บทวิเคราะห์ของ Morgan Stanley: การพัฒนาชิป AI อย่างรวดเร็ว ไฟฟ้าจะตามทันหรือไม่? ความต้องการโดยประมาณในปี 2027 อยู่ที่ประมาณ 38 กิกะวัตต์

รายงานการตรวจสอบห่วงโซ่อุปทานในเอเชียล่าสุดของ Morgan Stanley แปลการขยายตัวของ AI ให้เป็นตัวเลขด้านพลังงานที่เข้าใจง่ายยิ่งขึ้น โดยอิงจาก GPU และ ASIC แฝงของ CoWoS ที่คาดการณ์ไว้ประมาณ 19 ล้านชิ้นในปี 2027 โดยมี TDP เฉลี่ย 2 กิโลวัตต์ต่อชิป กำลังการผลิตพลังงานที่สอดคล้องกันของชิปชุดนี้จึงอยู่ที่ประมาณ 38 กิกะวัตต์

ในจำนวนนี้ Nvidia มีกำลังการผลิตประมาณ 16 กิกะวัตต์, Google ประมาณ 9 กิกะวัตต์, AMD ประมาณ 7 กิกะวัตต์, AWS ประมาณ 2 กิกะวัตต์ และ Microsoft, Meta และผู้จำหน่ายรายอื่นๆ ประมาณ 1 กิกะวัตต์ต่อราย

สิ่งสำคัญคือต้องเน้นย้ำว่า 38 กิกะวัตต์นั้นไม่ใช่ปริมาณการใช้ไฟฟ้าทั้งหมดของศูนย์ข้อมูล AI ทั่วโลกในขณะนั้น และไม่ใช่กำลังการผลิตไฟฟ้าที่ได้รับการยืนยันแล้ว มันไม่ได้คำนึงถึงการใช้ไฟฟ้าของซีพียู เครือข่าย พื้นที่จัดเก็บข้อมูล ระบบระบายความร้อน และสิ่งอำนวยความสะดวกสนับสนุนอื่นๆ อย่างครบถ้วน มันคล้ายกับการทดสอบความเครียดที่ได้มาจากการจัดส่งชิปมากกว่า: หากตัวเร่งความเร็ว AI เพิ่มการผลิตตามแบบจำลองห่วงโซ่อุปทานในปี 2027 โครงสร้างพื้นฐานด้านพลังงานจะสามารถรองรับปริมาณชิปเหล่านี้ได้พร้อมกันหรือไม่?

นี่หมายความว่าข้อจำกัดในการขยายขีดความสามารถในการประมวลผล AI กำลังขยายออกไปจาก "การผลิต GPU เป็นไปได้หรือไม่" ไปสู่ "การจัดหา HBM, CoWoS, การทดสอบ, การจัดส่งแร็ค และการเข้าถึงพลังงาน สามารถดำเนินการได้พร้อมกันหรือไม่"

การทดสอบความเครียดขนาด 38 กิกะวัตต์ ผลักดันปัญหาคอขวดของ AI ไปสู่ภาคพลังงาน

การคำนวณของ Morgan Stanley อิงตามสมมติฐานหลักสองประการ ได้แก่ จำนวนชิป GPU และ ASIC ที่เกี่ยวข้องกับ CoWoS ในปี 2027 จะอยู่ที่ประมาณ 19 ล้านชิป โดยมีค่า TDP เฉลี่ย 2 กิโลวัตต์ต่อชิป ส่งผลให้ความต้องการพลังงานโดยประมาณของชิปเหล่านี้อยู่ที่ประมาณ 38 กิกะวัตต์

ตัวเลข 2 กิโลวัตต์เป็นค่าเฉลี่ยที่ใช้ในการประมาณการการใช้พลังงานทั้งหมด และไม่ได้หมายความว่า GPU และ ASIC ทุกตัวจะใช้พลังงานเท่ากัน นอกจากนี้ 38 กิกะวัตต์ก็ไม่ได้แสดงถึงภาระการทำงานจริงของศูนย์ข้อมูล เนื่องจากชิปไม่ได้ทำงานเต็มประสิทธิภาพเสมอไป และ CPU เครือข่าย ระบบจัดเก็บข้อมูล และระบบระบายความร้อนในเซิร์ฟเวอร์จะสร้างพลังงานเพิ่มเติมอีกด้วย

