OpenAI จับมือ Broadcom ออกแบบชิป AI ของตัวเองเป็นครั้งแรก แทนที่จะพึ่ง GPU จากค่ายนอกอย่างเดียวเหมือนที่ผ่านมา เหตุผลหลักคือควบคุม supply chain เอง ลดการง้อคิวการผลิตจากผู้ผลิตชิปเจ้าอื่น และออกแบบให้เข้ากับ workload ของ ChatGPT โดยเฉพาะ สำหรับคนใช้งานทั่วไปอาจไม่เห็นความเปลี่ยนแปลงทันที แต่นักพัฒนาที่ยิง API หนักๆ น่าจะได้อานิสงส์เรื่อง cost และ capacity ในระยะยาว ชิปตัวนี้ชื่อ Jalapeño ทำ tape-out ในเวลา 9 เดือน และมีแผน deploy จริงที่ data center ระดับ gigawatt ร่วมกับ Microsoft ในปี 2026 โดย OpenAI เคลมต้นทุน inference ต่อ token ถูกลงราวๆ 50%
หน้าตาของชิปตัวแรกที่ OpenAI ไม่ต้องพึ่ง Nvidia อีกต่อไป
ชิปตัวนี้ชื่อ Jalapeño ออกแบบโดย OpenAI ร่วมกับ Broadcom และให้ TSMC เป็นโรงหล่อ ต่างจากเดิมที่ต้องซื้อ GPU สำเร็จรูปจาก Nvidia มาใช้ตรงๆ
จุดสำคัญคือมันไม่ได้ทำมาให้ใช้งานทั่วไป แต่ออกแบบมาเฉพาะสำหรับรัน inference ของ AI model OpenAI โดยตรง เหมือนเสื้อสั่งตัดที่วัดขนาดตาม workload จริง ไม่ใช่เสื้อโหลที่ต้องใส่ยังไงก็ได้ ส่วนงาน pre-training ที่กินทรัพยากรหนักกว่านั้น OpenAI บอกว่ายังใช้ฮาร์ดแวร์ Nvidia ต่อไป
สเปกที่ประกาศออกมาแล้วก็มีอยู่พอสมควร Broadcom กับ OpenAI ระบุว่า Jalapeño เป็น ASIC ระดับ reticle-sized ที่ทำ tape-out ได้ในเวลา 9 เดือน โดย OpenAI ใช้โมเดล AI ของตัวเองช่วยเร่งขั้นตอนออกแบบ ส่วนตัวเลขที่บริษัทเคลมคือต้นทุน inference ต่อ token ถูกกว่า Nvidia GPU รุ่นปัจจุบันราวๆ 50% แต่ยังไม่มี benchmark อิสระมายืนยัน สเปกเชิงลึกอย่าง process node หรือขนาด die ก็ยังไม่ได้ปล่อยออกมาชัดเจน
ตอนที่บิลค่า GPU ทำเอาทีมแทบเลิกทำโปรเจกต์
ทีม dev ที่เคยเช่า cloud GPU รัน model ใหญ่ๆ น่าจะเข้าใจความรู้สึกนี้ดี จองคิว H100 ทีนึงรอเป็นสัปดาห์ พอได้ใช้จริงบิลก็พุ่งจนต้องกลับไปดู budget ใหม่ทุกเดือน
ฝั่ง user ทั่วไปก็เจอเหมือนกันแค่คนละรูปแบบ ใช้ ChatGPT ช่วงคนเยอะแล้วเจอ rate limit ตอบช้าหรือใช้ต่อไม่ได้ดื้อๆ เพราะ compute ไม่พอรองรับทุกคนพร้อมกัน
นี่แหละคือปัญหาที่ OpenAI เจอในระดับที่ใหญ่กว่าทีมเล็กๆ มาก เพราะต้องรัน model ให้คนทั้งโลกใช้พร้อมกันตลอดเวลา พึ่ง Nvidia อย่างเดียวทั้งคิวยาวทั้งต้นทุนสูง สุดท้ายก็มาถึงจุดที่ต้องมีชิปของตัวเองเพื่อคุมทั้ง cost และ capacity ให้อยู่ในมือตัวเองล่ะ
