Anthropic กำลังมุ่งหน้าสู่การใช้ชิป AI สำหรับ Claude—Nvidia ยังคงน่าซื้ออยู่หรือไม่ในปี 2026?

Anthropic เป็นองค์กรวิจัยด้าน AI ที่มุ่งเน้นการพัฒนาระบบที่มีประโยชน์ น่าเชื่อถือ และปลอดภัย โดยผลิตภัณฑ์หลักของ Anthropic คือ Claude ซึ่งเป็นตระกูลโมเดลภาษาขนาดใหญ่ (Large Language Models) ที่ใช้ช่วยในการแชท การเขียนโปรแกรม การค้นหาข้อมูล และการดำเนินเวิร์กโฟลว์สำหรับธุรกิจ ขณะที่การเติบโตอย่างรวดเร็วของรายได้จาก Claude ตามที่มีรายงาน ส่งผลให้ Anthropic มีความต้องการเข้าถึงทรัพยากรด้านการประมวลผล (Compute) ที่มีความแน่นอนมากขึ้น ดังนั้น ในปัจจุบัน Anthropic จึงเลือกใช้ชิปหลากหลายประเภท เช่น ชิป AWS Trainium, Google TPUs และ NVIDIA GPUs นอกจากนี้ บริษัทยังอาจดำเนินการพัฒนาชิปเฉพาะทาง (Custom Silicon) ของตนเอง เพื่อลดการพึ่งพาแหล่งทรัพยากรภายนอกและเพื่อให้สอดคล้องกับความต้องการของโมเดลได้ดียิ่งขึ้น

การสำรวจความเป็นไปได้ในการพัฒนาชิปสั่งทำพิเศษของ Anthropic ยังคงอยู่ในขั้นตอนการพัฒนาเบื้องต้น โดยยังไม่มีการกำหนดการออกแบบขั้นสุดท้ายหรือจัดตั้งทีมงานรับผิดชอบเฉพาะในขณะนี้ ทั้งนี้ ผู้เชี่ยวชาญในอุตสาหกรรมประเมินว่าการพัฒนาชิป AI ขั้นสูงอาจต้องใช้เงินทุนเกือบ 500 ล้านดอลลาร์ อย่างไรก็ตาม เมื่อพิจารณาจากขนาดธุรกิจและแนวโน้มการเติบโตของ Anthropic จึงมีเหตุผลที่เชื่อได้ว่าแผนการผลิตชิปสั่งทำของบริษัทมีความสมเหตุสมผล

นอกจากนี้ บริษัทยังเพิ่งลงนามในข้อตกลงระยะยาวกับ Google เพื่อจัดหาโปรเซสเซอร์ AI รวมถึงร่วมมือกับ Broadcom (AVGO) เพื่อรองรับขุมพลังการประมวลผลมหาศาลซึ่งเริ่มต้นที่ประมาณ 3.5 กิกะวัตต์ เมื่อเริ่มการผลิตเครื่องจักรใหม่ในปี 2027 โดยพื้นฐานแล้ว Anthropic กำลังใช้แนวทางแบบสองทางด้วยการพัฒนาห่วงโซ่อุปทานจากภายนอก ควบคู่ไปกับการประเมินหรือการผลิตชิปซิลิคอนภายในองค์กร เพื่อรักษาทางเลือกทั้งหมดเอาไว้

หากบริษัทสามารถจัดหาตัวเร่งความเร็ว (accelerators) ที่มีราคาถูกลงหรือเป็นแบบสั่งทำพิเศษเพื่อชดเชยต้นทุนการสร้างชิป AI ของตนเองได้ จะช่วยเพิ่มอำนาจการต่อรองเมื่อต้องเจรจากับผู้จำหน่าย และอาจช่วยลดต้นทุนการเป็นเจ้าของโดยรวมในระยะยาว

Anthropic ไม่ได้เป็นเพียงรายเดียวที่กำลังดำเนินการในลักษณะนี้ โดย Amazon ได้เริ่มนำเสนอชิป Trainium และ Inferentia ผ่าน AWS แล้ว และมีศักยภาพที่จะขยายเข้าสู่ตลาดในวงกว้างด้วยผลิตภัณฑ์เหล่านี้ ซึ่งอาจส่งผลให้ Amazon กลายเป็นผู้ผลิตเซมิคอนดักเตอร์ที่มีความสำคัญมากยิ่งขึ้น ขณะเดียวกัน Alphabet ยังคงเดินหน้าพัฒนาเทคโนโลยีด้าน TPU ของตนอย่างต่อเนื่อง และมีประวัติอันยาวนานในการพัฒนาฮาร์ดแวร์ที่ออกแบบมาเพื่อเพิ่มประสิทธิภาพสูงสุดให้กับเวิร์กโหลดด้าน AI ของบริษัท นอกจากนี้ Meta ยังอยู่ระหว่างการพัฒนาตัวเร่งความเร็ว (accelerator) ของตนเอง เพื่อลดการพึ่งพา GPU จากภายนอกสำหรับการประมวลผลการอนุมาน (inference) ในปัจจุบัน และรวมถึงการประมวลผลการฝึกฝน (training) ในท้ายที่สุดด้วย ขณะที่มีรายงานว่า OpenAI กำลังศึกษาความเป็นไปได้ในการพัฒนาชิปเฉพาะทางเช่นกัน นอกจากนี้ AMD เริ่มมีความเชิงรุกมากขึ้นในการแข่งขันกับ NVIDIA สำหรับทั้งเวิร์กโหลดการฝึกฝนและการอนุมาน และ Broadcom ก็ได้ขยายบทบาทในฐานะพันธมิตรด้านชิปเฉพาะทางสำหรับผู้ให้บริการคลาวด์รายใหญ่ (hyperscalers)

