NVIDIA(NVDA) ในงาน CES 2026 เขียนกฎใหม่ของโรงงาน AI…ประกาศ “กฎสามเท่าของมอร์”

ในตลาดเซมิคอนดักเตอร์ AI ที่ครองตำแหน่งผู้นำอย่างเหนียวแน่น NVIDIA(NVDA) ที่งาน CES 2026 ได้แสดงนวัตกรรมเทคโนโลยีอีกครั้ง ซึ่งได้กำหนดมาตรฐานใหม่ของเศรษฐศาสตร์โรงงาน AI ซีอีโอ Huang Renxun ได้ขึ้นเวทีเปิดตัวสถาปัตยกรรมระบบนี้ด้วยตัวเอง ซึ่งแกนหลักนั้นเกินกว่ามิติของเซมิคอนดักเตอร์เพียงอย่างเดียว เป็นการออกแบบ “การทำงานร่วมกันอย่างสุดขีด” ที่เชื่อมโยงเครือข่าย หน่วยความจำ ซอฟต์แวร์ และส่วนประกอบแบบครบวงจรอย่างใกล้ชิด

ในการเปิดตัวครั้งนี้ NVIDIA ไม่เพียงแต่เพิ่มประสิทธิภาพการคำนวณเท่านั้น แต่ยังเพิ่มประสิทธิภาพการสร้างโทเค็นอย่างระเบิดเถิดเทิง ซึ่งเปลี่ยนโครงสร้างต้นทุนของโครงสร้างพื้นฐาน AI ตัวอย่างเช่น การวิเคราะห์ชี้ให้เห็นว่า ประสิทธิภาพการคำนวณของ GPU เพิ่มขึ้น 5 เท่าเมื่อเทียบกับเดิม และในระดับระบบ การรับส่งข้อมูลเพิ่มขึ้น 10 เท่า ผลลัพธ์คือความต้องการโทเค็นที่สามารถสร้างได้สูงสุดอาจเพิ่มขึ้น 15 เท่า นี่คือสิ่งที่เรียกว่าการปฏิวัติ “กฎโมร์สามเท่า” ซึ่งเปลี่ยนแปลงพื้นฐานของเศรษฐศาสตร์การดำเนินงานและกลยุทธ์การขยายตัวของโรงงาน AI อย่างสิ้นเชิง

เช่นเดียวกับบริษัทที่อยู่รอดในประวัติศาสตร์การแข่งขันอันดุเดือดด้วยการสร้างระบบนิเวศตามขนาด การชนะในยุค AI นี้ไม่ได้อยู่ที่ขนาดของประสิทธิภาพ แต่เป็นความสอดคล้องของการออกแบบระบบ และเศรษฐศาสตร์ที่เกิดจากเส้นโค้งการเรียนรู้ตามขนาด บริษัทต่างๆ เช่น Intel(INTC), AMD(AMD), TSMC(TSMC), Apple(AAPL) ต่างก็วางรากฐานความอยู่รอดในด้านความสามารถในการขยายระบบและความเร็วในการเรียนรู้ในแบบของตนเอง และในปัจจุบัน NVIDIA พยายามที่จะครองเทคโนโลยี AI ทั้งหมดด้วยความเร็วที่เร็วกว่าพวกเขาอย่างรวดเร็วและรุนแรงกว่าเดิม

การเปิดตัวครั้งนี้ที่ใช้แพลตฟอร์ม Rubin เป็นแกนกลาง ไม่เพียงแต่เกี่ยวข้องกับ GPU และ CPU เท่านั้น แต่ยังรวมถึงอินเทอร์เฟซเครือข่ายความเร็วสูง(Spectrum-X Ethernet), DPU(BlueField) และเครือข่ายภายในที่ใช้ InfiniBand อย่าง NVLink ซึ่งถูกออกแบบใหม่ในกรอบเดียวกัน โครงสร้างนี้เป็นระบบแบบครบวงจร ซึ่งไม่ได้เป็นเพียงการเพิ่มประสิทธิภาพของชิ้นส่วนเดียว แต่เน้นการเพิ่มประสิทธิภาพการรับส่งข้อมูลสูงสุดและการใช้ทรัพยากรโดยรวมอย่างเข้มข้น ผลลัพธ์ที่ได้ไม่ใช่แค่การเพิ่มประสิทธิภาพเท่านั้น แต่เป็นการปรับปรุงโครงสร้างการประมวลผลของระบบโดยรวมอย่างรากฐาน

ในงานฝึกอบรมและการคาดการณ์ AI ตัวชี้วัดหลักเปลี่ยนเป็น “ต้นทุนต่อโทเค็นที่สร้าง” NVIDIA ด้วยประสิทธิภาพของระบบนี้ ทำให้ต้นทุนต่อโทเค็นลดลงเหลือเพียงหนึ่งในสิบของเดิม อันเป็นผลให้แอปพลิเคชัน AI ที่เคยมีเศรษฐศาสตร์ไม่ดีสามารถนำไปใช้อย่างกว้างขวางในเชิงเศรษฐกิจได้มากขึ้น การปรับปรุงด้านเศรษฐศาสตร์เช่นนี้จะเป็นแรงผลักดันให้เกิดการปรับโครงสร้างงบประมาณ IT และเปลี่ยนแปลงโครงสร้างต้นทุนที่เน้นโทเค็นเป็นศูนย์กลางในอุตสาหกรรม AI ทั้งหมด

