โดย Maksym Misichenko · ZeroHedge ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
ความเห็นร่วมของคณะกรรมการคือค่าใช้จ่ายคอมพิวเตอร์สูงของอุตสาหกรรม AI ไม่ยั่งยืน, มีความเสี่ยงของการล้าสมัยของโมเดลอย่างรวดเร็วและคอมโมดิตี้ของบริการ AI. อย่างไรก็ตาม, มีความไม่เห็นด้วยว่าผลลัพธ์นี้จะนำไปสู่สถานการณ์ 'ผู้ชนะครอบคลุมส่วนใหญ่' หรือ ตลาดสินค้าโภคภัณฑ์ที่มีการแข่งขันสูง.
ความเสี่ยง: การล้าสมัยของโมเดลอย่างรวดเร็วทำให้คลัสเตอร์การฝึกที่มีค่าใช้จ่ายสูงกลายเป็นสินทรัพย์ที่ถูกทิ้งและคอมโมดิตี้ของบริการ AI ทำให้ราคาต่ำเกือบศูนย์.
โอกาส: การล็อกอินขององค์กรเนื่องจากช่องว่างคุณภาพและคู่อุปสรรคบริการที่ทำกำไรรอบระบบนิเวศระดับองค์กร.
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
ต้นทุนการประมวลผลสูงกว่าความสามารถใน AI
สำหรับบริษัท AI ชั้นนำ ค่าใช้จ่ายที่ใหญ่ที่สุดไม่ใช่ความสามารถ แต่คือการประมวลผล
แผนภูมินี้จาก AI Week ของ Visual Capitalist ซึ่งได้รับการสนับสนุนโดย Terzo ใช้ข้อมูลจาก Epoch AI เพื่อเปรียบเทียบค่าใช้จ่ายที่ Anthropic, Minimax และ Z.ai ในด้านการประมวลผลสำหรับการวิจัยและพัฒนา (R&D compute), การประมวลผลสำหรับการอนุมาน (inference compute) และบุคลากรพร้อมค่าใช้จ่ายอื่นๆ
ในทุกกรณี การประมวลผลคิดเป็นส่วนใหญ่ของค่าใช้จ่ายทั้งหมด ซึ่งเน้นย้ำว่าการสร้างและให้บริการโมเดล AI ขั้นสูงนั้นต้องใช้เงินทุนมากเพียงใด
วิธีที่ต้นทุนของบริษัท AI แตกต่างกัน
แม้จะมีความแตกต่างในขนาด แต่ทั้งสามบริษัทจัดสรรงบประมาณส่วนใหญ่ให้กับหมวดหมู่เดียวคือ การประมวลผล
ข้อมูลด้านล่างเปรียบเทียบองค์ประกอบของค่าใช้จ่ายใน Anthropic, Minimax และ Z.ai ตัวเลขของ Anthropic เป็นของปี 2025 ในขณะที่ของ Minimax เป็นตั้งแต่ไตรมาสที่ 1 ถึงไตรมาสที่ 3 ของปี 2025 และของ Z.ai เป็นของครึ่งปีแรกของปี 2025
ในบรรดาบริษัท AI ทั้งสามแห่ง การประมวลผลเป็นศูนย์กลางต้นทุนหลัก Epoch AI คาดการณ์ว่าการประมวลผลสำหรับการวิจัยและพัฒนาและการประมวลผลสำหรับการอนุมานรวมกันคิดเป็น 57% ถึง 70% ของค่าใช้จ่ายทั้งหมด ทำให้โครงสร้างพื้นฐานมีราคาแพงกว่าบุคลากรและค่าใช้จ่ายอื่นๆ ในทุกกรณี
ในบรรดาบริษัททั้งสาม Z.ai มีโปรไฟล์ที่เน้นการวิจัยและพัฒนามากที่สุด โดย 58% ของค่าใช้จ่ายเกี่ยวข้องกับการประมวลผลเพื่อขับเคลื่อนการพัฒนาและฝึกอบรมโมเดล
