1.12 แสนล้านดอลลาร์ในหลุม — การล้มละลายที่ซ่อนอยู่ของ Big Tech

โครงการ Stargate — เงินหลายแสนล้านดอลลาร์เพื่อสร้างศูนย์ข้อมูลขนาดยักษ์ นี่ไม่ใช่การพิมพ์ผิด: เรากำลังพูดถึงจำนวนเงินที่เทียบเท่ากับ GDP ของประเทศเล็กๆ Microsoft, Google และ Meta ใช้จ่ายหลายหมื่นล้านทุกปีไปกับโครงสร้างพื้นฐาน GPU: เฉพาะ Microsoft ในปี 2025 ลงทุนไปมากกว่า 5 หมื่นล้านดอลลาร์ในค่าใช้จ่ายด้านทุน ซึ่งส่วนใหญ่สำหรับ AI

ปัญหาที่ซ่อนอยู่คือการบัญชี GPU รุ่น H100 ล้าสมัยใน 2 ปีเมื่อ H200, B100, B200 ออกมา — รุ่นถัดไปแต่ละรุ่นเร็วกว่ารุ่นก่อนหน้า 50-100% แต่บริษัทต่างๆ บันทึกค่าเสื่อมราคาเป็น 5-6 ปี สร้างภาพลวงตาทางบัญชี ตัวอย่าง: บริษัทซื้อ GPU มูลค่า 2 หมื่นล้านดอลลาร์ ในบัญชี 2 ปีต่อมาก็ยัง 'มีมูลค่า' 1.3 หมื่นล้านดอลลาร์ (ด้วยค่าเสื่อมราคาแบบเส้นตรง 6 ปี) ในความเป็นจริง — มีมูลค่าประมาณ 5 พันล้านดอลลาร์ เพราะรุ่นใหม่ทำงานเดียวกันได้เร็วกว่าและถูกกว่าถึงสองเท่า

สิ่งนี้สร้างการขาดแคลนที่ซ่อนอยู่: ความแตกต่างระหว่างมูลค่าทางบัญชีของสินทรัพย์และมูลค่าตลาดจริงของสินทรัพย์นั้น — นับล้านล้านดอลลาร์ในอุตสาหกรรมทั้งหมด เมื่อ (ไม่ใช่ 'ถ้า' แต่ 'เมื่อ') ผู้ตรวจสอบบัญชีต้องการการประเมินราคาใหม่ — อาจทำให้เกิดการตัดจำหน่ายจำนวนมาก ราคาหุ้นของบริษัท AI ตกต่ำลง และกระตุ้นวิกฤตความเชื่อมั่นต่ออุตสาหกรรมทั้งหมด

นักวิเคราะห์คาดการณ์ว่า OpenAI จะเผชิญกับการขาดทุนสะสมประมาณ 1.12 แสนล้านดอลลาร์ภายในปี 2030 ตัวเลขนี้ไม่ได้เกิดขึ้นลอยๆ แต่มันสะท้อนถึงปัญหาพื้นฐานของรูปแบบธุรกิจ AI แบบรวมศูนย์

ในด้านหนึ่ง รายได้เติบโตอย่างน่าประทับใจ คือหลายพันล้านดอลลาร์ต่อปีจากการสมัครสมาชิก ChatGPT และ API แต่อีกด้านหนึ่ง ค่าใช้จ่ายกลับพุ่งสูงขึ้นเร็วกว่ามาก โมเดลแต่ละรุ่นใหม่ต้องการทรัพยากรเพิ่มขึ้นหลายเท่าตัว:

• GPT-3 → GPT-4: ต้นทุนการฝึกฝนเพิ่มขึ้นประมาณ 10 เท่า
• GPT-4 → GPT-5: เพิ่มขึ้นแบบทวีคูณตามเส้นโค้ง exponential
• Inference: ผู้ใช้หลายล้านคน = โทเค็นหลายพันล้านต่อวัน = หลายพันล้านดอลลาร์ต่อปีสำหรับพลังประมวลผล GPU

โมเดลนี้จะทำงานได้ก็ต่อเมื่อมีกระแสเงินทุนจาก VC เข้ามาไม่สิ้นสุดเท่านั้น OpenAI ระดมทุนไปหลายหมื่นล้านดอลลาร์ รวมถึงรอบจาก Microsoft และ SoftBank แต่นักลงทุนไม่ใช่การกุศล ไม่ช้าก็เร็วพวกเขาต้องการผลกำไร คำถามไม่ใช่ "ถ้า" แต่คือ "เมื่อไหร่" และเมื่อถึงเวลานั้น จะเกิดอะไรขึ้นกับธุรกิจนับล้านที่สร้างบน API ของ OpenAI?