แนวโน้มและกลยุทธ์ขององค์กรเหล่านี้สอดคล้องกับภาพรวมของตลาดที่ครอบคลุมยิ่งขึ้น โดยเฉพาะอย่างยิ่ง TrendForce คาดการณ์ว่าเซิร์ฟเวอร์ AI ที่ใช้ชิป ASIC จะมีสัดส่วนเพิ่มขึ้นจากประมาณ 27.8% ของยอดจัดส่งเซิร์ฟเวอร์ทั้งหมดในปี 2569 เป็นเกือบ 40% ภายในปี 2573 ดังนั้น เมื่อขีดความสามารถในการประมวลผลยังคงเปลี่ยนผ่านไปสู่ชิปเฉพาะทาง (application-specific chips) มากขึ้น NVIDIA อาจเผชิญกับความท้าทายในการรักษาตำแหน่งผู้นำตลาดในแง่ของส่วนแบ่งตลาดตัวเร่งความเร็ว (accelerator) แม้ว่าการใช้จ่ายโดยรวมที่เกี่ยวข้องกับ AI จะยังคงมีความแข็งแกร่งก็ตาม

ในขณะที่มีคู่แข่งจำนวนมากขึ้นเริ่มก้าวเข้าสู่พื้นที่ของ NVIDIA แต่นวัตกรรมที่ก้าวหน้าอย่างต่อเนื่องยังคงเป็นปัจจัยสำคัญที่ช่วยต้านทานแรงกดดันทางการแข่งขันที่เพิ่มขึ้นนั้นได้ ทั้งนี้ จีพียู H100 บนสถาปัตยกรรม Hopper ของ NVIDIA ได้ปฏิวัติเศรษฐศาสตร์ด้านการฝึกฝน AI และในปัจจุบัน จีพียู GB300 บนสถาปัตยกรรม Blackwell ของ NVIDIA ได้ยกระดับประสิทธิภาพให้ก้าวกระโดดยิ่งขึ้นไปอีก โดยในบางการตั้งค่าสามารถเพิ่มประสิทธิภาพได้สูงถึงกว่า 10 เท่า

นอกจากนี้ NVIDIA จะเริ่มส่งมอบแพลตฟอร์ม Vera Rubin ใหม่ ซึ่งประกอบด้วย Rubin GPU, Vera CPU และระบบเครือข่ายที่ได้รับการอัปเกรดในเชิงพาณิชย์ในช่วงครึ่งหลังของปีนี้ ซึ่งจะช่วยให้นักพัฒนาสามารถฝึกฝนโมเดลโดยใช้ GPU น้อยลงสูงสุดถึง 75% และลดต้นทุนโทเคนในการประมวลผล (Inference) ลงได้อย่างมากเกือบ 90% ทั้งนี้ โทเคนคือคำ สัญลักษณ์ หรือรูปภาพที่ถูกสร้างขึ้นเมื่อผู้ใช้ส่งคำขอไปยังระบบ AI ซึ่งการลดต้นทุนโทเคนสำหรับผู้ให้บริการโซลูชัน AI อย่างมหาศาลนี้ จะช่วยส่งเสริมการใช้งานจากผู้บริโภค AI และสร้างอัตรากำไรที่ดีขึ้นให้แก่ผู้ให้บริการโซลูชัน AI ซึ่งจะช่วยกระตุ้นและสนับสนุนความต้องการตัวเร่งความเร็วระดับไฮเอนด์ต่อไป

