นักเศรษฐศาสตร์ Apollo: กำไรสุทธิของ Magnificent Seven เพิ่มขึ้น ในขณะที่ส่วนที่เหลือของ S&P 500 หยุดนิ่งในปี 2026
ปัญญาประดิษฐ์ได้กลายเป็นหนึ่งในธีมการลงทุนที่ใหญ่ที่สุดของปี 2026 ดึงดูดการใช้จ่ายหลายร้อยพันล้านดอลลาร์สหรัฐบนชิป ศูนย์ข้อมูล การคำนวณแบบคลาวด์ และโมเดลปัญญาประดิษฐ์ อย่างไรก็ตาม คำถามที่เพิ่มขึ้นในตลาดการเงินคือ: การลงทุนเหล่านี้กำลังสร้างผลตอบแทนทางเศรษฐกิจที่วัดได้เหนือกว่าบริษัทที่จัดหาเทคโนโลยีหรือไม่? โทร์สเตน โกลค หัวหน้านักเศรษฐศาสตร์ของ Apollo Global Management ได้ยกประเด็นนี้ขึ้นในบันทึกการวิจัยเมื่อวันที่ 24 ตุลาคม โดยอ้างว่ารายได้ต่อพนักงานและอัตรากำไรสุทธิได้ดีขึ้นในกลุ่ม Magnificent Seven ในขณะที่ยังคงอยู่ในระดับใกล้เคียงกันในอีก 493 บริษัทที่เหลือในดัชนี S&P 500 เขายังพบหลักฐานที่ชัดเจนว่าไม่มีการเร่งตัวของการเติบโตของผลิตภาพที่ขับเคลื่อนโดยปัญญาประดิษฐ์
ผลกระทบยังขยายเกินกว่าหุ้นทั่วไป หากการใช้จ่ายด้านโครงสร้างพื้นฐานของปัญญาประดิษฐ์ยังคงเพิ่มขึ้นเร็วกว่าผลประโยชน์ทางการเงินที่ลูกค้าองค์กรได้รับ นักลงทุนอาจทบทวนมูลค่าเทคโนโลยี ความคาดหวังเกี่ยวกับกำไรของบริษัท และความต้องการบริการปัญญาประดิษฐ์ คำถามเดียวกันนี้มีความสำคัญต่อตลาดคริปโตเคอเรนซี โดย โทเค็นที่เกี่ยวข้องกับปัญญาประดิษฐ์ เครือข่ายการคำนวณแบบกระจายศูนย์ และโครงการปัญญาประดิษฐ์บนบล็อกเชนต่างแข่งขันกันเพื่อดึงดูดความสนใจของนักลงทุน ประเด็นหลักไม่ใช่การที่เทคโนโลยีปัญญาประดิษฐ์กำลังก้าวหน้าหรือไม่ แต่คือว่ามูลค่าเชิงพาณิชย์ของมันสามารถแพร่กระจายออกไปนอกเหนือจากกลุ่มบริษัทเทคโนโลยีชั้นนำที่ค่อนข้างเล็กได้หรือไม่
ประเด็นสำคัญ
-
กำไรจาก AI ยังคงกระจุกตัว: การวิเคราะห์ของ Apollo ในเดือนตุลาคม 2026 แสดงให้เห็นว่ารายได้ต่อพนักงานและอัตรากำไรเพิ่มขึ้นในกลุ่ม Magnificent Seven ขณะที่ตัวชี้วัดที่เปรียบเทียบได้ยังคงอยู่ในระดับคงที่โดยทั่วไปในกลุ่ม S&P 493
-
การปรับใช้ปัญญาประดิษฐ์ในองค์กรเผชิญกับการทดสอบทางการเงิน: ค่าสมัครใช้งานโมเดล การใช้โทเค็น ค่าใช้จ่ายในการบูรณาการ และการกำกับดูแลโดยมนุษย์สามารถหักล้างผลประโยชน์ด้านประสิทธิภาพเมื่อบริษัทไม่สามารถแปลงความสามารถของปัญญาประดิษฐ์ให้เป็นผลลัพธ์ทางการเงินที่วัดได้
-
การใช้จ่ายด้านโครงสร้างพื้นฐานสร้างทั้งโอกาสและความเสี่ยง: บริษัทเทคโนโลยีรายใหญ่ยังคงลงทุนอย่างหนักในกำลังการประมวลผล แต่ความยั่งยืนของการลงทุนเหล่านี้ขึ้นอยู่กับความต้องการของลูกค้าและการสร้างกระแสเงินสดในอนาคต
-
ประสิทธิภาพของตลาดหุ้นอาจซ่อนความแตกต่างทางเศรษฐกิจ: มูลค่าตลาดของบริษัทเทคโนโลยีขนาดใหญ่สามารถสนับสนุนประสิทธิภาพของดัชนีหลัก แม้ว่าการเติบโตของกำไรจะยังไม่สม่ำเสมอระหว่างภาคต่างๆ
-
โครงการ AI ที่เกี่ยวข้องกับคริปโตเผชิญกับความท้าทายที่คล้ายกัน: ความสนใจของนักลงทุนในโครงสร้างพื้นฐาน AI และสินทรัพย์ดิจิทัลไม่ได้รับประกันความต้องการอย่างยั่งยืนต่อบริการที่ใช้บล็อกเชนหรือโทเค็นที่เกี่ยวข้อง
สิ่งที่การวิเคราะห์ S&P 493 ของ Apollo เปิดเผยเกี่ยวกับผลตอบแทนทางการเงินของ AI
