การที่ Nvidia ครองตลาดฮาร์ดแวร์ AI นั้นได้รับการยืนยันอย่างดีแล้ว บริษัทมีส่วนแบ่งรายได้ GPU สำหรับศูนย์ข้อมูลประมาณ 86% แต่ข้อได้เปรียบแท้จริงของมันไม่ได้อยู่ที่ชิปเอง แต่อยู่ที่ CUDA ระบบนิเวศซอฟต์แวร์ที่ทำให้นักพัฒนาพึ่งพาฮาร์ดแวร์ของ Nvidia จนการเปลี่ยนไปใช้แบรนด์อื่นรู้สึกเหมือนต้องเรียนรู้ภาษาใหม่ขณะกระโดดร่ม
OpenAI กำลังเดิมพันว่าสามารถมอบร่มชูชีพให้ทุกคนได้ เครื่องมือแบบเปิดแหล่งที่มาของบริษัทที่ชื่อ Triton ซึ่งเปิดตัวครั้งแรกในเดือนกรกฎาคม 2021 ถูกนำเสนอว่าเป็นกุญแจสำคัญในการรันโมเดล AI บนฮาร์ดแวร์ที่ไม่ใช่ของ Nvidia โดยมีการเปลี่ยนแปลงโค้ดน้อยที่สุด
จากโครงการวิจัยสู่อาวุธเชิงกลยุทธ์
Triton เริ่มต้นเป็นโครงการที่ค่อนข้างเรียบง่าย โดยจุดประสงค์เดิมคือให้นักพัฒนาสามารถเขียนโค้ด GPU ที่มีประสิทธิภาพสูงในภาษา Python แทนการต้องจัดการกับการเขียนโปรแกรม CUDA ระดับต่ำ
เครื่องมือนี้ได้พัฒนาอย่างมากตั้งแต่เวอร์ชัน 1.0 ที่เปิดตัวในช่วงกลางปี 2021 การวิเคราะห์จากต้นปี 2026 ชี้ให้เห็นว่า Triton กำลังถึงจุดเปลี่ยนสำคัญ โดยในขณะนี้สามารถรองรับการย้ายโมเดล AI ข้ามแพลตฟอร์มฮาร์ดแวร์ต่างๆ โดยต้องแก้ไขโค้ดเพียงเล็กน้อยหรือแม้แต่ไม่ต้องแก้ไขเลย
OpenAI ยังไม่ได้สร้างเครื่องมือต่างๆ อย่างโดดเดี่ยวเช่นกัน บริษัทได้ลงนามในข้อตกลงหลายปีกับ AMD ในเดือนตุลาคม 2025 เพื่อติดตั้ง GPU Instinct ได้สูงสุด 6 กิกะวัตต์ คลื่นแรก ซึ่งประกอบด้วยชิปรุ่น MI450 จำนวน 1 กิกะวัตต์ คาดว่าจะมาถึงในช่วงครึ่งหลังของปี 2026
ตามรอยการจ้างงาน
OpenAI กำลังรับสมัครวิศวกรการประมวลผลแบบอินเฟอเรนซ์ โดยเน้นเฉพาะการรองรับ AMD GPU รายงานจากปี 2026 ยังชี้ว่า OpenAI แสดงความไม่พึงพอใจต่อชิปบางรุ่นของ Nvidia
สิ่งนี้หมายความว่าอย่างไรสำหรับนักลงทุน
สัดส่วน 86% ของรายได้ GPU สำหรับศูนย์ข้อมูลของ Nvidia จะไม่หายไปในคืนเดียว CUDA มีการปรับแต่งที่สะสมมานับทศวรรษและระบบนิเวศนักพัฒนาที่ลึกซึ้ง
AMD มีโอกาสได้รับประโยชน์โดยตรงมากที่สุด บริษัทมีชิปที่มีความสามารถแข่งขันได้ และความร่วมมือกับ OpenAI ยืนยันความมุ่งมั่นด้านฮาร์ดแวร์ AI ของพวกเขาว่ามีความน่าเชื่อถือมากกว่าการทดสอบประสิทธิภาพใดๆ เมื่อบริษัท AI ที่ใหญ่ที่สุดในโลกตัดสินใจใช้ GPU ของคุณในปริมาณกิกาวัตต์ มันส่งสัญญาณที่ชัดเจนถึงอุตสาหกรรมทั้งหมดว่ามีทางเลือกที่เป็นไปได้แทน Nvidia
ความเสี่ยงที่ต้องจับตาคือการดำเนินการ การสร้างเครื่องมือที่สามารถทำงานได้บนฮาร์ดแวร์ใดๆ ก็ตามเป็นเรื่องหนึ่ง แต่การทำให้มันทำงานได้เทียบเท่ากับโค้ดที่ปรับแต่งด้วย CUDA บนชิปของ Nvidia เองเป็นความท้าทายอีกแบบหนึ่ง