ความต้องการ AI ยังไม่สิ้นสุด — เศรษฐกิจโทเค็นที่กลืนกินบริษัท, เซมิคอนดักเตอร์, และการจ้างงาน

"กระแส AI จะถึงจุดสูงสุดแล้วหรือยัง?"
ในช่วงปี 2024 ถึง 2025 คำถามนี้ถูกถามซ้ำๆ ในหมู่นักลงทุน, สื่อ, และผู้บริหารบริษัท AI ที่สร้างขึ้นเป็นเพียงความคลั่งไคล้ชั่วคราวหรือไม่? การลงทุนใน GPU มากเกินไปหรือเปล่า? บริษัทจะยังคงจ่ายเงินให้กับ AI ต่อไปหรือไม่?

อย่างไรก็ตาม บทความ "AI Demand is Still Booming" ที่เผยแพร่โดย NextBigFuture เมื่อวันที่ 25 เมษายน 2026 ได้วาดภาพโลกที่แตกต่างจากข้อสงสัยเหล่านั้นอย่างมาก มันแสดงให้เห็นว่าความต้องการ AI ไม่ได้ชะลอตัวลง แต่ยังคงมีความต้องการที่สูงกว่าการจัดหาอย่างมาก และความต้องการนั้นไม่ได้เป็นเพียงการใช้แชทบอทหรือความนิยมเท่านั้น แต่เป็นความจริงที่ว่าบริษัทต่างๆ กำลังใช้ AI ในการทำงานจริง เขียนโค้ด, ทำการวิจัย, วิเคราะห์อัตโนมัติ, และเริ่มจัดการงานที่เคยใช้คนจำนวนมากและใช้เวลานานด้วยทีมงานขนาดเล็ก

ใจกลางของบทความนี้คือคำพูดของ Dylan Patel จาก SemiAnalysis ซึ่งเป็นที่รู้จักในด้านการวิเคราะห์เซมิคอนดักเตอร์และโครงสร้างพื้นฐาน AI NextBigFuture ได้แนะนำว่าการใช้จ่าย AI ของ SemiAnalysis ได้เพิ่มขึ้นอย่างรวดเร็วจากระดับไม่กี่หมื่นดอลลาร์ในปีที่แล้วเป็นระดับ 7 ล้านดอลลาร์ต่อปี สิ่งสำคัญคือการใช้จ่ายนั้นไม่ได้จำกัดเฉพาะนักวิจัยและวิศวกรเท่านั้น แต่พนักงานที่ไม่ใช่เทคนิคก็ใช้ Claude และ AI ที่สร้างโค้ดในชีวิตประจำวัน เปลี่ยนวิธีการทำงานโดยสิ้นเชิง

นี่เป็นมุมมองที่สำคัญอย่างยิ่งในการพิจารณาความต้องการ AI มูลค่าของ AI ไม่สามารถวัดได้จากจำนวนคนที่ลองใช้ฟรี แต่ขึ้นอยู่กับว่าบริษัทได้รวมเข้ากับกระบวนการทำงานมากน้อยเพียงใด, ใช้โทเค็นมากน้อยเพียงใด, และการบริโภคนั้นนำไปสู่รายได้, การลดต้นทุน, และความเร็วในการตัดสินใจมากน้อยเพียงใด กล่าวคือ ตัวชี้วัดหลักของเศรษฐกิจ AI กำลังเปลี่ยนจาก "จำนวนผู้ใช้" เป็น "ปริมาณการบริโภคโทเค็น" และ "มูลค่าทางเศรษฐกิจต่อโทเค็น"

ยุคที่การดำเนินการราคาถูกลงและคุณค่าของไอเดียถูกตั้งคำถาม

สิ่งที่น่าตื่นเต้นที่สุดในบทความของ NextBigFuture คือข้อโต้แย้งที่ว่า "ไอเดียราคาถูก การดำเนินการยาก" กำลังถูกท้าทาย

