ข้อคิดหลักจาก Jane Street คือ โรงงานโทเค็นไม่ใช่เรื่องการระดมทุน แต่เป็นระบบการดำเนินงาน

ผู้เขียนบทความ แหล่งที่มา: หงยี่เจียวฟู ยีไคเวิน

ปฏิกิริยาแรกของหลายคนต่อศูนย์ข้อมูล德州 AI ของ Jane Street คืออิจฉาที่มีเงินพอซื้อ GPU สร้างห้องเย็นด้วยของเหลว และกล้าวางชิประดับสูงนับพันตัวเข้าไปในระบบการซื้อขาย

การตอบสนองนี้เป็นเรื่องปกติ แต่ก็อาจทำให้เข้าใจผิดได้ง่าย

(ภาพที่สร้างโดย ChatGPT)

จุดที่เจนสตรีทควรได้รับการศึกษาอย่างแท้จริง ไม่ใช่เพราะมี GPU 4,032 ตัว หรือแม้แต่การแปลงศูนย์ข้อมูลแบบดั้งเดิมให้เป็นศูนย์ข้อมูล AI แบบระบายความร้อนด้วยของเหลว แต่สำคัญที่สุดคือ มันได้เปลี่ยนพลังการประมวลผลจากทรัพยากรไอทีด้านหลัง ให้กลายเป็นผลิตภาพการซื้อขายด้านหน้า กล่าวอีกนัยหนึ่ง ไม่ใช่การสร้าง “ศูนย์ข้อมูล” แต่กำลังสร้างโรงงานโทเค็นที่ผลิตการตัดสินใจซื้อขาย สัญญาณความเสี่ยง การปรับปรุงโมเดล และข้อมูลเชิงลึกเกี่ยวกับตลาดอย่างต่อเนื่อง

การเปลี่ยนแปลงนี้มีความสำคัญ

ในมุมมองของสถาบันการเงินแบบดั้งเดิม ศูนย์ข้อมูลเป็นศูนย์ต้นทุน เซิร์ฟเวอร์ ระบบเครือข่าย การระบายความร้อน และพลังงาน ล้วนเป็นค่าใช้จ่าย แต่ที่ Jane Street ศูนย์ข้อมูลกลับกลายเป็นสายการผลิต พลังงานไหลเข้าสู่ห้องเซิร์ฟเวอร์ GPU ทำการฝึกอบรม โมเดลเข้าร่วมในการซื้อขาย และการซื้อขายสร้างรายได้; สิ่งที่ไหลเวียนอยู่ระหว่างกระบวนการไม่ใช่เหล็กหรือพื้นที่อาคาร แต่คือการเรียกใช้งานโมเดล การฝึกอบรม และการคำนวณการพยากรณ์ที่เกิดขึ้นซ้ำๆ ด้วยภาษาในปัจจุบัน นี่คือความสามารถในการผลิตปัญญาที่ถูกแปลงเป็นโทเค็น

เรื่องนี้ให้แรงบันดาลใจที่ชัดเจนแก่จีน จีนกำลังอภิปรายเรื่องการส่งออกโทเค็น การสร้างโรงงานโทเค็นด้านการประมวลผล และการเปลี่ยนแปลงบริษัทจดทะเบียนในตลาดหุ้นฮ่องกงจากอุตสาหกรรมอสังหาริมทรัพย์ สถานที่ตั้ง และการผลิตไปสู่โครงสร้างพื้นฐานด้าน AI Jane Street ให้ตัวอย่างที่ชัดเจนมาก: โรงงานโทเค็นไม่ใช่เรื่องของแนวคิด ไม่ใช่การออกเหรียญหนึ่งเหรียญ ไม่ใช่การห่อหุ้มพลังการประมวลผลเป็นผลิตภัณฑ์ทางการเงิน แต่คือการเชื่อมโยงพลังงาน ระบบระบายความร้อนด้วยของเหลว GPU เครือข่าย โมเดล การจัดตารางเวลา และกลไกการตั้งบัญชีภายในให้เป็นหนึ่งเดียว เพื่อให้พลังการประมวลผลกลายเป็นเครื่องยนต์ที่ขับเคลื่อนรายได้และการประเมินมูลค่าของบริษัทอย่างแท้จริง

Jane Street ไม่ใช่บริษัทการซื้อขายที่มี AI แต่เป็นโรงงาน AI พร้อมโต๊ะการซื้อขาย

Jane Street ถูกมองว่าเป็นหนึ่งในผู้เล่นชั้นนำด้านการซื้อขายเชิงปริมาณที่ลึกลับที่สุดในวอลล์สตรีท มันไม่ใช่ธนาคารการลงทุนแบบดั้งเดิม 也不是บริษัทจัดการทรัพย์สินที่พึ่งพาค่าธรรมเนียมการจัดการ แต่ใช้ทุนของตนเอง แบบจำลองการซื้อขาย ระบบความล่าช้าต่ำ และสภาพคล่องตลาดทั่วโลกเพื่อจับส่วนต่างและพรีเมียมความเสี่ยง

