Megatrend · Artificial Intelligence
แล็บไม่กี่แห่งที่เผาเงินปีละหมื่นล้าน เพื่อสร้างสมองที่ฉลาดที่สุดในโลก
เบื้องหลัง ChatGPT, Claude และ Gemini มีแล็บแค่หยิบมือที่กล้าทุ่มเงินระดับหลายหมื่นล้านดอลลาร์ เพื่อเทรนโมเดล AI รุ่นแนวหน้าแบบ “ปิด” (proprietary) — โมเดลที่เก่งที่สุดในแต่ละช่วงเวลา ที่คุณ “เช่าใช้” ได้ผ่าน API แต่ซื้อตัวมันไม่ได้ นี่คือสนามแข่งที่แพงที่สุดในประวัติศาสตร์เทคโนโลยี และเรื่องที่สำคัญที่สุดสำหรับนักลงทุนคือ ผู้เล่นตัวจริงเกือบทั้งหมดยังเป็นบริษัทเอกชน — ทางเข้าของหุ้นจึงอยู่ที่ “ยักษ์ที่หนุนหลังพวกเขา”
01มันคืออะไร
ลองนึกถึงโลกที่ “ความฉลาด” ขายเป็นบริการได้เหมือนไฟฟ้า มีโรงไฟฟ้าไม่กี่แห่งที่ผลิตได้ ที่เหลือทั้งโลกแค่ต่อปลั๊ก node นี้คือเรื่องของ โรงไฟฟ้าที่ผลิตความฉลาดรุ่นแนวหน้า — แบบที่ “ปิด” ไว้ไม่ให้ใครเอาเครื่องไป มีแค่หยิบมือในโลก: OpenAI, Anthropic, Google DeepMind และ xAI
คำว่า frontier model (โมเดลแนวหน้า) หมายถึงโมเดล AI ที่ใหญ่และเก่งที่สุดเท่าที่มนุษย์ทำได้ ณ ขณะนั้น ส่วนคำว่า “ปิด” (closed / proprietary) หมายถึงแล็บเก็บตัวโมเดล — ทั้งสูตรเทรน ข้อมูล และ “น้ำหนัก” (weights) ที่ฝึกมา — ไว้เป็นความลับ คุณเข้าถึงความฉลาดของมันได้ผ่าน API หรือแอป เท่านั้น เหมือนเช่าใช้ไฟจากปลั๊ก แต่ไม่ได้เครื่องปั่นไฟกลับบ้าน นี่คือเส้นแบ่งสำคัญจากพี่น้องข้างๆ — Open-Weight Model Developers (แล็บเปิดน้ำหนัก เช่น Meta Llama, Mistral, DeepSeek) ที่ “แจกพิมพ์เขียว” ให้ดาวน์โหลดไปรันเอง
ในแผนผังเมกะเทรนด์ node นี้เป็นสาขาย่อยที่ลึกที่สุดภายใต้ Foundation Models & Research Labs ในเทรนด์ใหญ่ Artificial Intelligence มันคือ “ชั้นแพลตฟอร์ม” — ใจกลางสุดที่ทุกชั้นอื่นของ AI ต้องพึ่ง ทำไม “ปิด” ถึงสำคัญพอจะเป็นหมวดของตัวเอง? เพราะ โมเดลที่เก่งที่สุดในโลกแทบทั้งหมดอยู่ฝั่งปิด และเงินพรีเมียมก้อนใหญ่ก็ไหลมาฝั่งนี้ — แล็บปิดคือคนที่ “ดันเพดาน” ของสิ่งที่ AI ทำได้ ส่วนฝั่งเปิดมักตามมาทีหลังไม่กี่เดือน
Closed (ปิด) = แล็บไม่ปล่อยตัวโมเดลออกมา ใช้ได้ผ่านบริการของแล็บเท่านั้น · Weights (น้ำหนัก) = ตัวเลขนับพันล้านค่าที่เป็น “สมอง” ของโมเดลหลังฝึกเสร็จ ฝั่งปิดเก็บเป็นความลับ ฝั่งเปิดแจกให้ดาวน์โหลด · API = ช่องทางให้แอปอื่นส่งคำถามเข้าไปแล้วรับคำตอบกลับ คิดเงินตามปริมาณการใช้ (ต่อ token) — เป็นวิธีที่แล็บปิด “ขายความฉลาด” โดยไม่ต้องส่งมอบตัวโมเดล