ในธุรกิจที่ผ่านมา ใครๆ ก็สามารถคิดไอเดียได้ แต่การนำไปปฏิบัติ, ตรวจสอบ, ขาย, และปรับปรุงอย่างต่อเนื่องคือสิ่งที่สร้างความแตกต่าง การสร้างผลิตภัณฑ์ที่ยอดเยี่ยมต้องการวิศวกร, นักออกแบบ, นักวิเคราะห์ข้อมูล, ผู้จัดการโครงการ, และพนักงานขาย และต้องใช้ทั้งเวลาและเงินทุน

แต่เมื่อ AI สามารถเขียนโค้ด, ทำการวิจัย, ตรวจสอบสมมติฐาน, สร้างเอกสาร, และวิเคราะห์ข้อมูลได้ ต้นทุนการดำเนินการจะลดลงอย่างรวดเร็ว แน่นอนว่าการตัดสินใจของมนุษย์และการควบคุมคุณภาพยังคงจำเป็น แต่ระยะทางไปสู่ "การสร้าง", "การวิจัย", และ "การตรวจสอบ" ในขั้นต้นจะสั้นลงอย่างมาก

การเปลี่ยนแปลงนี้เป็นโอกาสใหญ่สำหรับผู้ประกอบการและบริษัท ทีมงานขนาดเล็กสามารถทำการทดลองและข้อผิดพลาดได้เทียบเท่ากับบริษัทใหญ่ๆ บุคคลสามารถทำสิ่งที่ใกล้เคียงกับการวิเคราะห์หรือการพัฒนาที่เคยทำในระดับแผนกได้ บทความของ NextBigFuture ได้แนะนำตัวอย่างของการสร้างแดชบอร์ดการวิเคราะห์ชิปที่ใช้ GPU หรือการวิเคราะห์โครงข่ายไฟฟ้าของสหรัฐฯ และการสร้างเกณฑ์มาตรฐานผลกระทบของ AI ที่ทำได้ในทีมขนาดเล็กและระยะเวลาสั้นๆ

อย่างไรก็ตาม ในโลกนี้ ความสำคัญของ "สิ่งที่จะสร้าง" จะเพิ่มขึ้น การดำเนินการที่ง่ายขึ้นทำให้ไอเดียที่ธรรมดาถูกเลียนแบบได้ง่ายและถูกดึงเข้าสู่การแข่งขันด้านราคา การที่ AI สามารถสร้างอะไรก็ได้ทำให้คนที่สามารถตั้งคำถามที่มีคุณค่าจริงๆ, บริษัทที่มีข้อมูลเฉพาะหรือการติดต่อกับลูกค้า, และองค์กรที่ตัดสินใจได้รวดเร็วจะได้เปรียบ

ในยุค AI สิ่งที่มีค่าไม่ใช่แค่ปริมาณงาน แต่เป็นการตั้งคำถามที่ดี, ข้อมูลที่ดี, ความเข้าใจตลาดที่ดี, และความสามารถในการเปลี่ยนผลลัพธ์ของ AI ให้เป็นกำไรจริง

ความแตกต่างระหว่างบริษัทที่ใช้โทเค็นและไม่ใช้

บทความนี้เสนอข้อโต้แย้งที่แข็งแกร่งอีกข้อหนึ่งคือ การใช้ AI เพียงเล็กน้อยอาจไม่เพียงพอ

เมื่อพูดถึงการนำ AI มาใช้ หลายบริษัทมักจะคิดถึงการลดต้นทุนก่อน งานที่เคยใช้เวลา 8 ชั่วโมงสามารถเสร็จสิ้นใน 1 ชั่วโมง ลดจำนวนพนักงาน ลดค่าใช้จ่ายในการจ้างงานภายนอก นี่เป็นวิธีที่มีประสิทธิภาพในระยะสั้น