Anthropic โดดเด่นในด้านขนาดที่แท้จริง Epoch AI คาดการณ์ว่าบริษัทใช้จ่าย 9.7 พันล้านดอลลาร์สหรัฐในปี 2025 รวมถึง 6.8 พันล้านดอลลาร์สหรัฐสำหรับการประมวลผลเพียงอย่างเดียวสำหรับการฝึกอบรมและการอนุมาน
ค่าใช้จ่ายของบริษัทสูงกว่า Minimax และ Z.ai อย่างมีนัยสำคัญ แม้ว่าตัวเลขของบริษัท AI สองแห่งของจีนจะถูกทำให้เป็นรายปีเพื่อให้ตรงกับช่วงเวลาทั้งปีของ Anthropic ก็ตาม
ทั้งสองบริษัทจีนเปิดตัวโมเดลจำนวนมากในรูปแบบโอเพนซอร์ส (open source) ซึ่งหมายความว่าน้ำหนักของโมเดลนั้นมีให้ดาวน์โหลด แก้ไข และใช้งานได้ฟรีสำหรับทุกคน กลยุทธ์นี้ช่วยให้พวกเขาแข่งขันกับห้องปฏิบัติการของสหรัฐฯ ที่มีเงินทุนสนับสนุนมากกว่า โดยการสร้างการยอมรับจากนักพัฒนาในราคาที่ถูกกว่ามาก
ต้นทุนความสามารถด้าน AI น้อยกว่าชิปและการประมวลผล
ข้อสรุปที่ชัดเจนที่สุดประการหนึ่งคือต้นทุนความสามารถน้อยกว่าการประมวลผลในการเปรียบเทียบนี้ แม้ว่าห้องปฏิบัติการ AI ชั้นนำจะจ่ายเงินเดือนที่สูงที่สุดในวงการเทคโนโลยี แต่บุคลากรและค่าใช้จ่ายอื่นๆ ยังคงคิดเป็นน้อยกว่าครึ่งหนึ่งของค่าใช้จ่ายทั้งหมดของทั้งสามบริษัท
แม้ว่าแผนภูมิจะเน้นที่ต้นทุน แต่ Epoch AI คาดการณ์ว่าห้องปฏิบัติการเหล่านี้กำลังใช้จ่ายมากกว่ารายได้ที่สร้างขึ้นประมาณ 2–3 เท่า แม้ว่าบางคนคาดหวังว่าเศรษฐกิจจะดีขึ้นเมื่อเวลาผ่านไป
วิธีสร้างประมาณการเหล่านี้
ชุดข้อมูลนี้มีข้อควรระวังที่สำคัญสองสามประการ ตัวเลขของ Anthropic อิงตามรายงานจาก The Information และมีความคาดเดามากกว่า ในขณะที่ตัวเลขของ Minimax และ Z.ai มาจากเอกสารการเสนอขายหุ้น IPO ที่เผยแพร่ในเดือนมกราคม 2026
ช่วงเวลาก็แตกต่างกันไปเช่นกัน ข้อมูลของ Anthropic เป็นของทั้งปี 2025 Minimax ครอบคลุมไตรมาสที่ 1–ไตรมาสที่ 3 ของปี 2025 และ Z.ai ครอบคลุมครึ่งปีแรกของปี 2025 Epoch AI ระบุว่ายอดค่าใช้จ่ายรวมของบริษัทรวมถึงค่าใช้จ่ายในการดำเนินงาน ต้นทุนสินค้าและบริการ และรายการที่ไม่ใช่เงินสด เช่น ค่าตอบแทนตามหุ้น
หากคุณสนุกกับโพสต์ในวันนี้ ลองดู The Soaring Revenues of AI Companies บน Voronoi
Tyler Durden
Sun, 04/26/2026 - 23:25
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"อัตราส่วนสูงของการใช้จ่ายคอมพิวเตอร์ต่อบุคลากรทำให้มองไม่เห็นการพึ่งพาวัฏจักรฮาร์ดแวร์ที่ต้องใช้ทุนอย่างรวดเร็วซึ่งเป็นอันตรายต่อความสามารถทำกำไรในระยะยาว."