ข้อมูลสาธารณะแสดงว่า Jane Street ซื้อขายสินทรัพย์หลายประเภทใน 45 ประเทศและกว่า 200 ตลาดการซื้อขาย โดยมีพนักงานประมาณ 3,000 คน วัฒนธรรมด้านเทคโนโลยีของพวกเขามีความแข็งแกร่งมาก และใช้ภาษาโปรแกรมเชิงฟังก์ชัน OCaml มาอย่างยาวนาน พร้อมเน้นการพัฒนาซอฟต์แวร์ด้วยตนเอง ระบบความล่าช้าต่ำ การควบคุมความเสี่ยงอัตโนมัติ และโครงสร้างพื้นฐานการซื้อขายที่เชื่อถือได้สูง คำอธิบายของทีมการเรียนรู้ของเครื่องบนเว็บไซต์ทางการของ Jane Street ชัดเจนมาก โดยพวกเขากล่าวว่าตัวเองเป็น “ห้องปฏิบัติการวิจัยที่เชื่อมต่อกับโต๊ะซื้อขาย” และระบุว่าข้อมูลตลาดการเงินไหลเข้ามาเหมือนน้ำท่วม ซึ่งส่วนใหญ่เป็นสัญญาณรบกวน และทีมการเรียนรู้ของเครื่องต้องสกัดสัญญาณที่สามารถซื้อขายได้ออกมา

这句话很关键。

บริษัทส่วนใหญ่ใช้ AI เพื่อเพิ่มประสิทธิภาพในการทำงาน แต่ Jane Street ใช้ AI เพื่อเพิ่มความเร็วในการเข้าใจตลาด บริษัทแรกช่วยลดต้นทุน ขณะที่บริษัทหลังสร้างรายได้ บริษัทแรกมอง AI เป็นเครื่องมือ ขณะที่บริษัทหลังมอง AI เป็นปัจจัยการผลิต

ดังนั้น การปรับปรุงศูนย์ข้อมูล AI ของ Jane Street ไม่ควรเข้าใจว่าเป็นเพียงการยกระดับดิจิทัลทั่วไปขององค์กร แต่เหมือนกับบริษัทการซื้อขายที่ถอดเครื่องจักรหลักออกแล้วประกอบใหม่ทั้งหมด ในอดีต หัวใจหลักของบริษัทการซื้อขายคือเทรดเดอร์ แบบจำลองทางคณิตศาสตร์ ข้อมูลตลาด และระบบการดำเนินการ; ในปัจจุบัน หัวใจหลักกลายเป็นข้อมูล กำลังการประมวลผล แบบจำลอง เครือข่าย และตลาดทรัพยากรภายใน

นี่คือความหมายแรกของโรงงานโทเค็น: ปัญญาไม่ได้เกิดขึ้นเองโดยไม่มีที่มา แต่ถูกผลิตขึ้น

จากเดล 6 เครื่องไปสู่ GPU 4,032 ตัว สิ่งที่เปลี่ยนไปอย่างแท้จริงคือความสัมพันธ์ในการผลิต

เว็บไซต์ของ Jane Street ระบุว่า เมื่อสองทศวรรษก่อน “คลัสเตอร์” ของพวกเขามีเพียงเครื่องเซิร์ฟเวอร์ Dell 6 เครื่องที่กองอยู่บนพื้นห้องทำงาน; วันนี้ ศูนย์ข้อมูลแห่งใหม่ในรัฐเท็กซัสของพวกเขามี GPU 4,032 ตัวและใช้โครงสร้างพื้นฐานแบบระบายความร้อนด้วยของเหลว การเปลี่ยนแปลงนี้มีภาพที่ชัดเจนมาก มันไม่ใช่เพียงการอัปเกรดฮาร์ดแวร์อย่างง่าย แต่เป็นการเปลี่ยนแปลงในความสัมพันธ์การผลิตขององค์กร

ระบบการซื้อขายในยุคแรกอยู่ใกล้กับนักเทรดมาก คอมพิวเตอร์ถูกตั้งไว้ในสำนักงาน ปัญหาใดๆ สามารถแก้ไขได้ทันที แม้แต่ถอดปลั๊กไฟออกก็ได้ ในยุคนั้น ความสามารถในการคำนวณเป็นเพียงเครื่องมือช่วยสนับสนุนทีมเทรด

ต่อมา ระบบการซื้อขายได้เข้าสู่ระยะการพัฒนาเชิงวิศวกรรม ระบบเครือข่าย ระบบควบคุมความเสี่ยง ระบบย้อนกลับ การดำเนินการอัตโนมัติ และระบบตรวจสอบค่อยๆ ถูกปรับให้เป็นแพลตฟอร์ม และทรัพยากรการประมวลผลกลายเป็นทรัพยากรพื้นฐานที่ทีมต่างๆ ใช้ร่วมกัน

ตอนนี้ถึงขั้นที่สามแล้ว: GPU, การระบายความร้อนด้วยของเหลว, ไฟฟ้า, ไฟเบอร์ออปติก, การจัดเก็บข้อมูล, ระบบการจัดการ และการฝึกโมเดล ถูกรวมเข้าด้วยกันเป็นโรงงานเทรด AI ศูนย์ข้อมูลไม่ได้เป็นเพียงส่วนสนับสนุนอีกต่อไป แต่ถูกผนวกเข้ากับความสามารถในการเทรดโดยตรง