แต่บทความของ NextBigFuture เน้นย้ำว่าการทำเช่นนั้นเพียงอย่างเดียวไม่เพียงพอ บริษัทที่ใช้ AI เพื่อทำงาน 1 ชั่วโมงแล้วหยุดจะไม่ชนะ แต่บริษัทที่ใช้เวลา 8 ชั่วโมงเพื่อสร้างผลลัพธ์ 8 เท่าหรือ 10 เท่าจะชนะ กล่าวคือ ความแตกต่างระหว่างบริษัทที่ใช้ AI เป็น "เครื่องมือเพื่อความสะดวก" กับ "เครื่องมือเพื่อเพิ่มการผลิต" จะกว้างขึ้น

มุมมองนี้ค่อนข้างเข้มงวด ผู้ที่ไม่ใช้ AI หรือใช้เพียงเล็กน้อยและบริษัทที่ประหยัดการบริโภคโทเค็นจะถูกตรึงอยู่ในตำแหน่งที่ไม่ดีในระยะยาว การแสดงออก "permanent underclass" ที่กล่าวถึงรอบๆ Dylan Patel นั้นรุนแรง แต่สิ่งที่ต้องการจะสื่อคือความแตกต่างใหม่จะเกิดขึ้นระหว่างกลุ่มที่ใช้ AI เพื่อสร้างมูลค่าและกลุ่มที่ถูกแทนที่โดย AI

แน่นอนว่าการสนทนานี้ต้องระมัดระวัง ไม่ใช่เรื่องง่ายๆ ที่ทุกคนจะใช้ AI อย่างไม่จำกัด ปัญหาด้านข้อมูลลับ, ข้อมูลผิด, ลิขสิทธิ์, ความปลอดภัย, การรับประกันคุณภาพ, และการจัดการต้นทุนยังคงอยู่ แต่ถ้าบริษัทจำกัดการใช้ AI มากเกินไปและยังคงยึดติดกับวิธีการเดิมๆ พวกเขาอาจจะช้ากว่าคู่แข่งที่ใช้ AI อย่างเต็มที่

ปัญหาการจัดการในยุค AI ไม่ใช่ "จะใช้ AI หรือไม่" แต่เป็น "จะใช้ AI ในงานใด, ใช้โมเดลใด, ใช้ในระดับใด, และใช้มากน้อยเพียงใด"

คอขวดของเซมิคอนดักเตอร์ที่อยู่เบื้องหลังความต้องการที่พุ่งสูงขึ้น

ยิ่งความต้องการ AI เพิ่มขึ้น ข้อจำกัดในโลกแห่งความเป็นจริงก็ยิ่งปรากฏชัดขึ้น โมเดลดูเหมือนจะทำงานบนคลาวด์ แต่เบื้องหลังนั้นมี GPU, CPU, หน่วยความจำ, เครือข่าย, พลังงาน, อุปกรณ์ระบายความร้อน, ศูนย์ข้อมูล, อุปกรณ์การผลิตเซมิคอนดักเตอร์, และการบรรจุภัณฑ์ขั้นสูง

บทความของ NextBigFuture ชี้ให้เห็นว่ามีการขาดแคลนในแต่ละชั้นของโครงสร้างพื้นฐาน AI โดยเฉพาะอย่างยิ่งในด้านหน่วยความจำ, TSMC, อายุการใช้งาน CPU และ GPU, การสื่อสารด้วยแสง, ทองแดง, PCB, และอุปกรณ์การผลิต ความต้องการ AI ไม่ได้เพิ่มขึ้นเพียงแค่ GPU ของ NVIDIA เท่านั้น แต่เมื่อ AI เอเจนต์และการประมวลผลการอนุมานแพร่หลายมากขึ้น ภาระจะกระจายไปยัง CPU, DRAM, HBM, อุปกรณ์จัดเก็บข้อมูล, และอุปกรณ์เครือข่ายด้วย

