เหตุใดวอลล์สตรีทจึงมีมุมมองเชิงบวกต่อชิป AI หลังการเปิดตัว Kimi K3

TradingKey - โมเดลภาษาขนาดใหญ่ (LLM) ด้าน AI ของจีนกลับมาเป็นจุดสนใจของตลาดโลกอีกครั้งหนึ่ง

เมื่อเร็ว ๆ นี้ มูนช็อต เอไอ (Moonshot AI) ผู้พัฒนา AI ของจีน ได้เปิดตัว Kimi K3 ซึ่งเป็นโมเดลขนาดใหญ่เจเนอเรชันล่าสุดอย่างเป็นทางการ ด้วยสถาปัตยกรรมแบบเปิดเผยน้ำหนัก (open-weights) ประสิทธิภาพที่ใกล้เคียงกับโมเดลชั้นนำระดับโลก และต้นทุนการอนุมาน (inference costs) ที่มีความสามารถในการแข่งขันสูงขึ้น Kimi K3 จึงได้จุดประกายการอภิปรายอย่างคึกคักในแวดวงเทคโนโลยีและตลาดทุนในต่างประเทศอย่างรวดเร็ว

ภายหลังการประกาศดังกล่าว ตลาดเกิดความกังวลขึ้นชั่วขณะว่า ตรรกะของบรรดายักษ์ใหญ่ด้านเทคโนโลยีระดับโลกที่ยังคงเดินหน้าลงทุนหลายแสนล้านดอลลาร์เพื่อสร้างโครงสร้างพื้นฐาน AI จะได้รับผลกระทบหรือไม่ เมื่อมีโมเดล AI ประสิทธิภาพสูงและต้นทุนต่ำเกิดขึ้นมากขึ้น ขณะเดียวกัน กลุ่มชิป AI ของสหรัฐฯ ก็เผชิญกับการปรับฐานลงอย่างเห็นได้ชัดเช่นกัน

อย่างไรก็ตาม นักวิเคราะห์จำนวนมากขึ้นเชื่อว่า Kimi K3 อาจไม่ได้ส่งผลลบต่ออุตสาหกรรมชิป AI เสมอไป ในทางกลับกัน ประสิทธิภาพของโมเดลที่ปรับตัวดีขึ้นและต้นทุนการใช้งานที่ต่ำลงอาจช่วยลดอุปสรรคในการใช้งานแอปพลิเคชัน AI ซึ่งจะนำมาซึ่งผู้ใช้งานจำนวนมากขึ้น ความถี่ในการเรียกใช้งานที่สูงขึ้น และความต้องการในการอนุมานในระดับที่ใหญ่ขึ้น ส่งผลให้ "ความย้อนแย้งของเจวอนส์" (Jevons paradox) ในทางเศรษฐศาสตร์อาจกำลังเกิดขึ้นอีกครั้งในอุตสาหกรรม AI

เหตุใด Kimi K3 จึงเป็นที่จับตามองของตลาดโลก?

Kimi K3 คือโมเดลเรือธงที่เปิดตัวโดยมูนช็อต เอไอ (Moonshot AI) ในเดือนกรกฎาคม 2026 โดยมีเป้าหมายหลักในรูปแบบการใช้งาน เช่น การพัฒนาโปรแกรมที่มีวงจรยาวนาน งานความรู้ที่ซับซ้อน และเอเจนต์ AI