อย่างไรก็ตาม ตัวเลขนี้ยังคงมีค่าอ้างอิงอยู่ ในช่วงสองปีที่ผ่านมา การอภิปรายเกี่ยวกับห่วงโซ่อุปทาน AI ส่วนใหญ่เน้นไปที่การวางแผนการผลิต GPU การจัดหา HBM และกำลังการผลิต CoWoS เนื่องจากปริมาณการจัดส่งชิปยังคงเพิ่มขึ้น การเชื่อมต่อโครงข่ายไฟฟ้า การก่อสร้างสถานีไฟฟ้าย่อย การเลือกสถานที่ตั้งศูนย์ข้อมูล และข้อตกลงการซื้อพลังงานระยะยาว อาจส่งผลโดยตรงต่อว่าชิปเหล่านั้นจะสามารถแปลงเป็นพลังการประมวลผลที่ใช้งานได้จริงหรือไม่

การส่งมอบชิปเป็นเพียงขั้นตอนแรกเท่านั้น หลังจากที่ GPU หรือ ASIC เข้าสู่ศูนย์ข้อมูลแล้ว ยังต้องการเซิร์ฟเวอร์ แร็ค เครือข่าย ระบบระบายความร้อน ระบบไฟฟ้า และระบบการดำเนินงานและการบำรุงรักษาเพิ่มเติมอีกด้วย หากการก่อสร้างโครงสร้างพื้นฐานล่าช้ากว่าการส่งมอบชิป ตลาดอาจประสบกับภาวะที่ไม่สมดุล กล่าวคือ "ชิปมาถึงแล้ว แต่ศูนย์ข้อมูลและระบบไฟฟ้ายังไม่พร้อมใช้งาน"

ความต้องการพลังงานโดยประมาณสำหรับชิป GPU/ASIC ในปี 2027 อยู่ที่ประมาณ 38 กิกะวัตต์ โดยแบ่งเป็น 16 กิกะวัตต์จาก Nvidia, 9 กิกะวัตต์จาก Google และ 7 กิกะวัตต์จาก AMD

สำหรับ Nvidia ความต้องการโดยนัยที่ 16GW ยังเป็นเหตุผลที่อธิบายว่าทำไมบริษัทจึงยังคงเพิ่มความหนาแน่นของ GPU ต่อแร็คอย่างต่อเนื่อง รายงานระบุว่า Nvidia หวังมานานแล้วที่จะปรับปรุงพลังการประมวลผลและประสิทธิภาพในระดับแร็คโดยการเชื่อมต่อ GPU จำนวนมากขึ้นผ่านสถาปัตยกรรมแบบขยายขนาด

อย่างไรก็ตาม โซลูชันของ Kyber สำหรับแร็ค Rubin Ultra รุ่นแรกยังคงเผชิญกับความท้าทายด้าน PCB และความร้อน และอาจยังคงใช้การออกแบบ Oberon NVL72 ต่อไป จากนั้นจึงขยายไปสู่ระดับ NVL576 ผ่านการเชื่อมต่อ CPO หรือ NPO การเพิ่มความหนาแน่นของแร็คจะไม่ทำให้ความต้องการพลังงานหมดไป แต่จะทำให้ความต้องการด้านแหล่งจ่ายไฟ การระบายความร้อน และการเชื่อมต่อกระจุกตัวอยู่ในดีไซน์ศูนย์ข้อมูลที่มีสเปคสูงกว่า

HBM และ CoWoS กำลังขยายตัวไปพร้อมๆ กัน ในขณะที่ข้อกำหนดของ Rubin Ultra ยังอยู่ระหว่างการพิจารณา

นอกเหนือจากเรื่องพลังงานแล้ว HBM และเทคโนโลยีการบรรจุภัณฑ์ขั้นสูงยังคงเป็นข้อจำกัดหลักในการขยายตัวของชิป AI ในช่วงประมาณปี 2027

จากแบบจำลองห่วงโซ่อุปทานของ Morgan Stanley ความต้องการชิป AI ของ HBM ในปี 2027 อยู่ที่ประมาณ 48.618 พันล้าน Gb ตารางที่ 3 แสดงปริมาณการกำหนดค่า CoWoS อยู่ที่ประมาณ 2.664 ล้านเวเฟอร์ ในขณะที่ตารางที่ 5 แสดงความต้องการ CoWoS ทั่วโลกอยู่ที่ประมาณ 2.694 ล้านเวเฟอร์ ตัวเลขทั้งสองแตกต่างกันเล็กน้อยเนื่องจากขอบเขตทางสถิติที่แตกต่างกัน

