พรีวิวการประชุมผู้ถือหุ้นปี 2026 ของ Nvidia: ราคาหุ้นจะสามารถแตะระดับสูงสุดใหม่ได้หรือไม่? การเร่งกำลังการผลิต Blackwell, Vera จะเป็นตัวกำหนดรายได้ในอนาคตอย่างไร?

ชิปซีรีส์ Blackwell คือไลน์ผลิตภัณฑ์ชิป AI ระดับเรือธงในปัจจุบันของ Nvidia โดยมีจุดเด่นสำคัญคือพลังการประมวลผลเมทริกซ์ของ GPU ที่ยอดเยี่ยม ผลิตภัณฑ์นี้ถือเป็นแพลตฟอร์มการประมวลผลหลักที่บริษัทกำลังนำเข้าสู่ตลาดสำหรับปี 2024–2025 โดยทำหน้าที่เป็นฮาร์ดแวร์สำหรับการฝึกอบรมและประมวลผลผลลัพธ์ (inference) ของ AI ที่ทรงพลังและเป็นที่นิยมมากที่สุดซึ่งบรรดาบริษัทยักษ์ใหญ่ด้านเทคโนโลยีทั่วโลกเลือกใช้ อย่างไรก็ตาม เนื่องจากข้อจำกัดด้านกำลังการผลิต ชิปซีรีส์ Blackwell จึงยังคงอยู่ในภาวะขาดแคลน แม้ว่า Nvidia จะสามารถจองกำลังการผลิตของ TSMC (TSM) ในส่วนของกำลังการผลิตบรรจุภัณฑ์ได้เกือบ 60% แล้วก็ตาม แต่ก็ยังไม่สามารถตอบสนองต่อปริมาณคำสั่งซื้อของ Nvidia ได้ทั้งหมด

Vera แตกต่างจาก Blackwell ตรงที่เป็นชิป CPU สำหรับศูนย์ข้อมูล (data center) ที่พัฒนาขึ้นเอง สำหรับความคืบหน้าด้านการวิจัยและพัฒนา (R&D) นั้น ในปัจจุบันยังอยู่ในช่วงเร่งกำลังการผลิตอย่างเต็มกำลังและขั้นตอนการทดลองผลิตเท่านั้น โดยคาดว่าจะเริ่มส่งมอบผลิตภัณฑ์ให้กับลูกค้าหลักกลุ่มแรกได้ในครึ่งหลังของปี 2026 ก่อนหน้านี้ เจนเซน หวง (Jensen Huang) ได้ระบุในงานประชุม Computex ว่า CPU รุ่น Vera ของ Nvidia จะได้รับความนิยมยิ่งกว่า GPU เสียอีก เนื่องจากมีบทบาทสำคัญในการประมวลผลข้อมูล โดยเขากล่าวว่า "CPU รุ่น Vera จะเป็นตัวขับเคลื่อนการเติบโตหลักรายใหม่ของเรา"

ชิปทั้งสองรุ่นนี้จะเป็นตัวกำหนดอนาคตในระยะสั้นของ Nvidia ในอีกไม่กี่ปีข้างหน้าอย่างแน่นอน เจนเซน หวง ได้คาดการณ์ในงานประชุมนักพัฒนา GTC ว่า ลำพังเพียงแค่ Blackwell และ Rubin ก็น่าจะสร้างรายได้ได้ถึง 1 ล้านล้านดอลลาร์ในปี 2026 และ 2027 ปัจจุบัน Blackwell ถือเป็นเสาหลักสำคัญที่ค้ำจุนรายได้ของ Nvidia โดยผลประกอบการไตรมาสที่ 1 ประจำปีงบประมาณ 2027 แสดงให้เห็นว่ารายได้จากศูนย์ข้อมูลแตะระดับ 7.52 หมื่นล้านดอลลาร์ เพิ่มขึ้น 92% เมื่อเทียบรายปี และ 21% เมื่อเทียบรายไตรมาส การเติบโตนี้มีแรงผลักดันหลักมาจากการนำผลิตภัณฑ์ Blackwell 300, InfiniBand และ Nvidia Spectrum-X Ethernet (ที่รองรับ NVLink) มาใช้งานอย่างแพร่หลาย ดังนั้น ท่ามกลางข้อจำกัดด้านกำลังการผลิต จึงต้องจับตาการเร่งกำลังการผลิตของชิปทั้งสองรุ่นนี้อย่างใกล้ชิด

