AI บูม คาด 5 ปีข้างหน้าชิปเซิร์ฟเวอร์ 130 ล้านตัว สร้างรายได้ 65 ล้านล้านบาท

การเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์ หรือ AI กำลังเปลี่ยนสมรภูมิการแข่งขันในอุตสาหกรรมเซมิคอนดักเตอร์ จากเดิมที่มุ่งเพิ่มประสิทธิภาพของชิปประมวลผล ไปสู่การแข่งขันด้านหน่วยความจำ แพ็กเกจจิ้งขั้นสูง และระบบเชื่อมต่อข้อมูล เพื่อรองรับปริมาณงาน AI ที่เพิ่มขึ้นอย่างต่อเนื่อง

Counterpoint Research เปิดเผยผลการศึกษาล่าสุดว่า ในช่วง 5 ปีข้างหน้า คาดว่าจะมีการส่งมอบตัวเร่งการประมวลผลสำหรับเซิร์ฟเวอร์ AI ซึ่งรวมถึงหน่วยประมวลผลกราฟิก หรือ GPU และชิปประมวลผลเฉพาะทางด้าน AI หรือ AI ASIC มากกว่า 130 ล้านตัว

ชิปกลุ่มดังกล่าวจะมาพร้อมหน่วยความจำที่ผสานผ่านเทคโนโลยีแพ็กเกจจิ้งขั้นสูง และคาดว่าจะสร้างรายได้จากการประมวลผลสะสมเกือบ 2 ล้านล้านดอลลาร์สหรัฐ หรือประมาณ 65.4 ล้านล้านบาท

ตัวเลขดังกล่าวเป็นการประเมิน “รายได้จากการประมวลผล” ตลอดระยะเวลา 5 ปี ไม่ใช่มูลค่าการลงทุนหรือรายได้ในปีเดียว

3 กำแพงเทคโนโลยีท้าทายการเติบโตของ AI

Counterpoint Research ระบุว่า การพัฒนาระบบ AI กำลังเผชิญข้อจำกัดทางกายภาพที่สำคัญ 3 ด้าน ได้แก่ Memory Wall, Performance Wall และ Copper Wall ซึ่งครอบคลุมตั้งแต่ข้อจำกัดของระบบหน่วยความจำ ขนาดและโครงสร้างของชิป ไปจนถึงประสิทธิภาพการเชื่อมต่อข้อมูล

Memory Wall คือข้อจำกัดด้านแบนด์วิดท์ ความจุ และประสิทธิภาพต่อการใช้พลังงานของระบบหน่วยความจำ เมื่อหน่วยประมวลผลสามารถทำงานได้เร็วขึ้น แต่หน่วยความจำไม่สามารถส่งข้อมูลได้ทัน ระบบหน่วยความจำจึงกลายเป็นคอขวดที่จำกัดประสิทธิภาพของตัวเร่งการประมวลผล AI

Performance Wall เกิดจากข้อจำกัดด้านขนาดเรติเคิลและการจัดวางวงจรแบบ 2 มิติ ทำให้อุตสาหกรรมไม่สามารถเพิ่มกำลังประมวลผลด้วยการขยายขนาดชิปเพียงอย่างเดียว แต่ต้องหันมาใช้ชิปเล็ต การวางซ้อน และการเชื่อมชิปหลายส่วนเข้าด้วยกัน

ส่วน Copper Wall เป็นข้อจำกัดของการรับส่งข้อมูลด้วยสัญญาณไฟฟ้าผ่านทองแดง เมื่อความเร็วในการส่งข้อมูลเพิ่มสูงขึ้น การเชื่อมต่อจะใช้พลังงานมากขึ้นและส่งสัญญาณได้ในระยะสั้นลง ส่งผลให้อุตสาหกรรมต้องพัฒนาเทคโนโลยีการเชื่อมต่อรูปแบบใหม่ รวมถึงระบบสื่อสารด้วยแสง

ข้อจำกัดทั้ง 3 ด้านกำลังผลักดันให้ผู้ผลิตชิปเร่งพัฒนาหน่วยความจำ แพ็กเกจจิ้งขั้นสูง และสถาปัตยกรรมการเชื่อมต่อ เพื่อให้สามารถรับส่งข้อมูลปริมาณมหาศาลได้รวดเร็วขึ้น พร้อมลดการใช้พลังงานและความหน่วงของระบบ

แพ็กเกจจิ้งขั้นสูง สมรภูมิใหม่ของชิป AI

แพ็กเกจจิ้งขั้นสูงกำลังมีบทบาทมากขึ้น เพราะเป็นเทคโนโลยีที่ช่วยนำหน่วยประมวลผล หน่วยความจำ และระบบเชื่อมต่อมาทำงานร่วมกันภายในแพ็กเกจเดียว โดยลดระยะทางในการเคลื่อนย้ายข้อมูลและเพิ่มแบนด์วิดท์ระหว่างส่วนประกอบ

ปัจจุบัน TSMC เป็นผู้นำตลาดด้วยเทคโนโลยี Chip-on-Wafer-on-Substrate หรือ CoWoS ซึ่งใช้ซิลิคอนอินเตอร์โพเซอร์เชื่อมต่อ GPU หรือชิปประมวลผลเข้ากับหน่วยความจำแบนด์วิดท์สูง หรือ HBM ภายในแพ็กเกจเดียวกัน