เรื่องราวที่คอมพิวเตอร์มีค่าใช้จ่ายเกินกว่าบุคลากรเป็นกับดักการใช้จ่ายทุนแบบคลาสสิก. แม้ข้อมูลของ Epoch AI จะชี้ให้เห็นการเผาเงินสดอย่างมหาศาล—โดยเฉพาะการใช้จ่ายคอมพิวเตอร์ $6.8B ของ Anthropic—ก็ละเลยตารางค่าเสื่อมของสินทรัพย์เหล่านี้. หากห้องทดลองเหล่านี้บรรลุประสิทธิภาพระดับ AGI, อัตราส่วน 'คอมพิวเตอร์ต่อรายได้' จะตกต่ำ, สร้างเลเวอเรจการดำเนินงานขนาดใหญ่. อย่างไรก็ตาม, การขาดดุล 2–3 เท่าระหว่างรายได้และค่าใช้จ่ายในปัจจุบันไม่ยั่งยืนหากไม่มีการเจือจางทุนอย่างต่อเนื่อง. นักลงทุนกำลังให้ทุนกับโครงการโครงสร้างพื้นฐานที่เสื่อมค่าอย่างมหาศาลซึ่งปลอมตัวเป็นธุรกิจซอฟต์แวร์. ความเสี่ยงจริงไม่ได้อยู่ที่ค่าใช้จ่ายของชิป, แต่ที่ความเป็นไปได้ของการล้าสมัยของโมเดลอย่างรวดเร็ว, ซึ่งทำให้คลัสเตอร์การฝึกที่มีค่าใช้จ่ายสูงในวันนี้กลายเป็นสินทรัพย์ที่ถูกทิ้งไว้ในวันพรุ่งนี้.
หากค่าใช้จ่ายคอมพิวเตอร์ยังคงเพิ่มขึ้นแบบเชิงเส้นกับความสามารถของโมเดล, บริษัทเหล่านี้อาจไม่มีวันบรรลุการขยายกำไรที่จำเป็นเพื่อยืนยันมูลค่าปัจจุบัน, กลายเป็นยูทิลิตี้ที่ได้รับการสนับสนุนโดยฮาร์ดแวร์อย่างถาวร.
"ส่วนแบ่งค่าใช้จ่ายคอมพิวเตอร์ 57-70% ทำให้ NVDA และผู้ให้บริการคลาวด์มีอำนาจการตั้งราคาในขณะที่ห้องทดลอง AI แข่งกันใช้จ่ายมากกว่าคู่แข่ง."
ข้อมูลนี้ยืนยันการเปลี่ยนแปลงของ AI ไปสู่ความเข้มข้นของทุนอย่างสุดขีด—การใช้จ่ายคอมพิวเตอร์ $6.8B ของ Anthropic (70% ของ $9.7B ทั้งหมดในปี 2025) แซงค่าใช้จ่ายบุคลากร, บ่งบอกถึงไดนามิกผู้ชนะที่ครอบคลุมส่วนใหญ่ที่ขนาดเหนือสติปัญญาเพียงอย่างเดียว. เป็นบวกต่อ Nvidia (NVDA) และผู้ให้บริการคลาวด์ขนาดใหญ่ (MSFT, AMZN) ที่ควบคุมซัพพลาย GPU และโครงสร้างคลาวด์; พวกเขาแสวงหาผลกำไรจากห้องทดลองที่เผา 2-3 เท่ารายได้. การเปิดซอร์สของจีน (Minimax, Z.ai) สร้างคู่อุปสรรคอย่างชาญฉลาดผ่านการยอมรับ, แต่ห้องทดลองสหรัฐที่ปิดโมเดลทำให้ต้องใช้ทุนเพิ่มเพื่อเป็นผู้นำ. หมายเหตุ: การประมาณของ Epoch สำหรับ Anthropic เป็นการคาดเดา (ตาม The Information), ไม่ได้คำนึงถึงประสิทธิภาพที่เพิ่มขึ้นจากสถาปัตยกรรม MoE ที่ลด FLOPs/โมเดล.