NVIDIA รายงานผลประกอบการทางการเงินสูงสุดเป็นประวัติการณ์สำหรับปีงบประมาณสิ้นสุดวันที่ 25 มกราคม 2026 โดยมีรายได้ 2.159 แสนล้านดอลลาร์ และมีกำไรต่อหุ้นอยู่ที่ 4.77 ดอลลาร์ ทั้งนี้ ณ อัตราส่วน P/E ที่ 36.10 ซึ่งต่ำกว่าค่าเฉลี่ย P/E ย้อนหลัง 10 ปีที่ 61.60 หุ้นของ NVIDIA กำลังซื้อขายที่ระดับส่วนลดอย่างมากเมื่อเทียบกับค่าเฉลี่ยในอดีต โดยวอลล์สตรีทคาดการณ์ว่า EPS ของ NVIDIA สำหรับปีงบประมาณ 2027 จะอยู่ที่ประมาณ 8.29 ดอลลาร์ ซึ่งบ่งชี้ถึง Forward P/E ที่ประมาณ 21.30 หากหุ้นของ NVIDIA กลับไปสู่ระดับ P/E ตามสถิติในอดีต เราอาจเห็นราคาหุ้นเพิ่มขึ้นประมาณ 189% อย่างไรก็ตาม ข้อมูลนี้ไม่มีการรับประกัน แต่ถึงกระนั้น ยังคงมีโอกาสปรับตัวขึ้น (Upside) อีกมากผ่านนวัตกรรมในอนาคตและการเติบโตของ EPS อย่างต่อเนื่อง

ความเสี่ยงเชิงกลยุทธ์ที่สำคัญของ NVIDIA จะยังคงอยู่ที่การที่ผู้ให้บริการคลาวด์รายใหญ่ (hyperscalers) และห้องปฏิบัติการ AI ที่ใหญ่ที่สุดในโลกยังคงเปลี่ยนการประมวลผลไปยังชิป ASIC ที่ออกแบบเอง ซึ่งมีราคาถูกกว่าและประหยัดพลังงานมากกว่า GPU ของ NVIDIA

หากภายในปี 2030 ชิป ASIC ที่ออกแบบเองครองสัดส่วนการประมวลผลถึง 40% บนแพลตฟอร์มเหล่านั้นจริง NVIDIA ก็อาจมีส่วนแบ่งเชิงโครงสร้างในตลาดรวมที่ใหญ่ขึ้นในระดับที่ต่ำลงเมื่อเทียบกับปัจจุบัน อย่างไรก็ตาม NVIDIA จะยังคงสร้างความได้เปรียบในการแข่งขันด้วยการบูรณาการ GPU, CPU และฮาร์ดแวร์เครือข่ายเข้ากับฐานนักพัฒนาที่มั่นคงและชุดซอฟต์แวร์ที่สมบูรณ์ ซึ่งทำให้ลูกค้าเปลี่ยนระบบทั้งหมดได้ยากในคราวเดียว

สำหรับหลายบริษัท NVIDIA ยังคงเป็นบริษัทหลักสำหรับการฝึกฝนโมเดลที่ล้ำสมัยและการประมวลผลที่ยืดหยุ่น ในระยะข้างหน้า ผลลัพธ์ที่มีความเป็นไปได้มากที่สุดของการเปลี่ยนผ่านนี้คือตลาดแบบผสมผสาน โดยจะมีการใช้ชิปซิลิคอนที่ออกแบบเองสำหรับการประมวลผลปริมาณมากที่มีความเสถียร ควบคู่ไปกับโซลูชันของ NVIDIA สำหรับโมเดลที่ล้ำสมัย การวิจัยที่รวดเร็ว และการใช้งานทั่วไป

การดำเนินการในอนาคตของ Anthropic จะเป็นเครื่องบ่งชี้ทิศทางที่สำคัญ หากบริษัทเดินหน้าพัฒนาชิปของตนเองสำหรับ Claude ก็อาจช่วยประหยัดค่าใช้จ่ายในระยะยาวและสามารถเลือกซื้อชิปจากซัพพลายเออร์ที่หลากหลายได้ แต่หากหยุดชะงักลง ก็จะสะท้อนให้เห็นว่าระดับความยากและปัญหาที่เกี่ยวข้องกับการขยายขนาดชิปซิลิคอนที่ออกแบบเอง ทั้งในด้านวิศวกรรม เงินทุนล่วงหน้า ปัญหาด้านผลผลิตและการบรรจุภัณฑ์ รวมถึงเครื่องมือซอฟต์แวร์ เป็นอุปสรรคที่สูงมาก

สิ่งที่อุตสาหกรรม AI เริ่มตระหนักมากขึ้นในหลายด้านคือ การที่ Anthropic ยังคงเดินหน้าพัฒนาชิปซิลิคอนของตนเองนั้น หมายความว่าในขณะนี้ AI สามารถควบคุมอนาคตด้านการประมวลผลของตนเองได้เป็นส่วนใหญ่ และสิ่งนี้สามารถส่งผลกระทบต่อกระบวนการจัดซื้อจัดจ้างทั่วทั้งอุตสาหกรรมได้

เนื้อหานี้ได้รับการแปลโดยปัญญาประดิษฐ์ (AI) และผ่านตรวจสอบโดยมนุษย์ มีไว้เพื่อการอ้างอิงและข้อมูลทั่วไปเท่านั้น ไม่ใช่การแนะนำการลงทุนแต่อย่างใด