สิ่งนี้มีประโยชน์อย่างยิ่งสำหรับบริษัทจีน

หลายองค์กรพูดถึงการเปลี่ยนผ่านสู่ AI แต่ยังคงอยู่ในขั้นตอนการ “ซื้อโมเดล” “นำระบบมาใช้” และ “เชื่อมต่อ API” องค์กรที่มีความสามารถในการแข่งขันจริงกำลังเปลี่ยนโครงสร้างพื้นฐานของ AI ให้กลายเป็นระบบการผลิตของตนเอง ผู้ใดสามารถรับพลังงานในราคาที่ถูกกว่า ผู้ใดสามารถดำเนินการ GPU ได้อย่างมั่นคงกว่า ผู้ใดสามารถฝึกโมเดลได้เร็วกว่า และผู้ใดสามารถจัดสรรทรัพยากรการประมวลผลได้มีประสิทธิภาพกว่า ผู้นั้นจะมีข้อได้เปรียบด้านต้นทุนและความเร็วใหม่ในยุคของ AI

นี่ไม่ใช่เรื่องของฝ่ายเทคนิค

นี่เป็นเรื่องของคณะกรรมการ

การระบายความร้อนด้วยของเหลวไม่ใช่เพียงรายละเอียดทางวิศวกรรม แต่เป็นรากฐานของโรงงานโทเค็น

รายละเอียดที่ได้รับความสนใจมากที่สุดของศูนย์ข้อมูลเท็กซัสของ Jane Street คือการปรับปรุงระบบระบายความร้อนด้วยของเหลวแบบความหนาแน่นสูง วัสดุการเผยแพร่และเนื้อหาแนบมาทั้งหมดระบุว่า ศูนย์ข้อมูลนี้รองรับชั้น GPU ความหนาแน่นสูงระดับ GB300 โดยมีกำลังไฟต่อชั้นสูงถึงประมาณ 140 kW ซึ่งระบบระบายความร้อนด้วยอากาศแบบดั้งเดิมไม่สามารถตอบสนองความต้องการความหนาแน่นนี้ได้

ข้อมูลอย่างเป็นทางการจาก NVIDIA ระบุว่า GB300 NVL72 ใช้สถาปัตยกรรมระดับชั้นวางแบบระบายความร้อนด้วยของเหลวทั้งระบบ รวมถึง GPU Blackwell Ultra 72 ตัวและ CPU Grace 36 ตัว สำหรับการใช้งาน AI inference, AI reasoning และการฝึกโมเดลขนาดใหญ่ HPE ที่เปิดเผยข้อมูลเกี่ยวกับ GB300 NVL72 ยังแสดงให้เห็นว่าระบบดังกล่าวเป็นโซลูชันระดับชั้นวางแบบระบายความร้อนด้วยของเหลว ออกแบบมาเพื่อการฝึก การปรับแต่ง และการใช้งานโมเดลที่มีพารามิเตอร์เกินหนึ่งล้านล้าน

นี่แสดงให้เห็นถึงแนวโน้มหนึ่ง: การแข่งขันในโรงงาน AI ในอนาคตจะไม่ใช่แค่การแข่งขันด้านชิป แต่เป็นการแข่งขันด้านวิศวกรรมระบบ

แม้ GPU หนึ่งตัวจะแรงเพียงใด แต่หากศูนย์ข้อมูลไม่สามารถรองรับความหนาแน่นของพลังงานสูง ระบบระบายความร้อนไม่มั่นคง การจ่ายไฟไม่ละเอียดอ่อน และเครือข่ายกับการจัดเก็บข้อมูลเป็นจุดอ่อน ระบบทั้งชุดก็ไม่สามารถแสดงคุณค่าได้ ข้อจำกัดของพลังการคำนวณ AI กำลังขยายจากตัวชิปเองไปสู่พลังงาน ระบบระบายความร้อนด้วยของเหลว ศูนย์ข้อมูล เครือข่าย และการจัดการ

สิ่งนี้มีความสำคัญอย่างยิ่งต่อการปรับปรุงโรงงานโทเค็นของจีน

จีนมีอุตสาหกรรมพาร์คจำนวนมาก โรงงานเก่า ศูนย์ข้อมูล ลานคลาวด์คอมพิวติ้ง และโครงการพลังงานคำนวณระดับท้องถิ่น หากเพียงแค่ย้ายเซิร์ฟเวอร์เข้าไป นี่ไม่ถือเป็นโรงงานโทเค็น โรงงานโทเค็นที่แท้จริงต้องมีความสามารถในการรองรับความหนาแน่นพลังงานสูง ความสามารถในการปรับปรุงระบบระบายความร้อนด้วยของเหลว ความสามารถในการจ่ายไฟอย่างมั่นคง ความสามารถในการจัดการการใช้พลังงาน และความสามารถในการจัดการงาน