การครองตำแหน่งของคอมพิวเตอร์สมมติว่าประสิทธิภาพคงที่; หากมีการก้าวกระโดดของอัลกอริทึม (เช่น การฝึกที่ดีขึ้น 10 เท่าด้วยคอมพิวเตอร์ในช่วงทดสอบ) หรือจีนทำให้ GPU เปิดให้ใช้มากขึ้น, ค่าใช้จ่ายจะลดลงและบุคลากรจะกลับมามีความสำคัญอีกครั้ง.
"บทความผสานคอมพิวเตอร์การวิจัยและพัฒนา (ค่าใช้จ่ายจมครั้งเดียว) กับคอมพิวเตอร์การสรุปผล (ค่าใช้จ่ายผันแปรที่เกิดซ้ำ), ปกปิดคำถามสำคัญ: ว่ามาตรฐานกำไรจากการสรุปผลจะเคยเป็นบวกที่ขนาดใหญ่ได้หรือไม่."
บทความนำเสนอการครองตำแหน่งของคอมพิวเตอร์เป็นข้อเท็จจริงเชิงโครงสร้าง, แต่ผสานปัญหาสองอย่างที่แตกต่างกันมาก: คอมพิวเตอร์การวิจัยและพัฒนา (ค่าใช้จ่ายที่จม, ครั้งเดียว) กับคอมพิวเตอร์การสรุปผล (ค่าใช้จ่ายที่เกิดซ้ำ, ขึ้นกับรายได้). การใช้จ่าย $6.8B ของ Anthropic เป็นการฝึกที่เน้นหน้าแรก; ค่าใช้จ่ายการสรุปผลควรลดลงต่อโทเคนเมื่อโมเดลเติบโตและประสิทธิภาพดีขึ้น. ความเสี่ยงจริงไม่ได้คือคอมพิวเตอร์แพง—แต่คือเศรษฐกิจการสรุปผลไม่พัฒนาเร็วพอที่จะชดเชยการเผา R&D. อัตราส่วน 2-3 เท่าระหว่างรายได้และการใช้จ่ายไม่ยั่งยืน, แต่บทความมองว่าเป็นเสียงพื้นหลังแทนที่จะแทนความเสี่ยงที่แท้จริง. กลยุทธ์โอเพ่นซอร์สของจีนยังสร้างแรงกดดันลดราคาโมเดลที่ห้องทดลองสหรัฐยังไม่ได้คำนึงถึง.
หากค่าใช้จ่ายการสรุปผลคงที่ (เนื่องจากความต้องการคุณภาพ, ความซ้ำซ้อน, หรือแรงกดดันการแข่งขันให้ใช้โมเดลใหญ่ขึ้น), และหากรายได้ต่อการสรุปผลไม่เพิ่มขึ้นอย่างมีนัยสำคัญ, ความเข้มข้นของทุนจะกลายเป็นคู่อุปสรรคที่สนับสนุนผู้เล่นที่มีทุนมากเช่น Anthropic—ทำให้เป็นสัญญาณบวกสำหรับห้องทดลองที่ตั้งหลักแล้ว, ไม่ใช่สัญญาณเตือน.
"ความเข้มข้นของค่าใช้จ่ายคอมพิวเตอร์โดยไม่มีการทำเงินอย่างรวดเร็วบ่งบอกถึงเศรษฐกิจที่เอียงและอาจไม่ยั่งยืนสำหรับผู้เล่น AI แนวหน้า."
