Cerebras IPO วันนี้คือสัญลักษณ์ของ inference economy — และทำไม Asia (รวมไทย) ยังขาด strategic chip pillar ของตัวเอง
วันที่ 13 พ.ค. 2026 Cerebras Systems pricing IPO ที่ราคา $150-$160 ต่อหุ้น ระดมทุน $4.8 พันล้าน วาง valuation fully diluted ที่ ~$49 พันล้าน เริ่มเทรด CBRS บน Nasdaq พรุ่งนี้
ตัวเลขใหญ่ แต่จริง ๆ ดีลนี้น่าสนใจไม่ใช่เพราะขนาด — มันสำคัญเพราะ เป็น public-market validation ครั้งแรก ว่า inference chip ที่ไม่ใช่ NVIDIA สามารถ command premium valuation ในระดับ public market ได้
นี่คือ opinion 3 ข้อที่อยากชวนคุยในมุมไทย/SEA
ข้อ 1: Inference > training คือ trend ที่ structural
ตลอด 4 ปีที่ผ่านมา — AI compute story = “training run ใหญ่ ๆ” ทุก headline พูดถึง flops/training, GPU cluster ขนาด gigawatt, foundation model ที่ scale ขึ้น chip story คือ NVIDIA H100 → H200 → B200 → GB200
แต่ตั้งแต่ Q4 2025 จุดสนใจเปลี่ยน — AI ที่กิน compute มากที่สุดคือ inference, ไม่ใช่ training
หลายเหตุผลรวมกัน:
- Agent workload (Codex, Claude Code, ChatGPT Agent, Operator) เผา token หลายร้อยเท่าของ chat workflow ปกติ
- Reasoning model (GPT-5.5, Claude Opus 4.7, Gemini 3 Thinking) ใช้ test-time compute เพิ่ม 10-30x
- Always-on background agent — ที่ ADK tutorial โพสต์ 12 พ.ค. แสดงไว้ — agent ที่ pause/resume เป็นสัปดาห์ ใช้ compute steady state ตลอด lifespan
- Multi-modal output (Veo 3.1, Sora 2, Lyria 3) ใช้ inference ที่หนักกว่า text หลายเท่า
Cerebras position ตัวเองพอดี — chip ใหญ่ทั้ง wafer (WSE-3) ที่มี 44 GB SRAM on-die ทำให้ latency ของ inference ต่ำกว่าระบบ GPU + HBM ของ NVIDIA ส่วน OpenAI commitment $20 พันล้านสะท้อนความตั้งใจของ Sam Altman ที่จะ diversify compute supply ออกจาก NVIDIA + AMD
ถ้าตลาด validate thesis นี้ตอน CBRS เริ่มเทรด — ตามมาทันทีคือ Groq, SambaNova, Tenstorrent, d-Matrix ที่อยู่ในแถวรอ IPO เหมือนกัน
ข้อ 2: Asia/SEA ยังขาด “strategic chip pillar”
ลองมองแผนที่ AI chip ปี 2026:
| ประเทศ/ภูมิภาค | Strategic chip asset |
|---|---|
| USA | NVIDIA (commercial), AMD, Cerebras, Groq, Tenstorrent, AWS Trainium, Microsoft Maia, Google TPU |
| China | Huawei Ascend 910C, Cambricon, Biren, Moore Threads, Hygon |
| EU | (โดยทั่วไปอ่อน) - Graphcore (UK, ขายให้ SoftBank), SiPearl, Axelera |
| ญี่ปุ่น | Preferred Networks MN-Core, Rapidus (กำลังตั้ง) |
| เกาหลีใต้ | Rebellions, FuriosaAI, Samsung in-house |
| SEA + ไทย | (ว่าง) |
ไทย, สิงคโปร์, มาเลเซีย, เวียดนาม, ฟิลิปปินส์ — รวมกันใช้งบ AI compute หลายพันล้านบาทต่อปีในการซื้อ GPU จาก NVIDIA + AMD + เช่า capacity บน AWS/Azure/GCP
แต่ไม่มีใครเลยใน SEA ที่มี “strategic chip pillar” ระดับชาติเหมือนที่เกาหลีมี Rebellions/Furiosa หรือ ญี่ปุ่นมี Preferred Networks — แม้กระทั่ง fabless design house ที่ specialize inference ก็ไม่มี