หากไม่มีความสามารถพื้นฐานเหล่านี้ ทรัพย์สินการประมวลผลจะกลายเป็นทรัพย์สินบนสมุดบัญชีได้ง่าย ดูเหมือนว่าได้ซื้อเครื่องจักรแล้ว แต่จริงๆ แล้วการใช้งานไม่สูง ลูกค้าไม่มั่นคง ต้นทุนการใช้พลังงานสูง และมีแรงกดดันจากการเสื่อมค่า จนสุดท้ายกลายเป็นภาระทรัพย์สินหนักใหม่

ดังนั้น บทเรียนแรกจากกรณีศึกษาของ Jane Street คือ พื้นฐานของโรงงานโทเค็นไม่ใช่เอกสารขาว แต่คือพลังงานไฟฟ้าและการระบายความร้อนด้วยของเหลว

พลังการขุดต้องมีราคา ม不然 GPU ก็เหมือนโรงอาหารสาธารณะ

สิ่งที่บริษัทจีนควรเรียนรู้จาก Jane Street ไม่ใช่ระบบระบายความร้อนด้วยของเหลว แต่คือกลไกการกำหนดราคาพลังงานการคำนวณภายใน

การวิเคราะห์ภายในระบุว่า Jane Street ได้ออกแบบสกุลเงินภายในชื่อ “Hive Bucks” เพื่อให้ทีมต่างๆ สามารถแข่งขันชิงทรัพยากร GPU ผ่านกลไกการประมูลที่คล้ายกัน รายงานสาธารณะยังระบุว่า Jane Street ใช้สกุลเงินภายในนี้ในการประมูลเวลาการคำนวณด้วย GPU เพื่อช่วยให้ทีมสามารถจัดสรรทรัพยากรการคำนวณตามมูลค่าของงาน

กลไกนี้มีความสำคัญอย่างยิ่ง

หลังจากบริษัทหลายแห่งซื้อ GPU แล้ว ปัญหาใหญ่ที่สุดไม่ใช่การไม่มีความต้องการ แต่คือความต้องการไม่สามารถจัดลำดับความสำคัญได้ แต่ละทีมต่างก็อ้างว่าโมเดลของตนสำคัญ แต่ละโครงการต่างก็อยากให้รันก่อน ทุกหัวหน้าต่างก็ต้องการใช้ทรัพยากรมากขึ้น สุดท้าย GPU ถูกใช้โดยงานที่มีมูลค่าต่ำเป็นเวลานาน ขณะที่งานที่มีมูลค่าสูงกลับไม่สามารถเข้าคิวได้ กำลังการประมวลผลดูเหมือนเป็นสินทรัพย์ของบริษัท แต่จริงๆ แล้วกลับกลายเป็นโรงอาหารสาธารณะภายในองค์กร

วิธีการของ Jane Street ใกล้เคียงกับกลไกตลาดมากกว่า ทีมงานเชื่อว่าภารกิจของตนเองมีคุณค่ามากกว่า จึงใช้งบประมาณภายในเพื่อเสนอราคาที่สูงกว่า เวลาการใช้งาน GPU จึงไม่ใช่ทรัพยากรสาธารณะที่ให้ใช้ฟรีอีกต่อไป แต่กลายเป็นปัจจัยการผลิตที่มีต้นทุนทางโอกาส ดังนั้น การจัดสรรพลังการคำนวณจึงเปลี่ยนจากกระบวนการอนุมัติทางการบริหาร เป็นตลาดภายใน

มีความหมายโดยตรงต่อ “โรงงานโทเค็นการคำนวณ”

โทเค็นพลังการคำนวณที่แท้จริง ไม่ควรถูกเข้าใจก่อนเป็นโทเค็นสำหรับการซื้อขายภายนอก แต่ควรถูกเข้าใจเป็นหน่วยวัดและตั้งราคาทรัพยากรภายใน ชั่วโมง GPU การเรียกใช้โมเดล ลำดับความสำคัญของงาน กำลังไฟฟ้า ทรัพยากรระบายความร้อน และคำสั่งซื้อของลูกค้า สามารถกำหนดราคาและจัดสรรผ่านระบบวัดผลภายในที่เป็นมาตรฐานเดียวกันได้ เฉพาะเมื่อบริษัทเข้าใจการใช้พลังการคำนวณภายในก่อน จึงจะมีโอกาสในการผลิตเชิงพาณิชย์ การแปรรูปทางการเงิน และการแปลงเป็นสินทรัพย์ในอนาคต

หากพลังการคำนวณภายในไม่มีราคา การพูดถึงการแปลงเป็นโทเค็นภายนอกมีแนวโน้มสูงที่จะเป็นเพียงการห่อหุ้มแนวคิด

การสร้างเองและการใช้งานบนคลาวด์ไม่ใช่การเลือกเพียงอย่างเดียว แต่เป็นการแบ่งชั้นของความสามารถหลักและความสามารถแบบยืดหยุ่น

หลายคนถามว่า ถ้า Jane Street มีศูนย์ข้อมูลของตัวเองอยู่แล้ว ทำไมถึงต้องลงนามในข้อตกลงคลาวด์ AI มูลค่าสูงกับ CoreWeave?