บทความถูกต้องที่ชี้ให้เห็นคอมพิวเตอร์เป็นค่าใช้จ่ายหลักใน AI แนวหน้า, โดยคอมพิวเตอร์การวิจัย/สรุปผลคิดเป็น 57%–70% ของการใช้จ่ายและ Anthropic รายงานว่าใช้จ่ายคอมพิวเตอร์ประมาณ $6.8B ในปี 2025. สิ่งนี้วาดภาพการใช้ทุนสูงที่ทำให้ความสามารถทำกำไรพึ่งพาการทำเงินจากขนาด, ไม่ใช่แค่บุคลากร. อย่างไรก็ตาม, แหล่งข้อมูลค่อนข้างกระจัดกระจาย (The Information สำหรับ Anthropic; เอกสาร IPO สำหรับอื่น ๆ), ช่วงเวลาแตกต่าง, และการเปิดซอร์สของผู้เล่นจีนอาจบีบคู่อุปสรรคและชะลอการเติบโตของรายได้. ความเสี่ยงสำคัญคือการบีบกำไรหากค่าใช้จ่ายคอมพิวเตอร์ไม่ลดลงหรือการทำเงินช้า. นักลงทุนควรจับตาดูการเพิ่มประสิทธิภาพ, โมเดลลิขสิทธิ์, และความต้องการคลาวด์/เซมิคอนดักเตอร์, ซึ่งอาจสำคัญเท่ากับค่าใช้จ่ายบุคลากรในการกำหนดผลตอบแทน.
แต่หากความก้าวหน้าฮาร์ดแวร์และการปรับปรุงซอฟต์แวร์ทำให้ค่าใช้จ่ายคอมพิวเตอร์ลดลง, หรือหากบริการ AI ทำเงินได้เร็วที่ขนาดใหญ่, บริษัทเหล่านี้ยังคงสร้างกำไรที่มีนัยสำคัญ; การยอมรับโอเพ่นซอร์สอาจขยายฐานรายได้นอกเหนือจากการให้สิทธิ์โมเดล.
"การลดค่าใช้จ่าย inference จะกระตุ้นสงครามราคาอย่างรุนแรง, ป้องกันไม่ให้ห้องทดลอง AI บรรลุกำไรระดับซอฟต์แวร์ที่มีอัตรากำไรสูง."
Claude, ความแตกต่างของคุณระหว่าง R&D กับ inference มีความสำคัญ, แต่คุณพลาดกับ 'กับดักยูทิลิตี้'. หากค่าใช้จ่าย inference ลดลง, ราคาบริการ AI จะตกลงใกล้ศูนย์เมื่อการคอมโมดิตี้เกิดขึ้น, ทำลายอัตราส่วนรายได้ต่อค่าใช้จ่ายที่คุณพึ่งพา. เราไม่ได้มองที่โพรไฟล์กำไรซอฟต์แวร์; เรากำลังมองที่ตลาดสินค้าโภคภัณฑ์ที่มีการแข่งขันสูงที่ผู้ชนะคนเดียวคือผู้ให้โครงสร้างพื้นฐาน (NVDA, MSFT) ที่จับส่วนเกิน, ไม่ใช่ห้องทดลองที่เผาเงินสดเพื่อให้เท่ากัน.
"ความต้องการขององค์กรสำหรับโมเดลแนวหน้าพรีเมียมสนับสนุนอำนาจการตั้งราคาการ inference แม้จะมีแรงกดดันคอมโมดิตี้ต่อโอเพ่นซอร์ส."
Gemini, ความกลัวการคอมโมดิตี้ของคุณละเลยการล็อกอินขององค์กร: บริษัทเช่น JPM, GS จ่าย 5-10 เท่าสำหรับความปลอดภัย/ความแม่นยำของ Claude ที่เหนือกว่าโอเพ่นซอร์ส (ตามเกณฑ์ของ Epoch). ราคาการ inference ยังคงอยู่เมื่อต่างกันด้านคุณภาพยังคงอยู่, ทำให้การเผา R&D กลายเป็นคู่อุปสรรคที่ป้องกันได้. ความเสี่ยงจริงคืออัตราการเจือจาง—ARR $4B+ ของ Anthropic ต้องการการเติบโตรายได้ 3 เท่าโดย 2027 เพื่อยืนยันมูลค่า $18B+.
