เมื่อสายไฟกับสวิตช์ คือสิ่งที่ทำให้ GPU หมื่นตัวกลายเป็นสมองก้อนเดียว

เพื่อจะเข้าใจว่าทำไมเครือข่ายถึงสำคัญขนาดนี้ ต้องเข้าใจวิธีฝึก AI ก่อน การฝึกโมเดลคือการทำซ้ำ “หนึ่งสเตป” นับล้านครั้ง และในทุกสเตป GPU ทุกตัวต้องคำนวณค่าปรับ (gradient) ของตัวเอง แล้ว เอามาเฉลี่ยรวมกับ GPU ทุกตัวในคลัสเตอร์ ก่อนจะไปสเตปถัดไป ขั้นตอนการรวมนี้เรียกว่า all-reduce และมันเกิดขึ้นทุกสเตป — แปลว่าถ้าเครือข่ายช้า GPU ทั้งหมดก็ต้องหยุดรอพร้อมกัน

นี่คือเหตุผลที่วงการพูดว่าคลัสเตอร์ AI นั้น “network-bound” — เพดานความเร็วไม่ได้อยู่ที่ว่าชิปคำนวณได้เร็วแค่ไหน แต่อยู่ที่ว่ามัน “แลกเปลี่ยนข้อมูล” กันได้เร็วแค่ไหน มีการประเมินว่าในงานฝึกโมเดลขนาดใหญ่ การรอเครือข่ายอาจกินเวลาไปถึง ~40% ของแต่ละสเตป นั่นหมายถึง GPU ที่ราคาตัวละหลายหมื่นดอลลาร์อาจนั่งว่างเกือบครึ่งเวลา ถ้าโครงข่ายไม่ดีพอ

ผลทางเศรษฐกิจตามมาทันที เครือข่ายเคยเป็นแค่ “ส่วนเสริมเล็กๆ” ของศูนย์ข้อมูล แต่ในคลัสเตอร์ AI มันกลายเป็นรายจ่ายก้อนใหญ่ที่ประเมินกันว่าราว 10–20% ของต้นทุนคลัสเตอร์ทั้งหมด — และเป็นส่วนที่โตเร็วที่สุดส่วนหนึ่ง ในนิยามแคบ (เฉพาะ “ตัวระบบสวิตช์ศูนย์ข้อมูล AI” ตามประมาณการของ ResearchAndMarkets) ตลาดนี้ถูกประเมินว่าจะโตจาก $4,000 ล้านในปี 2024 เป็น $19,000 ล้านในปี 2030 (โตเฉลี่ย ~30% ต่อปี) — แต่ถ้านับ การใช้จ่ายด้านสวิตช์ back-end ของ AI ทั้งหมด ตัวเลขจะใหญ่กว่านี้มาก โดยอาจแตะราว $100,000 ล้านภายในปี 2030 (Dell'Oro — ดู ชั้นสวิตช์) และนี่ยังไม่รวมฝั่งแสงและสายอีก

โครงข่าย AI ไม่ได้มีชั้นเดียว แต่มีสองชั้นที่ทำงานคนละหน้าที่ — และเข้าใจความต่างของสองชั้นนี้ คือเข้าใจทั้งเทรนด์

ชั้นแรกเรียกว่า scale-up คือการเชื่อม GPU ที่อยู่ “ในแร็คเดียวกัน” ให้เร็วสุดขีดเหมือนเป็นชิปเดียว เทคโนโลยีพระเอกคือ NVLink ของ Nvidia — GPU Blackwell หนึ่งตัวมีสาย NVLink ถึง 18 เส้น รวมแบนด์วิดท์ 1.8 TB/s (เร็วกว่าช่อง PCIe ทั่วไปราว 14 เท่า) ระบบรุ่นใหม่อย่าง GB200 NVL72 มัด GPU 72 ตัวในแร็คเดียวให้เป็น “โดเมนเดียว” ที่มีแบนด์วิดท์รวม 130 TB/s — เหมือนยัด GPU 72 ตัวให้กลายเป็นชิปยักษ์ตัวเดียว

ชั้นที่สองเรียกว่า scale-out คือการเชื่อม “ข้ามแร็ค” เพื่อมัดหลายร้อยหลายพันแร็คเข้าด้วยกันเป็นคลัสเตอร์ขนาดหมื่นตัว ชั้นนี้ใช้เทคโนโลยีคนละแบบ — InfiniBand หรือ Ethernet — และมันคือสมรภูมิที่ดุเดือดที่สุดของเทรนด์นี้ (เดี๋ยวเราจะกลับมาที่ศึกนี้)

