Enterprise AI ก้าวจากทดลองสู่ Production จริง: NVIDIA, Broadcom และ AI Infrastructure ได้ประโยชน์ทั้งระบบ

Enterprise AI เปลี่ยนจากการทดลองสู่ Production — รายได้เริ่มไหลทั่วห่วงโซ่

จุดที่ควรสะสมการลงทุนในรอบนี้คือกลุ่ม AI Infrastructure ทั้งระบบ ตั้งแต่ Semiconductor, Networking, Memory ไปจนถึง Advanced Packaging เพราะ Enterprise AI ได้เปลี่ยนสถานะจากการทดลองไปสู่การใช้งานจริงในองค์กรแล้ว โดย Snowflake เห็น AI ช่วยเร่ง Consumption และย่นเวลาย้ายระบบจากหลายปีเหลือไม่กี่ไตรมาส ขณะที่ Palo Alto รายงาน Traffic จาก AI Agent บนเครือข่ายองค์กรเพิ่มราว 9 เท่าใน 9 เดือน สัญญาณเหล่านี้ยืนยันว่ารายได้กำลังส่งต่อจาก Software ไปยัง Cloud Provider และ AI Lab ผ่านค่า Hosting และ Model Usage อย่างเป็นรูปธรรม

ชั้นถัดไปของการเติบโตมาจาก AI Agent ที่ทำงานแทนคนได้มากขึ้น โดย GPT-6 Astra ปรับปรุงคะแนนการทำงานหลายขั้นตอนจากเดิม 18.1% เป็น 41.4% และลดเวลาเฉลี่ยต่อหนึ่งงานจากราว 75 เหลือ 40 นาที แนวโน้มนี้จะเปลี่ยนตัวชี้วัดที่องค์กรสนใจจาก Cost per Token ไปเป็น Cost per Completed Task ซึ่งจะขยาย Workload และความต้องการ Compute รวมถึง Inference ต่อเนื่อง

รูป: Enterprise AI Drives Full Stack Infrastructure Cycle

Broadcom: XPU โตแกร่ง 221% YoY — Visibility ชัดถึง FY28 แต่ติด Supply

Broadcom รายงานผลประกอบการ 3QFY26 ดีกว่าคาด โดยรายได้รวมโต 86% YoY เป็น $29.6 bn ขณะที่รายได้ AI Semiconductor โต 221% YoY เป็น $16.7 bn และคิดเป็นมากกว่าครึ่งของรายได้รวม โดย XPU คิดเป็น 73% ของรายได้ AI และส่งมอบเพิ่มกว่า 3.5 เท่า YoY ส่วน AI Networking คิดเป็น 27% ของรายได้ AI และโตมากกว่า 2.5 เท่า YoY สำหรับ Q4 ทั้ง XPU และ AI Networking คาดเพิ่มราว 3 เท่า YoY ทำให้รายได้ AI Q4 คาดโต 236% YoY เป็น $21.7 bn และรายได้ AI ทั้ง FY26 อยู่ที่ $58 bn สูงกว่าเป้าหมายเดิมที่ $56 bn

Broadcom มีลูกค้า XPU 6 ราย โดย 4 รายหลักคือ Google, Anthropic, OpenAI และ Meta Google มี Long-term Agreement สำหรับ TPU และ AI Networking หลายรุ่น คาดส่ง TPU ระดับหลายหมื่นล้านดอลลาร์ต่อปี และเริ่มส่ง TPU v8i แล้ว ส่วน Anthropic ขยายจากมากกว่า 1GW ใน 2026 เป็นอีก 5GW ใน 2027 และเพิ่ม 10GW ใน 2028 คาดว่าจะเป็นลูกค้า XPU ใหญ่ที่สุดใน FY27–28 ขณะที่ OpenAI เริ่มส่ง Jalapeno มี 1.3GW ใน FY27 และมากกว่า 5GW ใน FY28 พร้อมพัฒนา XPU รุ่นที่สองและสาม ส่วน Meta มี 3 รุ่นและราว 3GW ถึง FY28