ชิปตัวนี้ยืนอยู่ตรงไหนในแผนธุรกิจ compute ของ OpenAI
ชิปตัวนี้ไม่ได้มาแทน Nvidia นะ แต่มาเสริมพอร์ต compute ที่ OpenAI ถืออยู่ให้หลากหลายขึ้น เป้าหมายหลักคือใช้รัน inference เป็นหลัก เพราะเป็นงานที่กินทรัพยากรตลอดเวลาไม่มีหยุด ต่างจาก training ที่เป็นรอบๆ
Broadcom รับหน้าที่ออกแบบร่วมและผลิต ส่วน TSMC เป็นโรงหล่อ นี่คือ pattern เดียวกับที่ Google/Amazon ทำชิปเองมาก่อนแล้ว
ที่น่าสนใจคือ OpenAI ยังมีดีล AMD คู่ขนาน (6 กิกะวัตต์) และดีล Nvidia (10 กิกะวัตต์ พร้อมเม็ดเงินลงทุนก้อนใหญ่) วางไว้ควบคู่กัน แปลว่ากลยุทธ์คือกระจายความเสี่ยงหลายทาง ไม่ผูกกับซัพพลายเออร์รายเดียว ส่วน Jalapeño เอง OpenAI ระบุว่าจะเริ่ม deploy ที่ data center ระดับ gigawatt ร่วมกับ Microsoft และพาร์ทเนอร์อื่นในปี 2026 โดยที่ดีล cloud capacity เดิมก็ยังเดินหน้าต่อไปเหมือนเดิม ไม่ได้ถูกแทนที่แต่อย่างใด
ระดับการควบคุมดีไซน์ที่ต่างกันสิ้นเชิงเมื่อเลิกซื้อ GPU สำเร็จรูป
เดิมที OpenAI ใช้ GPU ของ Nvidia เกือบทั้งหมด เหมือนเช่าบ้านคนอื่นอยู่ ต้องปรับตัวตามสเปคที่เขาให้มา ปรับแต่งลึกๆ ไม่ได้มากนัก
พอมาออกแบบชิปเองแล้วให้ Broadcom เป็นคนผลิต สถานะเปลี่ยนเป็นเจ้าของบ้านที่วางผังเองได้ ว่าจะเอา transistor ไปทุ่มตรงไหนให้เหมาะกับงาน AI ของตัวเองที่สุด ไม่ต้องแบ่งทรัพยากรให้ฟีเจอร์ที่ไม่ได้ใช้
| Factor | แนวทางเดิม (Nvidia GPU) | แนวทางใหม่ (ชิปออกแบบเอง + Broadcom ผลิต) |
|---|---|---|
| สถาปัตยกรรม | General-purpose GPU | ออกแบบเฉพาะงาน AI ของ OpenAI |
| ผู้ผลิต | Nvidia | Broadcom (ผลิตตามดีไซน์ OpenAI) |
| ระดับควบคุม design | จำกัด ต้องใช้ตามที่ Nvidia ให้มา | ควบคุมเองได้เต็มที่ |
| การพึ่งพาซัพพลายเออร์รายเดียว | สูง | ลดลง กระจายความเสี่ยง |
| Timeline ใช้งานจริง | ใช้อยู่แล้วปัจจุบัน | เริ่ม deploy 2026 ที่ data center Microsoft และพาร์ทเนอร์ |
ตารางนี้มีแค่ตัวเลขที่ OpenAI เคลมเอง (ต้นทุน inference ต่อ token ถูกกว่า Nvidia GPU ราวๆ 50%) ยังไม่มี benchmark independent มายืนยัน ต้องรอสายเทคทดสอบจริงในช่วง deploy ก่อนถึงจะประเมินความคุ้มค่าได้แน่