บันทึกการวิจัยของ Apollo ในวันที่ 24 ตุลาคม ซึ่งเผยแพร่โดย Torsten Slok ชี้ว่า ประโยชน์ทางการเงินจาก AI ยังคงมุ่งเน้นอยู่ที่บริษัทเทคโนโลยีขนาดใหญ่ แทนที่จะกระจายอย่างกว้างขวางไปทั่วภาคธุรกิจของอเมริกา การวิเคราะห์นี้แยก Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia และ Tesla ออกจากดัชนี S&P 500 โดยเรียกบริษัทที่เหลือว่า S&P 493 ตามที่ Slok ระบุ รายได้ต่อพนักงานและอัตรากำไรสุทธิเพิ่มขึ้นสำหรับ Magnificent Seven แต่ยังคงอยู่ในระดับใกล้เคียงกันสำหรับบริษัทอื่นๆ ในดัชนี การวิเคราะห์ของเขายังระบุว่าไม่มีการเร่งตัวที่ชัดเจนในการเติบโตของผลิตภาพที่สามารถอธิบายได้จาก AI
ความแตกต่างนี้มีความสำคัญเพราะ Magnificent Seven ครองโพสิชันที่ต่างกันหลายแห่งในห่วงโซ่มูลค่าของ AI Nvidia จัดหาฮาร์ดแวร์คอมพิวติ้ง Microsoft และ Alphabet ดำเนินระบบนิเวศคลาวด์และซอฟต์แวร์ Amazon ผสานโครงสร้างพื้นฐานคลาวด์เข้ากับธุรกิจการค้า และ Meta และ Apple ได้รับประโยชน์จากแพลตฟอร์มผู้บริโภคขนาดใหญ่ Tesla มีสัดส่วนธุรกิจที่ต่างออกไป แต่ยังคงอยู่ในกลุ่มตลาดเดียวกัน บริษัทเหล่านี้สามารถสร้างรายได้จาก AI ผ่านชิป บริการคลาวด์ การโฆษณา การสมัครสมาชิก ซอฟต์แวร์ และช่องทางรายได้ที่มีอยู่แล้วอื่นๆ เมื่อเทียบกับบริษัทจำนวนมากที่อยู่นอกกลุ่มนี้ ซึ่งต้องซื้อความสามารถด้าน AI และต้องแสดงให้เห็นว่าประสิทธิภาพที่ได้รับนั้นสูงกว่าต้นทุน
รายได้ต่อพนักงานและส่วนต่างกำไรแสดงให้เห็นถึงช่องว่างที่กว้างขึ้น
การวิเคราะห์ของ Apollo ชี้ให้เห็นถึงความแตกต่างระหว่างผลการดำเนินงานทางการเงินกับการรับเทคโนโลยี บริษัทสามารถแนะนำเครื่องมือ AI ปรับอัตโนมัติงานบางอย่าง หรือเพิ่มการเข้าถึงแบบจำลองขั้นสูงให้พนักงาน โดยไม่จำเป็นต้องสร้างผลกำไรรวมที่ดีขึ้นทันที ประโยชน์อาจปรากฏในรูปแบบของบริการที่เร็วขึ้น ข้อผิดพลาดน้อยลง การรักษาลูกค้าที่ดีขึ้น หรือต้นทุนต่อหน่วยที่ลดลง แต่ผลประโยชน์เหล่านี้อาจถูกชดเชยด้วยค่าใช้จ่ายในการดำเนินการ การเติบโตของค่าจ้าง ค่าพลังงาน และค่าใช้จ่ายซอฟต์แวร์เพิ่มเติม รายได้ต่อพนักงานและอัตรากำไรสุทธิเป็นตัวชี้วัดรวมที่มีประโยชน์ แม้ว่าจะไม่สามารถจับทุกประโยชน์ที่อาจเกิดขึ้นจากการรับ AI ได้ทั้งหมด
| ตัวชี้วัด | เซเว่นที่ยิ่งใหญ่ | S&P 493 |
| รายได้ต่อพนักงาน | กำลังเพิ่มขึ้นในการวิเคราะห์ของ Apollo | ทรงตัวโดยทั่วไป |
| ขอบเขตกำไร | เพิ่มขึ้นประมาณ 30% เมื่อเปรียบเทียบในรายงาน | ทรงตัวใกล้ประมาณ 10% |
| ผลผลิตที่เพิ่มขึ้นจาก AI | ผลการดำเนินงานทางการเงินที่แข็งแกร่งขึ้น แม้จะยังไม่มีการพิสูจน์ความสัมพันธ์เชิงเหตุและผลจากการเปรียบเทียบเพียงอย่างเดียว | ไม่พบการเร่งตัวแบบรวมที่ชัดเจนโดย Apollo |
| โพสิชันในเศรษฐกิจปัญญาประดิษฐ์ | รวมถึงผู้จัดหาโครงสร้างพื้นฐานและแพลตฟอร์ม AI รายใหญ่ | รวมถึงลูกค้า AI หลากหลายประเภทและธุรกิจอื่นๆ |
ตัวเลขเหล่านี้เป็นค่าประมาณที่รายงานในการครอบคลุมการวิเคราะห์ของ Apollo ไม่ใช่การวัดที่เหมือนกันสำหรับแต่ละบริษัท พวกเขาอธิบายความแตกต่างในระดับกลุ่มและไม่ได้พิสูจน์ว่า AI เพียงอย่างเดียวเป็นสาเหตุของช่องว่างนี้
ผลการศึกษาไม่ควรตีความว่าเป็นหลักฐานว่าทุกองค์กรที่อยู่นอกภาคเทคโนโลยีล้มเหลวในการได้รับประโยชน์จาก AI ผลกำไรรวมอาจซ่อนความสำเร็จของแต่ละราย และการปรับปรุงผลิตภาพอาจใช้เวลาในการปรากฏในงบการเงิน อย่างไรก็ตาม การวิเคราะห์ของ Apollo ตั้งคำถามสำคัญสำหรับนักลงทุน: หากคาดว่า AI จะเปลี่ยนแปลงเศรษฐกิจโดยรวม แล้วการเปลี่ยนแปลงนั้นควรปรากฏให้เห็นในผลการดำเนินงานทางการเงินของบริษัทที่นำ AI ไปใช้เมื่อใด?
