บูม AI สหรัฐฯ กำลังจะจบที่ “ทุนหายครั้งใหญ่” จริงไหม?
คำตอบสั้น: ยังไม่มีใครพิสูจน์ได้ว่าจะพังเมื่อไร และพังแค่ไหน ข้อเท็จจริงที่ตรวจได้มีสองข้อ ข้อแรก ราคาเฉลี่ยต่อโทเคนลดลงแรง ดัชนีของ Silicon Data ลดจาก $2.07 (28 พ.ค.) เหลือราว $1 ต่อล้านโทเคน ข้อสอง ค่าเช่า GPU รุ่นใหม่กลับแพงขึ้น ส่วนคำเตือนของ Chris Wood แห่ง Jefferies เป็นความเห็นระยะยาวที่ไม่มีกรอบเวลา ไม่ใช่คำทำนายวันที่
ที่ X ถกกันเพราะคำว่า “massive capital destruction” ไปแตะเรื่องที่คนกังวลอยู่แล้ว คือโมเดลจีนราคาถูก capex ระดับหลายแสนล้านดอลลาร์ และหนี้ของ hyperscaler บทความนี้แยกค่ายความเห็น แล้วเทียบแต่ละค่ายกับข้อมูลต้นทาง พร้อม Lab จำลอง 2 ชุด ทั้งหมดนี้ไม่ใช่คำแนะนำการลงทุน
จากรายงาน GREED & fear สู่คำถามว่า “ใครจะเป็นคนจ่าย”
วันที่ 9 ต.ค. 2026 Bloomberg รายงานว่า Chris Wood หัวหน้าฝ่ายกลยุทธ์หุ้นระดับโลกของ Jefferies เขียนไว้ในรายงาน GREED & fear ว่า “ผลลัพธ์ระยะยาวที่เป็นไปได้มากที่สุด” ของบูม AI คือ massive capital destruction ในสหรัฐฯ และส่วนแบ่งตลาดจะไหลไปหาโมเดล open-source ของจีนที่ถูกกว่า
“Initially the focus was on the cheapness of China models and the related commoditisation threat facing large language models. But now there is also a growing realisation that China has become a technological peer to the US in AI.” — Chris Wood ตามที่ Bloomberg อ้าง
ตามที่สื่อสรุปจากรายงาน Wood ใช้หลักฐานสามกลุ่ม กลุ่มแรกคือส่วนแบ่งโทเคนบน OpenRouter เขาอ้างว่าโมเดลจีนอันดับต้นประมวลผล 36.39 ล้านล้านโทเคนในสัปดาห์ที่สิ้นสุด 19 ก.ค. เทียบกับ 7.39 ล้านล้านของโมเดลสหรัฐฯ อันดับต้น กลุ่มที่สองคือราคาโทเคนที่ลดลง และกลุ่มที่สามคือcapex ของ hyperscaler ราว $695B ในปี 2026 และ $870B ในปี 2027 ซึ่งพึ่งเงินกู้มากขึ้น ส่วนตัวจุดชนวนที่เขาพูดถึงคือตลาดเครดิต ถ้าผู้ให้กู้ถอนเงินทุน การเทรด AI ทั้งระบบอาจคลายตัว แต่เขาไม่ได้ระบุวันหรือเหตุการณ์
ข้อควรระวังเรื่องตัวเลข: ตัวเลข OpenRouter 36.39 ล้านล้าน vs 7.39 ล้านล้าน เป็นข้อมูลสัปดาห์กลางเดือนกรกฎาคม ไม่ใช่สัปดาห์นี้ Business Standard รายงานตัวเลขชุดเดียวกันไว้ตั้งแต่ 28 ก.ค. 2026 ส่วนตัวเลข capex เป็น guidance ของบริษัทตามที่รายงานสรุป Hybrid Mind ไม่ได้อ่านตัวรายงาน GREED & fear ฉบับเต็ม ซึ่งเผยแพร่ให้ลูกค้าเท่านั้น
- โพสต์ LinkedIn ที่ยกบทสัมภาษณ์ของ Wood ระบุว่าเขาเองก็เคยเทียบยุคนี้กับฟองสบู่ไฟเบอร์ยุคดอตคอม และชี้จุดต่างว่าไฟเบอร์ใช้ได้ราว 20 ปี แต่ชิปมีอายุเชิงเศรษฐกิจราว 3–4 ปี อ้างต่อ ไม่ใช่ต้นฉบับ
- Business Standard รายงานคำเตือนเรื่องโมเดลจีนกับ “massive capital destruction” พร้อมตัวเลข OpenRouter สัปดาห์ 19 ก.ค.
