DeepSeek V4 ประกาศงดใช้ NVIDIA! การต่อสู้เพื่อความเป็นอิสระด้านพลังการคำนวณของ AI จีนก้าวไปถึงไหนแล้ว?

DeepSeek ประกาศว่าโมเดลเวอร์ชัน V4 รุ่นใหม่จะใช้ชิปภายในประเทศทั้งหมด ไม่พึ่งพา GPU ของ NVIDIA อีกต่อไป ตั้งแต่เหตุการณ์ซินกังจนถึงคำสั่งห้ามใช้ชิปสามรอบ อุตสาหกรรม AI ของจีนกำลังพยายามก้าวข้ามพร้อมกันในสามเส้นทาง คือ การปรับปรุงอัลกอริทึม การทดแทนด้วยชิปในประเทศ และการส่ง Token ออกสู่ตลาดต่างประเทศ
(ข้อมูลเบื้องต้น: โกว๋อคุยเรื่อง DeepSeek: ยืนยันว่าไม่ลอก ChatGPT แน่นอน ใช้เทคโนโลยีพื้นฐานเพื่อเลี่ยงแพลตฟอร์ม CUDA ของ NVIDIA)
(ข้อมูลเสริม: FBI และทำเนียบขาวเริ่มสืบสวน! สหรัฐสงสัยว่า DeepSeek ได้รับชิป NVIDIA ผ่านมืออาชีพในสิงคโปร์)

เมื่อแปดปีก่อน Zhongxing (ZTE) เกิดภาวะหัวใจหยุดเต้น ในวันที่ 16 เมษายน 2018 กระทรวงพาณิชย์ของสหรัฐออกคำสั่งห้าม ซึ่งทำให้ Zhongxing ซึ่งมีพนักงาน 8 หมื่นคน รายได้ต่อปีเกินพันล้านหยวน เป็นผู้ผลิตอุปกรณ์สื่อสารอันดับสี่ของโลก ต้องหยุดชะงักในชั่วข้ามคืน เนื้อหาของคำสั่งง่ายมาก ห้ามบริษัทสหรัฐขายชิ้นส่วน สินค้า ซอฟต์แวร์ และเทคโนโลยีให้ Zhongxing เป็นเวลาเจ็ดปี

โดยไม่มีชิปของ Qualcomm สถานีฐานก็หยุดผลิต ไม่มีสิทธิ์ใช้ระบบปฏิบัติการ Android ของ Google ก็ไม่สามารถใช้งานสมาร์ทโฟนได้ หลังจาก 23 วัน Zhongxing ออกประกาศว่า กิจกรรมหลักของบริษัทไม่สามารถดำเนินต่อไปได้

แต่ในที่สุด Zhongxing ก็รอดชีวิตมาได้ แต่ต้องจ่ายค่าเสียหาย 1.4 พันล้านดอลลาร์

เป็นค่าปรับ 1 พันล้านดอลลาร์ จ่ายทีเดียวหมด; เงินประกัน 400 ล้านดอลลาร์ ฝากไว้ในบัญชีดูแลของธนาคารในสหรัฐ นอกจากนี้ยังเปลี่ยนผู้บริหารทั้งหมด และให้ทีมตรวจสอบความสอดคล้องตามกฎหมายของสหรัฐเข้ามาควบคุมดูแล ปี 2018 Zhongxing ขาดทุนสุทธิ 7 พันล้านหยวน รายได้ลดลง 21.4% เมื่อเทียบปีก่อน

ในจดหมายภายในของ Yin Yimin อดีตประธาน Zhongxing เขียนว่า “เราอยู่ในอุตสาหกรรมที่ซับซ้อนและพึ่งพาห่วงโซ่อุปทานระดับโลกอย่างสูง” คำพูดนี้ในตอนนั้นเป็นทั้งการสะท้อนและความหมดหวัง