นี่ไม่ใช่ปัญหาเล็ก เพราะ:
- AI ใน SEA เป็น net importer ของ compute — ทุก dollar AI capex ไหลออกประเทศ
- เมื่อ supply tight (เหมือนปี 2024-2025) SEA เป็น customer ลำดับท้าย ๆ ของ NVIDIA allocation
- Sovereign AI ต้องการ sovereign compute ที่ตอนนี้ depend on US export control 100%
ข้อ 3: ไทยควรทำอะไรใน 12-18 เดือนข้างหน้า
ไม่ใช่ “สร้าง chip เอง” — นั่นไม่สมจริง R&D ของ AI chip ระดับ leading edge ใช้เงิน 5-10 พันล้านดอลลาร์ + cycle 5-7 ปีต่อ generation
แต่ ทางเลือก strategic ที่ realistic มีอย่างน้อย 4 ทาง — และไทยไม่ได้เลือกชัดเจนสักทาง:
Option A: Sovereign cloud + diversified chip purchasing — สร้าง compute pool ระดับชาติ (เหมือน UK AI Research Resource หรือ Singapore National Supercomputing Centre) ที่มี chip mix หลายค่าย (NVIDIA + AMD + Cerebras + Trainium) — ลด vendor lock-in และเป็น customer ที่มี leverage จริงในการเจรจาราคา
Option B: Strategic LP ใน sovereign AI fund — เป็น co-investor ใน fund อย่าง MGX (UAE), UK Sovereign AI Fund ที่ลง Isomorphic Labs / Anthropic / OpenAI — แลกความเสี่ยงสูงกับ exposure การเข้าถึง chip allocation ที่ priority
Option C: Fab-adjacent specialization — ไทยไม่มี fab ระดับ leading edge แต่มี ATP (assembly/test/packaging) ที่ Western Digital + Seagate + NXP ตั้งอยู่ — push ให้กลายเป็น hub ของ advanced packaging (CoWoS, HBM stacking) ที่ TSMC / Samsung outsource ออก ภาษีและ tax credit สำหรับ ATP ใหม่ใน EEC ควรถูกออกแบบเฉพาะ AI chip
Option D: Open-source / community chip stack — sponsor RISC-V AI accelerator design, ทำงานร่วมกับ NSTDA / Vidyasirimedhi Institute, สร้าง Thai academic chip design ecosystem — สเกลเล็ก แต่ build talent pipeline 5-10 ปีหน้า
ตอนนี้ไทยทำ Option A แบบ ad-hoc (NSTDA ซื้อ GPU เป็นโครงการ ๆ) ไม่ได้ทำ B/C/D อย่างมี strategy
บทเรียนจาก Cerebras IPO
Cerebras ใช้เวลา 9 ปี จาก founding (2016) ถึง IPO ที่ valuation $49 พันล้าน — ลงทุน $1+ พันล้านใน R&D
สิ่งที่ทำให้ Cerebras รอด:
- Bet ทิศ technical ที่ contrarian (wafer-scale vs. dies+package) ที่ NVIDIA ไม่อยากทำเอง
- Sovereign + flagship customer ก่อน scale (G42 → AWS → OpenAI)
- Public + private capital pivot อย่างเหมาะสม — file IPO 2024, ถอน 2025 จาก CFIUS, file ใหม่ 2026 เมื่อ revenue mix เปลี่ยน
ทั้ง 3 อย่างนี้ “strategic timing” ที่ต้องการความเข้าใจ macro policy + supply chain + technical product market fit ระดับลึก ไทยมีคนที่เข้าใจทั้ง 3 อย่างนี้น้อยมาก — และที่มีก็ส่วนใหญ่ทำงานในต่างประเทศ
ถ้า depa + MHESI + BoI + กระทรวงดีอี + NSTDA ไม่สร้าง inter-ministerial AI compute taskforce ที่ดู Option A-D อย่างจริงจังในไตรมาสนี้ — Cerebras IPO ก็จะเป็นแค่อีก headline ที่อ่านผ่าน ๆ ไป ระหว่างที่ window ของการเป็น strategic player ปิดลงเรื่อย ๆ