02ทำไมถึงสำคัญ — สนามที่แพงที่สุดในโลก
เหตุผลแรกคือ ความเร็วของเงิน ที่ไม่เคยมีในประวัติศาสตร์ซอฟต์แวร์ ดูแค่รายได้ต่อปี (run-rate): OpenAI วิ่งจากราว $13,000 ล้านต้นปี 2025 ขึ้นไปแตะ ~$25,000 ล้านในต้นปี 2026 ส่วน Anthropic พุ่งจาก ~$1,000 ล้านปลายปี 2024 — โต 80 เท่า — แตะ $30,000 ล้านในเดือนเมษายน 2026 และไต่ต่อไปสู่ระดับ run-rate ราว $47,000 ล้าน จนแซง OpenAI ขึ้นเป็นแล็บที่รายได้สูงสุด นี่คือการสร้างธุรกิจหลายหมื่นล้านดอลลาร์ในเวลาแค่ปีกว่า
เหตุผลที่สองคือ มูลค่าที่พุ่งจนเป็นประวัติศาสตร์ OpenAI ปิดรอบระดมทุนสถิติโลก $122,000 ล้าน ตี valuation ราว $852,000 ล้าน ส่วน Anthropic แซงขึ้นเป็นสตาร์ทอัพ AI ที่มีมูลค่าสูงสุดที่ราว $965,000 ล้าน — เกือบแตะหลักล้านล้านดอลลาร์ ทั้งที่ยังไม่เข้าตลาดหุ้น ขณะที่ xAI ของ Elon Musk ก็ถูกตีมูลค่าราว $230,000 ล้านในรอบเดือนมกราคม 2026 ก่อนถูก SpaceX ควบรวมในดีลที่ตี xAI ไว้ราว $250,000 ล้าน
แต่เหตุผลที่ลึกที่สุดไม่ใช่ตัวเลข มันคือ ตำแหน่งทางยุทธศาสตร์ โมเดลแนวหน้าคือ “ก๊อกน้ำต้นทาง” ที่แอป AI ทุกตัวต้องต่อท่อมาดื่ม ใครคุมโมเดลที่เก่งที่สุดและถูกที่สุด ก็คุมต้นทุนและความสามารถของซอฟต์แวร์รุ่นใหม่ทั้งระลอก นี่คือเหตุผลที่ยักษ์เทคทุกตัว — Microsoft, Amazon, Alphabet, Nvidia — ยอมทุ่มเงินมหาศาลเข้ามาในชั้นนี้ ทั้งสร้างเองและลงทุนในแล็บอื่น เพราะการ “พลาดรถไฟขบวนนี้” แพงกว่าการจ่ายเงินขึ้นรถมาก
03มันทำงานยังไง (วงล้อทุนที่หมุนใหญ่ขึ้นเรื่อยๆ)
หัวใจของแล็บปิดไม่ใช่แค่ “เทรนโมเดลให้เก่ง” แต่เป็น วงล้อทุน (capital flywheel) ที่ต้องหมุนให้ใหญ่ขึ้นทุกรอบ ไม่งั้นถูกแซง ลองไล่ดูทีละก้าวว่าเงินหนึ่งก้อนกลายเป็นโมเดลรุ่นถัดไปได้ยังไง
ทำไมวงล้อต้อง “ใหญ่ขึ้น” ทุกรอบ? คำตอบอยู่ที่กฎที่ชื่อ scaling laws (กฎการขยายมาตราส่วน) — ยิ่งโมเดลใหญ่ + ข้อมูลมาก + compute มาก ความเก่งก็เพิ่มขึ้นอย่างคาดเดาได้ แต่ต้องเพิ่มทรัพยากร “เป็นทวีคูณ” เพื่อเก่งขึ้นอีกขั้น ผลคือค่าเทรนโมเดลแนวหน้าวิ่งจากราว $78–100 ล้าน ในยุค GPT-4 (2023) ขึ้นสู่ระดับ $200–500 ล้านต่อรุ่น ในปี 2025–2026 และนักวิเคราะห์คาดว่าจะแตะ $1,000–3,000 ล้านต่อโมเดล ภายในปี 2027