โคเล็ตต์ เครส (Colette Kress) ประธานเจ้าหน้าที่ฝ่ายการเงิน (CFO) ของ Nvidia กล่าวในระหว่างการแถลงผลประกอบการไตรมาสที่ 1 ประจำปีงบประมาณ 2027 ว่า แม้ว่าความต้องการจะแข็งแกร่งอย่างมาก แต่ปัญหาการขาดแคลนในซัพพลายเชนทั้งหมด เช่น ชิปความจำแบนด์วิดท์สูง (HBM) และเทคโนโลยีการบรรจุภัณฑ์ขั้นสูง (advanced packaging) จะยังคงเป็นข้อจำกัดหลักที่ทั้งอุตสาหกรรมต้องเผชิญในช่วง 18 เดือนข้างหน้า ส่งผลให้รายได้ในปัจจุบันของ Nvidia ขึ้นอยู่กับความเร็วในการขยายกำลังการผลิตของซัพพลายเออร์ต้นน้ำโดยสิ้นเชิง นอกจากปัญหาการขาดแคลน HBM และการบรรจุภัณฑ์ขั้นสูงแล้ว ข้อจำกัดด้านกำลังการผลิตในปัจจุบันของ Nvidia ยังมีสาเหตุบางส่วนมาจากการขาดแคลนส่วนประกอบสำคัญอื่น ๆ เช่น อุปกรณ์ออปติก (optical elements) และระบบระบายความร้อนด้วยของเหลว (liquid cooling systems)

ในการประชุมผู้ถือหุ้นครั้งนี้ ควรจับตาสัญญาณหลายประการที่อาจบ่งชี้ถึงแนวโน้มการปรับปรุงกำลังการผลิต ได้แก่ อัตราผลตอบแทนจากการผลิต (yield) ของเทคโนโลยีการบรรจุภัณฑ์ขั้นสูง CoWoS-L ของ TSMC เริ่มมีเสถียรภาพแล้วหรือไม่ อัตราผลการทดสอบเวเฟอร์ในขั้นต้นสำหรับชิป Vera และ Rubin บนกระบวนการผลิตระดับ 3 นาโนเมตร ระยะเวลารอคอยตั้งแต่สั่งซื้อจนถึงส่งมอบสั้นลงหรือไม่ และ Nvidia กำลังพิจารณาหรือได้จับมือเป็นพันธมิตรกับซัพพลายเออร์รายอื่นนอกเหนือจาก TSMC และ SK Hynix แล้วหรือไม่ เช่น การจัดสรรคำสั่งซื้อบางส่วนไปยังโรงงานบรรจุภัณฑ์และทดสอบชิปแห่งอื่น ๆ ในไต้หวัน

การสร้างรายได้เชิงพาณิชย์จาก AI ของ Nvidia นั้น โดยพื้นฐานแล้วขึ้นอยู่กับรายจ่ายฝ่ายทุนของลูกค้าเกือบทั้งหมด โดยเฉพาะอย่างยิ่งผู้ให้บริการคลาวด์ระดับไฮเปอร์สเกล (Hyperscale Cloud Service Providers) เมื่อพิจารณาในกลุ่มธุรกิจเฉพาะเจาะจง จากการคาดการณ์ที่ว่าการเติบโตของรายได้ของ Nvidia ในช่วงไม่กี่ปีข้างหน้าจะได้รับแรงผลักดันหลักจาก Blackwell และ Rubin ความสนใจจึงควรพุ่งไปที่การเติบโตของรายได้ที่มีศักยภาพซึ่งกลุ่มธุรกิจนี้อาจสร้างขึ้นได้