ข้อมูลจากมูนช็อต เอไอ (Moonshot AI) ระบุว่า Kimi K3 ใช้สถาปัตยกรรม Mixture-of-Experts (MoE) โดยมีพารามิเตอร์รวมทั้งหมด 2.8 ล้านล้านพารามิเตอร์ และหน้าต่างบริบทขนาด 1 ล้านโทเค็น อีกทั้งยังรองรับความเข้าใจด้านภาพในตัว โดยในบรรดาโมดูลผู้เชี่ยวชาญทั้งหมด 896 โมดูล จะมีเพียง 16 โมดูลเท่านั้นที่ถูกเปิดใช้งานในการคำนวณแต่ละครั้ง เพื่อเพิ่มขีดความสามารถของโมเดลและประสิทธิภาพในการประมวลผลคำตอบ ทั้งนี้ ควรสังเกตว่าตัวเลข 2.8 ล้านล้านนี้คือขนาดพารามิเตอร์รวมทั้งหมด ซึ่งไม่ได้หมายความว่าทุก ๆ โทเค็นที่สร้างขึ้นจะมีการเรียกใช้พารามิเตอร์ทั้งหมดดังกล่าว

Kimi K3 ทำผลงานได้อย่างโดดเด่นในการประเมินผลการเขียนโปรแกรมฟรอนต์เอนด์ (frontend) โดยเคยติดอันดับต้น ๆ บนตารางคะแนน Frontend Code Arena ด้วยคะแนน 1,679 คะแนน อย่างไรก็ตาม ความสำเร็จนี้จำกัดอยู่เพียงการทดสอบการเขียนโปรแกรมเฉพาะทางเท่านั้น และไม่ได้หมายความว่ามีประสิทธิภาพเหนือกว่าโมเดลเรือธงของโอเพนเอไอ (OpenAI) และแอนโทรปิก (Anthropic) ในแง่ของขีดความสามารถโดยรวมอย่างรอบด้าน

การกำหนดราคาก็เป็นอีกหนึ่งปัจจัยสำคัญที่ทำให้ Kimi K3 ได้รับความสนใจ โดยราคา API อย่างเป็นทางการระบุว่ามีอัตราค่าบริการอยู่ที่ 3 ดอลลาร์ต่อ 1 ล้านโทเค็นฝั่งขาเข้า ซึ่งจะลดลงเหลือเพียง 0.30 ดอลลาร์เมื่อเกิดแคชฮิต (cache hit) และ 15 ดอลลาร์ต่อ 1 ล้านโทเค็นฝั่งขาออก สำหรับเอเจนต์ AI ที่จำเป็นต้องดึงข้อมูลคลังโค้ด เอกสารองค์กร และบริบทที่มีความยาวซ้ำ ๆ กลไกการทำแคชนี้จะสามารถช่วยลดต้นทุนฝั่งขาเข้าได้อย่างมีนัยสำคัญ

อย่างไรก็ตาม 'ราคาต่อหน่วยโทเค็นที่ถูกลง' ไม่ได้หมายความว่าต้นทุนที่แท้จริงของทุกงานจะลดลงในสัดส่วนเดียวกันเสมอไป เนื่องจากความยาวของผลลัพธ์จากโมเดล เวลาที่ใช้ในการประมวลผลคำตอบ (inference) อัตราแคชฮิต (cache hit rate) และอัตราความสำเร็จของงาน ล้วนส่งผลกระทบต่อต้นทุนขั้นสุดท้ายทั้งสิ้น

ดังนั้น การเปลี่ยนแปลงที่แท้จริงที่ Kimi K3 นำมาให้ จึงไม่ใช่แค่เพียงการเปิดฉากสงครามราคาเท่านั้น แต่เป็นการผลักดันให้เกิดการนำโมเดลระดับสูงที่มีความคุ้มค่าต่อราคาที่สูงกว่ามาใช้งานอย่างแพร่หลายมากขึ้น

ทำไม Kimi K3 ต้นทุนต่ำอาจเพิ่มความต้องการชิป?

