ในปี 2026 ตลาดพลังการประมวลผล AI กำลังเผชิญกับการเปลี่ยนแปลงเชิงโครงสร้างที่ลึกซึ้ง ในช่วงสองปีที่ผ่านมา จุดสนใจของตลาดมุ่งเน้นไปที่ชิปสำหรับการฝึกฝน (เช่น NVIDIA H100) เพื่อฝึกฝนแบบจำลองภาษาขนาดใหญ่ (LLM) อย่างไรก็ตาม เมื่อแบบจำลองขนาดใหญ่มีความสมบูรณ์มากขึ้น บริษัทต่างๆ เริ่มเปลี่ยนจุดเน้นไปที่ส่วนของการอนุมาน (inference) ซึ่งคือการใช้แบบจำลองที่ฝึกฝนมาแล้วเพื่อให้บริการจริง เช่น แอปพลิเคชัน AI บนคลาวด์ หรือการประมวลผลอัจฉริยะบนอุปกรณ์ปลายทาง การเปลี่ยนแปลงนี้ทำให้ความต้องการชิปสำหรับการอนุมานเพิ่มขึ้นอย่างมาก กลายเป็นเครื่องยนต์ใหม่ของตลาดพลังการประมวลผล AI
หนึ่ง การแบ่งแยกความต้องการพลังการประมวลผล AI: การฝึกฝนชะลอตัว การอนุมานระเบิด
ตามข้อมูลจากสถาบันวิจัยอุตสาหกรรม ตลาดชิปสำหรับการอนุมานทั่วโลกคาดว่าจะสูงถึง 150 พันล้านดอลลาร์สหรัฐในปี 2026 เพิ่มขึ้น 35% เมื่อเทียบกับตลาดชิปสำหรับการฝึกฝนซึ่งมีขนาดประมาณ 80 พันล้านดอลลาร์ โดยอัตราการเติบโตชะลอตัวลงเหลือ 20% การแบ่งแยกนี้มีสาเหตุหลักสองประการ: ประการแรก เมื่อการฝึกฝนแบบจำลองขนาดใหญ่เสร็จสิ้น บริษัทต่างๆ จำเป็นต้องติดตั้งชิปสำหรับการอนุมานจำนวนมากเพื่อรองรับการใช้งานจริง ประการที่สอง ความต้องการชิปสำหรับการอนุมานมีความกระจายตัวมากขึ้น ครอบคลุมหลายสาขา เช่น บริการคลาวด์, รถยนต์ไร้คนขับ, และอุปกรณ์ปลายทาง ขนาดตลาดจึงใหญ่กว่าชิปสำหรับการฝึกฝนมาก
1.1 การนำแบบจำลองขนาดใหญ่ไปใช้งานเร่งตัว ความต้องการในการอนุมานเพิ่มขึ้นอย่างมาก
ในช่วงไม่กี่มานี้ การแพร่หลายของแบบจำลองภาษาขนาดใหญ่ (เช่น GPT-4, Claude 3) ได้ผลักดันความต้องการชิปสำหรับการอนุมาน บริษัทต่างๆ ไม่เพียงพอใจกับการฝึกฝนแบบจำลองเท่านั้น แต่ต้องการนำแบบจำลองไปใช้ในธุรกิจจริง เช่น การบริการลูกค้า, การวิเคราะห์ข้อมูล, การขับขี่รถยนต์ไร้คนขับ เป็นต้น ตัวอย่างเช่น ในบริการคลาวด์ Azure ของ Microsoft สัดส่วนของชิปสำหรับการอนุมานได้เกินกว่าชิปสำหรับการฝึกฝน และกลายเป็นแหล่งพลังการประมวลผลหลัก นอกจากนี้ แพลตฟอร์ม Vertex AI ของ Google ก็ได้เพิ่มการลงทุนในชิปสำหรับการอนุมานอย่างมาก เพื่อตอบสนองความต้องการของลูกค้าองค์กร