ฟีเจอร์เหล่านี้จะเปลี่ยนชีวิตคนใช้ ChatGPT ยังไง
ชิปที่ออกแบบเฉพาะงาน inference แปลว่าตอบคำถามได้เร็วขึ้น โดยเฉพาะช่วงพีคตอนเย็นที่คนแห่เข้ามาใช้พร้อมกันจนเคย lag
ประหยัดพลังงานต่อ token แปลว่าต้นทุนรันโมเดลถูกลง ซึ่งอาจสะท้อนมาที่ราคา API หรือแพ็กเกจ subscription ในระยะยาว (แต่ยังไม่มีตัวเลขราคาชัดเจนออกมา)
ส่วนเรื่องลดคอขวด supply ช่วยได้ตรงจุด ChatGPT ล่มหรือช้าตอนคนใช้เยอะ เพราะไม่ต้องพึ่งคิวการ์ดจอจากเจ้าเดียวทั้งหมด กระจายความเสี่ยงเรื่อง capacity ได้มากขึ้น
พูดง่ายๆ คือถ้าทำได้ตามที่ตั้งใจ user จะรู้สึกผ่าน “ความเร็ว” กับ “ความเสถียร” มากกว่าเห็นฟีเจอร์ใหม่ แต่ทั้งหมดนี้ยังเป็นทิศทางที่ตั้งเป้าไว้ ต้องรอ OpenAI ยืนยันตัวเลขจริงในช่วง deploy 2026 ถึงจะบอกได้ว่าคุ้มแค่ไหน
เทียบชั้นกับ TPU ของ Google และ Trainium ของ Amazon
OpenAI ไม่ใช่เจ้าแรกที่คิดจะมีชิปเอง Google เริ่ม TPU มาตั้งแต่ปี 2015 ส่วน Amazon ก็มี Trainium/Inferentia ของตัวเองมาสักพักแล้ว
จุดต่างคือ OpenAI เลือกจับมือกับ Broadcom ออกแบบชิปแทนที่จะทำเองทั้งหมดแบบ Google ซึ่งวิธีนี้เร็วกว่าแต่ก็ต้องพึ่งพาร์ทเนอร์ภายนอกมากกว่า
เป้าหมายเหมือนกันหมดคือลดการพึ่ง Nvidia ให้ได้มากที่สุด แต่แต่ละเจ้าอยู่คนละ stage — Google กับ Amazon มี infrastructure หนุนหลังมานาน ส่วน OpenAI เพิ่งเริ่มต้น
| Factor | OpenAI Chip | Google TPU / Amazon Trainium |
|---|---|---|
| เริ่มพัฒนา | ล่าสุด (2026) | TPU ปี 2015 / Trainium หลังจากนั้น |
| ผู้ผลิตจริง | Broadcom (ร่วมออกแบบ) | ผลิตเอง/พาร์ทเนอร์ตามแต่ละเจ้า |
| ความอิสระจาก Nvidia | กำลังเริ่มต้น | มี ecosystem รองรับแล้ว |
| จุดแข็ง | ออกแบบเฉพาะ workload ตัวเอง | ผ่านการใช้งานจริงมานาน |
ข้อดีข้อเสียของการที่ OpenAI หันมาทำชิปเอง
พอเป็นชิปที่ออกแบบเอง ข้อดีชัดเจนคือคุมต้นทุนระยะยาวได้ดีขึ้น ไม่ต้องรอคิวซื้อจาก Nvidia เหมือนทุกเจ้าในตลาด และปรับ architecture ให้เข้ากับโมเดลตัวเองได้ตรงจุดกว่าชิปที่ทำมาขายทุกคน
