Tenstorrent ระดมทุน 1.5 พันล้านดอลลาร์ ดันชิป AI RISC-V ท้าชน NVIDIA ในปี 2026

คุณเคยสงสัยไหมว่าทำไมค่าใช้จ่ายในการเทรนโมเดล AI ถึงได้พุ่งสูงจนบริษัทสตาร์ทอัพเล็กๆ ต้องยอมแพ้? ตลาดฮาร์ดแวร์ AI ตอนนี้แทบจะเป็นของ NVIDIA ไปแล้ว ด้วยระบบนิเวศ CUDA ที่แน่นหนา แต่เรื่องราวกำลังจะเปลี่ยนไป เมื่อ Tenstorrent บริษัทสตาร์ทอัปชิปที่นำทีมโดย Jim Keller ตำนานสถาปนิกชิประดับตำนาน ประกาศระดมทุนได้ถึง 1.5 พันล้านดอลลาร์สหรัฐ เพื่อพัฒนาชิป AI แบบเปิด RISC-V ที่มีชื่อว่า Galaxy Server โดยตั้งเป้าหมายชัดเจนว่าจะท้าชน NVIDIA ด้วยต้นทุนต่อโทเคนที่ต่ำกว่าในปี 2026

Jim Keller กับสงครามฮาร์ดแวร์ครั้งใหม่

ถ้าพูดถึงชื่อ Jim Keller นักพัฒนาที่สนใจเรื่องฮาร์ดแวร์คงต้องพยักหน้า คนคนนี้คือมันสมองที่อยู่เบื้องหลังการออกแบบชิประดับตำนานมาแล้วหลายค่าย ไม่ว่าจะเป็นชิป A4/A5 ของ Apple สถาปัตยกรรม Zen ของ AMD ชิปสำหรับรถยนต์อัตโนมัติของ Tesla หรือแม้แต่งานที่ Intel

ตอนนี้เขายกพลข้ามาอยู่ที่ Tenstorrent ด้วยวิสัยทัศน์ที่ว่า อนาคตของ AI ไม่ควรถูกผูกขาดโดยใครคนใดคนหนึ่ง การระดมทุนครั้งล่าสุดมูลค่า 1.5 พันล้านดอลลาร์ (ประมาณ 53,000 ล้านบาท) นำโดยกลุ่ม Samsung Securities และ AFW Partners ถือเป็นสัญญาณว่าตลาดยังเชื่อมั่นในทางเลือกใหม่ที่ไม่ใช่ NVIDIA หรือ AMD

RISC-V คือกุญแจสู่อิสรภาพของนักพัฒนา

ทำไม Tenstorrent ถึงเลือก RISC-V? คำตอบง่ายๆ คือ "ความเป็น Open Source" ถ้าจะเปรียบให้เห็นภาพ RISC-V ก็เหมือนกับ Linux ในยุคแรกๆ ที่มาท้าชน Windows และ Unix แบบปิด

ในขณะที่ NVIDIA ใช้สถาปัตยกรรมกรรมสิทธิ์และผูกขาดนักพัฒนาไว้กับ CUDA การใช้ RISC-V จะทำให้สถาปัตยกรรมชุดคำสั่ง (Instruction Set Architecture หรือ ISA) เป็นแบบเปิด ใครๆ ก็สามารถนำไปดัดแปลงและพัฒนาต่อยอดได้โดยไม่ต้องจ่ายค่าลิขสิทธิ์แพงๆ

ข้อดีของการใช้ RISC-V ในงาน AI คือ:

• หลีกเลี่ยง Vendor Lock-in: นักพัฒนาไม่ต้องกลัวว่าโค้ดที่เขียนจะใช้ได้แค่กับฮาร์ดแวร์ยี่ห้อเดียว
• ความยืดหยุ่นสูง: สามารถออกแบบชิปให้เหมาะกับงานเฉพาะทาง (Domain-specific) ได้ดีกว่าชิปแบบ General-purpose
• ลดต้นทุนการวิจัย: ทีมวิจัยไม่ต้องสร้างล้อใหม่ทุกครั้งที่จะทำชิปตัวใหม่

Galaxy Server และต้นทุนต่อโทเคนที่ต้องจับตามอง

ผลิตภัณฑ์เรือธงที่ Tenstorrent กำลังจะปล่อยออกมาคือ Galaxy Server ซึ่งเป็นระบบเซิร์ฟเวอร์ AI ที่รวมเอาชิปประมวลผล AI ของพวกเขาเข้ากับสถาปัตยกรรม RISC-V โดยตั้งเป้าหมายไว้ชัดเจนว่าจะเปิดตัวเต็มรูปแบบในปี 2026

