คำถามมูลค่า 3 ล้านล้านดอลลาร์ของ AI: รายได้จะสามารถไล่ตามการลงทุนในโครงสร้างพื้นฐานได้หรือไม่?
อุตสาหกรรมปัญญาประดิษฐ์ (AI) กำลังตกอยู่ในสภาวะการแข่งขันที่มีเดิมพันสูง ระหว่างการใช้จ่ายเงินลงทุน (CapEx) มหาศาล กับความจำเป็นเร่งด่วนในการสร้างรายได้ ในขณะที่เหล่า Hyperscalers กำลังทุ่มเงินหลายล้านล้านดอลลาร์ลงไปในฮาร์ดแวร์ คำถามสำคัญจึงเกิดขึ้นว่า: เลเยอร์ของซอฟต์แวร์จะสามารถสร้างมูลค่าได้มากพอที่จะคุ้มค่ากับต้นทุนมหาศาลของชิปซิลิคอนหรือไม่?
ช่องว่างที่ขยายตัวระหว่าง CapEx และรายได้
ขนาดของการลงทุนในโครงสร้างพื้นฐาน AI นั้นน่าตกตะลึง David Cahn พาร์ทเนอร์จาก Sequoia ซึ่งก่อนหน้านี้เคยประเมินความต้องการรายได้ไว้ที่ 2 แสนล้านดอลลาร์ โดยอ้างอิงจากรายได้ GPU ของ Nvidia ที่ 5 หมื่นล้านดอลลาร์ ได้ปรับปรุงการคาดการณ์ของเขาอย่างมีนัยสำคัญ เนื่องจากการขยายตัวของ Hyperscaling อย่างต่อเนื่องตลอดสามปีที่ผ่านมา ปัจจุบัน Cahn คาดการณ์ว่าการใช้จ่ายด้านโครงสร้างพื้นฐาน AI จะสูงถึง 1.5 ล้านล้านดอลลาร์ภายในปี 2026
เพื่อที่จะถอนทุนคืน อุตสาหกรรมนี้จะต้องสร้างรายได้โดยประมาณถึง 3 ล้านล้านดอลลาร์ ซึ่งตัวเลขนี้อาจเป็นเพียงการประเมินขั้นต่ำที่ระมัดระวังเท่านั้น ต้นทุนที่สูงขึ้นในส่วนของหน่วยความจำ (Memory), การนำชิปเฉพาะทางสำหรับการประมวลผล (Inference-specific chips) มาใช้งาน และต้นทุนการก่อสร้างศูนย์ข้อมูล (Data centers) ที่เพิ่มขึ้น กำลังผลักดันให้รายได้ที่จำเป็นต่อหนึ่งกิกะวัตต์ (GW) ของ CapEx พุ่งสูงขึ้นอย่างรวดเร็ว แม้ว่าห้องปฏิบัติการระดับแนวหน้า (Frontier labs) จะมีการเติบโต โดยมีรายงานว่า Anthropic มีรายได้ประจำปี (ARR) แตะระดับ 6 หมื่นล้านดอลลาร์ และ OpenAI มี ARR ถึง 2 หมื่นล้านดอลลาร์ แต่ก็ยังคงมีช่องว่างขนาดใหญ่ระหว่างรายได้ในปัจจุบันกับเกณฑ์ 3 ล้านล้านดอลลาร์
การเดิมพันของ Hyperscaler และความเสี่ยงของภาวะเงินฝืด
เหล่า Hyperscalers ในสไตล์ "Magnificent Seven" อย่าง Google, Meta, Microsoft และ Amazon คือแรงขับเคลื่อนหลักของการใช้จ่ายนี้ ยักษ์ใหญ่เหล่านี้กำลังเดิมพันกับการเร่งตัวอย่างมหาศาลของกระแสเงินสดอิสระ (Free cash flow) ภายในปี 2028 โดยตั้งอยู่บนสมมติฐานที่ว่าบริการ AI จะกลายเป็นสาธารณูปโภคที่จำเป็นและมีอัตรากำไรสูง