รายงานยังประเมินด้วยว่าขนาดตลาดรายได้จากแผ่นเวเฟอร์สำหรับชิปประมวลผล AI จะสูงถึงอย่างน้อย 58.8 พันล้านดอลลาร์ในปี 2027 โดย Nvidia ยังคงเป็นผู้บริโภค CoWoS รายใหญ่ที่สุด ด้วยจำนวนเวเฟอร์ประมาณ 1.222 ล้านแผ่น ขณะที่ AMD และ Broadcom คาดว่าจะใช้เวเฟอร์ประมาณ 530,000 และ 484,000 แผ่น ตามลำดับ

ความต้องการหน่วยความจำ HBM สำหรับ AI ในปี 2027 คาดการณ์ไว้ที่ 48.6 พันล้านกิกะไบต์ พร้อมด้วยการกำหนดค่า CoWoS และข้อกำหนด HBM สำหรับ GPU และ ASIC ต่างๆ

ยังมีตัวแปรสำคัญอีกประการหนึ่งในการพยากรณ์ความต้องการ นั่นคือ การกำหนดค่า HBM สำหรับ Rubin Ultra ยังไม่ได้รับการสรุปขั้นสุดท้าย

การตรวจสอบห่วงโซ่อุปทานบ่งชี้ว่า Rubin Ultra อาจใช้สเปคแบบแบ่งระดับ โดยรุ่นระดับสูงอาจใช้ HBM4e 8Hi และรุ่นระดับล่างอาจใช้ HBM4 12Hi หรือ 8Hi Morgan Stanley คาดการณ์ว่า Nvidia อาจตัดสินใจขั้นสุดท้ายภายในสิ้นไตรมาสที่สามของปี 2026

การปรับเปลี่ยนนี้สะท้อนถึงแรงกดดันหลักสามประการ ได้แก่ การขาดแคลนความจุของ HBM ต้นทุนหน่วยความจำที่เพิ่มสูงขึ้น และความต้องการความจุและแบนด์วิดท์ที่แตกต่างกันไปในงาน AI ต่างๆ รายงานระบุว่าการลดการกำหนดค่า HBM อาจส่งผลกระทบต่องานถอดรหัสมากกว่าการเติมข้อมูลล่วงหน้า โดยเฉพาะในโมเดลขนาดใหญ่ที่มีบริบทที่ยาว

สิ่งสำคัญที่ควรทราบคือ ข้อมูลในเอกสารประกอบหมายเลข 3 ยังคงคำนวณจากโครงสร้าง Rubin Ultra ที่ใช้ HBM4e 12Hi และมีความจุรวม 384GB ต่อชิป ดังนั้น ความต้องการ HBM จำนวน 48.6 พันล้าน Gb จึงไม่ได้สะท้อนถึงแผนการลดขนาดแบบเป็นลำดับขั้นอย่างเต็มที่ หากโครงสร้างสุดท้ายถูกลดขนาดลง การใช้งาน HBM ต่อชิปอาจลดลง แต่ต้นทุนหน่วยความจำที่ต่ำลงอาจผลักดันให้การจัดส่งชิปเพิ่มขึ้น ซึ่งจะช่วยชดเชยผลกระทบจากการใช้งานต่อชิปที่ลดลงได้บางส่วน

ข้อมูลสาธารณะของ Micron แสดงให้เห็นว่า HBM4 ของบริษัทได้เข้าสู่ขั้นตอนการผลิตจำนวนมากแล้ว และคาดว่า HBM4E จะเข้าสู่การผลิตจำนวนมากในปี 2027 ในขณะที่ฝั่งผู้ผลิตกำลังเร่งพัฒนาผลิตภัณฑ์ใหม่ๆ การกำหนดค่าขั้นสุดท้ายของ Rubin Ultra ยังคงขึ้นอยู่กับการพิจารณาอย่างรอบคอบของ Nvidia เกี่ยวกับประสิทธิภาพ ต้นทุน และความมั่นใจในด้านการจัดหา

ซีรีส์ Rubin ยังคงมีการจัดส่งที่รวดเร็วอย่างต่อเนื่อง รายงานคาดการณ์ว่าในปี 2027 การจัดส่ง Rubin และ Rubin Ultra รวมกันจะอยู่ที่ประมาณ 7 ล้านหน่วย โดยประมาณ 5.92 ล้านหน่วยเป็น Rubin และ 1.04 ล้านหน่วยเป็น Rubin Ultra ส่วนการจัดส่ง Rubin NVL72 แบบแร็คอาจสูงถึงประมาณ 90,000 หน่วย

