Megatrend · Artificial Intelligence
เมื่อลูกค้ารายใหญ่ที่สุดของ Nvidia เบื่อจ่ายค่าต๋ง เลยลงมือออกแบบชิปเอง
Google, Amazon, Microsoft และ Meta คือคนที่ซื้อชิป AI จาก Nvidia มากที่สุดในโลก — และก็เป็นคนที่อยากเลิกพึ่ง Nvidia มากที่สุดเช่นกัน ทางออกของพวกเขาคือออกแบบชิปของตัวเองขึ้นมา (Google TPU, Amazon Trainium, Microsoft Maia, Meta MTIA) ชิปสั่งทำที่ตัดทุกอย่างที่ไม่จำเป็นทิ้ง เหลือไว้แค่งาน AI ของตัวเอง ถูกกว่า ประหยัดไฟกว่า แต่ก็ยืดหยุ่นน้อยกว่า บทเรียนนี้พาไปดูว่าทำไมชิป “สั่งตัด” ถึงกำลังเขย่าตลาดที่ Nvidia ครองอยู่ และใครคือคนเบื้องหลังที่ช่วยยักษ์เหล่านี้สร้างมันขึ้นมา
01มันคืออะไร (ชิปที่ยักษ์คลาวด์ออกแบบเอง)
เวลาเราพูดถึงชิป AI คนส่วนใหญ่นึกถึง GPU ของ Nvidia ที่ทุกคนแย่งกันซื้อ แต่มีชิป AI อีกพันธุ์หนึ่งที่ ไม่ได้วางขายในตลาด — เพราะบริษัทที่ทำมันขึ้นมาทำไว้ใช้เอง node นี้คือเรื่องของชิปกลุ่มนั้น: ชิปสั่งทำ (custom silicon / ASIC) ที่บริษัทคลาวด์ยักษ์ใหญ่ออกแบบขึ้นเองเพื่อรันงาน AI ของตัวเองโดยเฉพาะ
คำว่า ASIC (Application-Specific Integrated Circuit) แปลตรงตัวว่า “วงจรรวมที่ออกแบบมาเพื่องานเฉพาะ” ต่างจาก GPU ตรงที่ GPU เป็นชิป “อเนกประสงค์” ทำได้หลายอย่าง ส่วน ASIC ถูกตัดทุกฟังก์ชันที่ไม่ใช้ทิ้ง เหลือไว้แค่หน่วยคำนวณที่งาน AI ต้องการจริงๆ ผลคือในงานที่มันถูกออกแบบมา มัน เร็วกว่า ประหยัดไฟกว่า และถูกกว่าต่อการคำนวณ — แลกกับการที่มันทำงานอื่นไม่ได้และพัฒนายากกว่ามาก
ในแผนผังเมกะเทรนด์ node นี้เป็นสาขาย่อย (leaf) ภายใต้ AI Compute & Accelerator Silicon ในเทรนด์ใหญ่ Artificial Intelligence พี่น้องที่อยู่ข้างกันคือ GPU & Merchant Accelerators (ชิปอเนกประสงค์ที่ขายให้ทุกคน — โลกของ Nvidia/AMD) และ Inference-Optimized Silicon (ชิปที่เน้นการ “รัน” โมเดล) เส้นแบ่งสำคัญคือ — สองตัวนั้นคือชิปที่ ขายในตลาด ส่วน node นี้คือชิปที่ สั่งทำไว้ใช้เอง
Merchant chip = ชิปที่ผลิตมาขายให้ใครก็ได้ในตลาด (เช่น GPU ของ Nvidia) ลูกค้าซื้อตัวเดียวกันหมด · Custom ASIC / in-house silicon = ชิปที่ออกแบบเฉพาะลูกค้ารายเดียว ไว้ใช้กับงานของตัวเอง ไม่วางขาย — TPU ของ Google, Trainium ของ Amazon, Maia ของ Microsoft และ MTIA ของ Meta ล้วนเป็นชิปกลุ่มนี้ · Hyperscaler = บริษัทที่ให้บริการคลาวด์ขนาดมหึมา (Google, Amazon, Microsoft, Meta) — ลูกค้ารายใหญ่ที่สุดของวงการชิป AI