นอกจากนี้ การพัฒนาการคำนวณแบบขอบเขต (edge computing) ยังได้ผลักดันความต้องการชิปสำหรับการอนุมานให้เพิ่มขึ้น เมื่ออุปกรณ์ Internet of Things แพร่หลายมากขึ้น แอปพลิเคชัน AI มากขึ้นจำเป็นต้องทำงานบนอุปกรณ์ปลายทาง เช่น กล้องอัจฉริยะ, หุ่นยนต์อุตสาหกรรม เป็นต้น อุปกรณ์เหล่านี้ต้องการชิปสำหรับการอนุมานที่มีการใช้พลังงานต่ำและประสิทธิภาพพลังงานต่อหน่วยสูง ดังนั้นความต้องการชิปสำหรับการอนุมานบนอุปกรณ์ปลายทางจึงเติบโตอย่างรวดเร็ว คาดการณ์ว่า ตลาดชิปสำหรับการอนุมานบนอุปกรณ์ปลายทางจะมีขนาด 30 พันล้านดอลลาร์ในปี 2026 คิดเป็น 20% ของตลาดชิปสำหรับการอนุมานโดยรวม
1.2 บริษัทเทคโนโลยียักษ์ใหญ่เปลี่ยนการลงทุนไปที่ส่วนของการอนุมาน
เพื่อรับมือกับการระเบิดของความต้องการในการอนุมาน บริษัทเทคโนโลยียักษ์ใหญ่ต่างปรับโครงสร้างการลงทุนด้านทุนของตน NVIDIA ในฐานะผู้นำด้านชิป AI ได้เปลี่ยนกำลังการผลิตบางส่วนจากการฝึกฝนไปเป็นการอนุมาน GPU รุ่น L40S ที่เปิดตัวล่าสุดออกแบบมาสำหรับการอนุมานโดยเฉพาะ มีประสิทธิภาพพลังงานต่อหน่วยสูงกว่ารุ่นก่อนหน้าถึง 40% เหมาะสำหรับสถานการณ์บริการคลาวด์และการคำนวณบนอุปกรณ์ปลายทาง นอกจากนี้ NVIDIA ยังได้เปิดตัวชิปเฉพาะสำหรับการอนุมาน (เช่น TensorRT-LLM) เพื่อช่วยให้บริษัทต่างๆ ปรับปรุงประสิทธิภาพการอนุมาน
Microsoft และ Google ก็เพิ่มการลงทุนในชิปสำหรับการอนุมานด้วย แพลตฟอร์ม Azure ของ Microsoft ได้ติดตั้งเซิร์ฟเวอร์สำหรับการอนุมานมากกว่า 100,000 เครื่อง โดยใช้ GPU NVIDIA A100 และ L40S เพื่อตอบสนองความต้องการของลูกค้าองค์กร ในขณะที่ Google ได้เปิดตัว TPU v5p ซึ่งออกแบบมาสำหรับการอนุมานโดยเฉพาะ มีประสิทธิภาพพลังงานต่อหน่วยสูงกว่า เหมาะสำหรับการปรับใช้ในวงกว้าง การปรับเปลี่ยนเหล่านี้แสดงให้เห็นว่าการลงทุนด้านทุนของบริษัทเทคโนโลยียักษ์ใหญ่กำลังเปลี่ยนจากส่วนของการฝึกฝนไปสู่ส่วนของการอนุมาน ซึ่งนำมาซึ่งโอกาสใหม่สำหรับห่วงโซ่อการผลิตเซมิคอนดักเตอร์ในเอเชีย
สอง ห่วงโซ่อการผลิตเซมิคอนดักเตอร์ในเอเชีย: ข้อได้เปรียบของกำลังการผลิตขั้นสูงและเทคโนโลยีการห่อหุ้ม