หลังจากผ่านไปแปดปี วันที่ 26 กุมภาพันธ์ 2026 บริษัทยูนิคอร์นด้าน AI ของจีน DeepSeek ประกาศว่า โมเดลมัลติโมดัล V4 ที่จะเปิดตัวในเร็ว ๆ นี้ จะร่วมมืออย่างลึกซึ้งกับผู้ผลิตชิปในประเทศเป็นอันดับแรก เป็นครั้งแรกที่ทำให้กระบวนการตั้งแต่การฝึกโมเดลล่วงหน้า ไปจนถึงการปรับแต่งละเอียด เป็นกระบวนการที่ไม่พึ่งพา NVIDIA โดยสมบูรณ์

แปลง่าย ๆ ก็คือ: เราไม่ใช้ NVIDIA แล้ว

เมื่อประกาศออกมา ความคิดเห็นแรกของตลาดคือ การตั้งคำถาม NVIDIA ครองส่วนแบ่งตลาดชิปฝึก AI ทั่วโลกมากกว่า 90% การละทิ้งมันในเชิงธุรกิจเป็นเรื่องที่สมเหตุสมผลหรือไม่?

แต่เบื้องหลังการเลือกของ DeepSeek กลับซ่อนปัญหาใหญ่กว่ากลยุทธ์ทางธุรกิจ นั่นคือ: อุตสาหกรรม AI ของจีน ต้องการความเป็นอิสระด้านพลังการคำนวณในระดับไหน?

หลายคนเข้าใจผิด คิดว่าคำสั่งห้ามชิปเป็นเรื่องของฮาร์ดแวร์ แต่สิ่งที่ทำให้บริษัท AI จีนรู้สึกอึดอัดจริง ๆ กลับเป็นสิ่งที่เรียกว่า CUDA

CUDA ย่อมาจาก Compute Unified Device Architecture เป็นแพลตฟอร์มและโมเดลการเขียนโปรแกรมแบบขนานที่ NVIDIA เปิดตัวในปี 2006 ซึ่งอนุญาตให้นักพัฒนาสามารถเรียกใช้พลังการประมวลผลของ GPU ของ NVIDIA ได้โดยตรง เพื่อเร่งความเร็วงานคำนวณซับซ้อนต่าง ๆ

ก่อนยุค AI มา CUDA เป็นเครื่องมือของกลุ่มคนกลุ่มน้อยที่เป็นกลุ่มเทคโนโลยีขั้นสูง แต่เมื่อคลื่น Deep Learning เข้ามา CUDA ก็กลายเป็นรากฐานของอุตสาหกรรม AI ทั้งหมด

การฝึกโมเดลขนาดใหญ่ใน AI จริง ๆ แล้วคือการคำนวณเมทริกซ์จำนวนมหาศาล ซึ่งเป็นงานที่ GPU ทำได้ดีที่สุด

ด้วยการวางแผนล่วงหน้ากว่า 10 ปี NVIDIA ใช้ CUDA สร้างห่วงโซ่อุปทานเครื่องมือครบวงจร ตั้งแต่ฮาร์ดแวร์พื้นฐาน ไปจนถึงซอฟต์แวร์ระดับบนสุด สำหรับนักพัฒนา AI ทั่วโลก ปัจจุบัน Framework ยอดนิยม เช่น TensorFlow ของ Google หรือ PyTorch ของ Meta ล้วนเชื่อมโยงลึกกับ CUDA

นักเรียนปริญญาเอกด้าน AI ตั้งแต่วันแรกที่เข้าเรียน ก็เรียนรู้และเขียนโปรแกรมในสภาพแวดล้อม CUDA ทุกบรรทัด ซึ่งเป็นการเสริมสร้างแนวป้องกันของ NVIDIA

จนถึงปี 2025 ระบบนิเวศ CUDA มีนักพัฒนามากกว่า 4.5 ล้านคน ครอบคลุมแอปพลิเคชันที่ใช้ GPU กว่า 3,000 รายการ มีบริษัททั่วโลกกว่า 40,000 แห่งใช้งาน CUDA ตัวเลขนี้หมายความว่า นักพัฒนา AI กว่า 90% ของโลก ล้วนผูกติดอยู่กับระบบนิเวศของ NVIDIA