จุดที่ต้องเน้นคือ node นี้ ไม่ใช่เรื่องการสร้างโรงงานหรือการผลิตชิป — เรื่องนั้นเป็นของ Semiconductors ที่ TSMC ผลิตให้ทุกคน node นี้คือเรื่องของ การตัดสินใจเชิงกลยุทธ์ ที่ว่า “ทำไมยักษ์เทคถึงเลือกออกแบบชิปเอง แทนที่จะซื้อจาก Nvidia” และมันสะเทือนตลาดชิป AI ทั้งใบยังไง
02ทำไมถึงสำคัญ — หนีค่าต๋ง Nvidia
เหตุผลทั้งหมดสรุปได้คำเดียว: มาร์จิ้น ในไตรมาสปลายปี 2025 กำไรขั้นต้นของ Nvidia อยู่ที่ราว 73% แปลว่าทุกๆ ชิปที่ราคา 100 บาท มีต้นทุนจริงราว 27 บาท ที่เหลือคือกำไรของ Nvidia — และคนที่จ่าย “ค่าต๋ง” ก้อนนั้นก็คือยักษ์คลาวด์ที่ซื้อชิป AI ปีละหลายแสนตัว สำหรับบริษัทที่ทุ่มเงินลงทุน (capex) ปีละหลายหมื่นล้านดอลลาร์ไปกับชิป AI การลดต้นทุนแม้แต่ไม่กี่สิบเปอร์เซ็นต์ก็คือเงินมหาศาล
นี่คือแรงจูงใจที่ทำให้พวกเขายอมลงทุนหลายปีเพื่อออกแบบชิปเอง ตัวเลขจริงทำให้เห็นภาพ: Google บอกว่าชิป Ironwood (TPU รุ่นที่ 7) มี ต้นทุนรวมตลอดอายุการใช้งาน (TCO) ต่ำกว่าเซิร์ฟเวอร์ Nvidia GB200 ราว 44% ส่วนชิปสั่งทำของ Broadcom (เรียกรวมว่า XPU) เคลมว่าประหยัด TCO ได้ 30–50% ในงานเฉพาะทางที่สเกลใหญ่ และมีตัวอย่างจริงที่ดังมาก — บริษัท Midjourney ที่ย้ายงานจาก GPU ของ Nvidia มาใช้ TPU ของ Google ลดค่าคอมพิวต์ต่อเดือนจาก $2.1 ล้าน เหลือ $700,000 หรือถูกลงราว 65%
เหตุผลที่สองคือ พลังงาน ศูนย์ข้อมูล AI กินไฟจนเริ่มชนเพดานโครงข่ายไฟฟ้า ชิปสั่งทำที่ออกแบบมาเพื่องานเดียวจึงประหยัดไฟต่อการคำนวณได้มาก — ชิป Ironwood ของ Google กินไฟราว 157 วัตต์ต่อตัว เทียบกับ Nvidia B200 ที่ราว 700 วัตต์ เมื่อต้องเปิดชิปพร้อมกันเป็นแสนเป็นล้านตัว ความต่างเรื่องไฟฟ้าแปลเป็นเงินค่าไฟและขีดจำกัดการขยายดาต้าเซ็นเตอร์โดยตรง — เชื่อมไปถึง Energy Transition & Power เต็มๆ
เหตุผลที่สามคือ การคุมอุปทาน (supply) ในยุคที่ชิป Nvidia ขาดตลาดและต้องจองคิวข้ามปี การมีชิปของตัวเองหมายถึงไม่ต้องแย่งของกับคนอื่น และไม่ต้องเปิดเผยแผนงาน AI ภายในให้คู่แข่งที่ขายชิปรู้ — สำหรับยักษ์คลาวด์ที่แข่งกันเองดุเดือด นี่คือเรื่องใหญ่
03มันทำงานยังไง (จากเวิร์กโหลด สู่ชิปในดาต้าเซ็นเตอร์)
คำถามที่หลายคนสงสัยคือ — ถ้า Google หรือ Amazon ไม่ใช่ “บริษัทผลิตชิป” แล้วพวกเขาทำชิปขึ้นมาเองได้ยังไง? คำตอบคือพวกเขา ไม่ได้ทำคนเดียว และไม่ได้สร้างโรงงานเอง แต่ใช้โมเดล “ออกแบบร่วม” (co-design) ที่แบ่งงานกันชัดเจน ลองไล่ดูทีละก้าว
