NVIDIA มอง ASIC เป็นคู่แข่งหรือไม่? Jensen ตอบชัดหลังโดนถามตรง ๆ
ในรายงานผลประกอบการล่าสุด Jensen Huang ซีอีโอของ NVIDIA ถูกถามคำถามสำคัญเกี่ยวกับการแข่งขันระหว่าง GPU กับ ASIC หลังจากบริษัทใหญ่ในอุตสาหกรรมอย่าง Google และ Amazon ต่างเปิดตัวชิปเฉพาะทางสำหรับงาน AI อย่างต่อเนื่อง เช่น Ironwood TPU หรือ Trainium ซึ่งทำให้หลายคนเชื่อว่าอนาคตอาจเป็นยุคที่ ASIC เข้ามาแทนที่ GPU โดยเฉพาะในงาน inferencing
แต่ Jensen ได้ชี้แจงอย่างชัดเจนว่า สิ่งที่หลายคนเข้าใจอาจไม่ถูกต้องทั้งหมด เพราะ การพัฒนาเทคโนโลยีระดับนี้ไม่ได้แข่งกันเป็น “บริษัท” แต่แข่งกันเป็น “ทีมวิศวกร” และในโลกนี้มีเพียงไม่กี่ทีมที่สามารถสร้างโครงสร้างพื้นฐาน AI ที่ซับซ้อนระดับ NVIDIA ได้
Jensen ระบุว่าทีมวิศวกรชั้นแนวหน้าบนโลกมีน้อยกว่าที่คิด
Jensen ตอบว่า แม้หลายบริษัทจะมีเงินทุนสูงและมีแผนสร้างชิปเอง แต่ทีมที่สามารถออกแบบ สร้าง ทดสอบ และผลิตสถาปัตยกรรมที่รองรับงาน AI อย่างครบวงจรนั้นมีจำกัดมาก เขาระบุว่า:
“คุณไม่ได้แข่งขันกับบริษัท คุณแข่งขันกับทีม และทีมระดับโลกที่สร้างสิ่งเหล่านี้ได้ มีอยู่ไม่มากนัก”
ความหมายคือ ต่อให้บริษัทมีงบประมาณมหาศาลเหมือน Google หรือ Amazon แต่การสร้างฮาร์ดแวร์ AI ระดับศูนย์ข้อมูลที่ทำงานร่วมกับซอฟต์แวร์ ecosystem ขนาดใหญ่ได้นั้นเป็นสิ่งที่ต้องใช้ประสบการณ์สูงมาก ซึ่ง NVIDIA สะสมมานานกว่า 10 ปี
นี่คือเหตุผลที่เขามองว่า ASIC ยังไม่สามารถกดดัน NVIDIA ได้ในระดับที่หลายคนคาดหวัง
ASIC คืออะไร? ทำไมหลายคนคิดว่าจะมาแทน GPU
ก่อนเข้าใจความต่างระหว่าง ASIC กับ GPU เราต้องรู้ว่า ASIC (Application-Specific Integrated Circuit) คือชิปที่ถูกออกแบบมาให้ทำงานเฉพาะอย่างหนึ่งโดยเฉพาะ ไม่ได้ออกแบบมาเพื่อรองรับงานหลากหลายเหมือน GPU ของ NVIDIA
ตัวอย่างงานของ ASIC
- ประมวลผลโมเดล AI ที่ออกแบบเฉพาะ
- ใช้ในระบบ inferencing ที่มีรูปแบบข้อมูลตายตัว
- ใช้ใน Cloud Service Provider ที่ต้องการประสิทธิภาพต่อวัตต์สูง
- ชิปสำหรับงานเฉพาะทาง เช่น Google TPU หรือชิปขุด Bitcoin
จุดเด่นของ ASIC
- ทำงานเฉพาะด้านได้เร็วกว่า GPU
- ใช้พลังงานน้อยกว่า
- ต้นทุนต่อวัตต์ต่ำกว่าในระบบขนาดใหญ่
จุดอ่อนของ ASIC (ซึ่งคือเหตุผลที่ Jensen ไม่กังวล)
- ไม่ยืดหยุ่น
หากมีโมเดลใหม่ เทคนิคใหม่ หรือสถาปัตยกรรม AI ใหม่เกิดขึ้น ASIC ต้องออกแบบใหม่ตั้งแต่ต้น ขณะที่ GPU สามารถทำงานได้ทันทีด้วยการอัปเดตซอฟต์แวร์ - รอบพัฒนายาว
ASIC ใช้เวลาหลายปีในการออกแบบและผลิต ซึ่งเสี่ยงที่จะล้าสมัยก่อนออกตลาด - ecosystem ไม่สมบูรณ์
