บล.กรุงศรีฯ:
KSS Global Macro Strategist: MUFG View on AI De-bottlenecking สรุปมุมมอง MUFG เกี่ยวกับ AI Bottlenecks กล่าว่า AI ไม่ได้เป็นเพียง “Theme การลงทุน” อีกต่อไป แต่กำลังกลายเป็น “โครงสร้างพื้นฐานเชิงยุทธศาสตร์” ของโลก เทียบเท่าพลังงาน น้ำมัน และอินเทอร์เน็ตในอดีต รอบนี้สิ่งที่ตลาดประเมินต่ำเกินไป ไม่ใช่ Demand ของ AI แต่คือ “ข้อจำกัดในการ Scale” ของระบบทั้งหมด ตั้งแต่ไฟฟ้า Data Center Semiconductor Memory จนถึง Rare Earth และ Geopolitics ของ Taiwan Strait
Key Takeaways:
Theme to Structural Play: MUFG มองว่า AI กำลังเปลี่ยนสถานะจากการเป็นเพียง Theme การลงทุน ไปสู่การเปลี่ยนแปลงโครงสร้างพื้นฐานใหม่ของเศรษฐกิจโลก คล้ายกับช่วงที่คอมพิวเตอร์ อินเทอร์เน็ต และ Cloud Computing เคยเปลี่ยนรูปแบบการผลิต การบริโภค และการลงทุนในอดีต แต่รอบนี้ขนาดของการเปลี่ยนผ่านใหญ่กว่าเดิมมาก เพราะ AI ไม่ได้ต้องการเพียงซอฟต์แวร์หรือชิปประมวลผลเท่านั้น แต่ต้องการทั้ง GPU, Memory, Data Center, ระบบไฟฟ้า, ระบบระบายความร้อน, แร่ยุทธศาสตร์ และโครงข่ายการเงินขนาดใหญ่เพื่อรองรับการลงทุนต่อเนื่องหลายปีข้างหน้า
AI ไม่ใช่เพียง Story แต่เริ่มสะท้อนในกำไรและเศรษฐกิจจริง: แรงส่งของ AI เริ่มแทรกเข้าไปในผลประกอบการบริษัทขนาดใหญ่ชัดเจนขึ้น โดยกำไร S&P 500 ใน 1Q26E คาดเติบโตมากกว่า 27% สูงกว่าประมาณการเดิมราวสองเท่า และเป็นการเติบโตระดับสองหลักต่อเนื่องเป็นไตรมาสที่ 6 ขณะที่ Mag 7/AI ทำกำไรเติบโตราว +61% เทียบกับ S&P 500 ที่ +27.7% และหุ้นที่เหลืออีก 493 บริษัทที่ +16% ภาพนี้สะท้อนว่า AI กำลังเป็นแกนหลักของ Earnings Cycle สหรัฐฯ มากกว่าจะเป็นเพียงกระแสเก็งกำไรในตลาดหุ้น
AI CAPEX กำลังกลายเป็น Supercycle ระดับประวัติศาสตร์: การลงทุน AI กำลังขยายตัวเป็นรอบ Capex ขนาดมหาศาล โดย Top 5 Hyperscalers คาดว่า Capex จะเพิ่มจาก 412 พันล้านดอลลาร์ในปี 2025 เป็น 775 พันล้านดอลลาร์ในปี 2026 และอาจแตะราว 1 ล้านล้านดอลลาร์ในปี 2027 ขณะที่ AI Capex ของสหรัฐฯ อาจสูงถึง 3.3% ของ GDP ในปี 2027 มากกว่าระดับงบกลาโหมตามประมาณการบางชุด ภาพนี้ทำให้ AI ไม่ใช่แค่ Tech Cycle แต่เป็นการสร้าง “Physical Infrastructure” ใหม่ของเศรษฐกิจโลก ตั้งแต่ Data Center ไปจนถึง Power Grid
