ทำไม OpenAI ถึง SpaceX ต่างพากันสร้างชิปของตัวเอง (และเพิ่มแรงกดดันให้ Nvidia)

TL;DR

• บริษัท AI ยักษ์ใหญ่ตั้งแต่ OpenAI ถึง SpaceX ต่างขยับมาออกแบบชิปเอง เพราะอยากคุมทั้ง cost และ supply chain ไม่ต้องพึ่งคิวยาวจาก Nvidia อย่างเดียว
• ผลกระทบต่อ Nvidia ตอนนี้ยังเป็นเชิง “เตือน” มากกว่า “เขย่า” — ชิปที่แต่ละบริษัทออกแบบเอง ส่วนใหญ่ใช้เสริมงานเฉพาะทางในบ้านตัวเอง ไม่ได้ลงตลาดแข่งขายตรงๆ
• สำหรับคนอ่าน มองเทรนด์นี้เป็นสัญญาณว่าอุตสาหกรรม AI กำลังเข้าสู่ยุคที่ hardware กับ software แยกกันไม่ออกอีกต่อไป ใครคุม chip design ได้เอง จะได้เปรียบเรื่อง performance ต่อ cost ในระยะยาว

(หมายเหตุ: บทความนี้พูดเชิงภาพรวมของเทรนด์อุตสาหกรรม ไม่มีตัวเลขยอดขายหรือส่วนแบ่งตลาดเฉพาะเจาะจงมายืนยัน)

เมื่อชิปกลายเป็นอาวุธยุทธศาสตร์ ไม่ใช่แค่ฮาร์ดแวร์

เอาจริงๆ เรื่องนี้ไม่ใช่แค่ “ใครเร็วกว่า” แต่เป็นเรื่อง “ใครคุมชะตาตัวเองได้มากกว่า”

ปกติ GPU คือของกลางที่ทุกคนซื้อจากเจ้าเดียว พอ demand พุ่ง ราคาก็พุ่งตาม แถมต้องรอคิวส่งของ

การมีชิปของตัวเอง เหมือนโรงงานมี supply chain ของตัวเอง ไม่ต้องง้อใคร ออกแบบให้ตรงกับ workload ตัวเองเป๊ะๆ ได้ด้วย

นี่คือเหตุผลที่ OpenAI, Google, Amazon ไปจนถึง SpaceX ต่างขยับมาทำ silicon เอง — มันคือการยึดจุดคอขวดที่สำคัญที่สุดของอุตสาหกรรม AI ทั้งหมด

จุดเริ่มที่ทำให้ทุกคนต้องคิดเรื่องชิปเอง

ย้อนไปช่วงที่ AI boom เริ่มจุดติด ทุกบริษัทแห่จอง Nvidia H100 กันจนคิวยาวเป็นเดือน เป็นปี

บางเจ้าจ่ายเงินไปแล้วยังต้องรอของ เพราะกำลังผลิตตามไม่ทัน demand ที่พุ่งพรวดจากทั่วโลก

พอของขาด ราคาเช่า GPU บน cloud ก็พุ่งตาม ต้นทุน train โมเดลใหญ่กลายเป็นค่าใช้จ่ายก้อนโตที่ควบคุมไม่ได้ เพราะทุกอย่างขึ้นอยู่กับซัพพลายเออร์เจ้าเดียว

จุดนี้แหละที่ทำให้ผู้บริหารสาย AI เริ่มตั้งคำถามว่า จะฝากอนาคตทั้งหมดไว้กับชิปของคนอื่นต่อไปได้จริงหรือ

ใครอยู่ตรงไหนในสมการนี้บ้าง

Google เดินเกมนี้มานานสุด ชิป TPU ใช้เทรนและรัน Gemini เองมาหลายเจน ถือว่าเป็นเจ้าที่พึ่งพา Nvidia น้อยที่สุดในกลุ่ม

Amazon กับ Microsoft ก็มีชิปตระกูลของตัวเอง (Trainium/Inferentia ฝั่ง Amazon, Maia ฝั่ง Microsoft) เน้นใช้งานเวิร์กโหลดในคลาวด์ของตัวเองเป็นหลัก ลดต้นทุนเช่า GPU ระยะยาว