พลังการประมวลผล AI ถูกนำมาใช้สำหรับการฝึกอบรมโมเดล (Training) และการอนุมาน (Inference) ซึ่งในเวลานี้ตลาดจำเป็นต้องมุ่งเน้นไปที่แนวโน้มรายได้ของธุรกิจการอนุมาน แม้ว่าผลิตภัณฑ์หลักทั้งสองตัวของ Nvidia จะสามารถใช้สำหรับการฝึกอบรมได้ด้วยเช่นกัน แต่โดยหลักแล้วได้รับการออกแบบมาสำหรับการอนุมาน การฝึกอบรม (Training) สามารถทำความเข้าใจได้ง่ายๆ ว่าเป็นกระบวนการที่บริษัท AI พัฒนาโมเดลขึ้นมา ในขณะที่การอนุมาน (Inference) หมายถึงขั้นตอนที่โมเดลดังกล่าวถูกนำไปติดตั้งและใช้งานจริงโดยลูกค้า ซึ่งกระบวนการแรกถือเป็นต้นทุนที่ต้องจ่ายออกไปอย่างต่อเนื่อง ขณะที่กระบวนการหลังคือส่วนที่สร้างรายได้

ในไตรมาส 4 ของปีงบประมาณ 2024 ผู้บริหารของบริษัทได้เปิดเผยว่า ในช่วงปีที่ผ่านมา รายได้จากดาต้าเซ็นเตอร์ของ Nvidia ราว 40% มาจากการอนุมาน AI (AI Inference) ซึ่งหมายความว่า รายได้รวมของดาต้าเซ็นเตอร์ 40% นั้นเกิดขึ้นจากการที่ลูกค้าซื้อฮาร์ดแวร์และซอฟต์แวร์สำหรับการอนุมาน AI ส่วนอีก 60% ที่เหลือมาจากการฝึกอบรม AI (AI Training)

หากสัดส่วนรายได้จากการอนุมานต่ำเกินไป ก็อาจบ่งชี้ว่าลูกค้ากำลังตกอยู่ในการแข่งขันสะสมอาวุธทาง AI โดยที่ท้ายที่สุดแล้วไม่มีผู้บริโภครายใดจ่ายเงินซื้อ ซึ่งนี่ไม่ใช่โมเดลธุรกิจที่ยั่งยืนและจะพิสูจน์ให้เห็นว่า AI เป็นฟองสบู่ขนาดใหญ่ ซึ่งท้ายที่สุดจะส่งผลกระทบสะท้อนกลับมายัง Nvidia ในทางกลับกัน สัดส่วนรายได้จากการอนุมานที่สูงจะบ่งชี้ว่าลูกค้าของ Nvidia ประสบความสำเร็จในการปิดลูปทางธุรกิจเชิงพาณิชย์ในอุตสาหกรรม AI ซึ่งจะช่วยสร้างรายได้ที่ยั่งยืนให้กับ Nvidia

นอกเหนือจากฮาร์ดแวร์แล้ว ผลิตภัณฑ์ด้านซอฟต์แวร์ล้วนของ Nvidia จะเข้ามามีบทบาทสำคัญในกระบวนการสร้างรายได้เชิงพาณิชย์จาก AI ด้วยเช่นกัน โดยระบบนิเวศซอฟต์แวร์ของ Nvidia มีแกนหลักคือชุดซอฟต์แวร์ CUDA, ไมโครเซอร์วิสสำหรับการอนุมาน NIM และแพลตฟอร์มอุตสาหกรรม Omniverse แม้ว่าส่วนแบ่งรายได้จากซอฟต์แวร์จะยังคิดเป็นสัดส่วนเพียงเล็กน้อยของรายได้ทั้งหมด แต่อัตรากำไรขั้นต้นที่สูงของซอฟต์แวร์ก็มีส่วนช่วยส่งเสริมกระบวนการสร้างรายได้เชิงพาณิชย์จาก AI ของบริษัทด้วยเช่นกัน

เนื้อหานี้ได้รับการแปลโดยปัญญาประดิษฐ์ (AI) และผ่านตรวจสอบโดยมนุษย์ มีไว้เพื่อการอ้างอิงและข้อมูลทั่วไปเท่านั้น ไม่ใช่การแนะนำการลงทุนแต่อย่างใด