โมเดลธุรกิจ Big Tech กำลังเปลี่ยนจาก Asset-light เป็น Capex-heavy: บริษัทเทคโนโลยีขนาดใหญ่ในอดีตเคยถูกมองว่าเป็นธุรกิจ Asset-light ที่สร้างกระแสเงินสดสูงและใช้เงินลงทุนไม่มาก แต่ AI กำลังเปลี่ยนสมการนั้นอย่างสิ้นเชิง เพราะการขยาย AI Compute ต้องใช้ Data Center, GPU Cluster, Memory, Networking และระบบไฟฟ้าขนาดใหญ่ ทำให้ Capex-to-Operating Cash Flow ของกลุ่ม Hyperscalers เพิ่มขึ้นมาก และทำให้ตลาดทุนต้องเริ่มประเมิน Big Tech ในฐานะ “ผู้ลงทุนโครงสร้างพื้นฐาน” มากขึ้น ไม่ใช่เพียงบริษัทซอฟต์แวร์ที่มี Margin สูงเหมือนเดิม
คอขวดของ AI กำลังย้ายจาก GPU ไปสู่ Memory: ช่วงแรกของ AI Boom คอขวดสำคัญอยู่ที่ GPU ขั้นสูง โดยเฉพาะ Nvidia ซึ่งเป็นหัวใจของการ Train และ Run โมเดลขนาดใหญ่ แต่เมื่อ Hyperscalers เร่งขยาย Data Center พร้อมกันทั่วโลก คอขวดใหม่เริ่มย้ายไปที่ Memory Chips ทั้ง DRAM, NAND และ HBM โดยราคาของ DRAM และ NAND ปรับขึ้นแรงมากในช่วงที่ผ่านมา จากแรงซื้อระยะยาวของ Data Center ที่เบียด Supply ออกจากอุตสาหกรรมอื่น ขณะที่ AI Infrastructure คิดเป็นราว 70% ของ Memory Demand ในปี 2026 และผู้ผลิต Memory รายใหญ่ 3 รายครองตลาด DRAM รวมกันถึงราว 95% ทำให้ Pricing Power ของกลุ่มนี้สูงขึ้นอย่างมีนัยสำคัญ
ผู้ชนะใน AI Cycle จะเปลี่ยนไปตามจุดคอขวดของ Supply Chain: รอบแรกของ AI ตลาดให้ Premium กับ GPU และ Fabless Chip Design ต่อมาจุดเด่นเริ่มขยายไปยัง Memory และ HBM ระยะถัดไปอาจย้ายไปสู่ Power Grid, Gas Turbine, Cooling, Data Center Construction, EDA Tools, Capital Equipment และ Strategic Minerals หลักคิดสำคัญคือ ตลาดมัก Reprice สินทรัพย์ที่อยู่ในจุดขาดแคลนที่สุดของ Value Chain ก่อนเสมอ ดังนั้นการลงทุนในธีม AI จึงไม่ควรมองเพียงหุ้นเทคโนโลยีปลายทาง แต่ต้องติดตามว่า Bottleneck ถัดไปอยู่ตรงไหน
ไต้หวันคือ Silicon Chokepoint ที่สำคัญที่สุดของโลก: ความเสี่ยงด้านภูมิรัฐศาสตร์ของ AI ไม่ได้อยู่แค่ราคาน้ำมันหรือสงครามการค้า แต่กระจุกอยู่ที่โครงสร้างการผลิตชิปขั้นสูง โดยไต้หวันถูกมองเป็น Silicon Chokepoint สำคัญของโลก ขณะที่ TSMC มีส่วนแบ่งราว 90% ใน Advanced AI Chips และราว 70% ในชิปโดยรวม อีกด้านหนึ่ง รายได้ของ TSMC ในปี 2025 มาจาก North America ถึง 75% ทำให้ความเสี่ยงไต้หวันเชื่อมโยงทั้งเศรษฐกิจสหรัฐฯ Big Tech และ AI Supply Chain โดยตรง