ทำไมการใช้จ่ายด้านปัญญาประดิษฐ์ยังไม่ได้แปลงเป็นกำไรของบริษัทโดยรวม
ช่องว่างระหว่างการลงทุนใน AI กับผลตอบแทนทางการเงินที่วัดได้สะท้อนถึงความซับซ้อนของการบูรณาการเทคโนโลยีใหม่เข้ากับธุรกิจที่มีอยู่ การซื้อการเข้าถึงโมเดลขั้นสูงนั้นค่อนข้างง่าย; แต่การรีดีไซน์กระบวนการทำงาน โครงสร้างพื้นฐานข้อมูล หน้าที่รับผิดชอบ และกระบวนการตัดสินใจของบริษัทเป็นเรื่องที่ยากกว่ามาก AI อาจลดเวลาที่ใช้ในการดำเนินงานบางอย่าง แต่ไม่ได้ขจัดงานรอบข้างที่จำเป็นในการตรวจสอบผลลัพธ์ รักษาความสอดคล้อง หรือสื่อสารผลลัพธ์ให้กับลูกค้า ดังนั้น การปรับปรุงในระดับงานแต่ละชิ้นจึงไม่ได้แปลงเป็นกำไรโดยรวมของบริษัทที่สูงขึ้นอย่างแน่นอน
ค่าใช้จ่ายของโทเค็นกำลังกลายเป็นค่าใช้จ่ายสำคัญขององค์กร
บริการ AI หลายแห่งคิดค่าใช้จ่ายตามการใช้งานโมเดล รวมถึงจำนวนโทเค็นขาเข้าและขาออกที่ประมวลผล เมื่อพนักงานและตัวแทนอัตโนมัติดำเนินงานมากขึ้นผ่านระบบ AI การใช้จ่ายอาจเพิ่มขึ้นอย่างมาก สำหรับบริษัทที่ดำเนินการในระดับใหญ่ ค่าใช้จ่ายทั้งหมดอาจรวมถึงการเข้าถึงโมเดล โครงสร้างพื้นฐานบนคลาวด์ การเตรียมข้อมูล การควบคุมด้านความปลอดภัย การผสานรวมซอฟต์แวร์ และการทบทวนโดยมนุษย์ โมเดลที่มีความสามารถสูงกว่าอาจเพิ่มความแม่นยำในการทำงานที่ซับซ้อน แต่ค่าใช้จ่ายเพิ่มเติมนั้นยากต่อการอธิบายเมื่อโมเดลที่ถูกกว่าสามารถให้ผลลัพธ์ที่เพียงพอ
Slok ชี้ว่าธุรกิจทั่วไปกำลังระมัดระวังมากขึ้นในการจ่ายเงินสำหรับรุ่นล่าสุด เพราะผลประโยชน์ทางการเงินยังไม่ปรากฏอย่างสม่ำเสมอในงบดุลของพวกเขา ในขณะเดียวกัน บริษัทที่ได้รับการสนับสนุนจากนักลงทุนด้านสตาร์ทอัพยังคงใช้จ่ายอย่างหนักเพื่อพัฒนาความสามารถด้าน AI ซึ่งสร้างความแตกต่างระหว่างบริษัทที่มุ่งเน้นการขยายเทคโนโลยีอย่างรวดเร็ว กับธุรกิจที่มีอยู่แล้วซึ่งต้องการผลตอบแทนทางเศรษฐกิจที่ชัดเจน ความแตกต่างนี้มีความเกี่ยวข้องเป็นพิเศษเมื่อผู้ให้บริการ AI พยายามแปลงการใช้งานที่เพิ่มขึ้นให้เป็นรายได้แบบสม่ำเสมอ ในขณะเดียวกันก็รักษาเศรษฐกิจต่อหน่วยที่น่าดึงดูด
ข้อจำกัดของวิจารณญาณทางธุรกิจที่มีต่อสิ่งที่การอัตโนมัติสามารถบรรลุได้
AI สามารถสรุปข้อมูล สร้างโค้ด วิเคราะห์เอกสาร และช่วยในการคำนวณ อย่างไรก็ตาม การตัดสินใจทางธุรกิจหลายอย่างขึ้นอยู่กับบริบท ความรับผิดชอบ ความไว้วางใจจากลูกค้า วัฒนธรรมองค์กร และพิจารณาด้านจริยธรรม ตัวอย่างเช่น สถาบันการเงินอาจใช้ AI เพื่อทบทวนคำขอ แต่ยังคงต้องมีการควบคุมเพื่อให้เป็นไปตามข้อบังคับ ความเป็นธรรม และการตัดสินใจที่ส่งผลกระทบต่อลูกค้า ผู้ให้บริการด้านสุขภาพอาจใช้ระบบอัตโนมัติในการจัดทำเอกสาร แต่ยังคงให้บุคลากรมนุษย์รับผิดชอบต่อการตัดสินใจทางคลินิก ในทั้งสองกรณี เทคโนโลยีสามารถปรับปรุงงานที่เลือกไว้ได้ โดยไม่ได้กำจัดต้นทุนการดำเนินงานโดยรวมที่เกี่ยวข้องกับการจัดส่งบริการ
สิ่งนี้ช่วยอธิบายว่าทำไมอัตราการรับรองเพียงอย่างเดียวจึงไม่ใช่ตัวชี้วัดที่เพียงพอสำหรับความสำเร็จทางธุรกิจ บริษัทต้องพิจารณาว่าปัญญาประดิษฐ์ช่วยปรับปรุงผลลัพธ์ที่วัดได้ เช่น อัตราการแปลงสภาพ เวลาในการประมวลผล การรักษาลูกค้า หรือต้นทุนต่อธุรกรรมหรือไม่ หากการปรับปรุงเหล่านี้ไม่สามารถเกินค่าใช้จ่ายในการนำเข้าและดำเนินงาน การใช้งานปัญญาประดิษฐ์เพิ่มเติมอาจทำให้ค่าใช้จ่ายเพิ่มขึ้นโดยไม่ช่วยเพิ่มกำไร ข้อโต้แย้งของแอพอลโลจึงไม่ได้เกี่ยวกับการขาดความก้าวหน้าทางเทคโนโลยี แต่เกี่ยวกับความยากลำบากในการแปลงความก้าวหน้านั้นให้กลายเป็นผลกำไรทางการเงินที่กว้างขวางและวัดได้
ผลผลิตที่เพิ่มขึ้นอาจใช้เวลาในการปรากฏ
ยังมีปัญหาด้านเวลาอีกด้วย บริษัทมักมีค่าใช้จ่ายก่อนที่จะได้รับประโยชน์เต็มที่จากเทคโนโลยีใหม่ พนักงานต้องได้รับการฝึกอบรม ระบบภายในต้องมีการปรับปรุง และผู้จัดการต้องตัดสินใจว่าภารกิจใดควรทำการอัตโนมัติและภารกิจใดควรได้รับการทบทวนโดยมนุษย์ ในช่วงการเปลี่ยนผ่านนี้ ผลผลิตอาจยังคงจำกัดหรือถูกหักล้างด้วยค่าใช้จ่ายในการจัดระเบียบงานใหม่
หัวหน้านักเศรษฐศาสตร์ของโกลด์แมน แซคส์ แจน ฮาตซิอุส ให้การตีความที่มองโลกในแง่ดีมากขึ้นเกี่ยวกับศักยภาพทางเศรษฐกิจระยะยาวของปัญญาประดิษฐ์ โดยอ้างว่าการลงทุนอาจสุดท้ายแล้วสนับสนุนผลิตภาพที่สูงขึ้นและกำไรของบริษัทที่กว้างขวางยิ่งขึ้น อย่างไรก็ตาม โกลด์แมน แซคส์ยังมองว่าส่วนช่วยในการเติบโตจากวัฏจักรการลงทุนปัญญาประดิษฐ์ในปัจจุบันอาจแตะจุดสูงสุดในช่วงปลายปี 2026 หรือต้นปี 2027 ความแตกต่างระหว่างนักเศรษฐศาสตร์ทั้งสองไม่ได้อยู่ที่ว่าปัญญาประดิษฐ์มีประโยชน์หรือไม่ แต่อยู่ที่ความเร็วและขอบเขตที่ผลประโยชน์ของมันจะปรากฏขึ้น