ในบริบทของการเปลี่ยนแปลงเชิงโครงสร้างของความต้องการพลังการประมวลผล AI อุปทานนำไดรเวอร์เซมิคอนดักเตอร์ของเอเชียได้รับประโยชน์มากที่สุดจากความได้เปรียบด้านกำลังการผลิตขั้นสูงและเทคโนโลยีการห่อหุ้ม (packaging) บริษัทอย่าง TSMC, SK Hynix, และ Samsung ได้คว้าโอกาสนี้ด้วยการนำเสนอการผลิตและการห่อหุ้มชิปที่มีความคุ้มค่าสูง2.1 TSMC: ความจุ 3nm เต็มกำลังการผลิต ความต้องการในการห่อหุ้มขั้นสูงเพิ่มขึ้น
TSMC ในฐานะผู้ผลิตเวเฟอร์ชั้นนำหน้าของโลก กระบวนการ 3nm ของบริษัทได้กลายเป็นตัวเลือกสำหรับชิปสำหรับการอนุมาน (inference chips) เนื่องจากชิปสำหรับการอนุมานต้องการประสิทธิภาพพลังงานต่อหน่วยที่สูงกว่า ทรานซิสเตอร์ในกระบวนการ 3nm มีความหนาแน่นของทรานซิสเตอร์สูงกว่าและใช้พลังงานน้อยกว่า จึงได้รับความนิยมจากบริษัทเทคโนโลยียักษ์ใหญ่ ขณะนี้ ความจุ 3nm ของ TSMC เต็มกำลังการผลิตแล้ว โดยผลิตชิปสำหรับการอนุมาน เช่น NVIDIA L40S GPU และ Microsoft TPU v5p
นอกจากนี้ เทคโนโลยีการห่อหุ้มขั้นสูงของ TSMC (เช่น CoWoS) ก็เป็นกุญแจสำคัญสำหรับชิปสำหรับการอนุมาน CoWoS เป็นเทคโนโลยีการห่อหุ้มแบบ 2.5D ซึ่งจะห่อหุ้มชิปหลายตัวเข้าด้วยกันเพื่อเพิ่มแบนด์วิดท์และประสิทธิภาพพลังงาน เมื่อความต้องการแบนด์วิดท์ของชิปสำหรับการอนุมานเพิ่มขึ้น ความต้องการ CoWoS ก็เพิ่มขึ้น TSMC ได้ขยายกำลังการผลิต CoWoS เพื่อตอบสนองความต้องการของลูกค้า คาดการณ์ว่ารายได้จาก CoWoS ของ TSMC ในปี 2026 จะสูงถึง 10,000 ล้านดอลลาร์ เพิ่มขึ้นจากปีก่อน 50%
2.2 SK Hynix: ความต้องการ HBM เพิ่มสูง ชิปหน่วยความจำ
SK Hynix ในฐานะผู้ผลิตชิปหน่วยความจำชั้นนำหน้าของโลก หน่วยความจำแบนด์วิดท์สูง (HBM) กลายเป็นมาตรฐานสำหรับชิปสำหรับการอนุมาน HBM เป็นหน่วยความจำแบบซ้อนชั้น ซึ่งมีแบนด์วิดท์สูงกว่าหน่วยความจำ DDR แบบดั้งเดิม เหมาะสำหรับความต้องการแบนด์วิดท์สูงของชิปสำหรับการอนุมาน เมื่อความต้องการชิปสำหรับการอนุมานเพิ่มขึ้น ความต้องการ HBM ก็เพิ่มขึ้นอย่างมาก
HBM3e ของ SK Hynix ถูกนำไปใช้อย่างแพร่หลายใน NVIDIA H100 และ L40S GPU ตามรายงานของ SK Hynix ความต้องการ HBM ในปี 2026 จะสูงถึง 2 ล้านตัว เพิ่มขึ้นจากปีก่อน 60% เพื่อตอบสนองความต้องการ SK Hynix ได้ขยายกำลังการผลิต HBM และสร้างโรงงานใหม่ในเกาหลีใต้ จีนและไต้หวัน นอกจากนี้ SK Hynix ยังได้เปิดตัว HBM4 เพื่อเพิ่มแบนด์วิดท์และความจุ เพื่อตอบสนองความต้องการของชิปสำหรับการอนุมานในอนาคตื