และนี่คือจุดที่แล็บปิดต่างจากธุรกิจซอฟต์แวร์ทั่วไป: ต้นทุนไม่ได้จบตอนเทรนเสร็จ ทุกคำตอบที่โมเดลตอบ (เรียกว่า inference) ต้องใช้ชิปคำนวณจริง ยิ่งมีคนใช้มาก ค่า inference ยิ่งบาน วงล้อจึงต้องหมุนหารายได้มาจ่ายทั้งค่าเทรนรอบหน้า และ ค่ารันรอบนี้ไปพร้อมกัน — เป็นเหตุผลที่แม้รายได้โตเป็นหมื่นล้าน แต่แล็บส่วนใหญ่ยัง ขาดทุน (OpenAI คาดขาดทุนระดับ $14,000 ล้านในปี 2026)
04มันเชื่อมกับอะไรในระบบนิเวศ
แล็บปิดนั่งอยู่ใจกลางสุดของ AI มันทั้งดูดทรัพยากรจากชั้นล่าง และป้อนพลังให้ชั้นบน — เข้าใจสายสัมพันธ์นี้ คือเข้าใจว่าทำไมมันถึงลากทั้งเศรษฐกิจดิจิทัลไปด้วย
- พึ่ง คลาวด์และคอมพิวต์ อย่างแยกไม่ออก: ทุกด่าน — เทรนและ inference — รันบนชิป GPU/accelerator ราคาแพงในศูนย์ข้อมูลยักษ์ ความผูกพันนี้แน่นจนกลายเป็น “ดีลควบ”: OpenAI ทำสัญญาคอมพิวต์รวมกันทะลุ $1 ล้านล้านดอลลาร์ ทั้งกับ Oracle, Nvidia, Amazon (AWS $38,000 ล้าน) และ Broadcom — แล็บกับเจ้าของคอมพิวต์จึงเป็นทั้งคู่ค้าและผู้ลงทุนของกันและกัน
- ป้อนวัตถุดิบให้ AI Applications & Copilots: แอปแชต ผู้ช่วยเขียนโค้ด เครื่องมือสรุปเอกสาร และระบบ agent ที่ทำงานเอง — ทั้งหมดต่อท่อมาจากโมเดลแนวหน้า ถ้าแล็บออกรุ่นที่เก่งขึ้นหรือถูกลง แอปทั้งระลอกได้อานิสงส์ทันที
- ต่างจากพี่น้องฝั่งเปิด Open-Weight Developers: ฝั่งปิดขาย “คำตอบ” ผ่านกำแพง คุมคุณภาพและราคาได้เต็มที่ · ฝั่งเปิดแจก “พิมพ์เขียว” ให้รันเอง ขายอธิปไตยและการควบคุม สองฝั่งนี้แข่งกันที่ “ความฉลาดต่อหนึ่งดอลลาร์” และเส้นแบ่งกำลังขยับเข้าหากันเรื่อยๆ
- เป็นตัวจุดไฟให้เทรนด์อื่น: โมเดลแนวหน้าออกแบบยาใน Biotech, เฝ้าระวังภัยใน Cybersecurity และเป็นสมองให้ Robotics & Physical AI — นี่คือเหตุผลที่หลายคนเรียกมันว่า “เทคโนโลยีอเนกประสงค์” แบบเดียวกับไฟฟ้า ไม่ใช่สินค้าชิ้นเดียว แต่เป็นชั้นพื้นฐานที่อย่างอื่นมาต่อยอด
05ตอนนี้ไปถึงไหนแล้ว (2025–2026)
ก่อนพูดถึงผู้เล่น ต้องเข้าใจความจริงข้อหนึ่งที่กำหนดวิธีลงทุนในชั้นนี้ทั้งหมด: แล็บที่เทรนโมเดลแนวหน้าตัวจริงเกือบทั้งหมดยังเป็นบริษัทเอกชน — OpenAI, Anthropic และ xAI ล้วนยังไม่เข้าตลาดหุ้น (OpenAI เพิ่งแปลงสภาพเป็น Public Benefit Corporation ปลายปี 2025 ปูทางสู่ IPO) นี่ไม่ใช่จุดอ่อนของใคร แต่เป็น “ข้อเท็จจริงของตลาด” ที่สำคัญ: ทางที่นักลงทุนทั่วไปจะมีเอี่ยวในชั้นนี้ คือผ่าน ยักษ์จดทะเบียนที่เป็นทั้งผู้ลงทุนและเจ้าของคอมพิวต์ ของแล็บเหล่านั้น