หากเปรียบเทียบกัน: Gonka ระดมทุนได้ $80M และกำลังประมวลผลคำขอ AI จริงผ่านเครือข่ายที่มี GPU ประมาณ 4,648 ตัว ต้นทุน inference คือ $0.003 ต่อ 1 ล้านโทเค็น สิ่งนี้เป็นไปได้เพราะในโมเดลแบบกระจายศูนย์ ไม่จำเป็นต้องคืนทุนจากการลงทุนในศูนย์ข้อมูลมูลค่าหลายล้านล้านดอลลาร์

Gonka ไม่ได้สร้างศูนย์ข้อมูล แต่เป็นการรวม GPU ที่มีอยู่แล้วทั่วโลกเข้าด้วยกัน นี่ไม่ใช่แค่รูปแบบธุรกิจทางเลือก แต่เป็นสถาปัตยกรรมทางเศรษฐกิจที่แตกต่างโดยสิ้นเชิง ซึ่งกำจัดต้นตอของภาวะฟองสบู่

ไม่มีค่าใช้จ่ายลงทุน (CAPEX): เครือข่าย Gonka ไม่ได้ระดมทุนหลายแสนล้านเพื่อการก่อสร้าง โปรโตคอล, บล็อกเชน, ซอฟต์แวร์ คือสิ่งที่ทีมงานสร้างขึ้น ส่วน GPU นั้นจัดหาโดยโฮสต์อิสระทั่วโลก ซึ่งแต่ละรายดูแลค่าใช้จ่ายด้วยตนเอง

ไม่มีค่าเสื่อมราคาที่ยืดเยื้อ 6 ปี: เมื่อ H100 ล้าสมัย โฮสต์เพียงแค่เปลี่ยนเป็น H200 หรือรุ่นถัดไป การตัดสินใจทำโดยเจ้าของอุปกรณ์ตามสภาพตลาด ไม่ใช่ CFO ขององค์กรที่พยายามปกปิดการตัดจำหน่ายสินทรัพย์

ไม่มีการตุกติกทางบัญชี: การทำธุรกรรมทั้งหมดบนบล็อกเชนของ Gonka มีความโปร่งใส รางวัลถูกจัดสรรตามโปรโตคอลที่ตรวจสอบโดย CertiK ไม่มีค่าใช้จ่าย "แอบแฝง" ที่จะปรากฏขึ้นหลัง 5 ปีผ่านไปเมื่อต้องประเมินสินทรัพย์ใหม่

ความเสี่ยงแบบกระจาย: โฮสต์แต่ละรายแบกรับความเสี่ยงของตนเอง หากโฮสต์รายหนึ่งล้มเหลวจากการลงทุนใน GPU ที่พลาด นั่นเป็นปัญหาของเขา ไม่ใช่ปัญหาของทั้งเครือข่าย ในโมเดลรวมศูนย์ ความผิดพลาดครั้งเดียวมูลค่า 1 หมื่นล้านดอลลาร์สามารถทำให้ทั้งบริษัทล่มสลายได้ ใน Gonka ความผิดพลาดเช่นนั้นเป็นไปไม่ได้โดยนิยาม เพราะไม่มีผู้เข้าร่วมคนใดที่มีอำนาจตัดสินใจมูลค่า 1 หมื่นล้านดอลลาร์เพียงลำพัง

ผลลัพธ์: ต้นทุน inference ผ่าน Gonka คือ $0.003 ต่อล้านโทเค็น ซึ่งถูกกว่า OpenAI ประมาณ 830 เท่า และราคานี้มีความยั่งยืน เพราะไม่มีภาระโครงสร้างพื้นฐานมูลค่าล้านล้านดอลลาร์ที่ต้องคืนทุนอยู่เบื้องหลัง

มาเปรียบเทียบสองโมเดลของโครงสร้างพื้นฐาน AI:

ใน Gonka มีการใช้งาน GPU ประมาณ 4,648 ตัว จากผู้เข้าร่วมประมาณ 113 ราย (~582 ML-node) โครงการระดมทุนได้ $80M ซึ่งน้อยกว่าสิ่งที่ Stargate จ่ายไปหลายพันเท่า แต่เครือข่ายทำสิ่งเดียวกัน: ประมวลผลคำขอ AI ผ่านโครงข่ายประสาทเทียม Kimi K2.6 ที่เข้าถึงได้ผ่าน API ที่รองรับ OpenAI

การเปรียบเทียบ: ลองจินตนาการว่าในยุค 2000 มีคนเสนอว่า "แทนที่จะสร้างเซิร์ฟเวอร์ขนาดมหึมาสำหรับอินเทอร์เน็ต ให้เจ้าของบ้านแต่ละคนติดตั้งเซิร์ฟเวอร์ขนาดเล็กและรับรางวัลจากการเข้าร่วม" ฟังดูเป็นเรื่องเพ้อฝัน แต่นั่นคือวิธีที่ Airbnb ทำกับที่อยู่อาศัย, Uber ทำกับการขนส่ง และนั่นคือวิธีที่ Gonka ทำกับงานประมวลผล AI การกระจายศูนย์ไม่ใช่เรื่องเพ้อฝัน แต่เป็นขั้นตอนถัดไปของวิวัฒนาการโครงสร้างพื้นฐาน