ทำไมต้องแยกสองชั้น? เพราะ scale-up เร็วกว่ามาก — NVLink ภายในแร็คเร็วกว่าโครงข่าย scale-out ข้ามแร็คราว 18 เท่า ดังนั้นวิศวกรจึงพยายาม “ยัด” GPU ให้อยู่ในโดเมน scale-up เดียวกันให้มากที่สุด (จาก 8 ตัวต่อโหนด สู่ 72 ตัวต่อแร็ค และกำลังไปถึง 576 ตัว) เพราะทุกครั้งที่ข้อมูลต้องวิ่งออกไปชั้น scale-out มันคือการ “เสียเวลา” แบบหนึ่ง

ถ้ามองเป็นธุรกิจ เทรนด์นี้แตกเป็นสองก้อนที่พึ่งพากัน — และทั้งคู่กำลังเฟื่องฟูพร้อมกัน

ก้อนแรกคือ สวิตช์และชิปสวิตช์ (Switching & Networking Silicon/Systems) — นี่คือ “ทางแยกจราจร” ของข้อมูล สวิตช์รับข้อมูลจากสายนับร้อยเส้นแล้วส่งต่อไปถูกทิศทาง หัวใจอยู่ที่ ชิปสวิตช์ (switch ASIC) ที่กำหนดว่าสวิตช์หนึ่งตัวจะรับส่งข้อมูลได้กว้างแค่ไหน ชิปสวิตช์รุ่นล่าสุดเร็วขึ้นเท่าตัวทุกรุ่น นี่คือสนามที่ Broadcom และ Arista กำลังชนกัน (เจาะลึกผู้เล่นและสเปกที่ → ชั้นสวิตช์)

ก้อนที่สองคือ การเชื่อมต่อด้วยแสง (Optical Interconnect & DCI) — เมื่อต้องส่งข้อมูลไกลขึ้นและเร็วขึ้น ทองแดง (สายไฟ) เริ่มไม่ไหว เพราะยิ่งเร็วยิ่งร้อนและส่งได้ไม่ไกล โลกจึงเปลี่ยนไปใช้ แสง — แปลงข้อมูลเป็นสัญญาณแสงยิงผ่านเส้นใยแก้ว ตัวแปลงนี้เรียกว่า optical transceiver และดีมานด์มันระเบิดมาก ตลาด transceiver ทั้งหมดแตะกว่า $23,000 ล้านในปี 2025 (โต ~50% ในปีเดียว) หัวใจคือกำแพงฟิสิกส์ — ที่ 200G ต่อเลน ทองแดงส่งได้ไม่ถึง 1 เมตร แสงจึงเป็นทางเดียวที่สเกลต่อได้ และมูลค่ากระจุกที่ “เลเซอร์ต้นน้ำ” ฝั่งตะวันตกมากกว่าตัวโมดูลที่จีนตีตลาด (ดู → ชั้นแสง)

node นี้จึงเป็น “เรื่องเดียวกันสองด้าน” — สวิตช์คือสมองที่ตัดสินใจว่าข้อมูลไปทางไหน ส่วนแสงคือเส้นเลือดที่ลำเลียงมันไปจริงๆ ทั้งคู่ต้องวิ่งเร็วขึ้นพร้อมกัน ไม่งั้นอีกฝั่งก็กลายเป็นคอขวด

AI Networking ไม่ได้ลอยอยู่เดี่ยวๆ มันคือชั้นที่ “ร้อย” เทรนด์อื่นเข้าด้วยกัน:

• มัด ชิปประมวลผล AI ให้เป็นเครื่องเดียว: นี่คือความสัมพันธ์ที่ลึกที่สุด GPU ที่เก่งแค่ไหนก็ไร้ความหมายถ้ามันคุยกันไม่ได้ ดีมานด์ของ node นี้จึงผูกกับยอดขาย GPU โดยตรง — ยิ่งซื้อ GPU มาก ยิ่งต้องซื้อสายและสวิตช์มากตาม
• เป็นส่วนหนึ่งของ การสร้างศูนย์ข้อมูล AI: สวิตช์ สาย และ transceiver คือชิ้นส่วนที่ถูกติดตั้งระหว่างการสร้างคลัสเตอร์ขนาดยักษ์
• ดูด ไฟฟ้า มหาศาล: โครงข่ายความเร็วสูงกินไฟมาก — นี่คือเหตุผลที่ co-packaged optics (เอาแสงไปไว้ติดชิปเลย) สำคัญ เพราะช่วยลดพลังงานได้หลายสิบเมกะวัตต์ต่อคลัสเตอร์
• พึ่ง เซมิคอนดักเตอร์ และ Interconnect & passive: ชิปสวิตช์ก็คือชิปที่ต้องผลิตในโรงหล่อ ส่วนสาย คอนเนกเตอร์ และซับสเตรตขั้นสูง คือชิ้นส่วนทางกายภาพที่ต้องมาประกอบกัน
• พึ่ง วัตถุดิบสำคัญ: ตั้งแต่ทองแดงคุณภาพสูงไปจนถึงวัสดุทำเส้นใยแก้วและเลเซอร์ในตัว transceiver

นี่คือส่วนที่ดราม่าที่สุด — สงครามชิงโครงข่าย AI ระหว่างสองค่ายใหญ่ที่เดิมพันกันเป็นเงินแสนล้านดอลลาร์

ฝั่งหนึ่งคือ Nvidia ที่ไม่ได้ขายแค่ GPU แต่ขาย “ทั้งระบบ” — รวมถึงโครงข่ายของตัวเองทั้ง InfiniBand (จากการซื้อ Mellanox) และ NVLink สำหรับ scale-up InfiniBand เคยครอง back-end ของคลัสเตอร์ AI ถึงราว 80% เพราะมันเสถียรและหน่วงต่ำ Nvidia จึงพยายาม “ล็อก” ลูกค้าให้ซื้อทั้งชิปและเครือข่ายเป็นแพ็กเกจเดียว

อีกฝั่งคือพันธมิตร Ethernet นำโดย Broadcom (ชิปสวิตช์) และ Arista (ระบบสวิตช์) ที่ผลักดันมาตรฐานเปิดชื่อ Ultra Ethernet (สเปก 1.0 ออกกลางปี 2025) เพื่อทำให้ Ethernet ซึ่งเป็นเทคโนโลยีมาตรฐานเปิด เร็วและเสถียรพอจะสู้ InfiniBand ได้ — จุดขายคือ “ไม่ต้องผูกกับเจ้าเดียว และถูกกว่า”

และในปี 2025 กระแสก็พลิก — Ethernet แซง InfiniBand ขึ้นเป็นโครงข่าย scale-out หลักของ AI เป็นครั้งแรก โดยมีรายงานว่า Ethernet มีขนาดตลาดเป็นกว่า 2 เท่าของ InfiniBand สำหรับงาน scale-out ในปีนั้น — พลิกจากที่ InfiniBand เคยครอง ~80%

ภาพประกอบ (battle.png)

ตัวเลขของผู้เล่นเล่าเรื่องได้ชัด Broadcom กลายเป็นผู้ชนะเงียบๆ ของยุคนี้ — ในไตรมาส 4 ปีงบ 2025 รายได้ชิป AI โต 74% แตะระดับ record และฝั่งเครือข่ายโตถึง 170% จนคิดเป็นราว 40% ของรายได้ AI ทั้งหมด ส่วน Arista ก็ยกเป้ารายได้ AI ปี 2026 ขึ้นเป็น $2,750 ล้าน (จากเป้า $1,500 ล้านในปี 2025) พร้อม backlog ที่รอส่งมอบกว่า $6,800 ล้าน

ฝั่งแสงก็เดือดไม่แพ้กัน ดีมานด์ 800G ดันให้ผู้ผลิตจีนอย่าง Innolight และ Eoptolink คว้าออเดอร์เพิ่มของ Nvidia ไปรวมกันราว 60% ขณะที่ฝั่งตะวันตกอย่าง Coherent และ Lumentum ครองส่วนเลเซอร์และชิ้นส่วนต้นน้ำ และ Nvidia เองก็กระโดดลงสนามแสงด้วยสวิตช์ co-packaged optics รุ่น Quantum-X (ปลายปี 2025) และ Spectrum-X (ปี 2026)