2.3 Samsung: การพัฒนาแบบร่วมกันระหว่างชิปหน่วยความจำและชิปตรรกะ
Samsung ในฐานะผู้ผลิตชิปหน่วยความจำที่ใหญ่ที่สุดของโลก ก็ได้รับประโยชน์จากการเติบโตของความต้องการชิปสำหรับการอนุมาน หน่วยความจำ DDR5 และ HBM3e ได้ถูกนำไปใช้อย่างแพร่หลายในชิปสำหรับการอนุมาน นอกจากนี้ Samsung ยังได้เปิดตัวชิปตรรกะ (เช่น ซีรีส์ Exynos) สำหรับอุปกรณ์อนุมานที่ขอบริเวณ ผ่านการพัฒนาแบบร่วมกันระหว่างชิปหน่วยความจำและชิปตรรกะ Samsung ได้มีสถานะที่สำคัญในตลาดพลังการประมวลผล AI
กระบวนการ 3nm ของ Samsung ก็เริ่มมีการผลิตเพื่อใช้ในการผลิตชิปสำหรับการอนุมาน ประสิทธิภาพพลังงานต่อหน่วยของกระบวนการ 3nm ของ Samsung สูงกว่า TSMC 3nm จึงได้รับความนิยมจากลูกค้าบางราย นอกจากนี้ Samsung ยังได้เปิดตัวเทคโนโลยีการห่อหุ้มขั้นสูง (เช่น X-Cube) ซึ่งจะห่อหุ้มชิปตรรกะและชิปหน่วยความจำเข้าด้วยกันเพื่อเพิ่มประสิทธิภาพพลังงาน เทคโนโลยีเหล่านี้ทำให้ Samsung มีความสามารถในการแข่งขันในตลาดชิปสำหรับการอนุมาน
สาม、ปฏิกิริยาของตลาด: การไหลของเงินและการแสดงราคาหุ้น
การเปลี่ยนแปลงเชิงโครงสร้างของความต้องการพลังการประมวลผล AI ได้สะท้อนในตลาดทุน เมื่อเร็วๆ นี้ เงินทุนในตลาดหุ้นสหรัฐได้เปลี่ยนจากการผลิตชิปสำหรับการฝึกฝน ไปยังชิปสำหรับการอนุมาน ซึ่งทำให้ผลการดำเนินงานของหุ้นที่เกี่ยวข้องมีความแตกต่างกัน
3.1 การไหลของเงินในตลาดหุ้นสหรัฐ: การย้ายจากฝั่งฝึกฝนไปฝั่งอนุมาน
ตามข้อมูลการไหลของเงินทุน ตั้งแต่เดือนกรกฎาคม 2026 เงินทุนในตลาดหุ้นสหรัฐได้ไหลออกจาก Nvidia (ผู้นำด้านชิปฝึกสอน) ไปยังบริษัทเซมิคอนดักเตอร์ในเอเชีย เช่น TSMC และ SK Hynix ตัวอย่างเช่น ราคาหุ้นของ Nvidia ลดลง 5% ในเดือนกรกฎาคม ในขณะที่ราคาหุ้นของ TSMC เพิ่มขึ้น 8% และ SK Hynix เพิ่มขึ้น 12% การเปลี่ยนแปลงนี้บ่งชี้ว่านักลงทุนตระหนักถึงการเติบโตของความต้องการชิปประมวลผล และเริ่มจัดสรรบริษัทที่เกี่ยวข้อง นอกจากนี้ เงินทุนจากตลาดหุ้นสหรัฐยังไหลเข้าบริษัทชิปประมวลผลระดับ Edge เช่น ผู้จัดหา GPU L40S ของ Nvidia และผู้จัดหาการห่อหุ้ม CoWoS ของ TSMC