กรอบรายได้ AI ของ Broadcom อยู่ที่ $115 bn ใน FY27 และ $230 bn ใน FY28 พร้อมเป้าหมาย EPS มากกว่า $30 ใน FY28 ผู้บริหารระบุว่า Demand จริงสูงกว่า Guidance ซึ่งตั้งแบบ Conservative เพราะติด Supply ได้แก่ Leading-edge Wafer, HBM, System Memory, Substrate และ Optical รวมถึงความพร้อมของ Data Center ทั้ง Land, Power และ Shell ผู้บริหารประเมินว่า Broadcom มีรายได้ต่อ Compute 1GW ราว $20–30 bn และระดับนี้น่าจะค่อนข้างทรงตัว เพราะ XPU รุ่นใหม่มี ASP สูงขึ้นแต่ใช้ Power มากขึ้น ทำให้จำนวนชิปต่อ GW ลดลง ตัวขับเคลื่อนหลักระยะยาวจึงเป็นจำนวน GW ที่เพิ่มขึ้นมากกว่า $/GW

ด้าน Networking ผู้บริหารคาดรายได้ AI Networking จะโตเร็วพอๆ กับ XPU ในอีกหลายปีข้างหน้า โดย Tomahawk 6 ถูกใช้ทั้งในลูกค้าที่ใช้ Broadcom XPU และ Compute ของรายอื่น ขณะที่ Tomahawk Ultra มี Adoption เร็วกว่าคาดและเริ่มใช้กับ Ethernet Scale-up ทั้ง XPU และ GPU Cluster ทำให้ Networking เป็น Growth ที่แยกจาก XPU ไม่ใช่เพียงรายได้พ่วง อย่างไรก็ตาม Q4 Gross Margin 73% และ Operating Margin 66% ต่ำกว่าคาดจาก XPU Mix และ Memory Content ที่สูงขึ้น

SEMICON Taiwan 2026: AI Scaling ชนคอขวดทั้งระบบ — TSMC, Memory และ CPO

TSMC เปิดเผยว่าหากใช้ความต้องการเครื่องจักรที่ประเมินไว้เมื่อ ธ.ค. 2025 เป็น 1.0 เท่า เพียงสิ้นไตรมาสแรกถูกปรับขึ้นเป็น 1.5 เท่า และเดือนกรกฎาคมเพิ่มเป็น 1.9 เท่า หรือเกือบสองเท่าภายใน 6 เดือน ปัจจุบัน TSMC กำลังสร้าง Fab พร้อมกันเกือบ 20 แห่ง แบ่งเป็นในไต้หวัน 13 แห่งและต่างประเทศอีก 5-6 แห่ง คิดเป็นราว 4-5 เท่าของจังหวะปกติ แต่ยังติดข้อจำกัดด้านแรงงานก่อสร้างและการส่งมอบเครื่องจักร

Google เปิดเผยว่าอุตสาหกรรม AI เปลี่ยนจาก Compute-Constrained มาเป็น Memory-Constrained แล้ว โดย High-Performance Memory คิดเป็นราว 75% ของ BOM Cost ของ AI Server หนึ่งเครื่อง Google จึงออกแบบ Hardware Adapter เฉพาะให้ DDR4 ต่อกับ Server รุ่นใหม่ได้ และนำ Server ปลดระวางเข้ามาเพื่อถอด DDR4 ออกมาใช้โดยตรง แต่ก็ยังไม่เพียงพอ ทางออกระยะยาวคือผู้ผลิต Memory ต้องเพิ่มกำลังการผลิตให้เร็วกว่านี้

ในด้าน Inference นั้น AI Inference แบ่งเป็น Prefill ที่เน้นการคำนวณ และ Decode ที่ต้องเรียกข้อมูลจาก Memory ซ้ำจำนวนมาก Sandisk จึงเสนอให้ Prefill ใช้ GDDR ขณะที่ Decode ใช้ HBF ซึ่งสร้างจาก NAND และมีความจุสูงกว่า สำหรับเก็บ Model Weight และ KV Cache หากแนวทางนี้เกิดขึ้นจริง NAND จะขยับจาก Storage มาอยู่ใกล้ตัวประมวลผล AI มากขึ้น โดย Sandisk และ SK hynix เป็นผู้พัฒนา HBF ขณะที่ Google และ Tenstorrent เข้ามาช่วยด้านการทดสอบและผลักดันมาตรฐาน