สำหรับนักลงทุน การทดสอบที่เหมาะสมคือการดูว่าผลการเงินในอนาคตจะยืนยันการใช้จ่ายที่กำลังเกิดขึ้นอยู่หรือไม่ ผลตอบแทนที่ล่าช้ายังคงเป็นไปได้ แต่บริษัทยังคงต้องแสดงให้เห็นว่าโปรแกรมปัญญาประดิษฐ์ของพวกเขาก่อให้เกิดมูลค่าอย่างยั่งยืน มากกว่าการพึ่งพาความคาดหวังว่ามูลค่าจะปรากฏขึ้นในที่สุด
3. การเติบโตของโครงสร้างพื้นฐานปัญญาประดิษฐ์มูลค่า 650 พันล้านดอลลาร์สหรัฐ สร้างการทดสอบทางการเงิน
ขนาดของการใช้จ่ายโครงสร้างพื้นฐานด้าน AI ทำให้คำถามเกี่ยวกับผลตอบแทนการลงทุนมีความสำคัญมากขึ้นเรื่อยๆ รายงานที่เผยแพร่โดย The Indian Express เมื่อวันที่ 28 ตุลาคม อ้างถึงการประมาณการว่าบริษัทเทคโนโลยีรายใหญ่แผนจะใช้จ่ายประมาณ 650 พันล้านดอลลาร์สหรัฐฯ บนโครงสร้างพื้นฐานด้าน AI ในปี 2026 รายงานเดียวกันยังอ้างถึงคำเตือนจาก Gartner ว่าการลงทุนในโครงสร้างพื้นฐานด้าน AI มากกว่า 3.5 ล้านล้านดอลลาร์สหรัฐฯ อาจเผชิญกับความเสี่ยงในการลดมูลค่าได้ภายในปี 2030 หากรายได้ที่เกิดจาก AI ไม่สามารถพิสูจน์ความคุ้มค่าของการใช้จ่ายได้ เหล่านี้เป็นการประมาณการเชิงอนาคตและการประเมินความเสี่ยงแบบมีเงื่อนไข ไม่ใช่การสูญเสียที่ยืนยันแล้ว
การเติบโตของโครงสร้างพื้นฐานสนับสนุนหลายชั้นของเศรษฐกิจเทคโนโลยี รวมถึงผู้ผลิตเซมิคอนดักเตอร์ ผู้ให้บริการคลาวด์ ผู้ดำเนินการศูนย์ข้อมูล ผู้จัดจำหน่ายเครือข่าย และโครงสร้างพื้นฐานด้านไฟฟ้า บริษัทเหล่านี้สามารถสร้างรายได้เมื่อส่งมอบอุปกรณ์ เช่ากำลังการประมวลผล หรือผู้ใช้บริการคลาวด์ อย่างไรก็ตาม ลูกค้าองค์กรต้องคืนทุนค่าใช้จ่ายที่เกี่ยวข้องกับ AI ผ่านการปรับปรุงผลิตภาพในอนาคต การเพิ่มยอดขาย หรือประโยชน์ทางเศรษฐกิจอื่นๆ สิ่งนี้สร้างความแตกต่างด้านเวลา: ผู้จัดหาโครงสร้างพื้นฐานสามารถบันทึกรายได้ก่อนที่บริษัทที่ซื้อบริการของพวกเขาจะแสดงผลตอบแทนจากการลงทุนในเชิงบวก
การใช้จ่ายเพื่อการลงทุน การคิดค่าเสื่อมราคา และกระแสเงินสดมีความสำคัญ
การวิเคราะห์ของ Reuters Breakingviews ที่เผยแพร่เมื่อวันที่ 23 ตุลาคม ได้พิจารณาถึงผลกระทบของการลงทุนในโครงสร้างพื้นฐานปัญญาประดิษฐ์ต่อรายได้ของบริษัทและความเสี่ยงทางการเงิน โดยระบุว่าผู้จัดหาอุปกรณ์สามารถรับรู้รายได้เมื่อขายสินค้า ขณะที่ผู้ซื้อมักจะรับรู้ค่าใช้จ่ายด้านทุนเป็นช่วงเวลาผ่านการเสื่อมค่า สำหรับศูนย์ข้อมูลที่ยังอยู่ในระหว่างการก่อสร้าง การเสื่อมค่าอาจเริ่มขึ้นเฉพาะเมื่อสถานที่เหล่านั้นเริ่มดำเนินงาน การจัดทำบัญชีตามเวลาเช่นนี้อาจทำให้ประโยชน์ทางการเงินในระยะสั้นของวัฏจักรการลงทุนดูแข็งแกร่งกว่าผลตอบแทนทางเศรษฐกิจในระยะสุดท้าย
การวิเคราะห์เดียวกันนี้ยังชี้ให้เห็นถึงการเพิ่มขึ้นของการออกหนี้และการผูกพันที่เกี่ยวข้องกับอุปกรณ์ในบริษัทเทคโนโลยีรายใหญ่ การผูกพันเหล่านี้ไม่ได้บ่งชี้ถึงความยากลำบากทางการเงินโดยอัตโนมัติ โดยเฉพาะอย่างยิ่งสำหรับบริษัทที่มีกระแสรายได้ที่มั่นคงและงบดุลที่แข็งแกร่ง อย่างไรก็ตาม สิ่งเหล่านี้เพิ่มความสำคัญของอัตราการใช้งานในอนาคต อำนาจในการตั้งราคา และความต้องการของลูกค้า หากกำลังการประมวลผลขยายตัวเร็วกว่าความเต็มใจของลูกค้าในการจ่ายเงิน ผู้ให้บริการอาจเผชิญกับแรงกดดันต่อหลักประกันและกระแสเงินสด แม้ว่าเทคโนโลยีพื้นฐานจะยังคงพัฒนาอยู่
เกิดอะไรขึ้นหากความต้องการด้าน AI ไม่สอดคล้องกับปริมาณโครงสร้างพื้นฐานที่มี
ความเสี่ยงหลักไม่ได้อยู่ที่การรับใช้ AI ช้าลงเพียงอย่างเดียว แต่ยังรวมถึงสมมติฐานทางการเงินที่สนับสนุนการขยายโครงสร้างพื้นฐานซึ่งอาจเป็นไปอย่างระมัดระวังเกินไป ศูนย์ข้อมูลต้องการการลงทุนเบื้องต้นขนาดใหญ่ การจัดการพลังงานระยะยาว การซื้อฮาร์ดแวร์ และการบำรุงรักษาอย่างต่อเนื่อง หากการใช้งานต่ำกว่าที่คาดไว้ หรือราคาโมเดลลดลงเร็วกว่าค่าใช้จ่ายในการดำเนินงาน การลงทุนบางส่วนอาจให้ผลตอบแทนต่ำกว่าที่คาดการณ์ไว้เดิม ผู้ให้บริการโครงสร้างพื้นฐานขนาดเล็กที่มีเงินสดสำรองจำกัดอาจมีความเสี่ยงต่อเงื่อนไขการจัดหาเงินทุนมากกว่าแพลตฟอร์มเทคโนโลยีที่มีอยู่แล้ว