ไม่มีซอฟต์แวร์ระดับเดียวกับ CUDA, TensorRT, cuDNN หรือเครื่องมือวิจัยต่าง ๆ ที่ NVIDIA ครอบครองอยู่ - นำไปใช้ทั่วไปได้ยาก
ASIC ส่วนใหญ่ทำมาเพื่อองค์กรนั้น ๆ ไม่สามารถขยาย ecosystem ไปยังผู้พัฒนารายอื่นได้แบบ GPU
เมื่อรวมปัจจัยทั้งหมดแล้วจึงชัดเจนว่า การที่ ASIC จะ “มาแทน” GPU ไม่ใช่เรื่องง่ายอย่างที่หลายคนคิด
แม้จะมี Ironwood TPU หรือ Trainium แต่ NVIDIA ยังมีข้อได้เปรียบด้านซอฟต์แวร์มหาศาล
Jensen ระบุว่าหัวใจหลักของขีดความสามารถ AI ไม่ใช่แค่ฮาร์ดแวร์ แต่คือ ซอฟต์แวร์และ ecosystem ซึ่ง NVIDIA มีความได้เปรียบอย่างชัดเจน
ทำไม GPU ยังเหนือกว่า ASIC ในมุมของ NVIDIA
- รองรับทั้ง pre-training, post-training และ inferencing
- ใช้ได้กับโมเดลทุกประเภท ตั้งแต่ LLaMA, GPT, Gemini ไปจนถึง Stable Diffusion
- นักพัฒนาทั่วโลกใช้งาน CUDA อยู่แล้ว
- มีเครื่องมือพร้อมกว่า เช่น TensorRT, cuDNN, NIM
- รองรับคลัสเตอร์และซูเปอร์คอมพิวเตอร์ขนาดใหญ่ได้สะดวกกว่า
- เปลี่ยน workload ได้โดยไม่ต้องเปลี่ยนฮาร์ดแวร์
ในมุมของศูนย์ข้อมูล การวาง “random ASIC” เข้าระบบถือเป็นความเสี่ยง เพราะถ้า workload เปลี่ยนไป ทีมจะต้องทำงานใหม่ตั้งแต่ต้น ขณะที่ GPU ยังทำงานต่อได้เหมือนเดิม
NVIDIA ยังครองตำแหน่งผู้นำในทุกด้านของตลาด AI
Jensen ชี้ว่าโครงสร้างพื้นฐาน AI ที่แข็งแกร่งที่สุดในโลกตอนนี้เกิดจากการผสานกันระหว่าง:
- ฮาร์ดแวร์ระดับสูง เช่น Blackwell และ Rubin
- ซอฟต์แวร์ ecosystem ที่ครอบคลุมที่สุดในอุตสาหกรรม
- ความร่วมมือกับองค์กรขนาดใหญ่ เช่น Anthropic
- ชุมชนนักพัฒนาที่เติบโตมาตลอดกว่า 10 ปี
- ทีมวิศวกรระดับโลกที่มีประสบการณ์ยาวนาน
ดีลล่าสุดของ Anthropic ที่เลือกใช้แพลตฟอร์มของ NVIDIA ร่วมกับงานที่รันบน Google TPU แสดงให้เห็นว่า แม้บริษัทจะทดลอง ASIC แต่ต้องพึ่ง GPU ของ NVIDIA เป็นแกนหลักอยู่ดี
สรุป: ASIC โตขึ้นจริง แต่ยังไม่ใช่ภัยหลัก เพราะสิ่งที่สำคัญที่สุดคือ “ทีม”
แม้การแข่งขันจะรุนแรงขึ้น แต่ภาพรวมชี้ชัดว่า NVIDIA ยังครองความได้เปรียบชัดเจนด้วยเหตุผลสำคัญดังนี้
- ASIC ทำงานเฉพาะด้านเก่ง แต่ขาดความยืดหยุ่น
- GPU ของ NVIDIA ตอบโจทย์งาน AI ทั้งหมดใน ecosystem เดียว
- ระบบซอฟต์แวร์ของ NVIDIA แข็งแกร่งที่สุดในอุตสาหกรรม
- ทีมวิศวกรคือกุญแจหลัก และ NVIDIA มีทีมระดับโลกที่น้อยคนเทียบได้
- ในศูนย์ข้อมูลจริง การเลือก GPU ของ NVIDIA ยังให้ผลลัพธ์ที่คุ้มค่ากว่า
ดังนั้น แม้ ASIC จะเติบโตเพราะบริษัทใหญ่ต้องปรับโครงสร้างคลาวด์ให้เหมาะกับงาน AI มากขึ้น แต่ในภาพรวม NVIDIA ก็ยังคงเป็นแกนหลักของอุตสาหกรรม และยังไม่มีสัญญาณว่าตำแหน่งนี้จะถูกแทนที่ได้ง่าย ๆ
ที่มา: wccftech