จุดเปลี่ยนเกมจริงๆ ของ Galaxy Server ไม่ใช่แค่ Raw Performance หรือพลังการประมวลผลดิบๆ ที่ลองเทียบกับ H100 ของ NVIDIA แต่อยู่ที่ "ต้นทุนต่อโทเคน (Cost per Token)"

ในการใช้งาน LLM (Large Language Model) จริง สิ่งที่ธุรกิจสนใจคือการสร้างโทเคนหนึ่งตัว หรือประมวลผลคำตอบหนึ่งคำ ต้องเสียค่าไฟและค่าเสื่อมฮาร์ดแวร์ไปเท่าไหร่ ถ้า NVIDIA ทำได้ที่ราคา X บาทต่อโทเคน Tenstorrent อ้างว่าสถาปัตยกรรมแบบเปิดของพวกเขาจะสามารถตัดต้นทุนส่วนที่เป็นค่าลิขสิทธิ์และการผูกขาดออกไปได้ ทำให้ราคาต่อโทเคนถูกลงอย่างมีนัยสำคัญ

นี่คือสิ่งที่บริษัทที่ต้องการเทรน AI หรือรันโมเดล AI บนเซิร์ฟเวอร์ของตัวเอง (On-premise) รอคอย เพราะมันจะทำให้ AI เข้าถึงได้ง่ายขึ้น ไม่ใช่แค่เกมของบริษัทยักษ์ใหญ่ระดับ Trillion-dollar

โอกาสของนักพัฒนาในยุค Open Hardware

ในฐานะนักพัฒนาในชุมชน เราควรตื่นเต้นกับข่าวนี้อย่างไร?

1. เตรียมตัวรับมือกับ Software Stack ใหม่: ถ้าคุณเคยชินกับการเขียน PyTorch แล้วรันบน CUDA อาจถึงเวลาที่ต้องเปิดใจศึกษา Framework ที่รองรับสถาปัตยกรรมแบบเปิด เช่น การใช้ MLIR หรือ OpenXLA ที่จะช่วยทำให้โค้ดของคุณสามารถพอร์ตไปรันบนชิป RISC-V ได้
2. โอกาสในการมีส่วนร่วมกับ Open Source Hardware: เนื่องจาก RISC-V เป็นมาตรฐานเปิด นักพัฒนาสามารถเข้าไปมีส่วนร่วมในการพัฒนา Compiler, Optimizer หรือแม้แต่การออกแบบไมโครอาร์คิเทกเจอร์ได้ ซึ่งเป็นประสบการณ์ที่หาได้ยากในยุคที่ชิปเป็นแบบปิด
3. การทดสอบโมเดล AI ที่ประหยัดกว่า: หากต้นทุนต่อโทเคนลดลงจริงตามที่ Tenstorrent ตั้งเป้าไว้ในปี 2026 สตาร์ทอัพไทยที่ทำ AI จะสามารถเทรนโมเดลภาษาไทยหรือโมเดลเฉพาะทางได้ในต้นทุนที่ต่ำลงมาก

บทสรุป: อนาคตของ AI จะเป็นของใคร?

การระดมทุนครั้งประวัติศาสตร์ของ Tenstorrent แสดงให้เห็นว่าตลาดเริ่มเบื่อหน่ายกับการผูกขาดของ NVIDIA และพร้อมที่จะสนับสนุนทางเลือกที่เปิดกว้างกว่า แม้ว่าจะใช้เวลาจนถึงปี 2026 กว่าที่ Galaxy Server จะออกมาเปลี่ยนเกมจริงๆ แต่นี่คือสัญญาณที่ดีสำหรับวงการ AI โดยรวม

ถ้าคุณเป็นนักพัฒนาที่กำลังมองหาทิศทางใหม่ๆ ลองเริ่มต้นศึกษาเกี่ยวกับ RISC-V และการพัฒนา AI บนสถาปัตยกรรมแบบเปิดได้แล้ววันนี้ อย่ารอจนถึงปี 2026 ครับ เพราะโลกของฮาร์ดแวร์โอเพนซอร์สกำลังจะมาถึง และมันจะเป็นโอกาสทองของคนที่เตรียมตัวไว้ก่อน

วันนี้คุณมีโมเดล AI ตัวไหนที่อยากลองรันบนฮาร์ดแวร์ที่ประหยัดกว่านี้บ้างไหม? ลองแชร์ไอเดียกันได้ในคอมเมนต์ และอย่าลืมติดตามบทความต่อไปเกี่ยวกับการเขียนโค้ด AI ให้รองรับสถาปัตยกรรมหลากหลายกันนะครับ!