สำหรับตลาด ดังนั้นตัวชี้วัดสำคัญจึงไม่ใช่แค่ยอดการใช้จ่ายเพียงอย่างเดียว นักลงทุนควรติดตามการใช้จ่ายทุนเมื่อเทียบกับรายได้ กระแสเงินสดสุทธิ ภาระหนี้ ค่าเสื่อมราคา และหลักฐานของความต้องการลูกค้าที่ต่อเนื่อง การใช้จ่ายอย่างต่อเนื่องสามารถสนับสนุนรายได้ของซัพพลายเออร์ในระยะสั้น แต่การเติบโตในระยะยาวอย่างยั่งยืนต้องการให้ลูกค้าได้รับมูลค่าทางเศรษฐกิจเพียงพอจากบริการ AI เพื่อให้สามารถjustifyการใช้จ่ายซ้ำได้
ความหมายของช่องว่างผลกำไรของปัญญาประดิษฐ์ต่อ S&P 500 และหุ้นเทคโนโลยี
ประสิทธิภาพที่แข็งแกร่งของ The Magnificent Seven สามารถส่งผลกระทบต่อตลาดหุ้นโดยรวมได้ เพราะ the S&P 500 มีการคำนวณน้ำหนักตามมูลค่าตลาด เมื่อสินทรัพย์ที่มีขนาดใหญ่ที่สุดเพิ่มขึ้น พวกเขาสามารถสนับสนุนดัชนีหลักได้ แม้ว่าบริษัทขนาดเล็กหลายแห่งจะประสบกับการเติบโตของกำไรที่อ่อนแอหรือการขยายตัวของหลักประกันที่จำกัด ซึ่งทำให้ประสิทธิภาพระดับดัชนีเป็นตัวชี้วัดที่ไม่สมบูรณ์ในการวัดว่าประโยชน์ทางเศรษฐกิจแพร่กระจายไปทั่วภาคธุรกิจอย่างกว้างขวางเพียงใด
ผลการค้นพบของ Apollo ชี้ให้เห็นว่านักลงทุนควรแยกแยะระหว่างประสิทธิภาพของผู้จัดหา AI กับผลลัพธ์ทางการเงินของบริษัทที่นำ AI มาใช้ บริษัทเซมิคอนดักเตอร์สามารถได้รับประโยชน์จากการใช้จ่ายเพิ่มเติมในโครงสร้างพื้นฐาน ในขณะที่ร้านค้าปลีกที่ใช้ AI สำหรับการพยากรณ์สต็อกอาจต้องใช้หลายช่วงเวลาในการรายงานเพื่อแสดงผลลัพธ์ที่วัดได้ ทั้งสองบริษัทอาจเชื่อมโยงกับแนวโน้มเทคโนโลยีเดียวกัน แต่โมเดลรายได้ โครงสร้างต้นทุน และการสัมผัสกับความต้องการ AI ของพวกเขานั้นแตกต่างกันอย่างสิ้นเชิง
การประเมินมูลค่าของปัญญาประดิษฐ์ขึ้นอยู่กับรายได้ในอนาคต
กรณีการลงทุนในหุ้นที่เกี่ยวข้องกับ AI ขึ้นอยู่กับความคาดหวังว่าการใช้จ่ายในปัจจุบันจะสนับสนุนการเติบโตของกำไรในอนาคต หากความต้องการบริการคอมพิวเตอร์ยังคงขยายตัวและผู้ให้บริการยังคงมีอำนาจในการตั้งราคา การลงทุนในโครงสร้างพื้นฐานอาจสร้างผลตอบแทนที่น่าดึงดูด หากลูกค้าลดการใช้งาน เปลี่ยนไปใช้โมเดลที่ถูกกว่า หรือเลื่อนโครงการ ความคาดหวังเกี่ยวกับกำไรอาจอ่อนตัวลง แม้ว่าการรับรอง AI จะยังคงเติบโตอยู่
การวิเคราะห์ของรอยเตอร์ในเดือนตุลาคมยังเน้นว่าการลงทุนที่เกี่ยวข้องกับปัญญาประดิษฐ์ได้ส่งผลต่อการเติบโตของกำไรบริษัทอย่างไม่สมส่วน ขณะเดียวกันก็ตั้งคำถามเกี่ยวกับต้นทุนการระดมทุนและการสร้างกระแสเงินสดในอนาคต สิ่งนี้ไม่ได้พิสูจน์ว่าหุ้นปัญญาประดิษฐ์มีมูลค่าเกินจริงอย่างแน่นอน แต่ชี้ให้เห็นว่าทำไมนักลงทุนจึงควรเปรียบเทียบมูลค่ากับกำไรและกระแสเงินสดที่ยั่งยืน แทนที่จะพึ่งพาการคาดการณ์การเติบโตเพียงอย่างเดียว
ความกว้างของตลาดอาจกลายเป็นสัญญาณที่สำคัญยิ่งขึ้น
นักลงทุนยังสามารถพิจารณาได้ว่าการเติบโตของกำไรกำลังแพร่กระจายออกไปนอกเหนือจากบริษัทเทคโนโลยีขนาดใหญ่ที่สุดหรือไม่ ประสิทธิภาพของดัชนีที่มีน้ำหนักเท่ากันเมื่อเทียบกับดัชนีที่มีน้ำหนักตามมูลค่าตลาด จำนวนบริษัทที่รายงานการขยายตัวของหลักประกัน และการปรับเปลี่ยนผลกำไรในแต่ละภาคอุตสาหกรรม สามารถช่วยเปิดเผยได้ว่าความแข็งแกร่งของตลาดกำลังขยายตัวกว้างขึ้นหรือไม่ หากผลประโยชน์ด้านผลิตภาพที่ขับเคลื่อนด้วย AI เริ่มปรากฏขึ้นในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพ การเงิน การผลิต และบริการผู้บริโภค หลักฐานเหล่านี้จะสนับสนุนผลตอบแทนทางเศรษฐกิจที่กว้างขวางยิ่งขึ้น
ในทางกลับกัน หากรายได้และกำไรที่เกี่ยวข้องกับปัญญาประดิษฐ์ยังคงกระจุกตัวอยู่กับผู้จัดหาโครงสร้างพื้นฐาน ในขณะที่ลูกค้าองค์กรยังคงรับภาระค่าใช้จ่ายที่เพิ่มขึ้น ตลาดอาจกลายเป็นไวต่อคำแนะนำด้านการใช้จ่ายทุนและประสิทธิภาพการใช้จ่ายมากขึ้น ในสภาพแวดล้อมเช่นนี้ แม้แต่บริษัทที่มีการสัมผัสกับปัญญาประดิษฐ์อย่างแข็งแกร่งก็อาจประสบกับความแตกต่างที่มากขึ้นในประสิทธิภาพ เนื่องจากนักลงทุนแยกแยะระหว่างธุรกิจที่ขายความสามารถด้านปัญญาประดิษฐ์กับธุรกิจที่สร้างผลตอบแทนอย่างยั่งยืนจากการใช้มัน
ความหมายของคำเตือนจาก AI ของ Apollo ต่อโครงการคริปโตเคอเรนซีและบล็อกเชน
สำหรับตลาดคริปโตเคอเรนซี การอภิปรายเดียวกันนี้ตั้งคำถามเกี่ยวกับโทเค็น AI การคำนวณแบบกระจายศูนย์ และบริการ AI ที่ใช้บล็อกเชน โครงการที่เชื่อมต่อผู้ให้บริการการคำนวณกับนักพัฒนา AI ประสานโครงสร้างพื้นฐานแบบกระจายศูนย์ หรือใช้โทเค็นเพื่อให้รางวัลแก่ผู้เข้าร่วมเครือข่าย อาจได้รับประโยชน์จากความต้องการทรัพยากร AI อย่างไรก็ตาม บทเรียนที่กว้างขึ้นจากวิเคราะห์ของ Apollo คือ การรับเทคโนโลยีและการสร้างมูลค่าทางการเงินเป็นคำถามที่แยกจากกัน ความสนใจที่เพิ่มขึ้นใน AI ไม่ได้สร้างความต้องการอย่างยั่งยืนให้กับทุกโครงการที่เกี่ยวข้องกับหัวข้อนี้โดยอัตโนมัติ