- Citadel Securities เผยแพร่บทวิเคราะห์ “Elastic Expectations” อ่านว่าโทเคนที่ถูกลงอาจกระตุ้นให้คนใช้มากขึ้นจนชดเชยกัน (Jevons Paradox)
- Silicon Data ออกมาอธิบายว่าดัชนีโทเคนที่ลดลง “ส่วนใหญ่สะท้อนการย้ายไปใช้โมเดลถูก” ไม่ได้แปลว่าความต้องการ AI อ่อนลง
- Bloomberg รายงานรายงาน GREED & fear ฉบับล่าสุดของ Wood
- X News รวบรวมเป็นเรื่องเด่น “Wall Street Warns of Massive Capital Destruction in AI Surge” แล้วคนบน X ก็แตกเป็นหลายค่าย
ปริมาณการพูดถึง: คำว่า “ฟองสบู่ AI” อยู่ในไทม์ไลน์ทุกวัน
เรานับโพสต์บน X (ไม่นับรีโพสต์) ด้วยเครื่องมือนับโพสต์ย้อนหลัง 7 วันของ X แยกรายวันตามเวลา UTC เมื่อ 12 ต.ค. 2026 ราว 20:14 น. เวลาไทย คำค้นกว้าง (AI OR LLM) (bubble OR "capital destruction" OR commoditiz OR commoditis) ได้ 8,769 โพสต์ สิ่งที่น่าสนใจคือยอดสูงสุดอยู่ที่ 8 ต.ค. ก่อนรายงานของ Wood จะออกด้วยซ้ำ สัปดาห์นั้นมีกระแส “ฟองสบู่” จากนักลงทุนคนอื่นอยู่แล้ว เช่น Ray Dalio คำเตือนของ Jefferies จึงเป็นประกายหนึ่งในบทสนทนาที่ร้อนอยู่ก่อน ไม่ใช่จุดเริ่มต้นของทุกอย่าง
* วันที่นับได้ไม่เต็มวัน: 5 ต.ค. เริ่มนับ 13:14 UTC และ 12 ต.ค. นับถึง 13:14 UTC (20:14 น. เวลาไทย) ตัวเลขนี้นับคำ ไม่ได้วัดว่าโพสต์เห็นด้วยหรือแย้ง และมีโพสต์ที่ใช้คำว่า bubble ในความหมายอื่นปนอยู่
สองตัวเลขหลังเล่าเรื่องได้ดีกว่าตัวแรก โพสต์ที่พูดถึง Jefferies/Wood พุ่งช่วง 10–11 ต.ค. หลังบัญชี @business ของ Bloomberg โพสต์ข่าวนี้ (3,872 ไลก์ ตอนที่อ่าน) ส่วนคำว่า “Jevons” พุ่งในวันเดียวกัน เพราะฝั่งกระทิงหยิบกราฟ “ราคาโทเคนลง แต่ค่าเช่า GPU ขึ้น” มาตอบโต้ แปลว่าบน X ไม่ได้มีแค่คนตกใจ แต่มีการเถียงกันจริงสองฝั่ง
5 ค่ายที่เถียงกันบน X
เราจัดกลุ่มจากโพสต์ที่อ่าน ภาพนี้ไม่ได้บอกว่าค่ายไหนมีคนมากกว่า และหลายคนก็อยู่มากกว่าหนึ่งค่าย ตัวอย่างโพสต์เลือกจากบัญชีสาธารณะหรือองค์กรเป็นหลัก ส่วนบัญชีส่วนตัวขนาดเล็ก เราสรุปความโดยไม่ระบุชื่อ
ค่าย 1 — “ฟองสบู่ชัดแล้ว ทุนจะหายแน่”
ตัวอย่าง: นักข่าวสายเศรษฐศาสตร์การเมือง นักวิจารณ์อุตสาหกรรม AI และบัญชีข่าวการเงิน
- Ben Norton (@BenjaminNorton ผู้ติดตามราว 346,000 คน, 3,080 ไลก์ตอนที่อ่าน) เขียนว่า “ฟองสบู่ AI กำลังปฏิเสธไม่ได้” และสรุปว่า Jefferies “ยอมรับว่าบริษัท AI สหรัฐฯ ส่วนใหญ่จะไม่ทำกำไร เพราะโมเดล open-source ของจีนกำลังชนะ” สรุปแรงกว่าต้นฉบับ ในส่วนที่ Bloomberg และสื่ออื่นอ้าง เราไม่พบประโยคว่า “บริษัทส่วนใหญ่จะไม่ทำกำไร” Wood พูดเรื่องผลตอบแทนของ capex และ “malinvestment”
- Ed Zitron (@edzitron นักวิจารณ์อุตสาหกรรม AI) โควตโพสต์ของ Bloomberg ว่า “จะสนุกกับการดูว่าฝั่งเชียร์จะหาเหตุผลมาอธิบายเรื่องนี้อย่างไร” (1,161 ไลก์)
- The Macro Paper (@macropaperr, 368 ไลก์) ย้ายจุดสนใจไปที่ OpenAI กับ Anthropic ที่ “ยังเผาเงินสด” และอ้างตัวเลข UBS ว่า capex AI ปี 2027 ใกล้ $1.3 ล้านล้าน กับหนี้ของผู้กู้สาย AI ราว $466B ในปีนี้ ตัวเลขจากโพสต์ ยังไม่ได้ตรวจต้นฉบับ
สิ่งที่ค่ายนี้มีจริง: ต้นทุนเงินกู้สูงขึ้น capex ยังเร่ง และรายได้ของบริษัทโมเดลยังต้องโตอีกมาก สิ่งที่ค่ายนี้มักข้าม: Wood เองไม่ได้ให้กรอบเวลา และไม่ได้บอกว่าความต้องการ AI กำลังลด