นี่คือการเปลี่ยนแปลงที่สำคัญ ช่วงแรกของกระแสการลงทุน AI ถูกพูดถึงในแง่ของความต้องการ GPU ที่จำเป็นสำหรับการฝึกอบรมโมเดลขนาดใหญ่เป็นหลัก แต่เมื่อ AI ถูกนำไปใช้ในงานจริง ศูนย์กลางของความต้องการจะเปลี่ยนไปที่การอนุมานหรือการใช้งานในชีวิตประจำวัน ยิ่งบริษัทใช้ AI ในการสร้างโค้ด, ค้นหา, วิเคราะห์, สนับสนุนลูกค้า, ช่วยเหลือการขาย, ออกแบบ, และควบคุมหุ่นยนต์มากเท่าไหร่ ก็ยิ่งต้องการทรัพยากรการคำนวณอย่างต่อเนื่องมากขึ้นเท่านั้น

และความต้องการการอนุมานนั้นแตกต่างจากการฝึกอบรมขนาดใหญ่เพียงครั้งเดียว มันเกิดขึ้นทุกวัน, ทุกชั่วโมง, ทุกวินาที เมื่อจำนวนผู้ใช้เพิ่มขึ้นและ AI เอเจนต์เริ่มจัดการงานอย่างอิสระ การบริโภคโทเค็นจะเพิ่มขึ้นเร็วกว่าความเร็วในการป้อนข้อมูลด้วยมือของมนุษย์ AI เรียก AI อื่น, สร้างโค้ด, ทดสอบ, แก้ไข, ค้นหา, และสรุปอีกครั้ง เวิร์กโฟลว์แบบเอเจนต์เหล่านี้ใช้ทรัพยากรการคำนวณมากกว่าการใช้แชทแบบเดิมมาก

ผลที่ตามมาคือห่วงโซ่อุปทานเซมิคอนดักเตอร์จะถูกกดดันในวงกว้าง การขาดแคลน DRAM และ HBM, โควต้าการผลิตกระบวนการขั้นสูง, การบรรจุภัณฑ์ขั้นสูงเช่น CoWoS, CPU เซิร์ฟเวอร์, พลังงานศูนย์ข้อมูล, โครงข่ายไฟฟ้า, และอุปกรณ์ระบายความร้อน ความต้องการ AI ไม่ใช่แค่เรื่องของอุตสาหกรรมซอฟต์แวร์ แต่ยังเป็นเรื่องของการผลิต, พลังงาน, และภูมิรัฐศาสตร์ด้วย

Anthropic, Claude Code, และ "การกักตุนโมเดล"

บทความยังกล่าวถึงการเติบโตของรายได้ของ Anthropic และการขยายการใช้ Claude Code NextBigFuture ระบุว่า ARR ของ Anthropic เติบโตอย่างมาก และความต้องการที่แข็งแกร่งทำให้สามารถขายได้แม้จะปรับราคาและข้อจำกัดของอัตรา อย่างไรก็ตาม ตัวเลขเหล่านี้รวมถึงการประมาณการและคำพูดของผู้เกี่ยวข้องเกี่ยวกับบริษัทที่ไม่เปิดเผยข้อมูล ดังนั้นจึงไม่ควรถือว่าเป็นรายงานทางการ

ถึงกระนั้น ทิศทางก็เข้าใจได้ง่าย เครื่องมือการเขียนโค้ด AI เป็นสิ่งที่บริษัทสามารถเห็นผลตอบแทนจากการลงทุนได้ง่าย การสร้างโค้ด, การแก้ไขบั๊ก, การสร้างการทดสอบ, การย้ายข้อมูล, การพัฒนาเครื่องมือภายในเป็นพื้นที่ที่การลดเวลาที่ใช้โดย AI สามารถวัดได้โดยตรง เมื่อพิจารณาถึงอัตราค่าจ้างของวิศวกรและต้นทุนการจ้างงาน การใช้จ่ายในโมเดลประสิทธิภาพสูงจึงเป็นสิ่งที่สมเหตุสมผล