Meta ก็ทำชิป inference ใช้ในระบบ ranking และ ads ของตัวเอง ส่วน OpenAI เพิ่งเข้าวงการนี้ล่าสุด จับมือออกแบบชิปร่วมกับ Broadcom แล้วผลิตผ่าน TSMC — ไม่ได้ทำโรงงานเอง แค่ออกแบบเอง

ฝั่ง Tesla กับ SpaceX ของ Elon Musk ใช้ชิป Dojo/AI4 เน้นงาน inference บนรถและระบบ autopilot โดยเฉพาะ ต่างจากกลุ่มข้างบนที่เน้น data center

Nvidia เองยังยืนตรงกลางตลาด เพราะ GPU ของเขา flexible ที่สุด ใครก็ใช้ได้ ไม่ต้องผูกกับ ecosystem ใครคนเดียว

ชิปเจนแรกกับเจนล่าสุด ต่างกันแค่ไหน

ถ้าเทียบชิปรุ่นแรกๆ ของแต่ละค่ายกับรุ่นล่าสุดตอนนี้ จะเห็นภาพชัดว่าทำไมทุกเจ้าถึงยังลงทุนต่อ รุ่นแรกส่วนใหญ่ยังมีจุดอ่อนเรื่องการเชื่อมต่อชิปจำนวนมากเข้าด้วยกัน (interconnect) และซอฟต์แวร์รองรับที่ยังไม่ครบ ต้องพึ่ง GPU เสริมอยู่ดี

รุ่นใหม่ล่าสุดถูกออกแบบให้แก้จุดอ่อนตรงนั้นโดยตรง เน้นการต่อชิปเป็นคลัสเตอร์ใหญ่ขึ้นและจูน software stack ให้เข้ากับ workload เทรนโมเดลของตัวเองมากขึ้น ทิศทางคือลดการพึ่งพา Nvidia ในงานที่ทำเองได้ ไม่ใช่แข่งขายชิปในตลาดเปิด

หมายเหตุ: ตัวเลข performance/energy/cost ที่ชัดเจนของแต่ละรุ่นยังไม่มีข้อมูลยืนยันในบทความนี้ ใครอยากรู้ตัวเลขจริงต้องรอ benchmark อิสระจากค่ายเทียบ

เมื่อชิปคัสตอมโผล่มาในงานจริง

ลองนึกภาพทีมเทรนโมเดลที่เคยรอคิว GPU เป็นสัปดาห์ พอบริษัทมีชิปตัวเองใช้ภายใน คิวสั้นลง งานที่เคย block กันหมดก็ไหลลื่นขึ้น

ฝั่ง finance ก็รู้สึกได้ไม่แพ้กัน บิล cloud ที่เคยพุ่งตามการใช้ GPU เช่า พอควบคุม hardware เองได้บางส่วน ต้นทุนต่อ workload ก็คาดการณ์ง่ายขึ้น เป็นตัวเลขที่ CFO เอาไปตั้งราคาสินค้าได้มั่นใจกว่าเดิม

แต่สตาร์ทอัพเล็กๆ ยังอยู่อีกโลกหนึ่ง ไม่มีทุนพอจะออกแบบชิปเอง เลยต้องพึ่ง Nvidia เหมือนเดิม แค่รอคิวนานกว่าเดิม เพราะบริษัทใหญ่แย่งซื้อน้อยลง (มีชิปตัวเองแล้ว) ดีมานด์ก็อาจกระจายตัวขึ้นบ้าง

สุดท้ายภาพที่เห็นคือ ใครมีทุนสร้างชิปเอง ได้เปรียบเรื่องคุมต้นทุนระยะยาว ส่วนใครยังไม่มี ก็ยังต้องเล่นเกมเดิมกับ Nvidia ต่อไป

เทียบหมัดต่อหมัดกับ Nvidia และคู่แข่งในสังเวียนเดียวกัน

พอเข้าสังเวียนจริง แต่ละค่ายเลือกจุดแข็งไม่เหมือนกัน Nvidia ชนะเรื่อง ecosystem และซอฟต์แวร์ (CUDA) ที่ครองตลาดมานาน ส่วนชิปคัสตอมของ Google, AWS, Microsoft เกิดมาเพื่อแก้ปัญหาต้นทุนกับ lock-in โดยเฉพาะ

จุดที่ต่างชัดคือเรื่อง availability — ใครมีชิปตัวเองไม่ต้องรอคิวซื้อ GPU เหมือนบริษัทอื่น ส่วนเรื่อง lock-in ก็กลับด้านกัน จากเดิมติดกับ Nvidia กลายเป็นติดกับ cloud provider เจ้าของชิปแทน