เส้นเงินชัดเจนมาก หลังการปรับโครงสร้างของ OpenAI Microsoft ถือหุ้นราว 27% และเป็นพันธมิตรคอมพิวต์รายใหญ่ที่สุด · Amazon ลงทุนใน Anthropic ราว $8,000 ล้าน จนกำไรที่ยังไม่รับรู้จาก stake นี้ดันงบไตรมาสแรกปี 2026 ขึ้นถึง $16,800 ล้าน ในขณะที่ Anthropic ก็รันบนชิป Trainium ของ Amazon · Alphabet ลงทุนใน Anthropic เช่นกัน และยังมีแล็บในบ้านตัวเองคือ Google DeepMind ผู้สร้างตระกูล Gemini · ส่วน Nvidia เข้าลงทุนในทั้ง OpenAI (เจรจาระดับ $30,000 ล้านในรอบใหญ่) และ xAI — เป็นทั้งคนขายชิปและคนถือหุ้น
ในสนามแข่งเอง การต่อสู้ดุเดือดที่สุดในรอบปีคือ การไล่บี้กันรุ่นต่อรุ่น — OpenAI, Anthropic และ Google DeepMind ผลัดกันออกโมเดลที่เก่งขึ้นทุกไม่กี่เดือน (Gemini รุ่นใหม่เน้น “agentic coding” และงานที่ใช้เวลายาว) จุดที่เปลี่ยนเกมคือการหันมาเทรนให้โมเดล “คิดเป็นขั้นตอน” (reasoning) ทำให้ปี 2026 ถูกขนานนามว่า “ปีแห่ง agent” — โมเดลไม่ได้แค่ตอบ แต่ลงมือทำงานหลายขั้นแทนคนได้
06อนาคตข้างหน้า
ทิศทางแรกคือ การฝึกให้ “คิด” แทนการฝึกให้ “ใหญ่” หลายปีที่ผ่านมาความเก่งมาจากการเพิ่มขนาดโมเดลและข้อมูล แต่คลื่นใหม่มาจากการทุ่ม compute ไปที่ขั้น “คิดเป็นขั้นตอน” ตอนตอบ (reasoning / test-time) — โมเดลใช้เวลาคิดนานขึ้นเพื่อตอบโจทย์ยากๆ ได้ดีขึ้น นี่เปลี่ยนสมการต้นทุน: ของเดิมเผาเงินตอนเทรน ของใหม่เผาเงินตอน inference มากขึ้นเรื่อยๆ และเปิดทางสู่ยุค agent ที่โมเดลลงมือทำงานแทนคนได้จริง
ทิศทางที่สองคือ ข้อจำกัดย้ายจากชิปไปสู่ไฟฟ้า ปีก่อนคอขวดคือหา GPU ให้พอ ปีนี้คอขวดเริ่มเป็น “หากำลังไฟฟ้าและที่ตั้งศูนย์ข้อมูลให้พอ” การเทรนโมเดลรุ่นถัดไป (ที่อาจแตะ $1–3 พันล้านต่อตัวภายในปี 2027) จะถูกจำกัดด้วยพลังงานมากกว่าด้วยเงินหรือชิป — นี่คือจุดที่แล็บปิดไปผูกกับ Energy Transition & Power Demand อย่างแยกไม่ออก
ทิศทางที่สามคือ “ปิด” จะถูกบีบจากทั้งสองด้าน ด้านหนึ่งฝั่งเปิดไล่กวดด้านคุณภาพจนช่องว่างหดลง อีกด้านลูกค้าเริ่มถามหาความคุ้มค่า แล็บปิดจึงต้องพิสูจน์ว่าโมเดลที่เก่งกว่า “นิดเดียว” คุ้มกับราคาที่แพงกว่ามากหรือไม่ คำตอบจะกำหนดว่ามูลค่ามหาศาลที่ไหลเข้าชั้นนี้จะตกอยู่กับใครในระยะยาว — และจะมีที่ว่างให้แล็บปิดกี่รายรอด