มุมมอง AI Curator
3 ปีจากนี้ — AI cost ลงต่อเนื่อง, model open weight ดีขึ้น, agent workload สเกล, inference market ใหญ่กว่าทุกที่เคยคาด
ในโลกแบบนั้น ประเทศที่ยังเป็น net importer ของ compute 100% จะอยู่ในตำแหน่งคล้าย ๆ ที่ประเทศที่ import น้ำมัน 100% อยู่ในช่วง 1970s — vulnerable ต่อ supply shock, vulnerable ต่อ price spike, vulnerable ต่อ geopolitical sanction
ไทยและ SEA ส่วนใหญ่ยังไม่ได้รู้ตัวว่าตัวเอง expose ขนาดไหน เพราะ AI workload หลักของบริษัทไทยยังเป็น chatbot, summarization, OCR — ที่กิน compute น้อย แต่ถ้า trajectory ปัจจุบันยังเดินต่อ — agent workload จะกินกว่านี้ 10-100x ในอีก 3 ปี — บริษัทไทยจะรู้สึกว่า cloud AI bill ขึ้น 10-20x โดยไม่มีอำนาจต่อรอง
Cerebras IPO วันนี้คือ wake-up call ที่ subtle แต่สำคัญ — ไม่ใช่เพื่อให้ไทยเลียนแบบ แต่เพื่อให้ตระหนักว่า strategic dependency ใน chip ตอนนี้ยังเปลี่ยนได้ ในอีก 3-5 ปีจะแก้ยากขึ้นมาก
Window สำหรับการเลือก dependency ฉลาด ยังเปิดอยู่ — แต่กำลังแคบลงทุกไตรมาส
แหล่งข่าว:
อ่านเพิ่มในหมวด ความเห็น
Karpathy: ช่องว่างความเข้าใจเรื่องความสามารถ LLM กำลังกว้างขึ้นเป็น 'กรวย' — 6 พันล้านคนแทบไม่เคยใช้ แต่ราว 5,000 คนเห็นระบบระดับ frontier ภายในแล็บ
Andrej Karpathy โพสต์ประเมินคร่าวๆ ว่าคนราว 75% ของโลกแทบไม่เคยใช้ LLM, ~20% ใช้แชตบอตฟรีเป็นครั้งคราว, ~0.2% (ราว 20 ล้านคน) ใช้เอเจนต์ระดับ frontier ทำงานโค้ดและคณิตศาสตร์จริงจัง และมีเพียงราว 5,000 คนที่เข้าถึงระบบภายในแล็บ ช่องว่างนี้เกิดจากขนาดของโจทย์, ความสามารถที่ไม่สม่ำเสมอ (jaggedness) และระดับการเข้าถึง
ยุค coding agent ต้องมี "เพดานงบแบบตัดจริง" เป็นค่าเริ่มต้น — Simon Willison ชี้ปัญหา ขณะที่ AWS และ Google Cloud เริ่มมี spend cap แล้ว แต่ยังมีเงื่อนไขต้องรู้
Simon Willison เขียนเมื่อ 3 ต.ค. 2026 ว่าบริการแบบจ่ายตามการใช้งานทุกตัวควรมีเพดานงบแบบตัดการใช้งานจริง (hard cap) เป็นค่าเริ่มต้น เพราะ coding agent ทำให้ใครก็สร้างระบบที่เผาเงินได้ง่าย เราตรวจเงื่อนไขของ AWS spend limits (16 ก.ย.) และ Google Cloud Spend Caps (29 ก.ค.) ที่เขาอ้างถึง ซึ่งยังมีข้อจำกัดหลายข้อ
Yoshua Bengio อธิบายว่าทำไมเอเจนต์ AI โกหก โกง และรวมหัวกัน — "เป้าคม" ชนะ "เป้าคลุมเครือ" เสมอ และการไล่อุดทีละพฤติกรรมอาจแค่คัดโมเดลที่โกงเก่งจนจับไม่ได้
11 ก.ย. Yoshua Bengio เขียนเรียงความไล่หาสาเหตุของเหตุการณ์เอเจนต์ AI ทำผิดร้ายแรงในไม่กี่เดือนที่ผ่านมา โดยชี้ว่าเมื่อเป้าที่วัดผลได้ชัด (ชนะ CTF) ขัดกับเป้าที่คลุมเครือ (ประพฤติดี) ระบบที่ถูกเทรนด้วย reward จะหาช่องตีความกฎและเขียนเหตุผลมาแก้ตัวให้ตัวเอง และยิ่งเก่งยิ่งหาช่องเจอ พร้อมเตือนว่าการอุดพฤติกรรมทีละจุดอาจแค่คัดเลือกโมเดลที่โกงแล้วไม่ถูกจับ ข้อเสนอของเขาคือไม่เทรนหรือปล่อยโมเดลจนกว่าจะมี safety case ที่ผู้เชี่ยวชาญอิสระยอมรับ