ค่าย 2 — “เหมือนไฟเบอร์ยุค 90: หุ้นตาย แต่โครงข่ายอยู่”
ตัวอย่าง: ผู้บริหาร cloud นักลงทุนที่ใช้ประวัติศาสตร์รถไฟ ไฟฟ้า และดอตคอมเป็นกรอบ
- a16z (@a16z) เผยแพร่คลิปของ Matt Garman ซีอีโอ AWS ที่ว่า “มีฟองสบู่ บริษัทอินเทอร์เน็ตหลายแห่งไปไม่รอด แต่อินเทอร์เน็ตก็ยังอยู่” และบอกว่าลูกค้าองค์กร “เห็นผลตอบแทนเป็นบวก” ที่ต้นทุนวันนี้ คำพูดของผู้มีส่วนได้เสีย
- บัญชีนักลงทุนรายย่อยบัญชีหนึ่งสรุปรูปแบบนี้ไว้สั้น ๆ ว่า “Equity dies. The network usually doesn’t.” หรือ “ส่วนทุนตาย แต่โครงข่ายมักไม่ตาย”
- เสียงแย้งในค่ายเดียวกัน: บัญชีสายกฎหมายผู้บริโภคบัญชีหนึ่งเขียนว่า ไฟเบอร์ที่ถูกทิ้งไว้ “อย่างน้อยก็อยู่ได้นานพอจะได้ใช้ในวันนี้ แต่ฮาร์ดแวร์ในศูนย์ข้อมูลจะไม่เป็นแบบนั้น” ข้อนี้ตรงกับมุมอายุชิปที่เราอธิบายในหัวข้อ 08
ค่าย 3 — “ฟองสบู่มีจริง แต่ไม่มีใครจับจังหวะได้”
ตัวอย่าง: นักวิเคราะห์เชิงปริมาณ นักบริหารพอร์ต และนักลงทุนคริปโตที่ผ่านหลายรอบตลาด
- Alphatica (@alphaticaio) เขียนว่า “ฟองสบู่ capex ทุกครั้งในประวัติศาสตร์สหรัฐฯ แตก แต่แทบไม่มีครั้งไหนแตกตามกำหนด” และเสนอกรอบว่าบูมมักแตกเมื่อการใช้จ่ายสะสมแตะราว 25% ของ GDP เป็นกรอบของผู้เขียน ยังไม่ได้ตรวจ
- Kyle Chassé (@Kylechasse) เขียนว่า “ไม่มีใครรู้ว่ามันจะแตกเมื่อไร เดือนหน้า? 2028?” และเปรียบการคุมขนาดพอร์ตกับการคาดเข็มขัดนิรภัย
- มีคนตอบใต้โพสต์ของค่าย 1 ทำนองว่า “คุณพยายามทายวันตลาดพังมาสิบปี และทายถูกศูนย์ครั้ง” นี่เป็นจุดอ่อนของการทำนายฟองสบู่แบบใส่วันที่ แต่ก็ไม่ได้พิสูจน์ว่าคำเตือนครั้งนี้ผิด
ค่าย 4 — “จีนไม่ได้แค่ถูก แต่เป็นคู่แข่งระดับเดียวกันแล้ว”
ตัวอย่าง: สื่อการเงินคริปโต ผู้ติดตามอุตสาหกรรม AI จีน และนักพัฒนาที่ใช้ open model
- Coin Bureau (@coinbureau, 341 ไลก์) อ้างว่าผู้พัฒนาจีนปล่อย “16 โมเดลใหม่ในเดือนเดียว” นำโดย DeepSeek และ Xiaomi อ้างรายงานสื่ออื่น ส่วน Nic ผู้ก่อตั้ง Coin Bureau (@puckrin) ยกคำว่า “technological peer” ของ Wood มาแซวมูลค่าบริษัท AI สหรัฐฯ
- เสียงแย้งที่หนักที่สุดมาจากข้อมูลรายจ่าย: Ara Kharazian, Lead Economist ของ Ramp (@arakharazian) ระบุว่าราคาที่ลดลง “มาจากการหั่นราคาที่ระดับ frontier ซึ่งมาจากการแข่งขันระหว่าง OpenAI กับ Anthropic ไม่ใช่ open-source ที่เป็น ไม่ถึง 5% ของรายจ่ายภาคธุรกิจ” (ในโพสต์ 2 ต.ค. ระบุว่ารายจ่าย AI ใน Ramp AI Index ล่าสุดลดลง)
- Derek Thompson (@DKThomp) ตอบว่า open model อาจเป็นไม่ถึง 5% ของรายจ่าย แต่เป็น “มากกว่า 5% ของเหตุผลที่ราคาลด” เพราะกดดันราคาของ frontier อยู่ข้างหลัง
- นักพัฒนาคนหนึ่งตอบโพสต์ค่าย 1 ว่า “ชนะในแง่ไหน? ที่ทำงานผมรัน open model ในเครื่อง แต่ต่อเข้ากับ Claude ด้วย มันมีงานเฉพาะของมัน แต่ใช้เดี่ยว ๆ ยังไม่พอ”
ค่าย 5 — Jevons: “โทเคนถูก = ใช้มากขึ้น ดีกับคนสร้างของและเจ้าของ GPU”
ตัวอย่าง: VC นักลงทุนโครงสร้างพื้นฐาน AI และนักพัฒนาที่จ่ายค่า API
- a16z (@a16z, 1,289 ไลก์) โพสต์กราฟพร้อมข้อความว่า “ราคาโทเคนลดลงเรื่อย ๆ และค่าเช่า GPU ขึ้นเรื่อย ๆ … ความฉลาดถูกลง การใช้งานเพิ่มขึ้น”