ความน่ากลัวของ CUDA อยู่ที่มันเป็นเหมือนแรงเหว เมื่อมีนักพัฒนามากขึ้น ก็จะเกิดเครื่องมือ ไลบรารี และโค้ดจำนวนมากขึ้น ระบบนิเวศก็จะยิ่งเจริญเติบโตไปเรื่อย ๆ ยิ่งระบบนิเวศเติบโต ก็ยิ่งดึงดูดนักพัฒนารายใหม่เข้ามา วงจรนี้เมื่อเริ่มหมุน ก็แทบจะหยุดไม่ได้

ผลก็คือ NVIDIA ขายเครื่องมือที่แพงที่สุดให้คุณ และกำหนดท่าทางการขุดเหรียญคริปโตเป็นเอกลักษณ์ คุณอยากเปลี่ยนเครื่องมือ? ก็ได้ แต่คุณต้องเขียนใหม่ทั้งหมด จากประสบการณ์และเครื่องมือที่สะสมมาหลายสิบปีของนักพัฒนาทั่วโลก

ใครจะเป็นคนจ่ายต้นทุนนี้?

พอวันที่ 7 ตุลาคม 2022 กระทรวงพาณิชย์สหรัฐ (BIS) เริ่มใช้มาตรการควบคุมครั้งแรก ห้ามส่งออก A100 และ H100 ของ NVIDIA ไปยังจีน บริษัท AI จีนเป็นครั้งแรกที่รู้สึกถึงความอึดอัดแบบซินกัง NVIDIA ก็ออกเวอร์ชัน “พิเศษสำหรับจีน” อย่าง A800 และ H800 ซึ่งลดความสามารถในการเชื่อมต่อภายในชิปลง เพื่อให้สามารถส่งมอบได้ต่อเนื่อง

แต่เพียงปีเดียวต่อมา วันที่ 17 ตุลาคม 2023 มาตรการควบคุมรอบสองก็เข้มงวดยิ่งขึ้น A800 และ H800 ก็ถูกแบน รวมถึง 13 บริษัทจีนถูกขึ้นบัญชีดำ NVIDIA ต้องปล่อย H20 เวอร์ชันลดสเปคลงอีกครั้ง จนถึงธันวาคม 2024 ในช่วงวาระสุดท้ายของรัฐบาล Biden ก็มีคำสั่งควบคุมอีกชุดหนึ่ง ซึ่งรวมถึงการห้ามส่งออก H20 อย่างเข้มงวด

คำสั่งควบคุมทั้งสามรอบนี้ เพิ่มความเข้มงวดยิ่งขึ้น

แต่คราวนี้ เรื่องราวแตกต่างจากซินกังอย่างสิ้นเชิง

ใครก็ตามที่คิดว่าคำสั่งห้ามจะทำให้ฝันของโมเดลใหญ่ในจีนดับสนิท ก็ผิดหมด

พวกเขาเข้าใจผิด เพราะในความเป็นจริง จีนไม่ได้เลือกที่จะสู้ตรง ๆ แต่กลับเลือกที่จะบุกทะลวง นั่นคือ การเปลี่ยนเกมในด้านอัลกอริทึม

ตั้งแต่ปลายปี 2024 ถึง 2025 บริษัท AI จีนหันไปใช้เทคนิคโมเดลแบบผสมผสาน (Hybrid Expert Models)

ง่าย ๆ คือ การแบ่งโมเดลขนาดใหญ่ออกเป็นหลายโมเดลย่อย แล้วเรียกใช้เฉพาะโมเดลย่อยที่เกี่ยวข้องกับงานนั้น ๆ แทนที่จะให้โมเดลทั้งตัวทำงานพร้อมกัน

DeepSeek รุ่น V3 เป็นตัวอย่างเด่นของแนวคิดนี้ มันมีพารามิเตอร์ถึง 6710 พันล้าน แต่ในแต่ละครั้งที่ทำ inference จะเปิดใช้งานเพียง 370 พันล้าน ซึ่งคิดเป็นเพียง 5.5% ของทั้งหมด ในด้านต้นทุนการฝึก ก็ใช้ GPU ของ NVIDIA H800 จำนวน 2,048 ชิ้น ฝึกไป 58 วัน รวมค่าใช้จ่ายประมาณ 5.576 ล้านดอลลาร์สหรัฐ เมื่อเทียบกับประมาณการต้นทุนฝึก GPT-4 ที่ประมาณ 78 ล้านดอลลาร์ นี่คือความแตกต่างระดับหนึ่ง

