‘Google Chain’ พลัง TPU ของ Google นำเทรนด์ตลาด

TradingKey - ขณะที่ความกังวลต่อภาวะตลาด AI ที่ร้อนแรงเกินไปได้ถ่วงน้ำหนักตลาด NVIDIA ซึ่งเคยเป็นสัญลักษณ์ความเชื่อมั่นของนักลงทุนในด้านการใช้จ่ายเทคโนโลยีขนาดใหญ่ กลับกลายเป็นหนึ่งในผู้ได้รับผลกระทบหนักที่สุด โดยราคาหุ้นเผชิญแรงกดดันและร่วงลง 12% ในเดือนนี้เพียงเดือนเดียว

ขณะเดียวกัน Alphabet กำลังเคลื่อนไหวในทิศทางตรงกันข้าม โดยได้รับแรงหนุนจากความคืบหน้าของแพลตฟอร์ม TPU (Tensor Processing Unit) บริษัทแม่ของ Google ได้ผงาดขึ้นมาเป็นหนึ่งในไม่กี่ทางเลือกที่น่าเชื่อถือในการท้าทายการครอบงำตลาด GPU ของ NVIDIA ราคาหุ้นปรับตัวขึ้นกว่า 15% ในเดือนนี้ และนักลงทุนเริ่มมองว่า AI stack ของ Alphabet เป็นปัจจัยขับเคลื่อนมูลค่าใหม่ นักวิเคราะห์บางรายถึงกับคาดการณ์ว่า Alphabet อาจแซงหน้า Apple ขึ้นเป็นบริษัทที่มีมูลค่าสูงสุดเป็นอันดับสองของโลก

Gemini 3 ได้รับการฝึกอบรมโดยไม่พึ่ง NVIDIA ได้อย่างไร?

Gemini 3 ถูกสร้างขึ้นบนคลัสเตอร์ซูเปอร์คอมพิวเตอร์ TPU เจเนอเรชันล่าสุดของ Google โดยเฉพาะอย่างยิ่ง มันทำงานบน Ironwood TPUs แบบกำหนดเองของ Google ซึ่งเป็นชิปเจเนอเรชันที่ 7 ที่ให้ประสิทธิภาพเกือบ 10 เท่าของเจเนอเรชันก่อนหน้า คลัสเตอร์เหล่านี้เชื่อมต่อชิปหลายหมื่นตัวในเครือข่ายเมชสามมิติ ทำให้สามารถขยายขนาดได้อย่างมีประสิทธิภาพและรวมข้อมูลปริมาณมากได้ ซึ่งช่วยแก้ไขปัญหาคอขวดด้านการประมวลผลได้โดยตรง

สิ่งที่สำคัญคือ Ironwood ได้นำเสนอระบบการสื่อสารด้วยแสงอันทรงพลังที่เรียกว่า OCS (optical circuit switching) ซึ่งช่วยให้ TPUs สื่อสารกันได้โดยตรงผ่านสัญญาณแสง โดยขจัดกระบวนการแปลง "ไฟฟ้า-แสง-ไฟฟ้า" ซ้ำๆ ที่ต้องใช้พลังงานสูงและมีความหน่วงสูงภายใต้ปริมาณงานหนัก สำหรับการฝึกอบรมโมเดล AI ขนาดใหญ่ นั่นหมายถึงการไหลของข้อมูลที่เร็วขึ้น การใช้พลังงานที่ลดลง และการหยุดชะงักที่น้อยลงในระหว่างขั้นตอนที่ต้องใช้การประมวลผลอย่างเข้มข้น

กล่าวอีกนัยหนึ่ง Gemini 3 ไม่ใช่แค่เวอร์ชันที่ปรับปรุงจากรุ่นก่อนหน้า แต่เป็นโมเดลที่สร้างขึ้นใหม่ทั้งหมด โดยทำงานบนสถาปัตยกรรมฮาร์ดแวร์ใหม่ ใช้การออกแบบโมเดลที่ปรับปรุงใหม่ และได้รับการฝึกอบรมผ่านกระบวนการแบบครบวงจรเพื่อรองรับหน้าต่างบริบทที่ยาวขึ้น ความเข้าใจแบบหลายโมดอล และความสามารถในการให้เหตุผลที่ซับซ้อนยิ่งขึ้น

เหตุใดตลาดจึงกำหนดราคาความทะเยอทะยานด้าน TPU ของ Google ใหม่

Google's TPU stack ได้รับการปรับปรุงในสองมิติหลัก

ประการแรก ด้านสถาปัตยกรรม Gemini 3 ใช้กลยุทธ์ Mixture of Experts (MoE) โดยแบ่งงานออกเป็นโมเดลย่อยเฉพาะทาง แทนที่จะพึ่งพาทรานส์ฟอร์เมอร์แบบ monolithic เพียงตัวเดียว แต่ละประโยค คำถาม หรือข้อความค้นหาจะถูกส่งไปยัง "ผู้เชี่ยวชาญ" ที่เกี่ยวข้องมากที่สุด ทำให้โมเดลไม่เพียงแค่เร็วขึ้น แต่ยังฉลาดขึ้นเมื่อการประมวลผลขยายขนาด