การกระจายฐานผลิตชิปทำได้ แต่ช้ากว่าความเสี่ยงที่เพิ่มขึ้น: สหรัฐฯ และพันธมิตรพยายามลดการพึ่งพาไต้หวันผ่านการลงทุนโรงงานชิปใหม่ การอุดหนุนภาครัฐ และการดึง Supply Chain บางส่วนกลับประเทศ แต่ Semiconductor Supply Chain เป็นระบบที่ซับซ้อนสูง ตั้งแต่ EDA Software, Fabless Design, Memory IDMs, Capital Equipment, Foundries ไปจนถึง Assembly/Packaging/Test การสร้างกำลังการผลิตใหม่จึงต้องใช้เวลา บุคลากร ความเชี่ยวชาญ น้ำ ไฟฟ้า และ Ecosystem ทั้งระบบ ทำให้การ “de-Taiwanization” เป็นไปได้ แต่ไม่เร็วพอที่จะลดความเสี่ยงระยะสั้นได้ทั้งหมด
Power และ Cooling กำลังกลายเป็นคอขวดใหญ่กว่า Silicon: เมื่อชิป AI รุ่นใหม่แรงขึ้น การใช้พลังงานและความร้อนก็เพิ่มขึ้นแบบก้าวกระโดด โดย Nvidia Rubin GPU มีการใช้ไฟระดับ 2,300W และต้องใช้ Liquid Cooling 100% ส่งผลให้ Data Center รุ่นใหม่ต้องออกแบบใหม่ทั้งระบบ ตั้งแต่ Power Delivery, Cooling, Rack Density ไปจนถึง Construction Lead Time ราว 24 เดือน จุดนี้ทำให้ข้อจำกัดของ AI เริ่มย้ายจาก “มีชิปพอหรือไม่” ไปสู่ “มีไฟฟ้าและระบบระบายความร้อนพอหรือไม่” มากขึ้น
Data Center ทำให้ความต้องการไฟฟ้าเปลี่ยนโครงสร้าง: โครงสร้างการใช้ไฟของ Data Center เดิมแบ่งคร่าว ๆ ระหว่าง Compute ราว 55-60% และ Cooling ราว 30-35% แต่ Data Center รุ่นใหม่ที่รองรับ Blackwell/Rubin-class GPUs กำลังผลักสัดส่วนการใช้ไฟไปสู่โลกที่มากกว่า 90% ถูกใช้กับ Computational และ IT Demand เพราะระบบ Liquid Cooling มีประสิทธิภาพดีขึ้น แต่ Compute Density สูงขึ้นมากกว่าเดิม ภาพนี้ทำให้ Power Grid, Substation, Transformer และระบบส่งไฟฟ้ากลายเป็นส่วนหนึ่งของ AI Value Chain โดยตรง
Gas Turbine และ Power Grid กลายเป็นจุดขาดแคลนใหม่: ความต้องการไฟฟ้าจาก AI ทำให้ตลาด Gas Turbine ตึงตัวมาก โดยคำสั่งซื้อ Global Gas Turbine ปี 2025 อยู่ที่ 133GW เทียบกับกำลังผลิตเพียง 60-70GW สะท้อน Supply Shortage ราว 50% ขณะเดียวกัน จีนมีข้อได้เปรียบเชิงโครงสร้างจากการมี Power Grid ขนาดใหญ่ที่สุดของโลก และในช่วง 15 ปีที่ผ่านมา จีนเพิ่มกำลังผลิตไฟฟ้ามากกว่าส่วนที่เหลือของโลกรวมกัน ทำให้การแข่งขัน AI ระหว่างสหรัฐฯ-จีนไม่ได้วัดกันแค่ชิป แต่รวมถึง “Electron Gap” หรือความพร้อมด้านไฟฟ้าด้วย