การปรับแต่งอัลกอริทึมอย่างสุดขีด ส่งผลโดยตรงต่อราคา API ของ DeepSeek ซึ่งคิดค่าบริการเพียง 0.028 ถึง 0.28 ดอลลาร์ต่อ 1 ล้าน Token สำหรับการป้อนข้อมูล และ 0.42 ดอลลาร์สำหรับการส่งออก ในขณะที่ GPT-4 คิดค่าบริการป้อนข้อมูลประมาณ 5 ดอลลาร์ และส่งออก 15 ดอลลาร์ Claude Opus ก็แพงกว่า โดยคิดค่าป้อนข้อมูล 15 ดอลลาร์ และส่งออก 75 ดอลลาร์ เมื่อแปลงเป็นอัตราเปรียบเทียบ DeepSeek ถูกกว่า Claude ถึง 25 ถึง 75 เท่า

ความแตกต่างด้านราคานี้ ส่งผลกระทบอย่างมากในตลาดนักพัฒนาทั่วโลก ในเดือนกุมภาพันธ์ 2026 แพลตฟอร์มรวม API โมเดล AI ที่ใหญ่ที่สุดในโลกอย่าง OpenRouter ก็พบว่า การเรียกใช้งานโมเดลจีนบนแพลตฟอร์มนี้ เพิ่มขึ้นถึง 127% ในสามสัปดาห์แรก ซึ่งเป็นครั้งแรกที่โมเดลจีนแซงหน้าสหรัฐอเมริกา จากเดิมที่ส่วนแบ่งใน OpenRouter เมื่อปีก่อนต่ำกว่า 2% พอถึงปีถัดมา เพิ่มขึ้นเป็น 42.1% เกือบ 60%

เบื้องหลังข้อมูลเหล่านี้ มีการเปลี่ยนแปลงเชิงโครงสร้างที่มองข้ามไม่ได้ ตั้งแต่ครึ่งหลังของปี 2025 เป็นต้นมา สถานการณ์หลักของการใช้ง้งาน AI เปลี่ยนจากการสนทนาเป็นการทำงานแบบ Agent ซึ่งในแต่ละภารกิจ Token ที่ใช้จะเพิ่มขึ้น 10 ถึง 100 เท่า เมื่อ Token ใช้มากขึ้น ราคาก็กลายเป็นปัจจัยสำคัญ โมเดลจีนที่เน้นความคุ้มค่า จึงเข้ามาในช่วงเวลานี้พอดี

แต่ปัญหาคือ การลดต้นทุน inference ไม่ได้แก้ปัญหาหลักของการฝึกโมเดลขนาดใหญ่ ถ้าโมเดลไม่สามารถฝึกซ้ำบนข้อมูลล่าสุดและปรับปรุงได้อย่างต่อเนื่อง ความสามารถก็จะเสื่อมลงอย่างรวดเร็ว การฝึกยังคงเป็นเส้นทางดำมืดของพลังการคำนวณอยู่ดี

แล้วเครื่องมือสำหรับการฝึก จะมาจากไหน?

ที่เมืองซ่งโจว (Xinghua) ในมณฑลเจียงซู ซึ่งเป็นเมืองเล็ก ๆ ที่ขึ้นชื่อเรื่องเหล็กกล้าและอาหารสุขภาพ ก่อนหน้านี้ไม่มีความเกี่ยวข้องกับ AI เลย แต่ในปี 2025 ได้สร้างสายการผลิตเซิร์ฟเวอร์ชิปในประเทศความยาว 148 เมตร ใช้เวลาเพียง 180 วัน ตั้งแต่เซ็นสัญญาจนผลิตได้

แกนหลักของสายการผลิตนี้คือชิปในประเทศสองตัว คือ ชิป Dragon芯 3C6000 และการ์ดเร่งความเร็ว AI TaiChu YuanQi T100 ชิป Dragon芯 3C6000 พัฒนาขึ้นเองทั้งหมด ตั้งแต่ชุดคำสั่งไปจนถึงสถาปัตยกรรมย่อย ส่วน TaiChu YuanQi เป็นผลงานของศูนย์ซูเปอร์คอมพิวเตอร์แห่งชาติจีนในหนิงโป และทีมงานจาก Tsinghua University ใช้โครงสร้างแบบ heterogeneous multi-core