เดินเกม silicon เองแล้วได้อะไร เสียอะไรบ้าง

พอเห็นภาพรวมแล้ว มาดูกันว่าการลงทุนทำชิปเองมันคุ้มจริงไหม เพราะไม่ใช่ทุกบริษัทที่ทำแล้วจะรอด

ข้อดีชัดคือคุมต้นทุนระยะยาวได้เอง ไม่ต้องรอคิวซื้อจาก Nvidia และออกแบบชิปให้ตรงงานเป๊ะ เช่น chip เทรนโมเดลอย่างเดียวไม่ต้องมี feature เกินจำเป็น

แต่ข้อเสียก็หนักไม่แพ้กัน การออกแบบชิปต้องใช้เงินลงทุนมหาศาลตั้งแต่ R&D ยัน fab และเสี่ยงล้าหลังเทคโนโลยีถ้าตามไม่ทัน Nvidia ที่อัปเดตทุกปี

ที่สำคัญคือต้องแข่งกับทีม R&D ระดับโลกที่สะสมประสบการณ์มาหลายสิบปี ไม่ใช่แค่มีเงินแล้วจะทำได้เลย

ต้นทุนที่ไม่มีใครพูดถึงในข่าวพาดหัว

ข่าวชอบเล่าแค่ “บริษัท X ออกแบบชิปเองแล้ว” แต่ต้นทุนจริงมันเยอะกว่านั้นเยอะ

อย่างแรกคือค่าตัววิศวกรระดับ chip architect ที่หายากมาก แข่งกันแย่งตัวข้ามอุตสาหกรรม เงินเดือนสูงลิ่วยังไม่พอ ต้องรอคิวหลายปีกว่าจะมีทีมพร้อมโปรดักชัน

สองคือคิวโรงงาน fabrication อย่าง TSMC ที่จองยาวเป็นปี ใครมาช้าก็ต่อคิวหลัง Apple, Nvidia อยู่ดี

สามคือความเสี่ยง geopolitics — ห่วงโซ่การผลิตชิปกระจุกอยู่ไม่กี่ประเทศ พอมีเรื่องภาษีหรือข้อจำกัดส่งออก แผนทั้งปีพังได้ในคืนเดียว

สุดท้ายที่มักถูกลืม คือซอฟต์แวร์/driver ที่ต้องพัฒนาคู่ขนานไปกับฮาร์ดแวร์ ชิปดีแค่ไหนถ้า stack ซอฟต์แวร์ไม่พร้อม ก็ใช้งานจริงไม่ได้ นี่แหละคือเหตุผลที่ทำไมมีแค่บริษัทใหญ่จริงๆ เท่านั้นที่กล้าเล่นเกมนี้

แล้ว Nvidia จะยังคุมเกมได้อีกนานแค่ไหน

ระยะสั้น Nvidia ยังแทบไม่มีคู่แข่งเรื่อง training รุ่นใหญ่ เพราะ CUDA ecosystem ที่สร้างมาเป็นสิบปีไม่ใช่อะไรที่ลอกกันข้ามคืนได้ แต่ที่เปลี่ยนไปคือ “custom chip” ของ OpenAI, SpaceX, Google ไม่ได้มาแทน Nvidia ทั้งกระดาน — มันมาแทนเฉพาะงาน inference เฉพาะทางที่ generic GPU แพงเกินความจำเป็น

สิ่งที่น่าจับตาจริงๆ ในอีก 2-3 ปีคือ “การกระจายอำนาจ” ไม่ใช่ “การล้มแชมป์” บริษัท AI รายใหญ่จะค่อยๆ ลดสัดส่วนพึ่งพา Nvidia ลงทีละ workload แล้วดัน margin ของ Nvidia ให้บางลงเรื่อยๆ

สำหรับนักลงทุน จับตาสัดส่วนรายได้ Nvidia ที่มาจากลูกค้า 4-5 รายใหญ่ ส่วนนักพัฒนา จับตาว่า software stack ของชิป custom พวกนี้เปิดกว้างพอจะดึงคนนอกบริษัทมาใช้ไหม — นั่นคือจุดชี้ขาดว่าจะเป็นแค่เครื่องมือภายใน หรือจะกลายเป็นคู่แข่งจริงจัง