หัวใจของกลไกอยู่ที่ขั้นที่ 2 — การออกแบบร่วม ยักษ์คลาวด์มีสิ่งที่บริษัทชิปทั่วไปไม่มี นั่นคือ รู้ว่างาน AI ของตัวเองหน้าตาเป็นยังไง โมเดลของ Google ทำงานแบบไหน Meta แนะนำคอนเทนต์ด้วยอัลกอริทึมแบบใด — ความรู้นี้ทำให้ออกแบบชิปที่ “พอดี” กับงานได้ แต่พวกเขาขาดทีมวิศวกรออกแบบชิปและคลัง IP (เช่นวงจรเชื่อมต่อความเร็วสูง SerDes) จึงต้องพึ่ง Broadcom หรือ Marvell ที่มีของพวกนี้ครบ
นี่คือเหตุผลที่ Broadcom กับ Marvell กลายเป็น “ผู้ชนะเงียบ” ของสนามนี้ — พวกเขาไม่ได้แข่งกับ Nvidia ตรงๆ แต่ขายบริการ “ช่วยยักษ์คลาวด์สร้างคู่แข่งของ Nvidia” เมื่อยักษ์คลาวด์ออกแบบเสร็จ ก็ส่งไฟล์ดีไซน์ไปให้ TSMC ผลิตด้วยเทคโนโลยีระดับ 3 นาโนเมตร แล้วได้ชิปกลับมาติดตั้งในดาต้าเซ็นเตอร์ของตัวเอง วงจรนี้ใช้เวลาหลายปีและเงินหลายพันล้านดอลลาร์ต่อหนึ่งรุ่นชิป
04มันอยู่ตรงไหนในระบบนิเวศ
node นี้นั่งอยู่ตรงจุดตัดที่น่าสนใจ เพราะมันเชื่อมทั้งกับพี่น้องในชั้นชิป AI เดียวกัน และกับเทรนด์ใหญ่ตัวอื่นที่อยู่คนละมุม
- คู่แข่ง/คู่ตรงข้ามกับ GPU & Merchant Accelerators: GPU คือชิป “ซื้อสำเร็จรูป” ที่ยืดหยุ่นและมีคูเมืองซอฟต์แวร์ CUDA ส่วน custom ASIC คือชิป “สั่งตัด” ที่ถูกและประหยัดไฟกว่าแต่ทำงานอื่นไม่ได้ — ทั้งสองอยู่ร่วมกันในดาต้าเซ็นเตอร์เดียวกัน: GPU ทำงานยากๆ ยืดหยุ่น ส่วน ASIC ทำงานปริมาณมากที่ทำซ้ำๆ
- ทับซ้อนกับ Inference-Optimized Silicon: ชิปสั่งทำเกือบทั้งหมดของยักษ์คลาวด์เน้นงาน “รัน” โมเดล (inference) เป็นหลัก เพราะงานนี้ทำซ้ำๆ คาดเดาได้ จึงเหมาะกับชิปเฉพาะทาง — เส้นแบ่งระหว่างสอง node นี้จึงบางมาก
- พึ่ง Semiconductors ในการผลิต: ยักษ์คลาวด์ออกแบบได้ แต่ผลิตเองไม่ได้ ชิปสั่งทำระดับล้ำสุดเกือบทั้งหมดผลิตที่ TSMC ด้วยเทคโนโลยี 3 นาโนเมตร node นี้จึงเป็น “ดีมานด์” ก้อนโตที่ป้อนวงการชิป โดยไม่ต้องลงไปแข่งเรื่องการผลิตเอง
- ลูกค้าตัวจริงคือ Hyperscalers / ผู้ให้บริการคลาวด์: ต่างจาก GPU ที่ขายให้ใครก็ได้ ชิปกลุ่มนี้มีลูกค้าแค่หยิบมือ — และลูกค้าก็คือคนออกแบบเอง นี่คือ node ที่ “ผู้ซื้อ ผู้ออกแบบ และผู้ใช้” เป็นบริษัทเดียวกัน
- เชื่อม Energy Transition & Power โดยตรง: เพราะเหตุผลหลักข้อหนึ่งของการทำชิปเองคือ “ประหยัดไฟ” node นี้จึงผูกกับวิกฤตพลังงานของดาต้าเซ็นเตอร์อย่างแยกไม่ออก
05ตอนนี้ไปถึงไหนแล้ว (2025–2026)