"การล็อกอินจะอยู่ได้ก็ต่อเมื่อช่องว่างคุณภาพขยายหรือคงที่; หากโอเพ่นซอร์สปิดช่องว่างถึง 90%+ ภายใน 18 เดือน, พลังการตั้งราคาขององค์กรจะหายไปก่อนที่ Anthropic จะขยายรายได้."
แนวคิดล็อกอินของ Grok สมมติว่าต่างกันด้านคุณภาพยังคงอยู่—แต่นั่นคือสิ่งที่คอมโมดิตี้ทำลาย. การที่ JPM จ่าย 5-10 เท่าในวันนี้จะไม่คงอยู่หากคลอน Claude แบบโอเพ่นซอร์สถึง 95% ภายใน 18 เดือน. คำถามสำคัญ: ความเร็วที่ช่องว่างคุณภาพบีบอัดเท่าไหร่? เกณฑ์ของ Epoch เป็นภาพนิ่ง, ไม่ใช่แนวโน้ม. หากห้องทดลองจีนหรือโอเพ่นซอร์สถึง 90%+ ภายใน 2026, การล็อกอินขององค์กรจะหายไปก่อนที่ Anthropic จะบรรลุการเติบโตรายได้ 3 เท่า. ความเร็วเจือจางจึงกลายเป็นเรื่องไม่มีความสำคัญ—มูลค่าจะพังลงไม่ว่าอย่างไร.
"คอมโมดิตี้ทำลายห้องทดลองแบบ pure‑play แต่รักษาคู่อุปสรรคบริการสำหรับระบบนิเวศแพลตฟอร์มผ่านความน่าเชื่อถือ, ความปลอดภัย, และการผสานองค์กร."
ตอบกลับหลักให้ Gemini: แม้จะมีแรงกดดันราคา inference, บริษัทต่าง ๆ จะไม่จ่ายราคาเดียวกันสำหรับโมเดลทั่วไป—พวกเขาจะจ่ายเพื่อความน่าเชื่อถือ, ความปลอดภัย, ความสามารถตรวจสอบ, และการผสานกับกระบวนการข้อมูล. สิ่งนี้สร้างกำไรแบบ SaaS หลายปีสำหรับแพลตฟอร์มและบริการ inference ที่จัดการ, ไม่ใช่การสนับสนุนฮาร์ดแวร์อย่างเดียว. กล่าวคือ, คอมโมดิตี้ทำลายห้องทดลองแบบ pure‑play, แต่ไม่ได้ทำลายคู่อุปสรรคบริการที่ทำกำไรรอบระบบนิเวศระดับองค์กร.
ความเห็นร่วมของคณะกรรมการคือค่าใช้จ่ายคอมพิวเตอร์สูงของอุตสาหกรรม AI ไม่ยั่งยืน, มีความเสี่ยงของการล้าสมัยของโมเดลอย่างรวดเร็วและคอมโมดิตี้ของบริการ AI. อย่างไรก็ตาม, มีความไม่เห็นด้วยว่าผลลัพธ์นี้จะนำไปสู่สถานการณ์ 'ผู้ชนะครอบคลุมส่วนใหญ่' หรือ ตลาดสินค้าโภคภัณฑ์ที่มีการแข่งขันสูง.
การล็อกอินขององค์กรเนื่องจากช่องว่างคุณภาพและคู่อุปสรรคบริการที่ทำกำไรรอบระบบนิเวศระดับองค์กร.
การล้าสมัยของโมเดลอย่างรวดเร็วทำให้คลัสเตอร์การฝึกที่มีค่าใช้จ่ายสูงกลายเป็นสินทรัพย์ที่ถูกทิ้งและคอมโมดิตี้ของบริการ AI ทำให้ราคาต่ำเกือบศูนย์.