07ความท้าทายและความเสี่ยง
ชั้นที่อยู่ใจกลางที่สุดของ AI ก็เป็นชั้นที่มีความเสี่ยงเฉพาะตัวที่สุดเช่นกัน
ความเสี่ยงข้อแรกคือ เผาเงินที่ไม่เคยจบ ค่าเทรนพุ่งทุกรุ่น (สู่ $1–3 พันล้านต่อโมเดล) บวกค่า inference ที่บานตามจำนวนผู้ใช้ แปลว่าแล็บต้องระดมทุนต่อเนื่องมหาศาล ทั้งที่ส่วนใหญ่ยังขาดทุน — OpenAI คาดขาดทุนระดับ $14,000 ล้านในปี 2026 และ xAI ขาดทุนจากการดำเนินงาน $6,400 ล้านบนรายได้แค่ $3,200 ล้านในปี 2025 ในธุรกิจที่ “หยุดเทรนคือถูกแซง” การสะดุดเรื่องเงินคือความเสี่ยงที่ใหญ่ที่สุด
ความเสี่ยงข้อสองคือ คำถามเรื่องฟองสบู่และดีลที่หมุนวน เงินลงทุนใน AI ทั้งระบบมุ่งสู่ระดับล้านล้านดอลลาร์ แต่ผลตอบแทนยังไม่ชัด — งานศึกษาของ MIT พบว่าองค์กรราว 95% ยังไม่ได้ผลตอบแทนจากการลงทุน AI เชิงสร้างสรรค์เลย ที่น่ากังวลกว่าคือ “ดีลที่หมุนวน” (circular deals) — Nvidia ลงทุนในแล็บ แล็บเอาเงินไปซื้อชิป Nvidia กลับ รายได้ที่ดูสวยส่วนหนึ่งจึงเป็นเงินก้อนเดียวกันที่วนไปมา ถ้าทุนภายนอกแห้งเมื่อไหร่ วงล้อนี้อาจสะดุดทันที
ความเสี่ยงข้อสามคือ การกระจุกตัวและภูมิรัฐศาสตร์ โมเดลที่ทรงพลังที่สุดในโลกอยู่ในมือบริษัทไม่กี่แห่ง และต้องพึ่งชิปขั้นสูงที่ผลิตได้แค่ไม่กี่ที่ การกีดกันการส่งออกชิป การแข่งสหรัฐฯ-จีน และคำถามด้านความปลอดภัยของ AI ที่เก่งขึ้นเรื่อยๆ ล้วนเป็นตัวแปรที่อาจพลิกภูมิทัศน์ทั้งหมดได้เร็วกว่าที่คิด
ความเสี่ยงข้อสี่คือ การพึ่งพากันแบบไขว้ แล็บพึ่งยักษ์เพื่อเงินและคอมพิวต์ ยักษ์พึ่งแล็บเพื่อโมเดลและการเติบโต ความสัมพันธ์นี้ดีตอนขาขึ้น แต่ผูกชะตาทั้งสองฝ่ายเข้าด้วยกัน — ถ้าแล็บหนึ่งสะดุด มูลค่าที่ยักษ์บันทึกไว้จากการลงทุน (เช่นกำไรหลายหมื่นล้านที่ Amazon/Alphabet ลงบัญชีจาก stake ใน Anthropic) ก็สะเทือนตามไปด้วย
สรุปสั้นๆ: node นี้คือแล็บหยิบมือที่ยอมเผาเงินมหาศาลเพื่อสร้างความฉลาดที่เก่งที่สุดในโลกไว้หลังกำแพง แล้วให้โลกเช่าใช้ มันเป็นคอขวดที่ทรงพลังที่สุดจุดหนึ่งของเศรษฐกิจดิจิทัล — และเพราะตัวแล็บส่วนใหญ่ยังอยู่นอกตลาดหุ้น ทางที่นักลงทุนจะร่วมเดินทางไปด้วย คือเข้าใจว่า “ใครคือคนถือเชือกและจ่ายค่าไฟ” ให้พวกเขา