รูบินคาดว่าจะเริ่มเพิ่มกำลังการผลิตตั้งแต่ไตรมาสที่สามของปี 2026 โดยจะเริ่มจัดส่งชั้นวางสินค้าในไตรมาสที่สี่ รายงานยังชี้ให้เห็นว่าความกังวลของตลาดก่อนหน้านี้เกี่ยวกับ "สินค้าคงคลัง" ของแบล็กเวลล์นั้นส่วนใหญ่เป็นสินค้าคงคลังสำรองในห่วงโซ่อุปทาน ซึ่งคาดว่าจะถูกดูดซับไปจนหมดภายในปี 2026

การคาดการณ์การจัดส่งชิป Rubin และ Rubin Ultra รวมถึงแร็ค Rubin NVL72

นี่หมายความว่าตั้งแต่ครึ่งหลังของปี 2026 ถึงปี 2027 ห่วงโซ่อุปทานของ Nvidia จำเป็นต้องดำเนินการเคลียร์สินค้าคงคลังของ Blackwell เพิ่มกำลังการผลิตของ Rubin เปลี่ยนข้อกำหนดของ HBM และส่งมอบแร็คให้เสร็จสิ้นไปพร้อมๆ กัน การชะลอตัวในขั้นตอนใดๆ เหล่านี้อาจส่งผลกระทบต่อกำลังการประมวลผลที่ส่งมอบได้ในขั้นสุดท้าย

กำลังการผลิต TPU ของ Google เพิ่มขึ้นเป็น 7.35 ล้านหน่วย โดยมีคำสั่งซื้อไหลเข้าสู่บล็อกเชนสำหรับการทดสอบแล้ว

นอกจาก Nvidia แล้ว TPU ของ Google ก็เป็นอีกหนึ่งปัจจัยสำคัญที่ขับเคลื่อนการเติบโตในรายงานฉบับนี้

Morgan Stanley คาดการณ์ว่า ยอดจัดส่ง TPU ของ Google จะเพิ่มขึ้นจาก 3.7 ล้านหน่วยในปี 2026 เป็น 7.35 ล้านหน่วยในปี 2027 โดยคาดว่า Broadcom v8i จะมียอดจัดส่ง 4 ล้านหน่วย, MediaTek v8t จะมียอดจัดส่ง 3 ล้านหน่วย, v9 จะมียอดจัดส่งประมาณ 150,000 หน่วย และส่วนที่เหลืออีกประมาณ 200,000 หน่วยจะเป็น v7

การคาดการณ์การจัดส่ง TPU ของ Google สำหรับแต่ละรุ่น และศักยภาพในการสร้างรายได้จาก KYEC

การเพิ่มกำลังการผลิต TPU จะผลักดันคำสั่งซื้อไปยังการออกแบบชิป การผลิตเวเฟอร์ บรรจุภัณฑ์ขั้นสูง และการทดสอบ รายงานคาดการณ์ว่าธุรกิจที่เกี่ยวข้องกับ TPU อาจคิดเป็น 7% ถึง 8% ของรายได้ของ KYEC ในปี 2026 และมากกว่า 10% เล็กน้อยในปี 2027 ซึ่งรวมถึงรายได้จากการทดสอบขั้นสุดท้ายและรายได้จากการตรวจสอบเวเฟอร์บางส่วน

หากรวมธุรกิจ CPU, TPU, การทดสอบขั้นสุดท้าย และธุรกิจตรวจสอบเวเฟอร์บางส่วนของ Google เข้าไปด้วย คาดว่าความต้องการที่เกี่ยวข้องกับ Google จะคิดเป็น 10% ถึง 15% ของรายได้ของ KYEC ในปี 2027 เพิ่มขึ้นจาก 8% ถึง 10% ในปี 2026

ข้อกำหนดในการทดสอบก็มีความซับซ้อนมากขึ้นเช่นกัน รายงานระบุว่า ชิป TPU ขนาด 3 นาโนเมตรของ MediaTek คาดว่าจะใช้การทดสอบแบบ Burn-in เพื่อปรับปรุงเสถียรภาพและความน่าเชื่อถือของชิป AI ในขณะที่โครงการ CPU ของ Google ก็ต้องการการทดสอบแบบ Burn-in และการทดสอบระดับระบบเช่นกัน