ปี 2025–2026 คือช่วงที่ชิปสั่งทำ “พิสูจน์ตัวเอง” ว่าไม่ใช่แค่โปรเจกต์ทดลอง แต่กลายเป็นธุรกิจจริงระดับหลายหมื่นล้าน คนที่นำห่างที่สุดคือ Google ซึ่งทำ TPU มาตั้งแต่ปี 2015 และตอนนี้มาถึงรุ่นที่ 7 ชื่อ Ironwood (TPU v7) — รุ่นนี้เชื่อมชิปได้ถึง 9,216 ตัวต่อหนึ่งพ็อด (มากกว่าระบบ Nvidia ที่ต่อได้สูงสุด 72 GPU ต่อระบบหลายเท่า) และให้พลังคำนวณ 4,614 TFLOPS ต่อตัว เทียบเท่า Nvidia B200 พอดี ที่สำคัญคือ Anthropic ผู้สร้าง Claude ประกาศว่าจะใช้ TPU มากถึง 1 ล้านตัว เพื่อรันโมเดลของตัวเอง
คนเบื้องหลังที่โตเร็วที่สุดคือ Broadcom รายได้ชิป AI ของ Broadcom ในไตรมาสแรกปีงบ 2026 แตะ $8,400 ล้าน โต 106% เทียบปีก่อน และบริษัทเปิดเผยว่ามี คำสั่งซื้อค้างส่ง (backlog) ราว $73,000 ล้าน พร้อมตั้งเป้ารายได้ชิป AI ทะลุ $100,000 ล้านในปี 2027 ดีลที่ดังที่สุดคือข้อตกลงกับ OpenAI ในการสร้างชิปสั่งทำกำลัง 10 กิกะวัตต์ ซึ่งนักวิเคราะห์ประเมินมูลค่าเกิน $100,000 ล้าน
ฝั่งยักษ์คลาวด์รายอื่นก็ไล่ตามแน่น — Amazon มีชิปฝึกชื่อ Trainium (รุ่น 3 ใช้เทคโนโลยี 3 นาโนเมตร) และชิปรัน Inferentia, Microsoft เปิดตัว Maia 200 ที่เน้นงาน inference โดยเฉพาะ ใช้ 3 นาโนเมตรเช่นกัน, ส่วน Meta มีชิป MTIA ที่ติดตั้งไปแล้วหลายแสนตัวเพื่อรันระบบแนะนำคอนเทนต์บน Facebook และ Instagram — คนเบื้องหลังของ Amazon และ Microsoft ส่วนใหญ่คือ Marvell ที่ครองส่วนแบ่งตลาดรับออกแบบ ASIC ราว 20–25% (Broadcom ครอง 60–80%)
06อนาคตข้างหน้า
ทิศทางแรกคือ สัดส่วนของชิปสั่งทำจะเพิ่มขึ้นเรื่อยๆ ในตลาดชิป AI ปี 2024 ชิป custom ASIC คิดเป็นแค่ราว 8% ของตลาดชิป AI accelerator ทั้งหมด แต่หลายสำนักมองว่าจะไต่ขึ้นเป็นราว 19% ภายในปี 2033 คิดเป็นเม็ดเงินที่โตจากราว $13,000 ล้าน (2024) เป็นกว่า $150,000 ล้าน (2030) ที่อัตราโตเฉลี่ยเกือบ 50% ต่อปี — เร็วกว่าการเติบโตของ GPU
แต่นี่ไม่ได้แปลว่า GPU จะแพ้ — เพราะ เค้กทั้งก้อนโตเร็วกว่าที่ฝ่ายใดฝ่ายหนึ่งจะกินหมด หลายสำนักยังมองว่า GPU จะครองตลาดชิป AI accelerator ราว 70–81% ในปี 2030 ทิศทางที่ชัดที่สุดจึงไม่ใช่ “ASIC ฆ่า GPU” แต่เป็น การแบ่งงานกัน — GPU รับงานฝึกโมเดลที่ยากและยืดหยุ่น ส่วน custom ASIC รับงาน inference ปริมาณมหาศาลที่ทำซ้ำๆ ในบ้านของยักษ์คลาวด์เอง
ทิศทางที่สองคือ การแข่งกันด้วย “ความเร็วในการออกรุ่น” ตอนนี้ยักษ์คลาวด์ออกชิปรุ่นใหม่เกือบทุกปี — Amazon ประกาศ Trainium4 (เร็วขึ้น 3 เท่า) ไว้สำหรับปลายปี 2026/ต้น 2027 ส่วน Meta วางโรดแมป MTIA ไว้ถึงรุ่น 500 — จังหวะนี้ทำให้ Broadcom และ Marvell ซึ่งอยู่เบื้องหลังทุกราย กลายเป็นธุรกิจที่มีรายได้ต่อเนื่องคาดเดาได้ (ต่างจากการขายชิปเป็นล็อตที่ขึ้นลงตามวัฏจักร)
