รวบหุ้นได้ผลดี! หลังเม็ดเงินไหลออกจาก DELTA จึงเป็นโอกาสหุ้นขนาดใหญ่ ราคาขาขึ้น

โบรกฯ ชี้ เงินที่ออกจาก DELTA จึงมีโอกาสไหลเข้าหาหุ้นขนาดใหญ่ที่มีลำดับรองลงมา และทิศทางราคาเป็นขาขึ้น มีโอกาสได้น้ำหนักใน SET50 เพิ่มขึ้น หลังต่างชาติซื้อตราสารหนี้ไทยช่วงเช้า 1,990 ล้านบาท คาดกระแสเงินลงทุนยังไม่ไหลออก

นักวิเคราะห์บริษัทหลักทรัพย์ หยวนต้า (ประเทศไทย) จำกัด เปิดเผยว่า ต่างชาติซื้อตราสารหนี้ไทยช่วงเช้า 1,990 ล้านบาท เงินบาทอ่อนค่าใกล้เคียงระดับการฟื้นตัวของ Dollar Index คาดกระแสเงินลงทุนยังไม่ไหลออก

เงินที่ออกจาก DELTA จึงมีโอกาสไหลเข้าหาหุ้นขนาดใหญ่ที่มีลำดับรองลงมา และทิศทางราคาเป็นขาขึ้น (มีโอกาสได้น้ำหนักใน SET50 เพิ่มขึ้น) เช่น ADVANC, GULF, CPALL, TRUE, SCB, KBANK, INTUCH, KTB

สำหรับบทวิเคราะห์ปัจจัยพื้นฐาน DELTA นักวิเคราะห์บริษัท หลักทรัพย์ ธนชาต จำกัด (มหาชน) มองว่า ราคาหุ้น DELTA ร่วงลง ตลาดกังวลเกี่ยวกับการใช้ GPU ราคาถูกจาก Nvidia โดยฝ่ายวิจัยเชื่อว่าความกังวลนั้นมากเกินไปGPU ราคาถูกยังคงตามหลังอยู่

DELTA ผู้จัดหาส่วนประกอบ GPU มีราคาหุ้นลดลงเมื่อวานนี้ หลังจากการอ่อนตัวของหุ้นของ Nvidia ซึ่งเกิดจากความกังวลเกี่ยวกับความสามารถของ DeepSeek ในการใช้ GPU ราคาถูกจาก Nvidia (H800) เพื่อให้ได้ผลลัพธ์ที่ดีกว่า ChatGPT ที่ใช้ GPU ราคาสูงของ Nvidia (H100)

นักลงทุนกังวลว่าหากเกิดเหตุการณ์นี้ขึ้น OpenAI และผู้ใช้คลาวด์รายใหญ่คนอื่นอาจหันไปใช้วิธีประหยัดค่าใช้จ่ายด้วยการเปลี่ยนมาใช้ GPU ราคาถูกกว่า หากเกิดขึ้นจริง ราคาขายเฉลี่ยที่ต่ำกว่าของ Nvidia อาจบังคับให้ผู้จัดหาอย่าง DELTA ต้องลดราคาด้วย

พื้นที่ที่ DeepSeek ทำได้ดีกว่า ChatGPT

1. ประสิทธิภาพด้านต้นทุน DeepSeek ได้ทำการปรับแต่งซอฟต์แวร์เพื่อให้มี AI ที่มีความสามารถในการแข่งขันได้ในราคาที่ต่ำมาก โดยใช้ GPU H800 แทนที่ GPU H100 ระดับสูง

ตัวอย่างที่ 1: โมเดลของ DeepSeek ต้องการฮาร์ดแวร์เพียงครึ่งหนึ่งของ ChatGPT เพื่อให้ได้ผลลัพธ์ที่คล้ายกันในงานเฉพาะเจาะจง ซึ่งช่วยลดค่าใช้จ่ายด้านทุนสำหรับดาต้าเซ็นเตอร์ขนาดเล็ก

ตัวอย่างที่ 2: โดยการปรับปรุงประสิทธิภาพของ GPU H800, DeepSeek ช่วยให้สตาร์ทอัพสามารถสร้างโซลูชัน AI ที่มีประสิทธิภาพในราคาที่ต่ำกว่ามากเมื่อเทียบกับบริษัทขนาดใหญ่ที่ใช้ GPU H100