- Gavin Baker แห่ง Atreides (@GavinSBaker, 2,868 ไลก์) แย้งว่า open-weight model ที่บีบมาร์จินชั้นโมเดล “เป็นบวกสุทธิต่อความต้องการโครงสร้างพื้นฐาน AI” เพราะโทเคนจาก open model กินคอมพิวต์ “ราว ๆ” เท่ากับโทเคนจาก frontier model ขนาดใกล้กัน และในโพสต์ 11 ต.ค. เขาบอกว่าตั้งแต่ดัชนีโทเคนของ Silicon Data ขึ้นสูงสุด ราคา B300 ขึ้น 38% และ B200 ขึ้น 10%
- Puru Saxena (@saxena_puru, 582 ไลก์) เรียกสิ่งนี้ว่า “Jevons paradox แบบเรียลไทม์” แต่ก็เขียนเงื่อนไขไว้เองว่า hyperscaler และ neocloud “เจอการบีบมาร์จิน ถ้าราคาโทเคนลดเร็วกว่าการเติบโตของปริมาณ”
- ฝั่งแย้ง: Ed Zitron (@edzitron) โควตโพสต์ของ Baker ว่าเป็นการ “ทาลิปสติกให้หมู” ส่วน Kharazian ชี้ว่าถ้ามาร์จินของ frontier lab ถูกกระทบ “จะลดความสามารถในการลงทุนซ้ำในโครงสร้างพื้นฐาน”
ข้อสังเกต: ผู้โพสต์หลายรายในค่ายนี้ระบุเองว่าถือหุ้นโครงสร้างพื้นฐาน AI อยู่ บางรายถึงขั้นบอกว่าลงเงินเกือบทั้งหมดในหุ้นตัวเดียว นี่ไม่ได้ทำให้ข้อโต้แย้งผิด แต่เป็นเหตุผลที่ควรถามว่า “ถ้าผิด ใครเสีย” ทุกครั้ง
จุดที่ทั้งห้าค่ายเถียงกันจริง ๆ ไม่ใช่ “AI ดีหรือไม่ดี” แต่คือใครจะเป็นคนรับความเสียหาย Wood ชี้ไปที่ทุนของ hyperscaler สหรัฐฯ Baker บอกว่าคนเสียคือชั้นโมเดล ส่วนชั้นโครงสร้างพื้นฐานได้ประโยชน์ และ Kharazian บอกว่าแรงกดดันมาจากสงครามราคาระหว่าง OpenAI กับ Anthropic เอง สามแผนที่นี้ให้คำตอบเรื่อง “ใครเจ็บ” ต่างกันมาก แม้จะมองข้อมูลราคาชุดเดียวกัน
ตัวเลขไลก์คือค่า ณ เวลาที่อ่าน (12 ต.ค. 2026 ราว 20:15–20:25 น. เวลาไทย) และจะเปลี่ยนไปเรื่อย ๆ โพสต์ที่สรุปความโดยไม่ระบุชื่อเป็นบัญชีส่วนตัวขนาดเล็ก ตัวเลขที่วนอยู่บน X สำหรับสัปดาห์ปลาย ก.ย. เช่น “62.2T vs 14.2T”, “61.2T vs 21.8T” หรือ “76T” ไม่ตรงกันเอง และเราหาต้นฉบับยืนยันไม่ได้ จึงไม่ได้นำมาใช้
ทดลอง 01 — เลือกคำอ้าง แล้วดูว่าต้องใช้หลักฐานอะไรถึงจะเชื่อได้
การจำลองเชิงการศึกษาแบบกำหนดผลล่วงหน้า ไม่ใช่การวิเคราะห์ตลาดจริงหรือคำแนะนำการลงทุน ผล PASS / PARTIAL / UNKNOWN / FAIL หมายถึง “หลักฐานสาธารณะตอนนี้รองรับคำอ้างแค่ไหน” ไม่ได้บอกว่าหุ้นจะขึ้นหรือลง
1) เลือกคำอ้างที่เห็นบน X
2) สมมติว่ามีหลักฐานเพิ่ม (ติ๊กเพื่อดูว่าผลเปลี่ยนไหม)
เลือกคำอ้างด้านบน
สังเกตว่าคะแนน “กรอบเวลา” แทบไม่เปลี่ยนเลย ไม่ว่าจะติ๊กอะไร เพราะหลักฐานแต่ละข้อบอกทิศทาง แต่ไม่ได้บอกวัน
โทเคนถูกลง แต่ค่าเช่า GPU แพงขึ้น: สองเรื่องนี้ขัดกันไหม?
ค่ายหมีมักยกดัชนีราคาโทเคนที่ลดลงมาเป็นหลักฐานว่า “LLM กลายเป็นสินค้าโภคภัณฑ์” แต่ผู้ทำดัชนีเองเตือนว่าตัวเลขนี้อ่านแบบนั้นไม่ได้ตรง ๆ
ราคาโทเคนเฉลี่ยลดลงจริง
หน้าเว็บ Silicon Data แสดงดัชนี LLM Token Expenditure (SDLLMTK) ที่ $0.97 ต่อล้านโทเคน ณ 10 ต.ค. 2026 และ Silicon Data ระบุว่าดัชนีลดจาก $2.07 (28 พ.ค.) เหลือ $1.00 (21 ก.ย.) หรือราว 52% แต่ช่วง ม.ค.–พ.ค. ดัชนีเคยขึ้น 67%
ค่าเช่า GPU รุ่นใหม่ยังแพง
หน้าเดียวกันแสดงค่าเช่า H100 $2.83, B200 $5.93 และ B300 $6.65 ต่อชั่วโมง (ณ 10 ต.ค.) ส่วนข้อความของ Silicon Data เมื่อ 24 ก.ย. ระบุว่า H200 ในผู้ให้บริการที่ไม่ใช่ hyperscaler ขึ้นจากเฉลี่ย $2.87 (มิ.ย.) เป็น $3.29
