ความต้องการพลังประมวลผล AI เข้าสู่จุดเปลี่ยน ปริมาณงานประมวลผลแซงหน้าการฝึกฝน
สิงหาคม 2026 อุตสาหกรรมเซมิคอนดักเตอร์โลกกำลังเผชิญการเปลี่ยนแปลงโครงสร้างที่เงียบงันแต่ส่งผลกระทบอย่างลึกซึ้ง สองปีที่ผ่านมา ตลาดมุ่งความสนใจไปที่ GPU ของ NVIDIA สำหรับการฝึกฝนโมเดล AI แต่เมื่อโมเดลภาษาขนาดใหญ่อย่าง ChatGPT และ Gemini เข้าสู่ขั้นตอนการใช้งานเชิงพาณิชย์ ปริมาณงานการประมวลผล AI (Inference) ได้แซงหน้าการฝึกอบรมอย่างเป็นทางการ กลายเป็นแรงขับเคลื่อนหลักของความต้องการชิป จากข่าวสารล่าสุดในห่วงโซ่อุตสาหกรรม ชิปวงจรรวมเฉพาะทาง (ASIC) กำลังรุกส่วนผนวกตลาดของ GPU แบบทั่วไปอย่างรวดเร็ว 'สงครามชิปประมวลผล' ครั้งนี้กำลังปรับโฉมภูมิทัศน์ห่วงโซ่อุปทานเซมิคอนดักเตอร์โลก และไทยในฐานะศูนย์กลางการทดสอบและบรรจุภัณฑ์ในเอเชียตะวันออกเฉียงใต้ กำลังเผชิญกับการอัปเกรดเทคโนโลยีระลอกใหม่และการไหลเข้าของคำสั่งซื้อ
GPU ไม่ใช่ทางออกเดียวอีกต่อไป: ประสิทธิภาพและต้นทุนการประมวลผลของ ASIC กดดันอย่างรอบด้าน
ในสถานการณ์การประมวลผล AI ชิปไม่จำเป็นต้องจัดการการส่งข้อมูลสองทางปริมาณมหาศาลเหมือนการฝึกอบรม แต่เน้นความหน่วงต่ำ การใช้พลังงานต่ำ และปริมาณงานสูงภายใต้ต้นทุนต่อหน่วย สิ่งนี้ทำให้ ข้อได้เปรียบของวงจรรวมเฉพาะทาง (ASIC) ปรากฏชัดเจนอย่างเต็มที่ เมื่อเทียบกับ GPU แบบทั่วไป ASIC ที่ปรับให้เหมาะสมกับอัลกอริทึมเฉพาะสามารถให้อัตราส่วนประสิทธิภาพพลังงานสูงกว่า 5 ถึง 10 เท่าในงานประมวลผล และมีต้นทุนเพียงหนึ่งในสามถึงครึ่งหนึ่งของ GPU ที่มีกำลังประมวลผลเทียบเท่า รายงานทางการเงินล่าสุดของ Broadcom และ Marvell แสดงให้เห็นว่าธุรกิจชิป AI แบบผลิตแต่งของพวกเขามีรายได้เติบโตกว่า 120% เมื่อเทียบกับปีก่อนในไตรมาสที่สองของปี 2026 ลูกค้าหลักครอบคลุมยักษ์ใหญ่คลาวด์อย่าง Google, Meta และ Amazon ซึ่งกำลังเร่งแทนที่การจัดซื้อ GPU บางส่วนด้วย ASIC ที่พัฒนาขึ้นเอง แนวโน้มนี้ไม่เพียงแต่บั่นทอนสถานะผูกขาดของ NVIDIA ในตลาดการประมวลผล แต่ยังทำให้ความต้องการ 'ความหลากหลาย' ในขั้นตอนการผลิตเวเฟอร์และบรรจุภัณฑ์ทดสอบเพิ่มขึ้นอย่างมาก
ห่วงโซ่บรรจุภัณฑ์และทดสอบของไทยเข้าสู่จุดหวาน 'การผลิตแต่ง'
การเติบโตอย่างก้าวกระโดดของ ASIC นำมาซึ่งความท้าทายและโอกาสใหม่ๆ ให้กับอุตสาหกรรมบรรจุภัณฑ์และทดสอบ แตกต่างจาก GPU มาตรฐาน ชิป ASIC มีการผลิตแต่งสูง การออกแบบชิป การจัดการพลังงาน และโครงสร้างการระบายความร้อนแตกต่างกัน ทำให้ บรรจุภัณฑ์ขั้นสูง (Advanced Packaging) และการรวมต่างชนิด (Heterogeneous Integration) กลายเป็นความต้องการที่จำเป็น