เมื่อสายการผลิตเต็มกำลัง ผลิตเซิร์ฟเวอร์ได้ทุก 5 นาที ลงทุนรวม 1.1 พันล้านหยวน คาดว่าจะผลิตได้ปีละ 100,000 เครื่อง

ที่สำคัญคือ ด้วยการรวมชิปในประเทศเหล่านี้เป็นคลัสเตอร์ขนาดมหึมา ก็เริ่มรับงานฝึกโมเดลขนาดใหญ่จริง ๆ แล้ว

ในเดือนมกราคม 2026 บริษัท Zhipu AI ร่วมกับ Huawei เปิดตัว GLM-Image ซึ่งเป็นโมเดลสร้างภาพ SOTA ตัวแรกที่ฝึกด้วยชิปในประเทศทั้งหมด และในเดือนกุมภาพันธ์ โมเดล “Xingchen” ขนาดพันล้านของ China Telecom ก็เสร็จสิ้นการฝึกในคลัสเตอร์ชิปในประเทศในเมืองหนิงโป

ตัวอย่างเหล่านี้แสดงให้เห็นว่า ชิปในประเทศได้ก้าวข้ามจาก “ใช้สำหรับ inference” ไปสู่ “ใช้สำหรับฝึก” แล้ว นี่คือการเปลี่ยนแปลงเชิงคุณภาพ การ inference ก็แค่รันโมเดลที่ฝึกเสร็จแล้ว ซึ่งความต้องการชิปไม่สูงมากนัก แต่การฝึกต้องจัดการข้อมูลมหาศาล คำนวณ gradient ซับซ้อน และอัปเดตพารามิเตอร์ ซึ่งต้องการพลังการคำนวณ แบนด์วิดธ์เชื่อมต่อ และระบบนิเวศซอฟต์แวร์ในระดับที่สูงกว่ามาก

แกนหลักที่รับผิดชอบงานเหล่านี้คือชิปซีรีส์ Ascend ของ Huawei จนถึงปลายปี 2025 ระบบนิเวศ Ascend มีนักพัฒนามากกว่า 4 ล้านคน พันธมิตรเกิน 3,000 ราย โมเดลขนาดใหญ่ 43 ตัว ฝึกเสร็จแล้ว และโมเดลโอเพ่นซอร์สอีกกว่า 200 ตัว ที่งาน MWC เมื่อวันที่ 2 มีนาคม 2026 Huawei เปิดตัวฐานคำนวณรุ่นใหม่ SuperPoD สำหรับตลาดต่างประเทศ

ชิป Ascend 910B ให้พลัง FP16 เทียบเท่า A100 ของ NVIDIA แม้ยังมีช่องว่างอยู่ แต่ก็กลายเป็นชิปที่ใช้งานได้แล้ว จากที่เคยใช้งานไม่ได้ ตอนนี้ใช้งานได้ดีขึ้นเรื่อย ๆ ระบบนิเวศก็ไม่สามารถรอให้ชิปสมบูรณ์แบบก่อนเริ่มได้ ต้องเริ่มใช้ในระดับที่เพียงพอ แล้วใช้ความต้องการทางธุรกิจเป็นแรงผลักดันให้พัฒนาชิปและซอฟต์แวร์ต่อไป ยักษ์ใหญ่อย่าง ByteDance, Tencent, Baidu ต่างก็เพิ่มการนำเข้าเซิร์ฟเวอร์ในประเทศเป็นเท่าตัวในปี 2026 ข้อมูลจากกระทรวงอุตสาหกรรมและเทคโนโลยีจีน ระบุว่า ขนาดของอุตสาหกรรม AI ของจีนในปี 2026 ถึง 1590 EFLOPS ซึ่งเป็นปีที่จีนเริ่มวางแผนการใช้ง้งานในระดับประเทศอย่างเต็มที่