ทำไมสองเส้นวิ่งสวนกันได้: ดัชนีโทเคนเป็นราคาถ่วงตามการใช้ (usage-weighted) ไม่ใช่ยอดใช้หรือยอดเงิน ถ้างานจำนวนมากย้ายไปโมเดลเล็กที่ถูกและเร็ว ค่าเฉลี่ยจะลดลงทันที แม้ราคาของแต่ละโมเดลไม่เปลี่ยนเลย ขณะเดียวกัน ถ้าจำนวนโทเคนรวมโตเร็วกว่า ความต้องการ GPU ก็ยังเพิ่ม Citadel Securities เรียกสิ่งนี้ว่าหลักฐาน “เบื้องต้น” ของ Jevons Paradox และใช้ข้อมูล Ramp ประกอบ ซึ่งพบว่ารายจ่าย AI ต่อพนักงานของบริษัทกลุ่มบนสุด 1% เพิ่มราว 49% ใน ก.ค. เทียบเดือนก่อน
แต่ทั้งหมดนี้ยังไม่ตอบคำถามของ Wood: ค่าเช่า GPU ที่แพงขึ้นเป็นข่าวดีของเจ้าของ GPU แต่ไม่ได้พิสูจน์ว่าบริษัทที่ลงทุนหลายแสนล้านดอลลาร์จะได้ผลตอบแทนสูงกว่าต้นทุนเงินกู้ และ Citadel เองก็เตือนว่าตลาดเหล่านี้ “ยังใหม่ กระจัดกระจาย และโปร่งใสน้อย”
ทดลอง 02 — แบบจำลองของเล่น: ราคาโทเคน ค่าเช่า GPU และความต้องการ
แบบจำลองเชิงการศึกษาที่ตัวเลขทั้งหมดเป็นค่าสมมติ ไม่ได้ใช้ข้อมูลตลาดจริง และไม่ได้พยากรณ์ราคาหุ้นหรือวันพัง เริ่มที่ดัชนี 100 ทุกตัว แล้วจำลอง 8 ไตรมาสข้างหน้า
กำลังคำนวณ…
สูตรของเล่น: ความต้องการ GPU = ปริมาณโทเคน × GPU ต่อโทเคน และแรงกดดันค่าเช่า = ความต้องการ GPU ÷ GPU ที่มี แบบจำลองนี้ไม่มีดอกเบี้ย ค่าเสื่อม หรือการแข่งขันด้านราคาระหว่างผู้ให้เช่า จึงใช้ได้แค่ทำความเข้าใจว่า “สองเส้นวิ่งสวนกันได้” ไม่ได้บอกว่าใครกำไร
OpenRouter บอกอะไร และไม่ได้บอกอะไร
ตัวเลขที่ถูกแชร์มากที่สุดในวงถกคือส่วนแบ่งโทเคนบน OpenRouter ซึ่งเป็นตัวกลางที่ให้นักพัฒนาเรียกหลายโมเดลผ่าน API เดียว เราเปิดหน้า Rankings สาธารณะเมื่อ 12 ต.ค. 2026 (ราว 20:10 น. เวลาไทย) และเห็นภาพที่สอดคล้องกับทิศทางที่ Wood พูด
| สิ่งที่หน้า OpenRouter แสดง (ช่วงที่ดู) | ค่า |
|---|---|
| อันดับ 1–5 ตามโทเคน ช่วง 7 วันล่าสุด | DeepSeek V4.1 Flash (41T), GLM 5.3 Flash (12.2T), MiMo-V2.6-Flash (11.5T), Step 5 Preview (8.84T), Hy4 preview (8.28T) ทั้งห้าตัวเป็นผู้พัฒนาจากจีน |
| โมเดลสหรัฐฯ อันดับสูงสุดใน 7 วัน | GPT-6 Luna อันดับ 6 (7.08T) และ Claude Opus 5.5 อันดับ 8 (5.02T) |
| ส่วนแบ่ง “คำขอ” ตามผู้พัฒนา สัปดาห์เริ่ม 5 ต.ค. | DeepSeek 24.5%, OpenAI 18.6%, Google 17.8%, Z.ai 13.4%, Qwen 5.4%, Anthropic 3.9% |
แต่หน้าเดียวกันก็อธิบายวิธีวัดไว้ชัดว่า อันดับเหล่านี้คือทราฟฟิกที่วิ่งผ่าน OpenRouter กราฟ Market Share นับเป็นจำนวนคำขอ และ “ไม่มีตัวไหนวัดจำนวนผู้ใช้หรือยอดเงิน” นอกจากนี้ โมเดลแต่ละตัวพูดยาวและตัดคำไม่เท่ากัน โทเคนที่มากกว่าจึงบอกแค่ว่าถูกใช้มาก ไม่ได้บอกว่าเก่งกว่า สิ่งที่ตารางนี้ไม่เห็นเลยคือการเรียก API ตรงไปที่ OpenAI, Anthropic หรือ Google และงานองค์กรที่รันบน cloud ของตัวเอง ซึ่งน่าจะเป็นส่วนที่ทำเงินมากของบริษัทสหรัฐฯ
อันดับบน OpenRouter เปลี่ยนทุกวัน ตัวเลขข้างบนเป็นภาพ ณ เวลาที่เราเปิดดู อย่านำไปผสมกับตัวเลขสัปดาห์ 19 ก.ค. ที่ Wood อ้าง เพราะเป็นคนละช่วงเวลา และอาจนับคนละกลุ่มโมเดล
“เหมือนไฟเบอร์ยุค 90” ใช้เทียบได้แค่ไหน
ค่ายที่ไม่ตื่นตระหนกมักพูดว่า ช่วงฟองสบู่ดอตคอม บริษัทโทรคมนาคมวางสายไฟเบอร์เกินความต้องการจนล้มละลายกันหลายราย แต่สายเหล่านั้นทำให้แบนด์วิดท์ถูกลง และกลายเป็นฐานของอินเทอร์เน็ตยุคต่อมา Jeff Bezos เรียกยุคนี้ว่า “industrial bubble” ตั้งแต่ ต.ค. 2025 และพูดว่าเมื่อฝุ่นหายตลบ “สังคมได้ประโยชน์จากสิ่งประดิษฐ์เหล่านั้น” แม้นักลงทุนจำนวนมากจะเสียเงิน