โทเค็น AI ต้องมีการใช้งานจริงและมีความต้องการที่วัดได้
โทเค็นที่เกี่ยวข้องกับโครงการปัญญาประดิษฐ์อาจใช้จ่ายสำหรับการประมวลผล การให้รางวัลแก่ผู้ให้บริการ การประสานงานการมีส่วนร่วมในเครือข่าย หรือเข้าถึงคุณสมบัติเฉพาะของแพลตฟอร์ม คำถามสำคัญคือ ผู้ใช้จำเป็นต้องใช้โทเค็นเพื่อรับบริการที่มีคุณค่าหรือไม่ และความต้องการนั้นยังคงอยู่นอกเหนือจากการซื้อขายเชิง-spekulatif หรือไม่ โครงการสามารถรายงานกิจกรรมวอลเล็ตหรือการมีส่วนร่วมของชุมชนที่เพิ่มขึ้น โดยไม่สร้างการใช้งานที่จ่ายเงินเพียงพอเพื่อสนับสนุนค่าใช้จ่ายในการดำเนินงาน
นักลงทุนจึงควรแยกแยะระหว่างความสามารถทางเทคโนโลยีของโครงการ การรับรองจากลูกค้าจริง และบทบาททางเศรษฐกิจของโทเค็นของมัน ตัวชี้วัดที่มีประโยชน์อาจรวมถึงความต้องการการคำนวณที่จ่ายเงิน ลูกค้าที่กลับมาใช้ซ้ำ การใช้งานเครือข่าย รายได้จากบริการ การปล่อยโทเค็น และความสัมพันธ์ระหว่างปริมาณโทเค็นกับกิจกรรมของเครือข่ายจริง มาตรการเหล่านี้สามารถช่วยระบุได้ว่าโครงการคริปโตที่เกี่ยวข้องกับปัญญาประดิษฐ์กำลังพัฒนาบริการที่มีศักยภาพหรือแค่ได้รับประโยชน์จากความนิยมในตลาดโดยรวม
การคำนวณแบบกระจายตัวเผชิญกับความท้าทายด้านต้นทุนและการใช้งานของตนเอง
เครือข่าย GPU แบบกระจายศูนย์ และโครงการคำนวณแบบกระจายอื่นๆ มุ่งเชื่อมต่อผู้ใช้ที่ต้องการทรัพยากรการคำนวณกับผู้ให้บริการที่มีฮาร์ดแวร์พร้อมใช้งาน ข้อได้เปรียบเชิงศักยภาพอาจรวมถึงการเข้าถึงที่ยืดหยุ่น ช่องทางอุปทานทางเลือก และวิธีการใหม่ในการประสานโครงสร้างพื้นฐาน อย่างไรก็ตาม เครือข่ายเหล่านี้ยังเผชิญกับคำถามเชิงปฏิบัติเกี่ยวกับคุณภาพฮาร์ดแวร์ เวลาให้บริการ ความล่าช้า ความเป็นส่วนตัวของข้อมูล การตรวจสอบ และการกำหนดราคา
เครือข่ายแบบกระจายอำนาจต้องเสนอเหตุผลที่น่าดึงดูดให้ลูกค้าเลือกใช้แทนผู้ให้บริการคลาวด์แบบดั้งเดิม หากไม่สามารถส่งมอบประสิทธิภาพที่คาดการณ์ได้ในต้นทุนรวมที่แข่งขันได้ ความต้องการอาจยังคงจำกัดแม้ความต้องการการคำนวณด้าน AI จะเพิ่มขึ้น นอกจากนี้ การจูงใจด้วยโทเค็นอาจดึงดูดผู้ให้บริการก่อนที่ความต้องการของลูกค้าจะเพียงพอ ทำให้เกิดความไม่สมดุลระหว่างกำลังการผลิตที่มีอยู่กับปริมาณงานที่จ่ายเงิน คำเตือนที่กว้างขึ้นของ Apollo เกี่ยวกับช่องว่างระหว่างการลงทุนด้าน AI กับผลตอบแทนเชิงพาณิชย์มีความเกี่ยวข้องในที่นี้ แม้ว่าการวิเคราะห์ S&P 493 ของมันจะไม่ได้วัดเครือข่าย AI แบบกระจายอำนาจโดยตรง
Stablecoin และการชำระเงินผ่านบล็อกเชนอาจสนับสนุนการค้าปัญญาประดิษฐ์
Stablecoin และระบบการชำระเงินที่อิงบนบล็อกเชนอาจมีบทบาทในบริการดิจิทัลอัตโนมัติ รวมถึงการชำระเงินระหว่างตัวแทนซอฟต์แวร์ การตั้งบัญชีข้ามประเทศ และการทำธุรกรรมระหว่างเครื่องกับเครื่อง อย่างไรก็ตาม การขยายกิจกรรมของปัญญาประดิษฐ์ไม่ได้เพิ่มการใช้งาน Stablecoin ค่าธรรมเนียมการทำธุรกรรม หรือความต้องการโทเค็นพื้นฐานของบล็อกเชนโดยอัตโนมัติ ผลลัพธ์ทางเศรษฐกิจขึ้นอยู่กับว่าธุรกิจจะรับรองระบบเหล่านี้หรือไม่ การชำระเงินจะถูกตั้งบัญชีบนบล็อกเชนหรือไม่ และกิจกรรมที่เกิดขึ้นจะสร้างรายได้อย่างยั่งยืนให้กับเครือข่ายหรือไม่
สำหรับนักลงทุนคริปโตเคอเรนซี บทเรียนที่เป็นรูปธรรมคือการประเมินโครงการที่เกี่ยวข้องกับปัญญาประดิษฐ์โดยใช้หลักฐานจากความต้องการของลูกค้า เศรษฐกิจการทำธุรกรรม และการใช้งานโทเค็น แทนที่จะพิจารณาเพียงการสัมผัสกับธีมเท่านั้น ภาคปัญญาประดิษฐ์อาจยังคงขยายตัวต่อไป ในขณะที่โครงการแต่ละแห่งอาจพบความยากลำบากในการสร้างแบบจำลองธุรกิจที่ยั่งยืน เช่นเดียวกับที่ผลประกอบการทางการเงินของ Magnificent Seven ไม่ได้พิสูจน์ว่าการลงทุนในปัญญาประดิษฐ์ทุกโครงการจะให้ผลกำไร การเติบโตของเศรษฐกิจปัญญาประดิษฐ์โดยรวมก็ไม่ได้รับประกันว่าสินทรัพย์คริปโตทุกตัวที่เชื่อมโยงกับปัญญาประดิษฐ์จะได้รับประโยชน์
สิ่งที่นักลงทุนควรจับตาต่อไป
ขั้นตอนถัดไปของการอภิปรายเกี่ยวกับการลงทุนด้าน AI จะขึ้นอยู่กับว่าบริษัทต่างๆ จะเริ่มแสดงผลตอบแทนทางการเงินที่วัดได้หรือไม่ รายงานผลกำไรรายไตรมาส คำแนะนำจากผู้บริหาร และการประกาศค่าใช้จ่ายด้านทุนจะให้หลักฐานที่สำคัญ นักลงทุนควรมองหาบริษัทที่อธิบายว่า AI ส่งผลต่อค่าใช้จ่ายในการดำเนินงาน การรับลูกค้าใหม่ ผลผลิตต่อพนักงาน คุณภาพของบริการ และการเติบโตของรายได้ ข้ออ้างทั่วไปเกี่ยวกับการนำ AI ไปใช้นั้นมีข้อมูลน้อยกว่าผลลัพธ์ที่วัดได้ซึ่งเชื่อมโยงกับกระบวนการทางธุรกิจเฉพาะเจาะจง