ผลประกอบการของบริษัทเหล่านี้ดีกว่าระดับเฉลี่ยของตลาด ซึ่งแสดงให้เห็นถึงความเชื่อมั่นของนักลงทุนต่อชิปประมวลผล ### 3.2 โอกาสในการประเมินมูลค่าหุ้นเซมิคอนดักเตอร์เอเชีย การประเมินมูลค่าของหุ้นเซมิคอนดักเตอร์เอเชียเริ่มมีการประเมินใหม่ ในช่วงสองปีที่ผ่านมา บริษัทที่เกี่ยวข้องกับชิปฝึกสอนมีมูลค่าสูง ในขณะที่บริษัทที่เกี่ยวข้องกับชิปประมวลผลมีมูลค่าต่ำ เมื่อความต้องการชิปประมวลผลเพิ่มขึ้น มูลค่าของบริษัทที่เกี่ยวข้องกับชิปประมวลผลจึงเพิ่มขึ้น ตัวอย่างเช่น อัตราส่วนราคาต่อกำไรของ TSMC เพิ่มขึ้นจาก 25 เท่าเป็น 30 เท่า และอัตราส่วนราคาต่อกำไรของ SK Hynix เพิ่มขึ้นจาก 15 เท่าเป็น 20 เท่า นอกจากนี้ บริษัทอุปกรณ์เซมิคอนดักเตอร์เอเชียก็ได้รับประโยชน์จากการเติบโตของความต้องการชิปประมวลผล ตัวอย่างเช่น ความต้องการเครื่องสแกน EUV ของ ASML เพิ่มขึ้น เนื่องจากกระบวนการ 3 นาโนเมตรต้องการเครื่องสแกน EUV แม้ว่า ASML จะเป็นบริษัทยุโรป แต่การเพิ่มขึ้นของคำสั่งซื้อในห่วงโซ่อเอเชีย (เช่น TSMC, Samsung) ได้ขับเคลื่อนการเติบโตของรายได้ของบริษัทอุปกรณ์ในเอเชีย ตัวอย่างเช่น คำสั่งซื้ออุปกรณ์ของ MediaTek เพิ่มขึ้น 30% เมื่อเทียบกับปีก่อน แสดงให้เห็นถึงความมีชีวิตชีวาของตลาดอุปกรณ์เซมิคอนดักเตอร์เอเชีย ## สี่ ความเสี่ยงและความท้าทาย: คอขวดของห่วงโซ่อและการเมืองระหว่างประเทศ แม้ว่าการเปลี่ยนแปลงเชิงโครงสร้างของความต้องการพลังการประมวลผล AI จะนำมาซึ่งโอกาส แต่ห่วงโซ่อเซมิคอนดักเตอร์เอเชียยังคงมีความเสี่ยงและความท้าทายบางประการ ### 4.1 คอขวดของห่วงโซ่อ: ความต้องการการห่อหุ้มขั้นสูงและการจัดหา HBM ที่ตึงตัว การเติบโตของความต้องการชิปประมวลผลนำไปสู่ความตึงตัวของการจัดหาการห่อหุ้มขั้นสูงและการจัดหา HBM ความสามารถในการผลิต CoWoS ของ TSMC เต็มความจุ ไม่สามารถตอบสนองความต้องการของลูกค้าทั้งหมดได้ ความสามารถในการผลิต HBM ของ SK Hynix ก็อยู่ในภาวะตึงตัว ซึ่งนำไปสู่การขึ้นราคา คาดการณ์ว่าราคา HBM จะเพิ่มขึ้น 20% และราคาการห่อหุ้มขั้นสูงจะเพิ่มขึ้น 15% คอขวดเหล่านี้อาจนำไปสู่ต้นทุนที่สูงขึ้นสำหรับบริษัทปลายน้ำ ซึ่งส่งผลกระทบต่อความสามารถทำกำไร ตัวอย่างเช่น ต้นทุน GPU L40S ของ Nvidia ที่เพิ่มขึ้น