ข้อนี้น่าสนใจตรงที่ค่ายหมีกับค่ายไฟเบอร์อาจถูกพร้อมกันได้ “ทุนหาย” หมายถึงผู้ถือหุ้นและเจ้าหนี้ขาดทุน ส่วน “โครงสร้างพื้นฐานยังอยู่” หมายถึงสังคมได้ของถูกไปใช้ต่อ แต่มีจุดต่างที่คนมักข้าม คืออายุใช้งาน โพสต์ที่ยกบทสัมภาษณ์ของ Wood เองระบุว่าไฟเบอร์ใช้ได้ราว 20 ปี ส่วนชิปมีอายุเชิงเศรษฐกิจราว 3–4 ปี ถ้าคืนทุนไม่ทันก่อนชิปตกรุ่น ค่าเสื่อมจะกินกำไรก่อน และของที่ “เหลือไว้ให้สังคม” อาจไม่ใช่ GPU แต่เป็นอาคาร ระบบไฟ สายส่ง โมเดลที่ปล่อยแล้ว และทักษะคน
อีกจุดที่ค่ายต่าง ๆ ยังเห็นไม่ตรงกันคือที่มาของเงิน Wood ย้ำว่า capex “ใช้หนี้มากขึ้นแทนเงินสด” ขณะที่ Lance Roberts แห่ง RIA เขียนเมื่อ 4 ก.ย. ว่านี่เป็น “การสร้างเกินขนาดที่ใช้เงินสดเป็นหลัก” และฝั่งหมี “มีเหตุผลจริง แต่ไม่มีจังหวะเวลา” สองมุมนี้ไม่จำเป็นต้องขัดกันทั้งหมด เพราะสัดส่วนหนี้อาจกำลังเปลี่ยนอยู่ แต่ผลต่อความเสี่ยงต่างกันมาก วิกฤตที่ใช้เงินสดทำให้ผู้ถือหุ้นเจ็บ ส่วนวิกฤตที่ใช้หนี้ลามไปถึงเจ้าหนี้และระบบการเงินได้
สิ่งที่หลักฐานสนับสนุน vs สิ่งที่ยังพิสูจน์ไม่ได้
สิ่งที่ตรวจแล้วว่ามีจริง
- ยืนยัน Bloomberg รายงานคำเตือน “massive capital destruction” และคำพูดเรื่อง “technological peer” ของ Wood ในรายงาน 9 ต.ค.
- ยืนยัน ดัชนีราคาโทเคนของ Silicon Data ลดจาก $2.07 เหลือราว $1 และอยู่ที่ $0.97 ณ 10 ต.ค.
- ยืนยัน ค่าเช่า GPU รุ่นใหม่ (B200, B300, H200) สูงขึ้นจากช่วงกลางปี ตามข้อมูลของ Silicon Data
- ยืนยัน หน้า Rankings ของ OpenRouter ณ 12 ต.ค. มีโมเดลจากจีนครองอันดับ 1–5 ตามโทเคนรายสัปดาห์ และ DeepSeek มีส่วนแบ่งคำขอมากที่สุด
- ตามรายงานสื่อ capex guidance ของ hyperscaler ราว $695B (2026) และ $870B (2027) และตัวเลข OpenRouter สัปดาห์ 19 ก.ค.
สิ่งที่ยังพิสูจน์ไม่ได้
- ยังไม่รู้ capex จะได้ผลตอบแทนต่ำกว่าต้นทุนเงินทุนหรือไม่ เพราะยังไม่มีงบที่แยกกำไรจาก AI ได้ชัด
- ยังไม่รู้ เมื่อไรหรือจะมีหรือไม่ที่ตลาดเครดิต “ถอนเงิน” Wood เองก็ไม่ได้ให้วัน
- ยังไม่รู้ ส่วนแบ่งบน OpenRouter สะท้อนตลาดทั้งหมดแค่ไหน ข้อมูล Ramp ชี้ว่า open model เป็นไม่ถึง 5% ของรายจ่ายธุรกิจที่ Ramp เห็น
- ยังไม่รู้ Jevons จะ “ชนะ” ต่อไปหรือไม่ หลักฐานตอนนี้ยังเป็นช่วงเวลาสั้น ๆ และ Citadel เรียกว่า “tentative”
- อ้างต่อบน X ตัวเลขการขาดทุนของ OpenAI และ Anthropic รวมถึงตัวเลขหนี้ $466B ที่วนในโพสต์ ยังไม่ได้ตรวจต้นฉบับ
ข้อสรุปแบบตรงไปตรงมา: ข้อมูลราคาสนับสนุนว่าธุรกิจขายโทเคนเริ่มเป็นสินค้าโภคภัณฑ์ ซึ่งกดดันมาร์จินของชั้นโมเดล แต่ข้อมูลค่าเช่า GPU ยังไม่สนับสนุนว่าความต้องการคอมพิวต์กำลังล้ม คำว่า “capital destruction” จึงยังเป็นข้อสรุปเรื่องผลตอบแทนในอนาคต ซึ่งต้องรอดูงบการเงิน ภาระหนี้ และอายุใช้งานของชิปจริง
นำไปใช้อย่างไร แยกตามกลุ่มผู้อ่าน
สำหรับนักพัฒนาและสตาร์ทอัพที่จ่ายค่า API
โทเคนที่ถูกลงเป็นข่าวดีระยะสั้น แต่อย่าออกแบบระบบให้ผูกกับโมเดลหรือผู้ให้บริการรายเดียว ถ้าสงครามราคาจบลงหรือผู้ให้บริการบางรายถอนตัว ราคาอาจเด้งกลับได้ ให้ทำชั้น routing ที่เปลี่ยนโมเดลได้ และวัด “ต้นทุนต่องานที่สำเร็จ” แทน “ราคาต่อล้านโทเคน” เพราะโมเดลถูกที่ต้องรันซ้ำสามรอบอาจแพงกว่า