Strategic Minerals คืออีกชั้นของความเสี่ยง: AI Supply Chain AI ต้องพึ่งพาแร่และโลหะจำนวนมาก ทั้งในชิป ระบบไฟฟ้า Battery, Cooling, Power Equipment และโครงสร้าง Data Center เช่น Copper, Gallium, Tungsten, Rare Earths และแร่เฉพาะทางอื่น ๆ โดยสหรัฐฯ พึ่งพาจีนสูงมากในแร่สำคัญหลายรายการที่เกี่ยวข้องกับ AI Expansion ทำให้ Resource Nationalism, Export Controls, Strategic Stockpiling และการควบคุมการลงทุนต่างชาติจะกลายเป็นประเด็นสำคัญมากขึ้นในช่วงถัดไป
การเมืองและสังคมอาจชะลอการขยายตัวของ AI Infrastructure: AI ไม่ได้เผชิญข้อจำกัดด้านเทคนิคเท่านั้น แต่เริ่มเผชิญแรงต้านทางการเมืองและสังคมมากขึ้น โดยประเด็นสำคัญคือ Data Center ใช้ไฟสูง ใช้พื้นที่มาก กระทบต้นทุนไฟฟ้าท้องถิ่น และทำให้เกิดความกังวลด้านแรงงานและกฎระเบียบ ผลสำรวจในสหรัฐฯ ระบุว่าประชาชนมากกว่า 75% มีความกังวลต่อ AI และมองว่ารัฐบาลยังควบคุมไม่เพียงพอ ขณะที่บางพื้นที่เริ่มคัดค้านหรือจำกัดการสร้าง Data Center เพิ่มเติม ความเสี่ยงนี้อาจทำให้ต้นทุนโครงการสูงขึ้น ใช้เวลานานขึ้น และผลักให้บางบริษัทมองหาทำเลใหม่นอกสหรัฐฯ
KSS ประเมิน Impact ต่อไทย:
1) ไทยได้อานิสงส์ “Power & Data Center Proxy”
ไทยอาจไม่ได้อยู่ต้นน้ำ AI แต่สามารถเป็น “supporting infrastructure economy”
Positive ต่อ:
- โรงไฟฟ้า GULF GPSC
- Data center ecosystem – ADVANC TRUE DELTA HANA STPI INSET
- Industrial estate – AMATA, WHA
- Renewable energy – PTT GULF GPSC
- Grid modernization – GUNKUL TRT
- Cooling / utilities – DELTA WHAUP
2) Thailand มีโอกาสเป็น ASEAN Digital Infrastructure Hub
หาก geopolitical fragmentation รุนแรงขึ้น บริษัทโลกจะกระจาย infrastructure ออกจาก:
- China
- Taiwan
- Singapore (cost สูง)
- ไทยมีจุดแข็ง:
- ค่าไฟยังแข่งขันได้ระดับหนึ่ง
- Land cost ต่ำกว่า SG
- Internet backbone ดี
- อยู่กลาง ASEAN
- ทำให้ Data center inflow ยังเป็น secular trend สำคัญ
3) Commodity & Energy Volatility จะสูงขึ้นเชิงโครงสร้าง AI ทำให้ demand ของ Copper / LNG / Electricity / Cooling water สูงขึ้นระยะยาว ดังนั้นต้นทุนพลังงานโลกอาจ “ไม่กลับต่ำเหมือนอดีต” คาดราคาน้ำมันดิบระยะยาว 1-3ปี 70-95เหรียญฯ
กระทบ:
- Margin ภาคอุตสาหกรรม
- Inflation persistence
- Bond yield ระยะยาว
4) โอกาสไทยปรับ “Traditional Economy” สู่การ Reform “Compute Economy” กระแสเงินทุนโลกกำลังขับเคลื่อน AI infra / Semiconductor / Power / Compute / Automation
ดังนั้นไทยกำลังเร่งสร้าง
- AI ecosystem
- Digital infra
- Data economy