แต่ความเสี่ยงก็มีเยอะไม่แพ้กัน การจับมือกับ Broadcom ยังเป็นแค่จุดเริ่มต้น กว่าจะ scale การผลิตให้พอใช้งานจริงระดับ production คงต้องใช้เวลาอีกพักใหญ่ และระหว่างนี้ OpenAI ก็ยังต้องพึ่ง Nvidia อยู่ดีเพื่อไม่ให้งานสะดุด
โดยรวมคือเป็นการลงทุนระยะยาวที่ยังไม่เห็นผลทันที ต้องรอดูว่าจะ balance ระหว่างชิปตัวเองกับของ Nvidia ยังไงในช่วงเปลี่ยนผ่านนี้
ข้อดี
- +คุมต้นทุนระยะยาวได้ดีขึ้น ไม่ผูกติดราคาตลาด
- +ลดความเสี่ยงเรื่อง supply ที่ทุกเจ้าแย่งซื้อ Nvidia
- +ออกแบบชิปให้ตรงกับ workload โมเดลตัวเองได้
ข้อเสีย
- −ต้องใช้เวลานานกว่าจะ scale การผลิตได้จริง
- −ความเสี่ยงด้านการผลิตยังอยู่ที่ Broadcom เป็นหลัก
- −ระยะสั้นยังต้องพึ่ง Nvidia ต่อไปเพื่อไม่ให้งานสะดุด
เดิมพันหลายหมื่นล้านที่ซ่อนอยู่หลังดีลกับ Broadcom
ตัวเลขดีลที่ประกาศออกมาเป็นแค่ยอดหน้าปก ต้นทุนจริงยังไม่นับรวมอีกหลายก้อน
การสร้าง data center รองรับชิปตัวใหม่ต้องใช้ที่ดิน ไฟฟ้า และระบบระบายความร้อนมหาศาล ซึ่งเป็นค่าใช้จ่ายที่แยกออกจากมูลค่าดีลชิปโดยตรง
อีกความเสี่ยงที่มองข้ามไม่ได้คือ export control ระหว่างจีน-สหรัฐฯ ที่อาจกระทบ supply chain ของ TSMC ซึ่งเป็นโรงงานผลิตหลักให้ Broadcom
การผูกมัดกับ Broadcom และ TSMC ระยะยาวก็เป็นดาบสองคม ถ้าออกแบบชิปผิดทิศทาง หรือ workload โมเดลเปลี่ยนเร็วกว่าที่วางแผนไว้ โปรเจกต์นี้อาจล่าช้าและไม่คุ้มทุนตามที่คาดหวัง
สรุปคือดีลนี้ไม่ใช่แค่ “ซื้อชิป” แต่เป็นการเดิมพันทั้ง infrastructure ระยะยาวที่ยังไม่มีตัวเลขต้นทุนจริงเปิดเผยออกมาชัดเจน
แรงกระเพื่อมที่จะไปถึง Nvidia และคู่แข่งรายอื่นหลังดีลนี้
ดีลนี้เขย่าวงการ AI compute แน่ๆ เพราะเป็นสัญญาณว่าบริษัท AI รายใหญ่เริ่มไม่พึ่ง Nvidia อย่างเดียวแล้ว
จับตาว่า Nvidia จะตอบโต้ยังไง อาจจะลดราคา หรือเร่งฟีเจอร์ใหม่ให้ทิ้งห่างคู่แข่งมากขึ้น ส่วนค่ายอื่นอย่าง Google (TPU) กับ Amazon (Trainium) ก็ทำชิปเองอยู่แล้ว ดีลนี้อาจกระตุ้นให้ Meta หรือ Microsoft เร่งจังหวะโปรเจกต์ชิปของตัวเองตามไปด้วย
สุดท้ายคนที่น่าจะได้ประโยชน์แบบเงียบๆ คือ TSMC เพราะไม่ว่าใครจะแข่งกันแบบไหน สุดท้ายชิปพวกนี้ก็ต้องผลิตผ่านโรงงานเดียวกันอยู่ดี
ใครติดตามสาย AI infrastructure บอกเลยว่าปีนี้ยังมีเซอร์ไพรส์แบบนี้อีกแน่นอน อย่าลืมกดติดตาม Prism ไว้ จะได้ไม่พลาดข่าวใหญ่ถัดไป