แนวทางแบบกระจายนี้ยังช่วยเพิ่มประสิทธิภาพในรูปแบบต่างๆ ทั้งข้อความ รูปภาพ เสียง วิดีโอ และปรับผลลัพธ์ให้สอดคล้องกับความคาดหวังด้านการรับรู้ในโลกแห่งความเป็นจริงมากยิ่งขึ้น

ประการที่สอง ด้านกระบวนการฝึกอบรม Gemini 3 ใช้กระบวนการสามขั้นตอน:

① การฝึกอบรมเบื้องต้น (Pretraining) ด้วยข้อมูลหลายโมดอลที่หลากหลาย เพื่อสร้างสัญชาตญาณการคาดการณ์ทั่วไปสำหรับงานที่เกี่ยวกับคำถัดไปหรือเฟรมถัดไป; ② การเสริมแรง (Reinforcement) ผ่านงานที่มีโครงสร้าง เช่น การสนทนา, การให้เหตุผลเชิงตรรกะ และการแก้ปัญหา; ③ การปรับแต่ง (Fine-tuning) ผ่านข้อเสนอแนะรางวัลที่สอดคล้องกับมนุษย์ (RLHF) ซึ่งผู้ประเมินที่เป็น AI และมนุษย์จะให้คะแนนผลลัพธ์อย่างต่อเนื่อง ช่วยปรับปรุงการให้เหตุผลของโมเดลเมื่อเวลาผ่านไป

Google Stack = TPU + OCS

ความก้าวหน้าสำคัญในที่นี้คือเลเยอร์ OCS (Optical Circuit Switching) เป็นสิ่งที่เชื่อมโยงประสิทธิภาพชิปดิบของ TPU เข้ากับโครงสร้างการประมวลผล AI รูปแบบใหม่ และก่อให้เกิดแกนหลักของสิ่งที่บางคนเรียกว่า "Google Stack"

เมื่อโมเดล AI และปริมาณงานของศูนย์ข้อมูลขยายตัวอย่างทวีคูณ การสร้างโครงสร้างพื้นฐาน AI ที่ปรับขนาดได้นั้นจำเป็นต้องมีการเชื่อมต่อระหว่างชิปหลายพันตัวด้วยความเร็วสูง ต้นทุนต่ำ และความหน่วงต่ำ ระบบสวิตชิ่งไฟฟ้าแบบดั้งเดิมทำให้เกิดความหน่วง ความร้อน ความซับซ้อนของสายเคเบิล และการสิ้นเปลืองพลังงาน ซึ่งทั้งหมดนี้ล้วนผลักดันให้ต้นทุนต่อวัตต์และต้นทุนต่อการสอบถามสูงขึ้น

การออกแบบ CPO (co-packaged optics) ช่วยได้โดยนำเอ็นจิ้นออปติคอลมาไว้ใกล้กับซิลิคอนสวิตชิ่งมากขึ้น แต่ OCS ก้าวไปอีกขั้นด้วยการสวิตชิ่งด้วยแสงแบบเต็มรูปแบบข้ามแร็คและบอร์ดในระดับโครงสร้าง โดยไม่มีชั้นการแปลงใดๆ อยู่ระหว่างกลาง

จากข้อมูลของบริษัทวิเคราะห์เซมิคอนดักเตอร์ SemiAnalysis เครือข่าย OCS แบบกำหนดเองของ Google ช่วยเพิ่มปริมาณงานเครือข่ายโดยรวมถึง 30% ลดการใช้พลังงาน 40% ลดเวลาการไหลของข้อมูลให้สั้นลง 10% ลดเวลาหยุดทำงานของเครือข่ายลง 50 เท่า และลดค่าใช้จ่ายในการลงทุนลง 30%

การผสานรวมอย่างแน่นแฟ้นระหว่าง TPU และระบบออปติกนี้เอง ที่เป็นตัวกำหนด "Google Stack" ใหม่ ซึ่งเป็นโครงสร้างการประมวลผลที่ออกแบบมาสำหรับงาน AI เป็นหลัก

ห่วงโซ่อุปทานฮาร์ดแวร์เบื้องหลัง AI Stack ของ Google

คูเมือง AI ของ Google ตอนนี้ครอบคลุมตั้งแต่ชิปไปจนถึงโมเดลและคลาวด์ ห่วงโซ่คุณค่าแบบฟูลสแต็คมีลักษณะดังนี้: การประมวลผล (สถาปัตยกรรม Custom TPU) + การเชื่อมต่อ (ระบบสวิตช์ออปติคอล OCS) + โมเดล (ซีรีส์ Gemini 3) + แอปพลิเคชัน (การค้นหา, Cloud APIs และโฆษณา)

ในด้านฮาร์ดแวร์ Broadcom มีบทบาทสำคัญ บริษัทร่วมออกแบบคอร์ ASIC ของ Google รวมถึง SerDes IP และโมดูลเชื่อมต่อ ด้วยการผลิต Ironwood ที่กำลังดำเนินอยู่ รายได้ ASIC ของ Broadcom จึงเห็นแนวโน้มขาขึ้นที่มีนัยสำคัญ

