ CPU อาจเพิ่มจากประมาณ 30 ล้านคอร์ต่อกิกะวัตต์ของศูนย์ข้อมูล ไปเป็น 120 ล้านคอร์ต่อกิกะวัตต์ในยุค Agentic AI หรือเพิ่มเกือบ 4 เท่า เมื่อมองร่วมกับข้อจำกัดพลังงาน AI การเพิ่มคอร์ CPU หมายถึงภาระไฟฟ้าที่สูงขึ้นแบบทวีคูณ ไม่ใช่เพียงการซื้อชิปเพิ่มแล้วจบ ดังนั้นการแข่งขันต่อไปจึงไม่ใช่แค่สงคราม GPU แต่รวมถึงการแข่งขันด้าน Server CPU และจำนวนคอร์ที่สามารถจ่ายไฟให้ทำงานได้อย่างเสถียรในระยะยาว
โครงสร้างพื้นฐาน AI ที่สมดุล คือเส้นแบ่งระหว่างระบบยั่งยืนกับฟองสบู่
เมื่อมองภาพรวม เศรษฐศาสตร์ AI ในวันนี้จึงผูกกับโครงสร้างพื้นฐาน AI แบบลึกกว่าที่หลายคนคิด ไม่ใช่เพียงการมีโมเดลที่ฉลาด หรือ GPU จำนวนมาก แต่คือความสามารถในการออกแบบสถาปัตยกรรมที่สมดุลระหว่าง CPU GPU Memory และ Network เพื่อไม่ให้ส่วนใดส่วนหนึ่งกลายเป็นคอขวดหรือแหล่งสูบต้นทุนอย่างไร้ประสิทธิภาพ งานวิจัยบนคลาวด์ขนาดใหญ่พบว่า workflow ของ AI Agent มีการข้ามไปมาระหว่าง CPU และ GPU หลายครั้ง โดย CPU ซึ่งรับผิดชอบ orchestration และการเรียกใช้เครื่องมือนั้นอยู่บน critical path ของการทำงาน ท้ายที่สุด โลกของ AGI อาจไม่ได้แข่งกันที่ใครมี GPU มากที่สุด แต่แข่งกันที่ใครสร้าง Infrastructure ที่สมดุลที่สุดระหว่าง CPU GPU Memory และ Network นี่ทำให้พลังงานและโครงสร้างพื้นฐานกลายเป็นสินทรัพย์แท้จริงของยุค AI ไม่ใช่แค่ต้นทุนเบื้องหลัง เพราะทุกการเพิ่มคอร์ ทุกการขยายศูนย์ข้อมูล และทุกการค้ำประกันการลงทุน ล้วนผูกกับความเสี่ยงและผลตอบแทนในระยะยาว หากบริษัทลงทุนแบบมองโครงสร้างพื้นฐานเป็นสินทรัพย์ที่ต้องสร้างกระแสเงินสดสม่ำเสมอ เช่นโมเดลธนาคารกลาง AI ของ Nvidia เศรษฐศาสตร์ AI มีโอกาสเดินหน้าอย่างยั่งยืน แต่ถ้าการคาดหวังต่อความต้องการ AI และพลังงาน AI ระดับโลกสูงเกินจริง จนโครงสร้างพื้นฐานถูกสร้างขึ้นเพื่อรองรับอุปสงค์ที่ยังไม่เกิด ฟองสบู่ใหม่ก็อาจก่อตัวได้ไม่ต่างจากยุค Dot-com บทสรุปคือ ยุคต่อไปผู้ชนะจะไม่ใช่แค่ผู้มีเทคโนโลยีล้ำหน้า แต่ต้องเป็นผู้เข้าใจว่าโครงสร้างพื้นฐานและการเงินกำลังเชื่อมกันอย่างแนบแน่นในเศรษฐศาสตร์ AI แบบใหม่