อย่างไรก็ตาม Counterpoint Research มองว่า การพึ่งพาซิลิคอนอินเตอร์โพเซอร์ของ CoWoS ยังมีข้อจำกัดด้านต้นทุน ความหนาของแพ็กเกจ ความเสี่ยงต่ออัตราผลผลิต กำลังการผลิตที่จำกัด และต้นทุนจากชิ้นงานที่ไม่ได้มาตรฐาน จึงเปิดโอกาสให้เทคโนโลยีทางเลือกเข้ามาแข่งขัน

Intel เดินหน้าท้าชิง TSMC

Intel กำลังพัฒนาแนวทางแก้ปัญหาคอขวดด้านหน่วยความจำและการเชื่อมต่อใน 3 ระดับ ได้แก่ EMIB, ZAM และ XBM เพื่อเป็นทางเลือกในการแข่งขันกับ CoWoS และ HBM

EMIB เป็นแพลตฟอร์มแพ็กเกจจิ้งที่ใช้งานเชิงพาณิชย์แล้ว โดยใช้สะพานซิลิคอนขนาดเล็กเชื่อมต่อชิปหลายส่วนภายในแพ็กเกจ แทนการใช้ซิลิคอนอินเตอร์โพเซอร์ขนาดใหญ่ครอบคลุมพื้นที่ทั้งหมด

ZAM เป็นเทคโนโลยีระยะใกล้ถึงระยะกลาง ซึ่ง Intel พัฒนาร่วมกับ SAIMEMORY ของ SoftBank เพื่อเป็นทางเลือกสำหรับระบบหน่วยความจำระดับ HBM4 ขณะที่ XBM เป็นแนวทางระยะยาวที่นำทรานซิสเตอร์ฟิล์มบางในกระบวนการผลิตส่วนเชื่อมต่อมาใช้ร่วมกับการออกแบบ UCIe แบบอนุกรม

แม้แนวทางของ Intel จะมีความน่าสนใจในเชิงสถาปัตยกรรม แต่ Counterpoint Research ประเมินว่า TSMC ยังมีความได้เปรียบด้านกำลังการผลิต เทคโนโลยีที่มีความพร้อม และระบบนิเวศของมาตรฐาน JEDEC

ความสามารถของ Intel ในการท้าชิงตลาดจึงขึ้นอยู่กับการพัฒนาเทคโนโลยีตามกำหนดเวลา การได้รับการสนับสนุนจากพันธมิตรในอุตสาหกรรม และการแก้ปัญหาด้านความร้อนและการผสานระบบ

Qualcomm เสนอ HBC ลดการเคลื่อนย้ายข้อมูล

นอกเหนือจากการแข่งขันระหว่าง TSMC และ Intel แล้ว Qualcomm ยังเสนอแนวทาง High Bandwidth Compute หรือ HBC เพื่อรับมือกับข้อจำกัดด้านหน่วยความจำและการเคลื่อนย้ายข้อมูล

แนวทางดังกล่าวนำส่วนหนึ่งของการประมวลผลเข้าไปอยู่ใกล้หรือใต้ชั้นหน่วยความจำ ทำให้ข้อมูลบางส่วนสามารถถูกประมวลผลได้โดยไม่ต้องเคลื่อนย้ายออกจากหน่วยความจำไปยังหน่วยประมวลผลหลัก

เมื่อข้อมูลเดินทางในระยะสั้นลง ระบบจึงมีโอกาสลดการใช้พลังงานและความหน่วง พร้อมเพิ่มประสิทธิภาพการทำงาน โดยเฉพาะระบบ AI ที่ต้องอ่านและประมวลผลข้อมูลปริมาณมากอย่างต่อเนื่อง

AI ส่งแรงกระเพื่อมตลอดห่วงโซ่ชิป

การเพิ่มประสิทธิภาพของระบบ AI ในอนาคตจะไม่ได้พึ่งพาเพียงการลดขนาดกระบวนการผลิตหรือเพิ่มจำนวนแกนประมวลผล แต่จะขึ้นอยู่กับแบนด์วิดท์ของหน่วยความจำ ประสิทธิภาพการเคลื่อนย้ายข้อมูล แพ็กเกจจิ้ง และเทคโนโลยีการเชื่อมต่อมากขึ้น

การเติบโตของ AI จึงมีแนวโน้มส่งต่อโอกาสไปยังห่วงโซ่อุปทานหลายส่วน ตั้งแต่ผู้ผลิต GPU และ AI ASIC ผู้ผลิตหน่วยความจำ โรงงานรับจ้างผลิตชิป ผู้ให้บริการแพ็กเกจจิ้ง ผู้ผลิตซับสเตรต ไปจนถึงผู้พัฒนาเทคโนโลยีเชื่อมต่อและการสื่อสารด้วยแสง

ภาพดังกล่าวสะท้อนว่า การแข่งขันของอุตสาหกรรม AI ระยะต่อไปจะไม่ได้วัดกันเฉพาะ “ความแรงของชิป” แต่รวมถึงความสามารถในการประมวลผล จัดเก็บ เคลื่อนย้าย และเชื่อมต่อข้อมูลอย่างมีประสิทธิภาพทั้งระบบ

เมื่อโมเดล AI มีขนาดใหญ่ขึ้นและต้องประมวลผลข้อมูลมากขึ้น หน่วยความจำ แพ็กเกจจิ้ง และระบบเชื่อมต่อจึงกำลังเปลี่ยนสถานะจากส่วนประกอบสนับสนุน มาเป็นตัวแปรสำคัญที่จะกำหนดประสิทธิภาพ ต้นทุน และทิศทางการแข่งขันของอุตสาหกรรมเซมิคอนดักเตอร์ในช่วง 5 ปีข้างหน้า