ทิศทางแรกคือ “super-cycle ทองแดงสู่แสง” ยิ่งความเร็วต่อช่องสูงขึ้น (800G → 1.6T → 3.2T) ทองแดงยิ่งหมดสภาพ ทำให้แสงเข้ามาแทนในระยะที่สั้นลงเรื่อยๆ ปลายทางคือ co-packaged optics (CPO) — เอาเลเซอร์ไปไว้ติดกับชิปสวิตช์เลย เพื่อลดพลังงานและเพิ่มความเร็ว ปี 2026 ถูกมองว่าเป็นปีแรกของ CPO ระดับการผลิตจริง โดยมี Google, Meta, Amazon และ Nvidia นำร่อง — transceiver แบบเสียบ (pluggable) ยังไม่หายไป แต่เส้นทางชัดเจนว่ามุ่งสู่แสงมากขึ้นเรื่อยๆ

ทิศทางที่สองคือ Ethernet จะกินส่วนแบ่งต่อ ด้วยมาตรฐาน Ultra Ethernet ที่สุกงอมขึ้นและระบบนิเวศที่กว้างกว่า รายได้ Ethernet สำหรับ scale-out ของ AI ถูกคาดว่าจะทะลุ $100,000 ล้านต่อปีภายในปี 2030 แต่ InfiniBand จะไม่หายไป — มันยังครองงานที่ต้องการความหน่วงต่ำสุดและความแน่นอนสูงสุด (คลัสเตอร์ฝึกระดับ frontier, งานวิจัยแห่งชาติ)

ทิศทางที่สามคือ scale-up จะเปิดกว้างขึ้น วันนี้ NVLink เป็นของ Nvidia เจ้าเดียว แต่กำลังมีความพยายามสร้างมาตรฐาน scale-up แบบเปิด (เช่น การดัน Ethernet ลงมาเล่นในชั้น scale-up ด้วย) ถ้าสำเร็จ มันจะเปิดสนามให้ผู้เล่นอื่นเข้ามาแข่งในชั้นที่ Nvidia เคยผูกขาด — เป็นสมรภูมิรอบใหม่ที่กำลังก่อตัว

โครงข่าย AI เป็นเทรนด์ที่ร้อนแรง แต่มาพร้อมความเสี่ยงที่ต้องมองให้ขาด

ความเสี่ยงข้อแรกคือ การผูกกับวงจรลงทุน AI ดีมานด์ของ node นี้ผูกกับการสร้างคลัสเตอร์ GPU โดยตรง ถ้าการลงทุน AI ของกลุ่ม hyperscaler ชะลอลง (หรือถ้ามีช่วง “ลงทุนเกิน”) ออเดอร์สวิตช์และ transceiver ก็จะสะดุดตามทันที — นี่เป็นธุรกิจที่เติบโตเร็วมากในขาขึ้น แต่ก็อ่อนไหวต่อจังหวะการใช้จ่ายของลูกค้าไม่กี่ราย

ความเสี่ยงข้อสองคือ การแข่งขันด้านมาตรฐานที่ยังไม่จบ ศึก InfiniBand vs Ethernet และการเปิด scale-up หมายความว่าผู้นำวันนี้อาจถูกเทคโนโลยีหรือมาตรฐานใหม่ดิสรัปต์ได้ การเดิมพันผิดมาตรฐานในธุรกิจที่เปลี่ยนเร็วแบบนี้ มีราคาแพง

ความเสี่ยงข้อสามคือ ภูมิรัฐศาสตร์และซัพพลายเชนแสง โมดูลแสงราคาคุ้มส่วนใหญ่ผลิตในจีน (Innolight, Eoptolink) ขณะที่ลูกค้าหลักและชิปต้นน้ำอยู่ฝั่งสหรัฐฯ ความตึงเครียดทางการค้าหรือมาตรการควบคุมการส่งออก อาจกระทบทั้งราคาและการส่งมอบของชั้นที่กำลังขาดตลาดอยู่แล้ว

สรุปสั้นๆ: AI Networking คือชั้นที่เคยถูกมองข้ามว่าเป็นแค่ “สายไฟ” แต่จู่ๆ ก็กลายเป็นหนึ่งในคอขวดและสมรภูมิสำคัญที่สุดของยุค AI — เพราะ GPU ที่แพงที่สุดในโลกจะไร้ค่าทันที ถ้าไม่มีโครงข่ายที่เร็วพอจะร้อยมันเข้าด้วยกัน เข้าใจว่า “เครือข่ายคือคอมพิวเตอร์” คือเข้าใจว่าทำไมเงินแสนล้านดอลลาร์ถึงไหลเข้าสู่สายและสวิตช์ที่เราไม่เคยมองเห็น