อย่างไรก็ตาม Torsten Slok หัวหน้านักเศรษฐศาสตร์ของ Apollo เตือนถึงอุปสรรคสำคัญที่อาจทำให้การคำนวณนี้ผิดพลาด โดยมีสองแนวโน้มเฉพาะที่คุกคามโมเดลธุรกิจแบบ "token factory" (โรงงานผลิตโทเคน):
- การเติบโตของ Open Weights: องค์กรต่างๆ เริ่มเปลี่ยนทิศทางไปสู่โมเดลแบบ open-weight ที่ราคาถูกกว่า ซึ่งรวมถึงโมเดลที่มีต้นกำเนิดจากจีน แทนที่จะพึ่งพาเพียงโมเดลระดับแนวหน้าที่มีราคาแพง
- ภาวะเงินฝืดของโทเคน (Token Deflation): เมื่อโมเดลมีประสิทธิภาพมากขึ้น ราคาต่อโทเคนก็ดิ่งลง ตัวอย่างเช่น โมเดลล่าสุดของ OpenAI สามารถเพิ่มประสิทธิภาพของโทเคนในการเขียนโค้ดได้ถึง 54% แม้ว่านี่จะเป็นชัยชนะสำหรับนักพัฒนาและผู้ใช้งานปลายทาง แต่มันกลับสร้าง "การแข่งขันเพื่อลดราคาลงสู่จุดต่ำสุด" (race to the bottom) สำหรับผู้ให้บริการที่ต้องพึ่งพาปริมาณโทเคนจำนวนมหาศาลเพื่อชดเชยต้นทุนโครงสร้างพื้นฐานที่สูงลิ่ว
ผลกระทบทางเศรษฐกิจมหภาคหากการคืนทุนของ AI ล้มเหลว
เดิมพันนี้ขยายวงกว้างไปไกลกว่าเพียงแค่ในงบดุลของยักษ์ใหญ่ด้านเทคโนโลยี เนื่องจากความเป็นผู้นำในตลาดปัจจุบันกระจุกตัวอยู่ในบริษัทเพียงไม่กี่แห่ง ทำให้ดัชนี S&P 500 ทั้งหมดถูกผูกติดอยู่กับความสำเร็จของวงจรการลงทุนใน AI นี้
หากเหล่า Hyperscalers ไม่สามารถบรรลุเป้าหมายกระแสเงินสดตามที่คาดการณ์ไว้ภายในปี 2028 ปฏิกิริยาของตลาดอาจส่งผลกระทบเชิงระบบ Slok ชี้ให้เห็นว่าการคืนทุนที่ช้ากว่าที่คาดไว้จะไม่ใช่แค่การปรับฐานเฉพาะกลุ่มอุตสาหกรรมเท่านั้น แต่อาจส่งผลให้เศรษฐกิจในวงกว้างเข้าสู่ภาวะถดถอยได้ สำหรับระบบนิเวศ AI ปีที่กำลังจะมาถึงจะเป็นบททดสอบสำคัญว่าความฉลาดจะสามารถสร้างรายได้ได้เร็วพอที่จะก้าวทันต้นทุนฮาร์ดแวร์ที่พุ่งสูงขึ้นอย่างต่อเนื่องหรือไม่
สรุปประเด็นสำคัญ
- ความต้องการรายได้มหาศาล: อุตสาหกรรม AI จำเป็นต้องสร้างรายได้ประมาณ 3 ล้านล้านดอลลาร์ เพื่อให้คุ้มค่ากับการคาดการณ์การใช้จ่ายด้านโครงสร้างพื้นฐาน 1.5 ล้านล้านดอลลาร์ภายในปี 2026
- ความย้อนแย้งของประสิทธิภาพ (Efficiency Paradox): ประสิทธิภาพของโมเดลที่เพิ่มขึ้น (เช่น การเพิ่มขึ้น 54% ของ OpenAI ในงานเขียนโค้ด) ช่วยลดต้นทุนสำหรับผู้ใช้ แต่สร้างแรงกดดันด้านราคาให้กับบริษัทที่ลงทุนในฮาร์ดแวร์
- ความเสี่ยงทางเศรษฐกิจเชิงระบบ: เนื่องจากการเติบโตของ Hyperscaler เป็นแรงขับเคลื่อนหลักของ S&P 500 ความล้มเหลวในการสร้างผลตอบแทนจาก AI อาจกระตุ้นให้เกิดการปรับฐานของตลาดในวงกว้างหรือภาวะเศรษฐกิจถดถอย