กระบวนการทดสอบที่ซับซ้อนมากขึ้นและรอบการทดสอบที่ยาวนานขึ้นจะทำให้ความต้องการใช้บริการสิ่งอำนวยความสะดวกในการทดสอบเพิ่มขึ้น แต่ว่ากำลังการทดสอบจะกลายเป็นปัญหาคอขวดหรือไม่นั้น ขึ้นอยู่กับการเปลี่ยนแปลงที่เกิดขึ้นพร้อมกันทั้งในเวลาการทดสอบต่อชิปและปริมาณการจัดส่งโดยรวม รายงานยังระบุด้วยว่า เวลาการทดสอบที่สั้นลงในบางพื้นที่อาจช่วยบรรเทาแรงกดดันด้านกำลังการผลิตที่เกิดขึ้นเมื่อเร็วๆ นี้ ดังนั้น ความต้องการการทดสอบที่เพิ่มขึ้นจึงไม่ควรถูกตีความว่าหมายถึงการขาดแคลนกำลังการผลิตอย่างหลีกเลี่ยงไม่ได้

38 กิกะวัตต์ไม่ใช่จุดสิ้นสุดของความต้องการ แต่เป็นการทดสอบขีดความสามารถในการส่งมอบพลังงาน

ประเด็นที่น่าสนใจที่สุดของการทบทวนห่วงโซ่อุปทานนี้ ไม่ใช่แค่การให้ตัวเลขการจัดส่งชิป AI ที่มากขึ้นเท่านั้น แต่ยังรวมถึงการรวมข้อจำกัดการขยายตัวหลักสำหรับปี 2027 ไว้ในแบบจำลองเดียวกันด้วย ได้แก่ Nvidia ยังคงเพิ่มความหนาแน่นของ GPU อย่างต่อเนื่อง การผลิต TPU ของ Google เร่งตัวขึ้นอย่างรวดเร็ว ความต้องการ HBM และ CoWoS เพิ่มขึ้นพร้อมกัน และความต้องการพลังงานโดยประมาณสำหรับชิปถูกผลักดันขึ้นไปถึง 38 GW

ตัวเลขเหล่านี้ยังขึ้นอยู่กับเงื่อนไขหลายประการ โซลูชัน HBM แบบหลายชั้นสำหรับ Rubin Ultra ยังไม่ได้รับการสรุปขั้นสุดท้าย และผลกระทบของการลดการกำหนดค่าหน่วยความจำต่อประสิทธิภาพการถอดรหัสบริบทระยะยาวยังคงต้องได้รับการตรวจสอบ กำลังการผลิต CoWoS และ HBM จำเป็นต้องขยายตามแผน และการก่อสร้างโครงสร้างพื้นฐานด้านเซิร์ฟเวอร์ แร็ค พลังงาน และระบบระบายความร้อนต้องสอดคล้องกับการส่งมอบชิป

โซลูชันการเชื่อมต่อระหว่างกันอาจนำไปสู่ความแตกต่างได้เช่นกัน รายงานระบุว่าเนื่องจากข้อจำกัดในกระบวนการผลิตชิปในท้องถิ่น ความเร็ว SerDes ของผู้ผลิต GPU AI ในประเทศจีนอาจยังคงจำกัดอยู่ที่ 100 Gb/s ต่อช่องสัญญาณ ดังนั้น สถาปัตยกรรมซูเปอร์โนดของพวกเขาจึงหันมาใช้การเชื่อมต่อแบบ NPO มากขึ้น ในขณะที่ NVIDIA ให้ความสำคัญกับ CPO มาโดยตลอด แนวทางที่แตกต่างกันเหล่านี้จะส่งผลกระทบต่อการออกแบบซูเปอร์โนด ต้นทุนการติดตั้ง และประสิทธิภาพของระบบ

ดังนั้น 38 GW จึงไม่ใช่การคาดการณ์ที่แม่นยำของการใช้ไฟฟ้าจริงในปี 2027 แต่เป็นการทดสอบความเครียดที่ได้มาจากการจัดส่งชิป ซึ่งแสดงให้เห็นว่าความต้องการชิป AI ยังคงแข็งแกร่ง และยังเตือนตลาดว่าสิ่งที่กำหนดว่าพลังการประมวลผล AI จะเกิดขึ้นได้หรือไม่นั้น อาจไม่ใช่แค่ตารางการผลิต GPU เพียงอย่างเดียว แต่ยังขึ้นอยู่กับว่า HBM, CoWoS, การทดสอบ, แร็ค และพลังงาน จะมีพร้อมใช้งานในเวลาเดียวกันหรือไม่