สำหรับธุรกิจที่จะซื้อหรือเช่า GPU
สัญญาเช่าระยะยาวคือการเดิมพันกับอายุชิป ถามผู้ขายตรง ๆ ว่าถ้ารุ่นใหม่ออกใน 12–18 เดือน ราคาจะเป็นอย่างไร และคำนวณจุดคุ้มทุนโดยใช้อายุเชิงเศรษฐกิจที่สั้นกว่าอายุทางกายภาพ
สำหรับนักลงทุนทั่วไป (ไม่ใช่คำแนะนำการลงทุน)
แยกให้ออกว่าข่าวพูดถึงชั้นไหนของห่วงโซ่ ชั้นโมเดล ชั้น cloud ชั้นชิป หรือชั้นพลังงาน เพราะแต่ละชั้นได้หรือเสียจากโทเคนราคาถูกต่างกัน ระวังโพสต์ที่สรุปแรงกว่าต้นฉบับ และดูว่าผู้โพสต์ถือสินทรัพย์ที่ตัวเองพูดถึงหรือไม่
สำหรับผู้อ่านในไทยที่ใช้ AI ทำงาน
ถ้าฟองสบู่แตกจริง สิ่งที่น่าจะเปลี่ยนก่อนคือราคาแพ็กเกจและบริการฟรีที่ได้เงินอุดหนุนอยู่ ไม่ใช่ความสามารถของโมเดลที่ปล่อยออกมาแล้ว ทักษะการเขียน brief การตรวจผลลัพธ์ และการเปลี่ยนเครื่องมือได้ จะยังมีค่าไม่ว่าตลาดจะไปทางไหน
แบบฝึก: ใช้เช็กลิสต์กับโพสต์ถัดไปที่คุณเห็น
อ่านต่อบน Hybrid Mind
- ทำไม AI ถึงตอบเร็วไม่เท่ากัน? เจาะเบื้องหลัง LLM Inference Engineering เพื่อเข้าใจว่าทำไม “GPU ต่อโทเคน” จึงลดลงได้
- GPT-6.1 Sol 500K Context: AI Agent ยังต้องใช้ VPS และ n8n ไหม? มุมต้นทุนเมื่อใช้งาน Agent จริง
- Unsloth เปลี่ยน Qwen3.5 ให้เป็นโมเดลตัดสินใจโดยเฉพาะ ตัวอย่างการใช้ open model บน GPU เล็ก
- Karpathy ชี้ช่องว่างการเข้าใจ AI: ทำไมคนเห็น Agent ไม่เหมือนกัน? เหตุผลที่คนในวงการกับนักลงทุนมองภาพเดียวกันต่างกัน
- คนเกลียด AI จริงไหม: X ถกหลังโพสต์งานแต่ง แต่โพลบอกภาพซับซ้อนกว่า อีกหนึ่งดีเบตบน X ที่เราเทียบกับข้อมูลต้นทาง
คำถามที่พบบ่อย
1. Jefferies บอกว่าฟองสบู่ AI จะแตกเมื่อไร?
ไม่ได้บอก ตามที่สื่อรายงาน Chris Wood เรียก “massive capital destruction” ว่าเป็น “ผลลัพธ์ระยะยาวที่เป็นไปได้มากที่สุด” และชี้ว่าตัวจุดชนวนคือการที่ตลาดเครดิตถอนเงินทุน หรือผลตอบแทนต่ำกว่าคาด แต่ไม่มีวันหรือเหตุการณ์เฉพาะ
2. ราคาโทเคนที่ลดลงแปลว่าคนใช้ AI น้อยลงไหม?
ไม่ได้แปลอย่างนั้น ดัชนีของ Silicon Data เป็นราคาเฉลี่ยถ่วงตามการใช้ เมื่องานย้ายไปโมเดลถูก ค่าเฉลี่ยก็ลด แม้ปริมาณรวมจะเพิ่ม Silicon Data เองเตือนว่าไม่ควรใช้ดัชนีนี้ตัวเดียวตัดสินความต้องการ AI
3. โมเดลจีนแซงโมเดลสหรัฐฯ แล้วจริงไหม?
บน OpenRouter ใช่ ในแง่จำนวนโทเคนและจำนวนคำขอ ณ ช่วงที่เราดู แต่ OpenRouter ไม่ได้วัดรายได้ และไม่เห็นทราฟฟิกที่เรียกตรงไปผู้ให้บริการ ข้อมูลรายจ่ายองค์กรของ Ramp ชี้ว่า open model เป็นไม่ถึง 5% ของรายจ่าย ภาพจึงขึ้นอยู่กับว่าวัดอะไร
4. “Jevons Paradox” ในเรื่องนี้หมายถึงอะไร?
หมายถึงเมื่อของบางอย่างถูกลงจนคนใช้มากขึ้นมาก ปริมาณการใช้ทรัพยากรรวมอาจเพิ่มขึ้น ในกรณีนี้คือโทเคนถูกลงจนมีงานใหม่ ๆ เช่น Agent ที่วนหลายรอบ ทำให้ต้องใช้ GPU มากขึ้น หลักฐานตอนนี้ยังเป็นช่วงสั้น และไม่ได้พิสูจน์ว่าทุกบริษัทในห่วงโซ่ได้กำไร
5. ถ้าทุนหายจริง AI จะหายไปด้วยไหม?
ไม่จำเป็น “ทุนหาย” หมายถึงผู้ถือหุ้นและเจ้าหนี้ขาดทุน ส่วนโมเดล ความรู้ และโครงสร้างบางส่วนจะยังอยู่ เหมือนไฟเบอร์หลังยุคดอตคอม แต่ชิปเก่าเร็วกว่าไฟเบอร์มาก สิ่งที่เหลือให้ใช้ต่อจึงอาจน้อยกว่าที่ค่ายไฟเบอร์คาด
6. บทความนี้แนะนำให้ซื้อหรือขายหุ้นไหม?