ประกาศอย่างเป็นทางการจาก CoreWeave ระบุว่า Jane Street ให้คำมั่นจะใช้แพลตฟอร์ม AI คลาวด์ของ CoreWeave มูลค่าประมาณ 6 พันล้านดอลลาร์สหรัฐ และลงทุน 1 พันล้านดอลลาร์สหรัฐในการซื้อหุ้นของ CoreWeave เพื่อสนับสนุนความสามารถด้านการเรียนรู้ของเครื่องขนาดใหญ่และการประยุกต์ใช้ AI ด้านการซื้อขาย ประกาศยังระบุว่า CoreWeave จะจัดหาทรัพยากรการประมวลผล รวมถึงเทคโนโลยี NVIDIA Vera Rubin รุ่นถัดไป Reuters ยังรายงานว่า Jane Street ผ่านการทำธุรกรรมนี้กลายเป็นหนึ่งในผู้ถือหุ้นรายสำคัญของ CoreWeave และได้รับความสามารถด้านคลาวด์ AI ขนาดใหญ่

นี่แสดงว่า Jane Street ไม่ได้สร้างระบบเองแบบไม่คำนึงถึงปัจจัยอื่น หรือแค่ย้ายไปใช้คลาวด์อย่างง่ายๆ แต่ใช้สถาปัตยกรรมแบบไฮบริด

โหลดที่สำคัญ อ่อนไหวต่อความล่าช้า และต้องการการปรับแต่งสูง เหมาะสำหรับการติดตั้งเอง ขณะที่ความยืดหยุ่น ชิปที่ทันสมัย การขยายข้ามภูมิภาค และความต้องการที่เพิ่มขึ้นเป็นช่วงๆ สามารถมอบหมายให้ผู้ให้บริการคลาวด์ AI เช่น CoreWeave

แนวคิดนี้มีคุณค่าในการอ้างอิงสำหรับบริษัทจดทะเบียนในตลาดหุ้นฮ่องกงของจีน

บริษัทจดทะเบียนแบบดั้งเดิมจำนวนมากที่เปลี่ยนมาสู่พลังการคำนวณ มักตกอยู่ในสองขั้วสุดขั้ว: อย่างแรกคือการสร้างเองทั้งหมด ลงทุนในสินทรัพย์หนักมาก แต่ลูกค้าไม่ตามมา ส่งผลให้เกิดแรงกดดันด้านกระแสเงินสด; อีกอย่างคือการพึ่งพาคลาวด์ภายนอกทั้งหมด โดยไม่มีโครงสร้างพื้นฐานหลักหรือสินทรัพย์สะสม ทำให้สุดท้ายแค่ทำธุรกิจที่เป็นที่ปรึกษาเบาๆ และผสานรวมเบาๆ ค่าประเมินจึงยากที่จะเพิ่มขึ้น

ทางที่สมเหตุสมผลกว่าคือการแบ่งชั้น

บริษัทสามารถควบคุมพื้นที่หลัก ทรัพยากรไฟฟ้า ห้องเซิร์ฟเวอร์ระบายความร้อนด้วยของเหลว และโหลดลูกค้าสำคัญไว้กับตัวเอง พร้อมร่วมมือกับผู้ให้บริการคลาวด์ ผู้ให้บริการ GPU และบริษัทโมเดล เพื่อเข้าถึงพลังการประมวลผลและความสามารถทางเทคโนโลยีที่ยืดหยุ่น ทำให้มีการสะสมสินทรัพย์และมีความยืดหยุ่นในการขยายตัว โดยไม่ถูกผูกมัดด้วยรูปแบบเดียว

การซื้อขายพิสูจน์ว่า โครงสร้างพื้นฐานของ AI สามารถเข้าสู่ระบบกำไรได้โดยตรง

ทำไม Jane Street ถึงกล้าลงทุนขนาดนี้? เพราะโครงสร้างพื้นฐาน AI ของมันไม่ใช่แค่ของประดับ แต่สามารถเชื่อมต่อเข้ากับระบบกำไรได้

รีวูเตอร์รายงานว่า รายได้สุทธิจากการซื้อขายของ Jane Street ในปี 2025 อยู่ที่ 39.6 พันล้านดอลลาร์สหรัฐ ซึ่งเกินกว่าคู่แข่งรายใหญ่หลายราย เช่น Citadel Securities และ Hudson River Trading รวมถึงยังเกินกว่ารายได้จากการซื้อขายของธนาคารเพื่อการลงทุนขนาดใหญ่บางแห่ง รายงานยังระบุว่า ผลงานของ Jane Street ได้รับประโยชน์จากความผันผวนของตลาด ความสามารถในการซื้อขายด้วยอัลกอริทึม และผลกำไรจากการลงทุนที่เกี่ยวข้องกับ AI หนังสือพิมพ์ฟินานเชียลไทมส์ของอังกฤษก็รายงานว่า รายได้ของ Jane Street ในปี 2025 เพิ่มขึ้นเกือบสองเท่าเป็น 39.6 พันล้านดอลลาร์สหรัฐ และกล่าวถึงการลงทุนในบริษัทที่เกี่ยวข้องกับ AI เช่น CoreWeave, Anthropic และ Thinking Machines Lab