อาจนำไปสู่การลดอัตราคาร้อยละขั้นต้น นอกจากนี้ คอขวดของห่วงโซ่อยังอาจนำไปสู่ความล่าช้าของคำสั่งซื้อ ซึ่งส่งผลกระทบต่อความสามารถในการส่งมอบของบริษัท ### 4.2 ความเสี่ยงทางภูมิรัฐศาสตร์: การแข่งขันทางเทคโนโลยีระหว่างสหรัฐและจีน การแข่งขันทางเทคโนโลยีระหว่างสหรัฐและจีนยังคงเป็นความเสี่ยงที่สำคัญของห่วงโซ่อเซมิคอนดักเตอร์เอเชีย ข้อจำกัดการส่งออกของสหรัฐต่อเซมิคอนดักเตอร์ของจีน อาจนำไปสู่การถ่ายโอนคำสั่งซื้อของบริษัทจีนไปยังภูมิภาคอื่น ตัวอย่างเช่น บริษัทชิปประมวลผลของจีนอาจหันไปหา TSMC หรือ Samsung เพื่อผลิต ทำให้ความสามารถในการผลิตของ TSMC ตึงตัวยิ่งขึ้น นอกจากนี้ ความเสี่ยงทางภูมิรัฐศาสตร์ยังอาจนำไปสู่การปิดกั้นเทคโนโลยี ตัวอย่างเช่น สหรัฐอาจจำกัดการส่งออกเทคโนโลยีการห่อหุ้มขั้นสูง ซึ่งส่งผลกระทบต่อการอัปเกรดเทคโนโลยีของบริษัทเซมิคอนดักเตอร์เอเชีย ความเสี่ยงเหล่านี้จำเป็นที่บริษัทต้องเตรียมพร้อมล่วงหน้า เพื่อลดผลกระทบต่อห่วงโซ่อ ## ห้า บทสรุป: การเปลี่ยนแปลงเชิงโครงสร้างของความต้องการพลังการประมวลผล AI นำมาซึ่งโอกาสใหม่สำหรับห่วงโซ่อเซมิคอนดักเตอร์เอเชียในช่วงครึ่งหลังของปี 2026 การเปลี่ยนแปลงเชิงโครงสร้างของความต้องการพลังการประมวลผลของ AI จากการฝึกฝนไปสู่การอนุมาน จะนำมาซึ่งโอกาสใหม่ให้กับห่วงโซ่อุปทานเซมิคอนดักเตอร์ในเอเชีย บริษัทอย่าง TSMC, SK Hynix, และ Samsung จะเป็นผู้ได้รับประโยชน์สูงสุดจากแนวโน้มนี้ ด้วยความได้เปรียบด้านกำลังการผลิตขั้นสูงและเทคโนโลยีการห่อหุ้ม บริษัทเหล่านี้ยังคงมีโอกาสที่จะคว้าโอกาสนี้ผ่านนวัตกรรมทางเทคโนโลยีและการขยายกำลังการผลิต เพื่อให้เกิดการประเมินมูลค่าใหม่
สำหรับนักลงทุน ควรให้ความสนใจกับบริษัทที่เกี่ยวข้องกับชิปสำหรับการอนุมาน เช่น TSMC, SK Hynix, NVIDIA (ธุรกิจชิปสำหรับการอนุมาน), Microsoft (บริการอนุมาน Azure) การเติบโตของผลประกอบการของบริษัทเหล่านี้มีแนวโน้มที่จะเกินความคาดหมายของตลาด ซึ่งจะนำมาซึ่งผลตอบแทนการลงทุนที่ดี นอกจากนี้ ควรให้ความสนใจกับบริษัทชิปสำหรับการอนุมานที่ขอบเขต เช่น ผู้จัดหา GPU L40S ของ NVIDIA, ผู้จัดหาการห่อหุ้ม CoWoS ของ TSMC บริษัทเหล่านี้มีแนวโน้มที่จะได้รับประโยชน์จากการพัฒนาการประมวลผลที่ขอบเขต