2.การคิดเชิงคณิตศาสตร์ DeepSeek ทำผลงานได้ดีกว่า ChatGPT ในงานที่เกี่ยวกับคณิตศาสตร์ขั้นสูง (MATH-500 benchmark) โดยได้คะแนน 97.3% เมื่อเทียบกับ 96.4% ของ OpenAI

3. โมเดลขนาดเล็กและการอนุมานทั่วไป ระบบ DeepSeek ที่ใช้ H800 ทำงานได้ดีสำหรับงานที่ง่ายกว่า เช่น แชทบอท หรือโมเดลเชิงทำนาย ซึ่งไม่จำเป็นต้องใช้ GPU ระดับไฮเอนด์

อย่างไรก็ตาม เชื่อว่ายังเร็วเกินไปที่จะสรุปความสำเร็จของ DeepSeek เนื่องจาก GPU H800 เผชิญกับความท้าทายในการใช้งานจริงที่สำคัญของแอปพลิเคชัน AI ขนาดใหญ่ และเวิร์กโหลดของ hyperscaler ด้านล่างนี้ เราจะแสดงตัวอย่างที่ GPU H800 ของ DeepSeek ประสบปัญหา แม้จะมีซอฟต์แวร์ที่เหนือกว่า:

1. จำนวนการใช้งานในชีวิตประจำวัน (เช่น ChatGPT) บริการ AI อย่าง ChatGPT จัดการคำถามจากผู้ใช้หลายล้านคำถามในแต่ละวัน ซึ่งต้องการการตอบสนองที่รวดเร็วและความสามารถในการจัดการภาระงานที่หนักได้อย่างต่อเนื่อง

ในขณะที่ GPU H800 ของ DeepSeek ทำงานได้ดีสำหรับระบบขนาดเล็ก แต่ไม่สามารถรักษาความเร็วและความน่าเชื่อถือในระดับเดียวกับ GPU H100 เมื่อรองรับผู้ใช้หลายพันคน ซึ่งทำให้การตอบสนองช้าลงและเกิดความไม่เสถียร

2. ข้อมูลขนาดใหญ่ (เช่น OpenAI หรือ Meta) การฝึกโมเดล AI ขนาดใหญ่เกี่ยวข้องกับการประมวลผลข้อมูลจำนวนมหาศาล และต้องการการประสานงานระหว่าง GPU หลายพันตัว

ในการฝึกโมเดล AI ขนาดใหญ่ GPU H800 ของ DeepSeek ต้องใช้เวลาฝึกนานขึ้น 30% เมื่อเทียบกับ GPU H100 ซึ่งทำให้ค่าใช้จ่ายในการดำเนินงานโดยรวมของผู้ให้บริการ hyperscaler สูงขึ้น

3. ประสิทธิภาพการใช้พลังงานในสเกลใหญ่ ดาต้าเซนเตอร์ให้ความสำคัญกับประสิทธิภาพการใช้พลังงานเพื่อลดต้นทุนการดำเนินงาน โดยเฉพาะสำหรับ GPU ที่ทำงานอย่างต่อเนื่องระหว่างการฝึก ในระยะเวลาหกเดือน การใช้พลังงานของ GPU H800 เกิน GPU H100 ถึง 20% สำหรับงานเดียวกัน ทำให้ไม่สามารถประหยัดต้นทุนเริ่มต้นได้

4. อายุการใช้งานยาวนานในสภาพแวดล้อม Hyperscaler   โดย Hyperscaler ต้องใช้ GPU ที่สามารถมอบประสิทธิภาพที่สม่ำเสมอตลอดหลายปีที่ใช้งานหนัก GPU H800 แสดงให้เห็นถึงการเสื่อมสภาพที่เร็วกว่าภายใต้ปริมาณงานจำนวนมากเมื่อเปรียบเทียบกับ GPU H100 ซึ่งทำให้ไม่เหมาะกับการใช้งานในระยะยาวในสภาพแวดล้อมที่มีความต้องการสูง