ข้อมูลชุดนี้ชี้ให้เห็นว่าศูนย์ข้อมูล AI ของ Jane Street ไม่สามารถคำนวณผลลัพธ์ได้เพียงจาก “ประหยัดค่าใช้จ่ายคลาวด์ได้เท่าใด” สำหรับพวกเขา ผลประโยชน์จากพลังการประมวลผลอาจปรากฏในรูปแบบของการฝึกโมเดลที่เร็วขึ้น การย้อนกลับที่ลึกกว่า การดำเนินการที่เสถียรยิ่งขึ้น การระบุความเสี่ยงที่แข็งแกร่งขึ้น และความสามารถในการซื้อขายที่สูงขึ้น

บริษัททั่วไปที่ใช้ AI มักคำนวณ ROI จากการประหยัดค่าใช้จ่ายด้านแรงงาน แต่ตรรกะของ Jane Street รุนแรงกว่านั้น: กำลังการประมวลผลไม่ได้ใช้เพื่อประหยัดเงิน แต่เพื่อสร้างรายได้

นี่คือสิ่งที่โรงงานโทเค็นของจีนควรเรียนรู้ หากศูนย์พลังการคำนวณสามารถพูดได้เพียงว่า “ฉันมีพลังการคำนวณกี่ P” คุณค่าก็จะไม่สมบูรณ์ มันต้องตอบคำถามเชิงพาณิชย์ที่ลึกซึ้งกว่านั้น: พลังการคำนวณเหล่านี้ให้บริการใคร? ช่วยใครเพิ่มรายได้? ลดต้นทุนอะไร? ลดระยะเวลาอะไร? สร้างความผูกพันกับลูกค้าอย่างไร? และในที่สุดสามารถเปลี่ยนเป็นกระแสเงินสดที่ยั่งยืนได้หรือไม่?

พลังการคำนวณจะมีคุณค่าจริงเมื่อถูกรวมเข้ากับระบบธุรกิจของลูกค้า

การให้แรงบันดาลใจสำหรับการขยายตัวของคำศัพท์จีนไปต่างประเทศ อยู่ที่การเปลี่ยนพลังงานไฟฟ้าให้เป็นบริการอัจฉริยะ

จีนกำลังอภิปรายเรื่องการขยายตัวของโทเค็นไปต่างประเทศ ซึ่งมักจะติดอยู่ในเรื่องเล่าของโมเดล โมเดลอย่าง DeepSeek, Qwen, Zhipu, Kimi, MiniMax และโมเดลวิดีโอของ ByteDance แน่นอนว่าสำคัญ แต่กรณีศึกษาของ Jane Street ช่วยเตือนเราว่า โมเดลเป็นเพียงชั้นกลางเท่านั้น สิ่งที่สามารถสร้างข้อได้เปรียบเชิงอุตสาหกรรมได้จริง คือวงจรปิดที่สมบูรณ์ตั้งแต่พลังงานไปสู่การประมวลผล พลังงานการประมวลผลไปสู่โทเค็น โทเค็นไปสู่แอปพลิเคชัน และแอปพลิเคชันไปสู่รายได้

ข้อได้เปรียบของจีนอยู่ที่วงจรปิดนี้เอง

จีนมีทรัพยากรไฟฟ้าสีเขียว โครงสร้างพื้นฐานด้านพลังงาน ความสามารถในการก่อสร้างศูนย์ข้อมูล ความสามารถในการจัดส่งโครงการ และระบบนิเวศแบบจำลองขนาดใหญ่ รวมถึงแอปพลิเคชันที่ใช้บ่อยเช่น ซีรีส์สั้น การค้าระหว่างประเทศ บริการลูกค้า เกม การศึกษา และการเงิน หากทรัพยากรเหล่านี้สามารถรวมกันเป็นโรงงานโทเค็น ความเป็นไปได้ในการส่งออกโทเค็นจะไม่ใช่เพียงการส่งออก API ของแบบจำลอง แต่คือการส่งออกความสามารถด้านโครงสร้างพื้นฐานดิจิทัลของจีน

Jane Street ใช้ศูนย์ข้อมูล AI เพื่อการซื้อขาย ในขณะที่โรงงานโทเค็นของจีนสามารถใช้งานในสถานการณ์ที่กว้างขวางยิ่งขึ้น: บริษัทการค้าระหว่างประเทศสามารถใช้เอเจนต์อัจฉริยะในการเลือกสินค้า บริการลูกค้า การแปล และการตลาด บริษัทละครสั้นสามารถใช้ AI เพื่อทำการแปล ให้เสียงพากย์ ตัดต่อ และจัดส่ง ผู้ผลิตสามารถใช้ AI ในการเสนอราคา จัดตารางการผลิต คาดการณ์ห่วงโซ่อุปทาน และบริการหลังการขาย สถาบันการเงินสามารถใช้ AI เพื่อการจัดการความเสี่ยง การวิจัยการลงทุน และการช่วยเหลือในการซื้อขาย

การใช้งานแอปเหล่านี้จะใช้โทเค็น

ยิ่งการใช้ทรัพยากรมากเท่าใด โรงงานกำลังการประมวลผลก็ยิ่งมีคุณค่ามากขึ้น ยิ่งโรงงานกำลังการประมวลผลพัฒนาเติบโตมากเท่าใด บริการ AI ของจีนก็ยิ่งมีข้อได้เปรียบด้านต้นทุนในการขยายตัวสู่ต่างประเทศ ข้อได้เปรียบด้านต้นทุนเมื่อขยายขนาดแล้ว จะกลายเป็นข้อได้เปรียบเชิงอุตสาหกรรม