ต้นปี 2026 รัฐเวอร์จิเนีย ซึ่งเป็นศูนย์กลางข้อมูลของโลก ก็หยุดอนุมัติโครงการสร้างศูนย์ข้อมูลใหม่ชั่วคราว รัฐจอร์เจียก็หยุดอนุมัติไปจนถึงปี 2027 ส่วนรัฐอิลลินอยส์และมิชิแกนก็ออกมาตรการจำกัดเช่นกัน

ตามข้อมูลของ IEA ในปี 2024 พลังงานที่ใช้ในศูนย์ข้อมูลของสหรัฐฯ อยู่ที่ 183 เทวะชั่วโมง คิดเป็นประมาณ 4% ของการใช้ไฟฟ้าทั้งประเทศ คาดว่าในปี 2030 ตัวเลขนี้จะเพิ่มเป็น 426 เทวะชั่วโมง ซึ่งอาจคิดเป็นสัดส่วนเกิน 12% และ CEO ของ Arm คาดว่าในปี 2030 ศูนย์ข้อมูล AI จะใช้ไฟฟ้าถึง 20-25% ของสหรัฐฯ

ระบบไฟฟ้าของสหรัฐฯ ก็ไม่ไหวแล้ว โครงข่าย PJM ซึ่งครอบคลุม 13 รัฐทางตะวันออกของสหรัฐฯ ขาดแคลนกำลังไฟฟ้าถึง 6 GW และในปี 2033 สหรัฐฯ จะขาดแคลนกำลังไฟฟ้ารวม 175 GW ซึ่งเทียบเท่ากับการใช้ไฟฟ้าของครัวเรือน 130 ล้านครัวเรือน ต้นทุนไฟฟ้าขายส่งในพื้นที่ศูนย์ข้อมูลก็เพิ่มขึ้นถึง 267% เมื่อเทียบกับห้าปีที่ผ่านมา

ขอบเขตของพลังการคำนวณคือพลังงาน และในมิติของพลังงาน ความแตกต่างระหว่างจีนและสหรัฐฯ ก็ใหญ่กว่าชิปเสียอีก เพียงแต่ทิศทางตรงกันข้าม

จีนผลิตไฟฟ้าปีละ 10.4 เทวะชั่วโมง ขณะที่สหรัฐฯ อยู่ที่ 4.2 เทวะชั่วโมง ซึ่งจีนผลิตไฟฟ้ามากกว่าสหรัฐฯ ถึง 2.5 เท่า สิ่งสำคัญคือ การใช้ไฟฟ้าของประชาชนในจีนเพียง 15% ของการใช้ไฟฟ้าทั้งหมด ขณะที่ในสหรัฐฯ สัดส่วนนี้สูงถึง 36% ซึ่งหมายความว่า จีนมีไฟฟ้าสำรองสำหรับอุตสาหกรรมมากกว่าสหรัฐฯ อย่างมาก

ด้านราคาพลังงาน สหรัฐฯ มีค่าไฟฟ้าสำหรับบริษัท AI ในเขตเมืองอยู่ที่ประมาณ 0.12-0.15 ดอลลาร์ต่อกิโลวัตต์ชั่วโมง ขณะที่ในภาคอุตสาหกรรมของจีนในภาคตะวันตก ค่าไฟฟ้าอยู่ที่ประมาณ 0.03 ดอลลาร์ ซึ่งต่ำกว่าสหรัฐฯ ถึงหนึ่งในสี่ถึงหนึ่งในห้า

การเพิ่มกำลังผลิตไฟฟ้าของจีนในปีที่ผ่านมา ทำได้ถึง 7 เท่าของสหรัฐฯ

ในขณะที่สหรัฐฯ กำลังเผชิญปัญหาไฟฟ้า จีนก็เริ่มออกสู่ตลาดต่างประเทศอย่างเงียบ ๆ แต่คราวนี้ไม่ใช่สินค้า ไม่ใช่โรงงาน แต่เป็น Token

Token ซึ่งเป็นหน่วยย่อยที่สุดของข้อมูลที่โมเดล AI ใช้ในการประมวลผล กำลังกลายเป็นสินค้าใหม่ในโลกดิจิทัล มันถูกผลิตในโรงงานคำนวณของจีน แล้วส่งผ่านสายไฟใต้ทะเลไปทั่วโลก