Celestica ซึ่งเป็นผู้จำหน่าย EMS/ODM รายใหญ่ในอเมริกาเหนือ รับผิดชอบการรวมบอร์ดและแร็คระดับระบบ การประกอบ และการทดสอบ ซึ่งเป็นการส่งมอบ "ขั้นตอนสุดท้าย" ของการปรับใช้เซิร์ฟเวอร์ AI ของ Google

Lumentum จัดหาตัวรับส่งสัญญาณออปติคอลและส่วนประกอบ OCS ที่สำคัญ อุปกรณ์ของบริษัทเป็นหัวใจสำคัญของระบบคลัสเตอร์ที่เชื่อมต่อด้วยแสงขนาดดาต้าเซ็นเตอร์ "Apollo" ของ Google

ทั้งหมดนี้เริ่มสะท้อนให้เห็นในราคาหุ้น นับตั้งแต่การเปิดตัว Gemini 3 หุ้นของ Alphabet ได้ปรับตัวขึ้นอย่างแข็งแกร่ง หลังจากมีรายงานว่า Meta อาจร่วมมือกับ Google ในโครงสร้างพื้นฐานที่ขับเคลื่อนด้วย TPU การปรับตัวขึ้นก็ยิ่งขยายวงกว้างออกไป ชื่อที่เกี่ยวข้อง เช่น Broadcom (AVGO), Celestica (CLS) และ Lumentum (LITE) ก็ทำกำไรได้เป็นตัวเลขสองหลักเช่นกัน

NVIDIA ตอบสนอง—แต่ตลาดไม่เชื่อเต็มที่

NVIDIA ได้ดำเนินการที่ไม่ปกติด้วยการแสดงความคิดเห็นต่อสาธารณะ

ในแถลงการณ์ที่โพสต์บน X (เดิมคือ Twitter) บริษัทได้แสดงความยินดีกับ Google และกล่าวว่ามีแผนที่จะ "ยังคงจัดหาชิปให้กับพันธมิตรที่มีคุณค่ารายนี้ต่อไป" แต่ก็เน้นย้ำว่า:

"NVIDIA ยังคงนำหน้าคู่แข่งเต็มหนึ่งเจเนอเรชัน และเป็นแพลตฟอร์มเดียวที่สามารถรันโมเดล AI ขนาดใหญ่ทุกรุ่นในระดับสเกลได้"

ไม่ใช่ครั้งแรกที่ NVIDIA พยายามปลอบขวัญความกังวลของตลาด หลังจากที่นักลงทุน Michael Burry เปรียบเทียบความเฟื่องฟูของ AI กับฟองสบู่อินเทอร์เน็ตช่วงปลายทศวรรษ 1990 และเปรียบเทียบ NVIDIA กับ Cisco ก่อนเกิดวิกฤต บริษัทได้ดำเนินการที่ไม่ค่อยมีใครทำ นั่นคือการเผยแพร่บันทึกภายใน 7 หน้าเพื่อโต้แย้งข้อกล่าวอ้างของ Burry ในด้านการประมวลผล, ซอฟต์แวร์ และระบบนิเวศ

แต่ความพยายามดังกล่าวอาจส่งผลเสีย

นักวิเคราะห์บางรายตั้งข้อสังเกตว่าการตอบสนองเชิงรับเช่นนี้ โดยเฉพาะอย่างยิ่งในช่วงสัปดาห์ที่ไม่มีการประกาศผลประกอบการ "อาจเผยให้เห็นความตื่นตระหนกมากกว่าความมั่นใจ"

กล่าวอีกนัยหนึ่ง: NVIDIA ดูเหมือนตื่นตระหนก และเพียงแค่นั้นก็อาจตอกย้ำความกังวลที่มีอยู่ของนักลงทุน

สรุป

เป็นที่ชัดเจนว่า ในระยะสั้น NVIDIA ยังคงควบคุมระบบนิเวศการประมวลผล AI ที่เน้น GPU ไว้อย่างมั่นคง โดยไม่มีคู่แข่งที่ท้าทายตำแหน่งผู้นำในระยะใกล้

แต่ในระยะยาว โครงสร้างพื้นฐาน AI อาจไม่ใช่การแข่งขันที่ผู้ชนะกวาดเรียบ

ASIC ที่สร้างขึ้นเอง เช่น TPU ของ Google และ GPU ทั่วไป เช่นของ NVIDIA อาจพัฒนาไปสู่โครงสร้างที่เสริมกันและเฉพาะเจาะจงกับงาน โดยแต่ละอย่างอาจตอบสนองความต้องการที่แตกต่างกันไป ขึ้นอยู่กับประเภทของปริมาณงาน โปรไฟล์ต้นทุน และเป้าหมายการเพิ่มประสิทธิภาพ

สิ่งที่ไม่อาจปฏิเสธได้คือแนวโน้มนี้เอง: ความต้องการ AI ไม่ได้ลดลง ความต้องการด้านการประมวลผลจะเพิ่มขึ้นเท่านั้น ไม่ว่าสถาปัตยกรรมใดจะประสบความสำเร็จสูงสุดก็ตาม