| ตัวชี้วัด | สิ่งที่ควรติดตาม | เหตุผลที่มันสำคัญ |
| กำไรสุทธิและรายได้ต่อพนักงาน | การปรับปรุงเหล่านี้จะแพร่กระจายไปเกินกว่าเจ็ดบริษัทที่โดดเด่นหรือไม่ | ทดสอบว่าประโยชน์จาก AI กำลังขยายตัวกว้างขึ้นหรือไม่ |
| ค่าใช้จ่ายด้านทุนของ AI | การเติบโตของการใช้จ่ายเมื่อเทียบกับรายได้และกระแสเงินสด | ช่วยประเมินความยั่งยืนของการขยายโครงสร้างพื้นฐาน |
| การใช้จ่ายในรูปแบบองค์กร | การรักษาลูกค้า การใช้งาน และความเต็มใจที่จะจ่าย | แสดงว่าบริการปัญญาประดิษฐ์มอบคุณค่าเพียงพอหรือไม่ |
| ค่าเสื่อมราคาและค่าใช้จ่ายในการจัดหาเงินทุน | ค่าใช้จ่ายที่เพิ่มขึ้นเมื่อโครงสร้างพื้นฐานเริ่มให้บริการ | เปิดเผยต้นทุนที่ล่าช้าจากการเติบโตของการลงทุน |
| กิจกรรมคริปโตที่เกี่ยวข้องกับ AI | การใช้งานที่ต้องชำระเงิน การใช้งานเครือข่าย การปล่อยโทเค็น และความต้องการที่เกิดขึ้นซ้ำ | ช่วยแยกแยะการใช้งานจริงจากความสนใจเชิงspekulatif |
สัญญาณที่สำคัญเป็นพิเศษจะเป็นการปรับตัวดีขึ้นอย่างต่อเนื่องในด้านกำไรของบริษัทต่างๆ ที่อยู่นอกเหนือแพลตฟอร์มเทคโนโลยีขนาดใหญ่ที่สุด การพัฒนาดังกล่าวจะเสริมความแข็งแกร่งให้กับข้อโต้แย้งที่ว่า AI กำลังสร้างประโยชน์ทางเศรษฐกิจในวงกว้าง มากกว่าที่จะสนับสนุนเฉพาะผู้จัดหาโครงสร้างพื้นฐานและแพลตฟอร์มที่มีอยู่แล้ว ในทางกลับกัน การเติบโตของการใช้จ่ายอย่างต่อเนื่องโดยไม่มีการปรับปรุงประสิทธิภาพทางการเงินขององค์กรที่สอดคล้องกัน อาจทำให้นักลงทุนพิจารณางบประมาณการลงทุนอย่างใกล้ชิดยิ่งขึ้น
นักลงทุนควรเปรียบเทียบการตีความทางเศรษฐกิจที่แตกต่างกัน แทนการถือว่าการประเมินของ Apollo เป็นการพยากรณ์ที่แน่นอน สโลคเน้นถึงการขาดผลตอบแทนทางการเงินที่มองเห็นได้นอกเหนือจากเทคโนโลยี ในขณะที่จาน ฮัตซิอุส จากโกลด์แมน แซคส์ยังคงมีมุมมองเชิงบวกมากกว่าเกี่ยวกับศักยภาพด้านผลิตภาพระยะยาวของ AI ผลลัพธ์สุดท้ายจะขึ้นอยู่กับการรับรอง การดำเนินการที่มีคุณภาพ ราคา สภาพการจัดหาเงินทุน และความสามารถของธุรกิจในการแปลงศักยภาพทางเทคนิคให้เป็นผลิตภัณฑ์และบริการที่สร้างกำไร
สรุป
การวิเคราะห์ของ Torsten Slok นักเศรษฐศาสตร์ของ Apollo ในเดือนตุลาคม 2026 ชี้ให้เห็นถึงช่องว่างที่เพิ่มขึ้นระหว่างบริษัทที่จัดหาเทคโนโลยี AI กับภาคธุรกิจโดยรวมที่คาดว่าจะได้รับประโยชน์จากมัน กลุ่ม Magnificent Seven ยังคงแสดงรายได้ต่อพนักงานและอัตรากำไรที่แข็งแกร่งกว่า ในขณะที่ S&P 493 ยังไม่แสดงการปรับตัวดีขึ้นในระดับรวมที่เทียบเคียงได้ ในขณะเดียวกัน การใช้จ่ายด้านโครงสร้างพื้นฐานที่มากขึ้นกำลังเพิ่มความสำคัญของความต้องการของลูกค้า กระแสเงินสด และผลตอบแทนที่ยั่งยืน
สำหรับนักลงทุนทั้งในหุ้นและคริปโตเคอเรนซี คำถามหลักคือความสามารถทางเทคนิคที่เพิ่มขึ้นของ AI สามารถแปลงเป็นมูลค่าทางเศรษฐกิจที่ต่อเนื่องได้หรือไม่ ขั้นตอนถัดไปของวัฏจักรการลงทุนจะถูกตัดสินไม่ใช่จากประกาศการใช้จ่ายหรืออ้างสิทธิ์การรับรองการใช้งาน แต่จากความก้าวหน้าที่วัดได้ในผลิตภาพ กำไร และความเต็มใจของลูกค้าในการจ่ายเงิน AI อาจสุดท้ายแล้วสร้างประโยชน์ทางเศรษฐกิจอย่างกว้างขวาง แต่นักลงทุนจะต้องมีหลักฐานว่าประโยชน์เหล่านั้นขยายไปไกลกว่ากลุ่มบริษัทเทคโนโลยีชั้นนำที่ค่อนข้างจำกัด
คำถามที่พบบ่อย
คำว่า S&P 493 หมายถึงอะไร
S&P 493 หมายถึงบริษัท 493 แห่งที่เหลืออยู่ใน S&P 500 หลังจากตัด Magnificent Seven ออกได้แก่ Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia และ Tesla นักวิเคราะห์ใช้กลุ่มนี้เพื่อเปรียบเทียบประสิทธิภาพของบริษัทที่เกี่ยวข้องกับเทคโนโลยีขนาดใหญ่ที่สุดกับดัชนีโดยรวม
รายได้ต่อพนักงานวัดผลิตภาพโดยตรงหรือไม่
จำนวนรายได้ต่อพนักงานวัดจำนวนรายได้ที่สร้างขึ้นต่อพนักงานหนึ่งคน แต่อาจได้รับอิทธิพลจากราคา การเข้าซื้อกิจการ การจ้างภายนอก โครงสร้างธุรกิจ และการเปลี่ยนแปลงกำลังคน การวัดผลิตภาพโดยทั่วไปจะพิจารณาผลลัพธ์เมื่อเทียบกับปัจจัยนำเข้า และต้องการบริบทเพิ่มเติมเพื่อกำหนดว่าประสิทธิภาพการดำเนินงานดีขึ้นหรือไม่
ทำไมการรับใช้ปัญญาประดิษฐ์จึงอาจเพิ่มขึ้น ในขณะที่กำไรของบริษัทยังคงไม่เปลี่ยนแปลง?