ปัญหาที่เกิดขึ้นคือการเข้าถึงโมเดลที่ดีที่สุด หากความต้องการสูงกว่าการจัดหา บริษัท AI ไม่จำเป็นต้องให้โมเดลประสิทธิภาพสูงสุดแก่ผู้ใช้ทุกคนในเงื่อนไขเดียวกัน บริษัทที่จ่ายราคาสูง, ทำสัญญาระยะยาว, หรือเป็นลูกค้าที่มีความสำคัญเชิงกลยุทธ์สามารถได้รับการพิจารณาเป็นพิเศษ

"model hoarding" ที่กล่าวถึงในบทความของ NextBigFuture สะท้อนถึงสถานการณ์นี้ โมเดลประสิทธิภาพสูงสุดหรือโควตาการอนุมานขนาดใหญ่สามารถถูกจัดสรรให้กับบริษัทที่มีทุนสูงได้ก่อน หากเป็นเช่นนั้น ความสามารถ AI จะกระจุกตัวอยู่ในบริษัทใหญ่หรือบริษัทที่มีรายได้สูง ซึ่งตรงข้ามกับอุดมคติของการทำให้ AI เป็นประชาธิปไตย

นี่เป็นสิ่งที่เกิดขึ้นในยุคคลาวด์ แต่ในยุค AI อาจจะรุนแรงขึ้น เพราะความแตกต่างในการเข้าถึงโมเดล AI จะส่งผลโดยตรงต่อความเร็วในการพัฒนาผลิตภัณฑ์, ประสิทธิภาพการขาย, ความสามารถในการวิจัยและพัฒนา, ความสามารถในการตอบสนองลูกค้า, และแม้กระทั่งโครงสร้างการจ้างงาน

หุ่นยนต์อาจสร้างคลื่นความต้องการถัดไป

บทความยังกล่าวถึงหุ่นยนต์ฮิวแมนนอยด์และหุ่นยนต์ด้วย AI ของหุ่นยนต์ในปัจจุบันยังคงมีปัญหาด้านประสิทธิภาพข้อมูลในการเชื่อมโยงการมองเห็น, ภาษา, และการกระทำ แต่หากมีการพัฒนาที่สามารถเรียนรู้การทำงานจากการสาธิตเพียงไม่กี่ครั้ง ความต้องการ AI ในโลกทางกายภาพอาจขยายตัวอย่างรวดเร็ว

นี่เป็นสิ่งสำคัญอย่างยิ่งในการพิจารณาอนาคตของความต้องการ AI ความต้องการ AI ในปัจจุบันส่วนใหญ่เกิดขึ้นในพื้นที่ดิจิทัล เช่น ข้อความ, โค้ด, ภาพ, วิดีโอ, การค้นหา, และการวิเคราะห์ แต่ถ้าหุ่นยนต์เริ่มถูกใช้ในคลังสินค้า, โรงงาน, บ้าน, การก่อสร้าง, การแพทย์, การเกษตร, และการขนส่ง AI จะเข้าสู่การทำงานทางกายภาพ

การทำงานในโลกทางกายภาพมีขนาดตลาดใหญ่กว่าการทำงานในดิจิทัล งานที่มนุษย์ทำด้วยมือ, งานที่ต้องเคลื่อนที่, งานที่ต้องปรับตัวตามการเปลี่ยนแปลงสิ่งแวดล้อมมีมากมาย หากหุ่นยนต์สามารถเรียนรู้สิ่งเหล่านี้ได้จากการสาธิตเพียงไม่กี่ครั้ง การเรียนรู้, การอนุมาน, การจำลอง, และการควบคุมต่อหุ่นยนต์หนึ่งตัวจะต้องการทรัพยากรการคำนวณจำนวนมาก

ดังนั้น การพัฒนาหุ่นยนต์อาจกลายเป็นคลื่นความต้องการ GPU และโทเค็นระลอกที่สอง หลังจาก AI ข้อความ, AI ทางกายภาพจะมา หากเป็นเช่นนั้น ความต้องการโครงสร้างพื้นฐาน AI อาจเกินการค