การให้แรงบันดาลใจแก่บริษัทจดทะเบียนในตลาดหุ้นฮ่องกง ไม่ใช่การติดเทรนด์ AI แต่คือการปรับโครงสร้างงบดุล

บริษัทจดทะเบียนในตลาดหุ้นฮ่องกง โดยเฉพาะบริษัทในภาคอสังหาริมทรัพย์ แหล่งชุมชน การก่อสร้าง ทรัพย์สิน พลังงาน และการผลิต ควรมองเห็นทิศทางที่ลึกซึ้งยิ่งขึ้นจากกรณีศึกษาของ Jane Street

ไม่ใช่ทุกบริษัทที่ต้องพัฒนาโมเดลขนาดใหญ่ หรือต้องเปลี่ยนเป็นผู้ให้บริการคลาวด์ AI แต่บริษัทหลายแห่งสามารถปรับปรุงทรัพย์สินเดิมของตนให้เป็นส่วนหนึ่งของโครงสร้างพื้นฐาน AI

อาคารเก่าสามารถปรับปรุงให้เป็นห้องเครื่องระบายความร้อนด้วยของเหลวได้ แหล่งอุตสาหกรรมสามารถเชื่อมต่อกับโหนดการประมวลผลได้ ทรัพย์สินด้านพลังงานสามารถผูกกับศูนย์ข้อมูลได้ การจัดการอาคารสามารถนำระบบตัวแทนอัจฉริยะเข้ามาใช้ แพลตฟอร์มที่จดทะเบียนสามารถนำทรัพย์สินการประมวลผล AI เข้ามาผ่านการควบกิจการ การออกหุ้นใหม่ หรือความร่วมมือเชิงกลยุทธ์ ประเด็นสำคัญคือ การเปลี่ยนแปลงต้องเข้าสู่โครงสร้างรายได้ ไม่ใช่แค่หยุดอยู่ที่ประกาศ

หากบริษัทจดทะเบียนในตลาดหุ้นฮ่องกงต้องการพูดถึง Token Factory อย่างน้อยต้องตอบคำถามเหล่านี้:

มีไฟฟ้าคงที่หรือไม่? มีพื้นที่ที่เหมาะสำหรับการปรับปรุงหรือไม่? มีความสามารถในการระบายความร้อนด้วยของเหลวและศูนย์ข้อมูลความหนาแน่นสูงหรือไม่? มีลูกค้าจริงหรือไม่? มีพันธมิตรด้านโมเดลหรือแอปพลิเคชันหรือไม่? มีกลไกการกำหนดราคาพลังงานการคำนวณภายในหรือไม่? มีทางในการรวมรายได้จากพลังงานการคำนวณลงในงบการเงินหรือไม่?

หากไม่สามารถตอบคำถามเหล่านี้ได้ การคำนวณพลังงาน AI ก็แค่คำพูดเพื่อจัดการมูลค่าตลาด หากตอบได้อย่างชัดเจน บริษัทจดทะเบียนแบบดั้งเดิมจะมีโอกาสเปลี่ยนจากการประเมินมูลค่าสินทรัพย์เก่า เป็นการประเมินมูลค่าโครงสร้างพื้นฐานดิจิทัล

ข้อคิดหลักจาก Jane Street คือ โรงงานโทเค็นไม่ใช่เรื่องการระดมทุน แต่เป็นระบบการดำเนินงาน มันต้องการเทคโนโลยีและวินัยทางการเงิน; ต้องการความสามารถด้านวิศวกรรมและคำสั่งซื้อจากลูกค้า; ต้องการกำลังการประมวลผลและตลาดทรัพยากรภายใน

โรงงานโทเค็นเวอร์ชันจีน ไม่สามารถเรียนรู้แค่ฮาร์ดแวร์ได้ ต้องเรียนรู้วิธีการจัดองค์กร

ถ้าแค่เรียนรู้ว่า Jane Street ซื้อ GPU ทำระบบระบายความร้อนด้วยของเหลว และใช้ CoreWeave ก็ยังเรียนรู้ไม่ลึกพอ

ควรเรียนรู้วิธีการจัดระเบียบมากกว่า

Jane Street รวมการซื้อขาย การวิจัย การวิศวกรรม กำลังการคำนวณ และทุนไว้ในระบบเดียวกัน โมเดลไม่ใช่ผลงานวิจัยของนักวิจัย แต่เป็นส่วนหนึ่งของระบบการซื้อขาย; กำลังการคำนวณไม่ใช่ค่าใช้จ่ายของฝ่ายไอที แต่เป็นเชื้อเพลิงสำหรับการปรับปรุงกลยุทธ์; สกุลเงินภายในไม่ใช่การโฆษณาชวนเชื่อ แต่เป็นกลไกการจัดสรรทรัพยากร; คลาวด์ภายนอกไม่ใช่การแทนที่การสร้างเอง แต่เป็นการขยายตัวแบบยืดหยุ่น; การลงทุนด้านทุนไม่ใช่การบริหารการเงิน แต่เป็นการวางตำแหน่งเชิงกลยุทธ์ต่อระบบนิเวศโครงสร้างพื้นฐาน AI