ค่าใช้จ่ายที่เกี่ยวข้องกับ AI อาจเพิ่มขึ้นพร้อมกับการรับรองการใช้งาน รวมถึงค่าโมเดล โครงสร้างพื้นฐาน การฝึกอบรม การบูรณาการ และการทบทวนโดยมนุษย์ การปรับปรุงประสิทธิภาพอาจถูกถ่ายทอดให้ลูกค้าผ่านราคาที่ต่ำลง หรือถูกชดเชยด้วยค่าใช้จ่ายในส่วนอื่นๆ ของธุรกิจ ดังนั้น การใช้งาน AI ที่เพิ่มขึ้นจึงไม่ได้หมายความว่าจะสร้างการขยายตัวของหลักประกันทันที
โมเดล AI ขนาดเล็กกว่าอาจให้ประโยชน์กับธุรกิจมากกว่าโมเดลขั้นสูงที่สุดหรือไม่?
ใช่ ขึ้นอยู่กับงาน โมเดลที่เล็กกว่าหรือมีต้นทุนต่ำกว่าอาจให้ความแม่นยำเพียงพอสำหรับการจัดหมวดหมู่แบบปกติ การดึงข้อมูลจากเอกสาร การสนับสนุนลูกค้า หรือกระบวนการอื่นๆ ที่มีขอบเขตจำกัด โมเดลที่เหมาะสมขึ้นอยู่กับความซับซ้อนของงาน ข้อกำหนดด้านความน่าเชื่อถือ ความล่าช้า และต้นทุนรวม มากกว่าความสามารถของโมเดลเพียงอย่างเดียว
นักลงทุนสามารถแยกแยะธุรกิจที่เกี่ยวข้องกับปัญญาประดิษฐ์จากธุรกิจที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ได้อย่างไร
ธุรกิจที่เกี่ยวข้องกับปัญญาประดิษฐ์อาจขายผลิตภัณฑ์หรือบริการที่เกี่ยวข้องกับปัญญาประดิษฐ์ ในขณะที่ธุรกิจที่ขับเคลื่อนด้วยปัญญาประดิษฐ์สามารถแสดงให้เห็นว่าปัญญาประดิษฐ์ช่วยปรับปรุงแบบจำลองการดำเนินงานหรือการสร้างรายได้อย่างมีนัยสำคัญ หลักฐานอาจรวมถึงต้นทุนต่อรายการลดลง ผลผลิตต่อพนักงานสูงขึ้น การรักษาลูกค้าที่ดีขึ้น รายได้จากปัญญาประดิษฐ์ที่เกิดซ้ำ หรือการเพิ่มประสิทธิภาพที่วัดได้
การใช้จ่ายด้านโครงสร้างพื้นฐานของปัญญาประดิษฐ์รับประกันความต้องการ GPU อย่างต่อเนื่องหรือไม่?
จำนวนความต้องการขึ้นอยู่กับเศรษฐศาสตร์ของบริการ AI ประสิทธิภาพของโมเดล อัตราการใช้งาน งบประมาณของลูกค้า และความสามารถในการเข้าถึงกำลังการประมวลผลทางเลือก โมเดลที่มีประสิทธิภาพสูงขึ้นอาจลดปริมาณการประมวลผลที่จำเป็นสำหรับงานบางอย่างแม้จะมีการใช้งาน AI เพิ่มขึ้นทั้งหมด ทำให้ความต้องการฮาร์ดแวร์ในระยะยาวขึ้นอยู่กับปัจจัยหลายประการที่แข่งขันกัน
ข้อจำกัดความรับผิด: ข้อมูลตลาดทั่วไปนี้ ซึ่งอาจมาจากแหล่งภายนอก ทางการค้า หรือได้รับการสนับสนุน จัดทำขึ้นเพื่อใช้อ้างอิงและวัตถุประสงค์ทางการศึกษาเท่านั้น และไม่ถือเป็นคำแนะนำด้านการเงินหรือการลงทุน การเสนอ การเชิญชวน หรือการรับประกันใดๆ เราไม่รับผิดชอบต่อความถูกต้อง ความสมบูรณ์ ความน่าเชื่อถือ และความสูญเสียใดๆ ที่เกิดขึ้นจากการใช้ข้อมูลนี้ การลงทุน/การซื้อขายมีความเสี่ยง; ผลการดำเนินงานในอดีตไม่ได้การันตีผลลัพธ์ในอนาคต ผู้ใช้ควรทำการวิจัย ตัดสินอย่างรอบคอบ และรับผิดชอบเต็มที่ สำหรับรายละเอียดเพิ่มเติม กรุณาปรึกษา ข้อกำหนดการใช้งาน และ การเปิดเผยความเสี่ยง ของ KuCoin
คำปฏิเสธความรับผิดชอบ: หน้านี้แปลโดยใช้เทคโนโลยี AI เพื่อความสะดวกของคุณ สำหรับข้อมูลที่ถูกต้องที่สุด โปรดดูต้นฉบับภาษาอังกฤษ