สำหรับ Networking นั้น Broadcom ระบุว่ารอบการเพิ่ม Network Bandwidth เป็นสองเท่ากำลังสั้นลงจากราว 2 ปีเหลือ 18 เดือน ทำให้ Switch, SerDes, NIC และ Optics มีโอกาสต้องเปลี่ยนรุ่นถี่กว่า Data Center Cycle ในอดีต ส่วน CPO (Co-Packaged Optics) เริ่มเปลี่ยนจากคำถามว่าเทคโนโลยีทำได้หรือไม่ ไปเป็นจะผลิตจำนวนมากด้วยต้นทุนและ Yield ที่เหมาะสมอย่างไร โดย Advantest ระบุว่า Silicon Photonics และ CPO กำลังเข้าสู่ High-Volume Manufacturing ทำให้โจทย์ย้ายไปที่ Test, Alignment และ Automation มากขึ้น

รูป: AI Infrastructure Bottlenecks Across Memory Network Packaging

ผลต่อการจัดพอร์ตและนัยต่อสินทรัพย์การลงทุน

• NVIDIA: NVIDIA ขยาย Moat จาก CUDA, GPU และ Networking ไปถึงการเชื่อม Model, Software และ Compute เข้าด้วยกัน ผ่าน Hugging Face ทำให้คู่แข่งต้องแข่งกับ Developer Ecosystem ทั้งระบบ ไม่ใช่เพียงชิปที่เร็วหรือถูกกว่า; Yuanta CIO ยังมองบวกต่อ NVIDIA
• Broadcom: XPU Roadmap ชัดถึง FY28 พร้อม Visibility $230 bn ใน FY28; AI Networking เติบโตคู่ขนานและเป็นอิสระจาก XPU
• TSMC: ความต้องการเครื่องจักรเพิ่มจาก 1.0 เป็น 1.9 เท่าภายใน 6 เดือน; การเร่งสร้าง Fab เกือบ 20 แห่งพร้อมกันสะท้อน Structural Demand ระยะยาว
• Memory (HBM, GDDR, HBF/NAND): ปัจจุบัน Memory คิดเป็นราว 75% ของ BOM Cost AI Server; Sandisk และ SK hynix เป็นผู้พัฒนา HBF ที่อาจขยายบทบาท NAND เข้าสู่ Compute
• Networking/Optical/CPO: รอบ Upgrade สั้นลงเหลือ 18 เดือน; CPO เข้าสู่ High-Volume Manufacturing ทำให้ Credo และผู้เล่นใน Optical/SerDes ได้ประโยชน์
• AI Server และ Advanced Packaging: ขยายตัวตามจำนวน Cluster ที่โตต่อเนื่อง
• Semiconductor Equipment: TSMC เร่งสร้าง Fab ในจังหวะ 4-5 เท่าของปกติ ส่งประโยชน์ไปยังซัพพลายเออร์เครื่องจักร

มุมมอง Yuanta CIO

Yuanta CIO ยังมองบวกต่อกลุ่ม AI Infrastructure ทั้งระบบที่ระบุข้างต้น เพราะการเติบโตของ AI จากนี้ต้องขยายทั้ง Compute และสิ่งที่อยู่รอบ Compute ไปพร้อมกัน โดยข้อจำกัดระยะสั้นมาจาก Supply ของ Leading-edge Wafer, HBM, Substrate และ Optical รวมถึงความพร้อมของ Data Center ซึ่งหาก Supply หรือ Site พร้อมเร็วกว่าสมมติฐาน ก็มีโอกาสเพิ่ม Guidance ในระยะถัดไป ทั้งนี้ตัวขับเคลื่อนหลักระยะยาวยังคงเป็นจำนวน GW ที่ Deploy ได้จริง มากกว่า $/GW