หลังจากการเปิดตัว Kimi K3 นักลงทุนบางส่วนมีความกังวลว่าประสิทธิภาพของโมเดลที่ได้รับการปรับปรุงให้ดีขึ้นจะส่งผลให้การใช้งาน GPU ลดลง อย่างไรก็ตาม เมื่อพิจารณาจากการดำเนินงานจริง การลดลงของต้นทุนการประมวลผลผลลัพธ์ (inference cost) ต่อหน่วย ไม่ได้เท่ากับการลดลงของความต้องการชิปโดยรวมโดยตรง

Kimi K3 ใช้สถาปัตยกรรม Mixture of Experts (MoE) แบบกระจายตัว (sparse) โดยจะเปิดใช้งานเฉพาะโมดูลผู้เชี่ยวชาญบางส่วนในระหว่างการประมวลผลผลลัพธ์ (inference) แต่ละครั้ง ซึ่งช่วยควบคุมภาระงานในการคำนวณต่อรอบการทำงาน อย่างไรก็ตาม โมเดลยังคงต้องจัดเก็บและจัดสรรข้อมูลค่าน้ำหนัก (weight data) จำนวนมหาศาล พร้อมทั้งประมวลผลบริบท (context) สูงสุดถึง 1 ล้านโทเค็น ซึ่งในการใช้งานจริงในวงกว้าง งานเหล่านี้ยังคงต้องพึ่งพา GPU, ตัวเร่งความเร็ว AI (AI accelerators), หน่วยความจำที่มีแบนด์วิดท์สูง (high-bandwidth memory), เครือข่ายความเร็วสูง และคลัสเตอร์เซิร์ฟเวอร์

ที่สำคัญยิ่งกว่านั้น เมื่อต้นทุนของโมเดลลดลง จำนวนผู้ใช้และความถี่ในการใช้งานก็อาจเติบโตขึ้นอย่างรวดเร็วยิ่งขึ้น โดยหลังจากการเปิดตัว Kimi K3 ปริมาณการเรียกใช้งานของผู้ใช้ได้พุ่งสูงขึ้นจนเกือบเต็มขีดจำกัดความสามารถของคลัสเตอร์การคำนวณที่มีอยู่ ส่งผลให้ มูนช็อต เอไอ (Moonshot AI) ต้องระงับการสมัครสมาชิกของผู้ใช้รายใหม่บางส่วนเป็นการชั่วคราว เพื่อจัดสรรทรัพยากรพลังการประมวลผลให้แก่ผู้ใช้เดิมก่อน ซึ่งสิ่งนี้แสดงให้เห็นว่า เมื่อโมเดลมีราคาถูกลงและใช้งานง่ายขึ้น ความต้องการใหม่ ๆ ก็สามารถเข้าทดแทนและใช้พลังการประมวลผลที่ประหยัดได้จากประสิทธิภาพที่เพิ่มขึ้นอย่างรวดเร็ว

นี่คือแก่นแท้ของ 'ความย้อนแย้งของเจวอนส์' (Jevons Paradox) อย่างแท้จริง นั่นคือ เมื่อประสิทธิภาพในการใช้ทรัพยากรได้รับการปรับปรุงให้ดีขึ้น ต้นทุนต่อหน่วยก็จะลดลง แต่เนื่องจากขอบเขตการนำไปใช้งานขยายตัวกว้างขึ้น ปริมาณการใช้งานโดยรวมกลับอาจเพิ่มสูงขึ้นแทน

ในอุตสาหกรรม AI การปรับปรุงประสิทธิภาพของโมเดลช่วยลดข้อจำกัดขององค์กรต่าง ๆ ในการนำระบบบริการลูกค้าอัจฉริยะ, ผู้ช่วยเขียนโค้ด, เอเจนต์สำหรับงานสำนักงาน, การวิเคราะห์ทางการเงิน และระบบช่วยเหลือทางการแพทย์ไปปรับใช้งาน และเมื่อมีการใช้งานแอปพลิเคชันต่าง ๆ อย่างต่อเนื่องมากขึ้น ปริมาณการเรียกใช้งานประมวลผลผลลัพธ์ (inference requests) ในแต่ละวันก็จะพุ่งสูงขึ้น ซึ่งท้ายที่สุดจะส่งผลให้ความต้องการพลังการประมวลผล หน่วยความจำ และโครงสร้างพื้นฐานของศูนย์ข้อมูลเติบโตอย่างต่อเนื่อง