ทิศทางที่สามคือ ชิปสั่งทำเริ่ม “ขายให้คนอื่น” เส้นแบ่งระหว่าง custom กับ merchant เริ่มเบลอ — มีรายงานว่า Meta เริ่มสนใจใช้ชิป Trainium ของ Amazon และ Google เริ่มเสนอ TPU ให้ลูกค้าภายนอกเช่า ถ้าแนวโน้มนี้โต ชิปที่เคย “ทำไว้ใช้เอง” อาจกลายเป็นสินค้าที่แข่งกับ Nvidia ในตลาดเปิดจริงๆ
07ความท้าทายและความเสี่ยง
ความเสี่ยงข้อแรกคือ คูเมือง CUDA และความยืดหยุ่น ข้อได้เปรียบที่ใหญ่ที่สุดของ Nvidia ไม่ใช่ตัวชิป แต่คือซอฟต์แวร์ CUDA ที่นักพัฒนา AI ทั้งโลกคุ้นเคยและไลบรารีเกือบทั้งหมดถูกปรับให้ทำงานบนมัน ชิปสั่งทำของยักษ์คลาวด์ต้องสร้างเครื่องมือซอฟต์แวร์ของตัวเองขึ้นมาคู่ขนาน ซึ่งยากและใช้เวลาหลายปี — และตราบใดที่งานยังต้องการ “ความยืดหยุ่น” (เช่นโมเดลสถาปัตยกรรมใหม่ที่เปลี่ยนเร็ว) GPU ที่ทำได้ทุกอย่างก็ยังได้เปรียบ ASIC ที่ถูกล็อกไว้กับงานเดิม
ASIC ต้องลงทุนออกแบบและทำแม่พิมพ์ล่วงหน้าหลายปีก่อนได้ใช้จริง ถ้าระหว่างนั้นสถาปัตยกรรมโมเดล AI เปลี่ยนไป (เช่นจากโมเดลแบบหนึ่งไปอีกแบบ) ชิปที่ออกแบบมาเพื่องานเก่าอาจ “ตกรุ่น” ก่อนคืนทุน — นี่คือความเสี่ยงที่ GPU ซึ่งยืดหยุ่นกว่าไม่ค่อยเจอ
ความเสี่ยงข้อสองคือ ต้นทุนเริ่มต้นมหาศาลและคุ้มเฉพาะรายใหญ่ การออกแบบชิปหนึ่งรุ่นกินเงินหลายพันล้านดอลลาร์และเวลาหลายปี มันคุ้มก็ต่อเมื่อมีงานปริมาณมากพอจะกระจายต้นทุน — นั่นแปลว่า node นี้เป็นเกมของยักษ์ไม่กี่รายที่มีดาต้าเซ็นเตอร์ใหญ่พอเท่านั้น บริษัทเล็กยังต้องพึ่ง GPU ในตลาดอยู่ดี
ความเสี่ยงข้อสามคือ การกระจุกตัวที่ Broadcom, Marvell และ TSMC เมื่อชิปสั่งทำเกือบทุกตัวของยักษ์คลาวด์ต้องผ่านมือผู้ออกแบบร่วมแค่สองราย (Broadcom + Marvell คุมตลาดรวมกันเกิน 80%) และผลิตที่ TSMC เกือบทั้งหมด — node ที่เกิดมาเพื่อ “ลดการพึ่งพา Nvidia” กลับไปสร้างการพึ่งพากระจุกตัวจุดใหม่ขึ้นมาแทน ถ้าจุดใดจุดหนึ่งสะดุด ทั้งห่วงโซ่สะเทือน
สรุปสั้นๆ: node นี้คือเรื่องของวันที่ลูกค้ารายใหญ่ที่สุดตัดสินใจว่า “ฉันจ่ายค่าต๋งมามากพอแล้ว” แล้วลงมือสร้างทางเลือกของตัวเอง — ไม่ใช่เพื่อขายแข่งกับใคร แต่เพื่อคุมต้นทุนและชะตากรรมของตัวเองในยุคที่ทุกอย่างวิ่งบนชิป AI เข้าใจ node นี้ ก็เข้าใจว่าทำไมแม้แต่บริษัทที่ทรงพลังที่สุดในโลกก็ยังไม่อยากฝากชีวิตไว้กับซัพพลายเออร์เพียงรายเดียว