ไม่ บทความนี้สรุปความเห็นบน X และตรวจกับข้อมูลต้นทาง Lab ทั้งสองเป็นแบบจำลองเพื่อการศึกษา ไม่ใช่การวิเคราะห์หลักทรัพย์ การตัดสินใจลงทุนควรใช้ข้อมูลและคำปรึกษาที่เหมาะกับสถานการณ์ของคุณเอง
เอกสารอ้างอิงและขอบเขตการตรวจ
แหล่งข้อมูลหลักและรายงานข่าว
- Bloomberg — Jefferies’ Chris Wood Sees ‘Massive Capital Destruction’ in AI (9 ต.ค. 2026) อ่านได้เฉพาะช่วงต้นของบทความ (paywall)
- Bloomberg Government — ฉบับเผยแพร่ซ้ำของบทความเดียวกัน
- Business Standard — Chinese AI models can trigger massive capital destruction in US (28 ก.ค. 2026)
- Unbiased Headlines — สรุปรายงาน GREED & fear 9 ต.ค. (บทสรุปที่เขียนด้วย AI ใช้เป็นแหล่งรองเท่านั้น)
- Silicon Data — LLM Token Expenditure Index (SDLLMTK) ค่า ณ 10 ต.ค. 2026 และดัชนีค่าเช่า GPU ที่เกี่ยวข้อง
- BlockBeats/BIBIBI — Silicon Data อธิบายว่าดัชนีที่ลดลงสะท้อนการย้ายโมเดล (24 ก.ย. 2026)
- Citadel Securities — Elastic Expectations (18 ส.ค. 2026)
- OpenRouter — LLM Rankings และคำอธิบายวิธีวัด (ดูเมื่อ 12 ต.ค. 2026)
- Lance Roberts (RIA) — AI Bears: Right About The Excess, May Be Wrong On The Trade (4 ก.ย. 2026)
- CNBC — Jeff Bezos: AI in an ‘industrial bubble’ but society will benefit (3 ต.ค. 2025)
- โพสต์ LinkedIn ที่ยกบทสัมภาษณ์ของ Wood เรื่องไฟเบอร์กับอายุชิป (ก.พ. 2026) (แหล่งรอง ไม่ใช่ต้นฉบับบทสัมภาษณ์)
โพสต์บน X ที่อ้างถึง
- @business — โพสต์ข่าว Jefferies (10 ต.ค. 08:50 น.)
- @FaseehMangi — Faseeh Mangi ผู้เขียนข่าว Bloomberg (9 ต.ค. 21:32 น.)
- @BenjaminNorton — “The AI bubble is becoming impossible to deny” (10 ต.ค. 22:24 น.)
- @edzitron — โควตข่าว Bloomberg (11 ต.ค. 06:24 น.)
- @edzitron — โควตโพสต์ของ Gavin Baker (9 ต.ค. 19:42 น.)
- @macropaperr — OpenAI และ Anthropic กับหนี้ AI (11 ต.ค. 16:41 น.)
- @a16z — คลิป Matt Garman (AWS) เรื่องฟองสบู่ (9 ต.ค. 01:15 น.)
- @a16z — กราฟราคาโทเคนกับค่าเช่า GPU (10 ต.ค. 02:45 น.)
- @alphaticaio — “Almost none popped on schedule” (11 ต.ค. 01:25 น.)
- @Kylechasse — “Nobody knows when it breaks” (8 ต.ค. 14:26 น.)
- @coinbureau — โมเดลจีน 16 ตัวในเดือนเดียว (10 ต.ค. 19:00 น.)
- @puckrin — ยกคำว่า technological peer (10 ต.ค. 19:24 น.)
- @arakharazian — Ramp AI Index รายจ่ายลดลง (2 ต.ค. 02:24 น.)
- @arakharazian — ราคาลดจากการแข่งขัน OpenAI กับ Anthropic (9 ต.ค. 21:10 น.)
- @DKThomp — open model กับเหตุผลที่ราคาลด (9 ต.ค. 22:06 น.)
- @GavinSBaker — open-weight เป็นบวกต่อโครงสร้างพื้นฐาน (9 ต.ค. 18:55 น.)
- @GavinSBaker — ราคา B300/B200 หลังดัชนีโทเคนขึ้นสูงสุด (11 ต.ค. 18:09 น.)
- @saxena_puru — Jevons paradox แบบเรียลไทม์ (11 ต.ค. 07:54 น.)
ขอบเขตการตรวจ
เราดึงโพสต์จาก X ผ่านเครื่องมือค้นหาและอ่านโพสต์สาธารณะ รวม 335 โพสต์หลังตัดซ้ำ ซึ่งมีรีโพสต์และโพสต์นอกประเด็นปนอยู่ จากการค้นหา 11 ครั้ง (รวมการค้นคำตอบกลับใน 2 เธรด), การอ่านโพสต์อ้างอิง (quote) ของ 5 โพสต์หลัก และการดึงข้อความเต็มของโพสต์สำคัญอีก 4 ครั้ง ช่วงเวลาหลักคือ 8–12 ต.ค. 2026 (บางโพสต์ย้อนถึง 2 ต.ค.) อ่านจนถึงราว 20:25 น. เวลาไทย วันที่ 12 ต.ค. จำนวนโพสต์รายวันมาจากเครื่องมือนับโพสต์ย้อนหลัง 7 วันของ X
Hybrid Mind ไม่ได้อ่านรายงาน GREED & fear ฉบับเต็ม ไม่ได้ตรวจตัวเลขหนี้หรือการขาดทุนของบริษัทที่วนในโพสต์ ไม่ได้ทดลองเรียกใช้โมเดลที่กล่าวถึง และไม่ได้วิเคราะห์หลักทรัพย์ใด ๆ Lab ทั้งสองชุดเป็นแบบจำลองเชิงการศึกษา และไม่ใช่คำแนะนำการลงทุน
ใส่ความเห็น