โมเดลต้นทุนต่ำไม่ได้หมายความว่าการลงทุนด้านพลังประมวลผลจะปราศจากความเสี่ยง

แม้ว่าทฤษฎีปฏิทรรศน์ของเจวอนส์ (Jevons paradox) จะให้คำอธิบายในเชิงบวกต่อความต้องการชิป AI แต่ผลลัพธ์ดังกล่าวก็ไม่ใช่สิ่งที่หลีกเลี่ยงไม่ได้ในท้ายที่สุด หากในระยะยาว อัตราการพัฒนาประสิทธิภาพของโมเดลเติบโตรวดเร็ว่าการเพิ่มขึ้นของผู้ใช้และแอปพลิเคชัน การลดลงของกำลังการประมวลผลที่จำเป็นต่อหนึ่งงานก็อาจส่งผลให้ความต้องการฮาร์ดแวร์บางส่วนหดตัวลงได้

การลงทุนในโครงสร้างพื้นฐาน AI จะต้องเผชิญกับบททดสอบเรื่องผลตอบแทนในเชิงพาณิชย์ในท้ายที่สุด หากบริษัทต่าง ๆ ทุ่มเงินทุนจำนวนมหาศาลในการสร้างดาต้าเซ็นเตอร์ แต่ไม่สามารถสร้างรายได้ที่มากพอผ่านการสมัครสมาชิก การโฆษณา บริการคลาวด์ หรือซอฟต์แวร์องค์กร อัตราการเติบโตของรายจ่ายฝ่ายทุนก็อาจชะลอตัวลง ขณะเดียวกัน ระดับประโยชน์ที่บริษัทชิปแต่ละแห่งจะได้รับนั้นจะมีความแตกต่างกัน และไม่ใช่หุ้นกลุ่มแนวคิด AI ทั้งหมดที่จะเติบโตไปพร้อม ๆ กัน

นอกจากนี้ Kimi K3 อาจส่งผลให้การแข่งขันด้านราคาในตลาดโมเดลทวีความรุนแรงยิ่งขึ้น เนื่องจากโมเดลประเภทโอเพนซอร์ส (open-source) หรือโอเพนเวต (open-weight) สามารถลดช่องว่างด้านขีดความสามารถลงมาใกล้เคียงกับโมเดลโคลสซอร์ส (closed-source) ได้มากขึ้นเรื่อย ๆ อัตรากำไรจาก API ของบริษัท AI จึงอาจได้รับแรงกดดัน และเพื่อลดต้นทุน ผู้พัฒนาโมเดลจะหันไปให้ความสำคัญกับชิปสั่งทำพิเศษ (custom chip) เทคโนโลยีควอนไทเซชัน (quantization) การเพิ่มประสิทธิภาพการอนุมาน (inference optimization) และกลยุทธ์การจัดซื้อจากผู้จำหน่ายหลายราย (multi-vendor strategy) ซึ่งอาจส่งผลให้อำนาจการต่อรองของผู้ผลิต GPU อเนกประสงค์ในบางตลาดลดน้อยลง

ดังนั้น ผลกระทบของโมเดลต้นทุนต่ำที่มีต่ออุตสาหกรรมชิป AI จึงไม่ใช่ปัจจัยบวกในทิศทางเดียว แม้ว่าในด้านหนึ่งจะช่วยขยายตลาดแอปพลิเคชัน AI ให้กว้างขึ้น แต่อีกด้านหนึ่งก็เป็นการบีบบังคับให้บริษัทโครงสร้างพื้นฐานต้องยกระดับประสิทธิภาพการใช้พลังงานและลดต้นทุนการประมวลผลต่อหน่วยลงเช่นกัน