ข้อมูลการใช้งาน DeepSeek ก็ชี้ให้เห็นชัดเจน: 30.7% อยู่ในจีน, 13.6% อินเดีย, 6.9% อินโดนีเซีย, 4.3% สหรัฐฯ, 3.2% ฝรั่งเศส รองรับ 37 ภาษา ได้รับความนิยมในตลาดเกิดใหม่ เช่น บราซิล มีบริษัท 26,000 รายเปิดบัญชีใช้งาน และ 3,200 รายใช้เวอร์ชันองค์กร

ในปี 2025 บริษัทสตาร์ทอัปด้าน AI ใหม่ 58% เลือกใช้ DeepSeek เป็นเทคโนโลยีหลัก ในจีน DeepSeek ครองส่วนแบ่งตลาดถึง 89% ส่วนในประเทศอื่น ๆ ที่ถูกคว่ำบาตร สัดส่วนตลาดอยู่ระหว่าง 40-60%

ภาพนี้คล้ายกับสงครามเพื่ออธิปไตยทางอุตสาหกรรมเมื่อสี่สิบปีก่อน

ในโตเกียวปี 1986 ภายใต้แรงกดดันของสหรัฐฯ รัฐบาลญี่ปุ่นลงนามใน “สนธิสัญญาเซมิคอนดักเตอร์ญี่ปุ่น-อเมริกัน” ซึ่งมีข้อกำหนดสำคัญสามข้อ: ให้ญี่ปุ่นเปิดตลาดเซมิคอนดักเตอร์ ส่วนแบ่งตลาดชิปของสหรัฐในญี่ปุ่นต้องเกิน 20%; ห้ามญี่ปุ่นส่งออกเซมิคอนดักเตอร์ต่ำกว่าต้นทุน; เก็บภาษีปรับ 100% สำหรับชิปมูลค่า 3 พันล้านดอลลาร์ที่ส่งออกไปสหรัฐฯ พร้อมกันนั้น สหรัฐฯ ก็ปฏิเสธการซื้อกิจการของฟูจิทสึในบริษัท Quick Semiconductor ด้วย

ในปีนั้น อุตสาหกรรมเซมิคอนดักเตอร์ของญี่ปุ่นอยู่ในจุดสูงสุด ในปี 1988 ญี่ปุ่นควบคุมส่วนแบ่งตลาดเซมิคอนดักเตอร์โลกถึง 51% สหรัฐฯ มีเพียง 36.8% บริษัทเซมิคอนดักเตอร์ชั้นนำ 10 อันดับของโลก ญี่ปุ่นครองหกตำแหน่ง NEC เป็นอันดับสอง TOSHIBA เป็นอันดับสาม HITACHI อันดับห้า ฟูจิทสึ อันดับเจ็ด Mitsubishi อันดับแปด Panasonic อันดับเก้า ในปี 1985 Intel ขาดทุน 173 ล้านดอลลาร์ในสงครามแย่งชิงตลาดเซมิคอนดักเตอร์ญี่ปุ่น-อเมริกา จนเกือบล้มละลาย

แต่หลังจากลงนามในสนธิสัญญา ทุกอย่างก็เปลี่ยนไป

สหรัฐฯ ใช้กลยุทธ์เช่น การสอบสวนภายใต้มาตรการ 301 เพื่อกดดันบริษัทญี่ปุ่นอย่างเต็มที่ พร้อมสนับสนุน Samsung และ SK Hynix ของเกาหลีใต้ ด้วยราคาที่ต่ำกว่ามาแย่งส่วนแบ่งตลาดของญี่ปุ่น ส่วนแบ่งตลาด DRAM ของญี่ปุ่นจาก 80% ลดเหลือ 10% จนในปี 2017 ญี่ปุ่นเหลือส่วนแบ่งเพียง 7% ของตลาด IC ของโลก ยักษ์ใหญ่ในอดีตถูกแยกย่อย ซื้อกิจการ หรือถอนตัวไปอย่างเงียบ ๆ ในสภาพขาดทุนไม่หยุดหย่อน