ไทยในห่วงโซ่อุปทานเซมิคอนดักเตอร์โลก มีชื่อเสียงมายาวนานในด้านกำลังการผลิตบรรจุภัณฑ์และทดสอบขั้นหลังที่เติบโต โดยเฉพาะในด้านอิเล็กทรอนิกส์ยานยนต์และ IC จัดการพลังงาน ด้วยกระแส ASIC ที่มาถึง ผู้ผลิตบรรจุภัณฑ์และทดสอบรายใหญ่หลายแห่งของไทยกำลังเร่งนำเทคโนโลยี Fan-Out และบรรจุภัณฑ์ 2.5D มาใช้ เพื่อตอบสนองความต้องการการสร้างต้นแบบอย่างรวดเร็วและการผลิตจำนวนมากของชิปประมวลผล AI จากยักษ์ใหญ่คลาวด์ ผู้ในวงการชี้ว่า ในนิคมอุตสาหกรรมของจังหวัดสมุทรปราการและพระนครศรีอยุธยา แผนการสร้างสายการผลิตบรรจุภัณฑ์ขั้นสูงที่เกี่ยวข้องได้ถูกจัดคิวไปจนถึงปี 2027 อัตราการใช้กำลังการผลิตในไตรมาสที่สามคาดว่าจะทะลุ 95%
มุมมองการลงทุน: จากกำลังประมวลผลทั่วไปสู่ระบบนิเวศเฉพาะทาง
สำหรับนักลงทุนเซมิคอนดักเตอร์ ตัวชี้วัดหลักในช่วงครึ่งหลังของปี 2026 ได้เปลี่ยนจาก 'ใครสามารถให้ GPU ที่แข็งแกร่งที่สุด' เป็น 'ใครสามารถสร้างระบบนิเวศ ASIC ที่สมบูรณ์แบบที่สุด' ซึ่งไม่เพียงแต่รวมถึงการจัดสรรกำลังการผลิต CoWoS ของผู้นำการผลิตเวเฟอร์อย่าง TSMC แต่ยังครอบคลุมถึงความสามารถในการสนับสนุนขั้นหลังในภูมิภาคเอเชียตะวันออกเฉียงใต้ ไทยด้วยข้อได้เปรียบด้านต้นทุนในห่วงโซ่อุปทานอาเซียนและความมั่นคงทางนโยบาย กำลังกลายเป็นฐานรองรับการล้นออกอันดับแรกสำหรับบรรจุภัณฑ์และทดสอบ ASIC แบบผลิตแต่ง ในกลยุทธ์การลงทุน นอกจากการให้ความสนใจกับบริษัทด้านการออกแบบอย่าง Broadcom และ MediaTek แล้ว ผู้ผลิตบรรจุภัณฑ์และทดสอบในไทยที่มีเทคโนโลยีบรรจุภัณฑ์ขั้นสูงและผู้จัดหาอุปกรณ์ที่เกี่ยวข้อง ได้กลายเป็นจุดสนใจใหม่ของเงินทุน กระแส ASIC ที่ขับเคลื่อนโดยการประมวลผล AI นี้ กำลังผลักดันไทยจาก 'หลุมต้นทุน' ธรรมดาไปสู่แกนกลางของ 'ห่วงโซ่อุปทานเทคโนโลยี' เซมิคอนดักเตอร์โลก
แนวโน้มอนาคต: ความสัมพันธ์การแข่งขันและความร่วมมือระยะยาวระหว่าง ASIC และ GPU
แม้ว่า ASIC จะต้านทานไม่ได้ในด้านการประมวลผล แต่นั่นไม่ได้หมายความว่า GPU จะถอยออกไป ในด้านการฝึกอบรม AI ทั่วไปที่ซับซ้อนและการคำนวณสมรรถนะสูง (HPC) ความยืดหยุ่นของ GPU ยังคงไม่สามารถแทนที่ได้ ตลาดชิปในอนาคตจะแสดงรูปแบบการแบ่งขั้ว 'GPU สำหรับการฝึกอบรม, ASIC สำหรับการประมวลผล' สำหรับอุตสาหกรรมเซมิคอนดักเตอร์ไทย นั่นหมายความว่าต้องมีความสามารถสองด้านในการจัดการทั้งชิป GPU ขนาดใหญ่ (ผ่านเทคโนโลยี Chiplet) และบรรจุภัณฑ์ ASIC ที่มีความซับซ้อนสูง ตัวชี้วัดทิศทางชิปในช่วงครึ่งปีหลังของปี 2026 ได้ชี้ชัดว่า: ใครสามารถแก้ปัญหาบรรจุภัณฑ์และทดสอบ 'กิโลเมตรสุดท้าย' ของชิปผลิตแต่งได้ ใครก็จะควบคุมเส้นเลือดใหญ่ของฮาร์ดแวร์ในยุค AI