ความเร็วในการพัฒนาที่รวดเร็วนี้น่าจับตามอง หากกล่าวว่ากฎโมร์ในอุตสาหกรรมเซมิคอนดักเตอร์แบบดั้งเดิมคือ 18-24 เดือน NVIDIA ตอนนี้กำลังเปลี่ยนกรอบความสามารถและประสิทธิภาพในทุก 12 เดือน ซึ่งไม่ใช่แค่ความเป็นผู้นำด้านเทคโนโลยี แต่ยังสร้างเส้นโค้งการเรียนรู้ใหม่ที่เร่งความแตกต่างกับคู่แข่ง สัญลักษณ์สำคัญคือ ภายใต้แนวคิดแพลตฟอร์ม AI ใหม่ โครงสร้างพื้นฐานจะอิงความได้เปรียบด้านเศรษฐกิจมากกว่าความสามารถทางเทคนิคเพียงอย่างเดียว

คู่แข่งอย่าง Intel แม้จะยังคงมีบทบาทในด้าน CPU แต่ในสถานการณ์ที่ขาดความร่วมมือกับ NVIDIA ก็ยากที่จะรักษาสถานะผูกขาดเดิม AMD แม้จะมีความสามารถในตลาด CPU สถาปัตยกรรม x86 แต่ในสภาพแวดล้อมการไหลของข้อมูลที่เปลี่ยนไปอย่างรวดเร็วในงานโหลดการเรียนรู้และการคาดการณ์ AI ความเร็วและขนาดของพวกเขากำลังเผชิญขีดจำกัดทางกายภาพ

ในตลาดชิปเฉพาะทาง บริษัทอย่าง Groq ที่มีข้อได้เปรียบด้านการปรับดีเลย์ และ Cerebras ที่สำรวจขอบเขตใหม่ของการออกแบบชิปขนาดใหญ่ กำลังเข้ายึดครองตลาดช่องว่างในระบบนิเวศโรงงาน AI อย่างไรก็ตาม มุมมองในอุตสาหกรรมชี้ให้เห็นว่า การแทนที่ความสามารถในการบูรณาการระบบโดยรวมของ NVIDIA และกลยุทธ์การขยายประสิทธิภาพตามเส้นโค้งการเรียนรู้นั้นมีข้อจำกัดอย่างชัดเจน

บริษัทอย่าง Google(GOOGL) ที่กำลังผลักดันกลยุทธ์แพลตฟอร์ม AI เช่น TPU และ Amazon(AWS) ที่พัฒนาระบบ Trainium ก็มีความสมบูรณ์ทางเทคนิคสูง แต่ในด้านความสามารถในการขยายขนาดของระบบโดยเฉพาะในสภาพแวดล้อมโรงงานขนาดใหญ่ เช่น ปัญหาอุปสรรคเครือข่าย ก็ยังดูเหมือนจะมีข้อจำกัดเชิงโครงสร้างที่ยากจะตามทัน NVIDIA โดยเฉพาะในโครงการ AI ขนาดใหญ่เช่น Gemini ซึ่งความเร็วในการพัฒนารูปแบบโมเดลโดยตรงส่งผลต่อความสำเร็จ ดังนั้น การใช้ CUDA และฮาร์ดแวร์ล่าสุดเพื่อสร้างความสามารถในการเรียนรู้แบบวนซ้ำอาจกลายเป็นข้อได้เปรียบเชิงกลยุทธ์

ในยุคที่กลยุทธ์ AI ขยายจากหน่วยการผลิตเซมิคอนดักเตอร์ไปสู่ระดับ “แร็ค” และเข้าสู่ระดับการดำเนินงานโรงงานที่มีความสามารถในการขยายตัวสูง ลูกค้ากำลังพิจารณาเปลี่ยนโฟกัสจากการสร้างโครงสร้างพื้นฐานขนาดใหญ่ ไปสู่การเร่งทดลองและเรียนรู้แบบวนซ้ำเพื่อสร้างคุณค่า ในขณะที่ระบบโรงงานใหม่ของ NVIDIA ช่วยลดอุปสรรคในการเข้าสู่ยุค AI และเพิ่มประสิทธิภาพกลยุทธ์การดำเนินการที่เน้นการทดลองก่อนการปรับแต่งข้อมูล

แก่นแท้ของการเปลี่ยนแปลงในแนวคิด ICT ครั้งนี้ไม่ใช่แค่ประสิทธิภาพของชิปเดียว แต่เป็นสมดุลระหว่างระบบและเศรษฐศาสตร์โทเค็น ในยุคที่ความเร็วในการเทคโนโลยีและรอบการตัดสินใจสั้นลง ความได้เปรียบด้านเส้นโค้งการเรียนรู้ของผู้นำเท่านั้นที่จะเปลี่ยนเป็นอำนาจในการครองตลาดในอุตสาหกรรม ตั้งแต่ CES 2026 เป็นต้นไป ระเบียบใหม่ของยุคโรงงาน AI ก็กลายเป็นภาพชัดเจนอีกครั้ง