ความล้มเหลวของเซมิคอนดักเตอร์ญี่ปุ่นอยู่ที่ พวกเขายอมรับที่จะเป็นผู้ผลิตชั้นยอดในระบบการแบ่งงานระดับโลกที่ถูกควบคุมโดยพลังภายนอก แต่ไม่เคยสร้างระบบนิเวศอุตสาหกรรมของตัวเอง เมื่อคลื่นแรงก็ถอยห่างออกไป ก็พบว่า นอกจากการผลิตแล้ว ก็ไม่มีอะไรเหลืออยู่เลย

ปัจจุบัน อุตสาหกรรม AI ของจีนอยู่ในจุดที่คล้ายกัน แต่แตกต่างอย่างสิ้นเชิง

ความคล้ายคือ เราก็เผชิญแรงกดดันจากภายนอกอย่างมหาศาล คำสั่งห้ามชิปสามรอบ ยิ่งเพิ่มความเข้มงวด ระบบนิเวศ CUDA ยังคงเป็นอุปสรรคสูงเสียดฟ้า

แต่ความแตกต่างคือ คราวนี้ เราเลือกเส้นทางที่ยากกว่า ตั้งแต่การปรับแต่งอัลกอริทึมอย่างสุดขีด ไปจนถึงการใช้ชิปในประเทศในด้าน inference และ training รวมถึงการสะสมนักพัฒนากว่า 4 ล้านคนในระบบนิเวศ Ascend ของ Huawei และการส่ง Token ออกสู่ตลาดโลก

ทุกก้าวบนเส้นทางนี้ ล้วนเป็นการสร้างระบบนิเวศอุตสาหกรรมอิสระ ที่ญี่ปุ่นไม่เคยมีมาก่อนในสมัยนั้น

วันที่ 27 กุมภาพันธ์ 2026 มีรายงานผลประกอบการของบริษัทชิป AI ในประเทศ 3 แห่งพร้อมกัน

Cambricon รายได้พุ่งขึ้น 453% เป็นครั้งแรกที่ทำกำไรทั้งปี Moore Threads รายได้เพิ่มขึ้น 243% แต่ขาดทุน 1 พันล้านหยวน MuXi รายได้เพิ่มขึ้น 121% ขาดทุนเกือบ 800 ล้านหยวน

ครึ่งหนึ่งคือไฟ อีกครึ่งคือทะเล

ไฟ คือ ความหิวโหยของตลาด ที่ 95% ของพื้นที่ว่างที่ Huang Renxun ปล่อยไว้ ถูกเติมเต็มด้วยยอดขายของบริษัทในประเทศเหล่านี้ ไม่ว่าจะประสิทธิภาพหรือระบบนิเวศ ตลาดต้องการทางเลือกที่สองนอกเหนือจาก NVIDIA นี่คือโอกาสทางยุทธศาสตร์ที่เกิดจากความแตกแยกทางภูมิศาสตร์การเมือง

ทะเล คือ ต้นทุนการสร้างระบบนิเวศที่มหาศาล การขาดทุนแต่ละครั้งคือการลงทุนเพื่อไล่ตามระบบนิเวศ CUDA เป็นเงินสดที่จ่ายเพื่อ R&D การสนับสนุนซอฟต์แวร์ การจ้างวิศวกรเข้าไปแก้ปัญหาในสถานที่ทีละราย ซึ่งทั้งหมดนี้ไม่ใช่การบริหารผิดพลาด แต่เป็นภาษีสงครามที่ต้องจ่ายเพื่อสร้างระบบนิเวศอุตสาหกรรมอิสระ

รายงานทั้งสามฉบับนี้ บันทึกภาพความเป็นจริงของสงครามพลังการคำนวณได้อย่างตรงไปตรงมา ไม่ใช่ชัยชนะที่รื่นเริง แต่เป็นสนามรบที่เต็มไปด้วยเลือดและการต่อสู้ที่ต้องแลกด้วยความเจ็บปวด

แต่รูปแบบของสงครามได้เปลี่ยนไปแล้ว เมื่อแปดปีก่อน เราคุยกันเรื่อง “จะอยู่รอดได้ไหม” แต่วันนี้ เราคุยกันเรื่อง “จะอยู่รอดได้ในราคาที่เท่าไหร่”

ราคานั้นเอง คือความก้าวหน้า