บริษัทจำนวนมากในจีนกำลังเปลี่ยนผ่านสู่ AI ปัญหาส่วนใหญ่ไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่การแบ่งแยกองค์กร ฝ่ายธุรกิจไม่เข้าใจพลังการคำนวณ ฝ่ายไอทีไม่เข้าใจรายได้ ฝ่ายการเงินมองเพียงต้นทุน และคณะกรรมการมองเพียงแนวคิด ทำให้ยากที่จะสร้างวงจรปิด

เพื่อให้ Token Factory ประสบความสำเร็จ จำเป็นต้องเปลี่ยนโครงสร้างองค์กร กำลังการประมวลผลต้องมีผู้รับผิดชอบ ไฟฟ้าต้องมีบัญชีต้นทุน โมเดลต้องมีการใช้งานในบริบทที่ชัดเจน ลูกค้าต้องมีปริมาณการใช้งาน Token ต้องมีราคาภายใน รายได้ต้องสามารถระบุแหล่งที่มาได้ มิฉะนั้น แม้กำลังการประมวลผลจะมากเพียงใด ก็ยังเป็นการกระจายทรัพยากรอย่างไม่มีเป้าหมาย

สรุป: ยักษ์ใหญ่ทางการเงินในอนาคต อาจเริ่มต้นจากโรงงานปัญญาประดิษฐ์

กรณีของ Jane Street แสดงให้เห็นสิ่งหนึ่ง: ผู้เล่นรายใหญ่ทางการเงินรุ่นถัดไป แม้ดูเหมือนเป็นบริษัทการซื้อขาย แต่พื้นฐานอาจเป็นโรงงาน AI

มันแปลงพลังงานไฟฟ้าเป็นพลังการคำนวณ แปลงพลังการคำนวณเป็นโมเดล แปลงโมเดลเป็นการตัดสินใจซื้อขาย และแปลงการตัดสินใจซื้อขายเป็นผลกำไร สายโซ่ทั้งหมดนี้เมื่อทำงานได้อย่างราบรื่น จะทำให้ศูนย์ข้อมูล AI ไม่ใช่เพียงศูนย์ต้นทุนอีกต่อไป แต่กลายเป็นส่วนหนึ่งของระบบกำไร

สำหรับจีน คุณค่าของกรณีนี้ไม่ได้อยู่ที่การเลียนแบบ Jane Street จีนไม่จำเป็นต้องให้ทุกบริษัททำกิจกรรมการซื้อขายเชิงปริมาณ หรือให้ทุกบริษัทในตลาดหุ้นฮ่องกงสร้างศูนย์ข้อมูลที่มี GPU 4,032 ตัว สิ่งที่ควรเรียนรู้อย่างแท้จริงคือวิธีการพื้นฐานของมัน: มอง Token Factory เป็นระบบปัจจัยการผลิต ไม่ใช่ระบบแนวคิด; มองพลังการคำนวณเป็นสินทรัพย์ที่สามารถกำหนดราคา จัดสรร และตรวจสอบได้ รวมถึงสามารถระดมทุนได้ ไม่ใช่แค่เซิร์ฟเวอร์จำนวนมาก; และมองการส่งออก Token เป็นวงจรปิดที่สมบูรณ์ของพลังงานไฟฟ้า พลังการคำนวณ โมเดล การประยุกต์ใช้งาน และการชำระเงิน ไม่ใช่เพียงการส่งออก API อย่างง่าย

ในอนาคต ผู้ใดครอบครองโรงงานโทเค็น ผู้นั้นจะควบคุมความสามารถในการผลิตอัจฉริยะ ผู้ใดสามารถแปลงโรงงานเก่า แหล่งรวมเก่า ศูนย์ข้อมูลเก่า และแพลตฟอร์มการระดมทุนเก่าให้เป็นสายการผลิตโทเค็น จะมีโอกาสได้รับการประเมินมูลค่าใหม่ในยุคปัญญาประดิษฐ์

วอลล์สตรีทได้ให้ตัวอย่างแล้ว

เจนสตรีทไม่ได้สร้างศูนย์ข้อมูล แต่สร้างเครื่องจักรอัจฉริยะที่แปลงข้อมูลเสียงรบกวนให้เป็นผลกำไรจากการซื้อขาย การที่จีนต้องการทำคือการนำเครื่องจักรนี้ไปใช้ในบริบทอุตสาหกรรมที่กว้างขึ้น ทำให้อุตสาหกรรมการผลิต การค้าระหว่างประเทศ เนื้อหา การเงิน และตลาดทุนฮ่องกง สามารถเชื่อมต่อกับโรงงานโทเค็นของตนเองได้

ยุคเก่ามองที่ดินและตึกอาคาร

ในยุคใหม่ ให้ดูที่พลังงานไฟฟ้า กำลังการคำนวณ และโทเค็น

นี่คือจุดที่เคสของ Jane Street ควรได้รับการวิเคราะห์อย่างแท้จริง