ชิป Meta Iris คืออะไร?

เป็นตัวเร่งความเร็ว AI ที่ Meta พัฒนาขึ้นเอง ซึ่งเป็นหนึ่งในสี่เจเนอเรชันตามแผนงานชิป MTIA โดยมี Broadcom เข้าร่วมในการออกแบบและ TSMC เป็นผู้ผลิต มีกำหนดการผลิตเชิงพาณิชย์ในเดือนกันยายน 2026 และจะถูกนำมาใช้สำหรับการประมวลผล AI ในศูนย์ข้อมูลของ Meta เอง

Iris จะมาแทนที่ GPU ของ Nvidia หรือไม่?

ไม่ อย่างน้อยก็ไม่ใช่ในระยะเวลานี้ บันทึกภายในระบุไว้อย่างชัดเจนว่า Iris ทำหน้าที่เป็น "ส่วนเสริม" ให้กับ GPU ของ Nvidia และ AMD โดยใช้ชิปที่พัฒนาขึ้นเองเพื่อรันเวิร์กโหลดที่เหมาะสมเพื่อลดต้นทุน แต่สำหรับการฝึกโมเดลระดับสูงยังคงต้องพึ่งพา GPU เป็นอย่างมาก

ห่วงโซ่อุปทานส่วนไหนของไต้หวันที่จะได้รับประโยชน์?

การผลิตเวเฟอร์ (กระบวนการผลิตขั้นสูงของ TSMC), การบรรจุภัณฑ์ขั้นสูง (CoWoS) และการรับจ้างผลิตเซิร์ฟเวอร์ AI (Foxconn, Quanta, Wistron ฯลฯ) จุดร่วมของชิปที่บริษัทไฮเปอร์สเกลเลอร์พัฒนาขึ้นเองคือ ต่างคนต่างออกแบบ แต่เกือบทั้งหมดผลิตในไต้หวัน

พลังการประมวลผลระดับ 7GW และ 14GW คืออะไร?

GW (กิกะวัตต์) คือหน่วยวัดขนาดการใช้พลังงานของศูนย์ข้อมูล ซึ่งได้กลายเป็นภาษาสากลที่ใช้ในการวัดการลงทุนด้านพลังการประมวลผล AI Meta มีแผนที่จะเปิดใช้งาน 7GW ในปี 2026 และบรรลุเป้าหมาย 14GW ในปี 2027 ซึ่งเทียบเท่ากับขนาดการจ่ายไฟของโรงไฟฟ้าพลังงานนิวเคลียร์ขนาดใหญ่หลายแห่ง และทั้งหมดนี้จะถูกใช้เพื่อโครงสร้างพื้นฐาน AI

ชิป AI ตัวเองของ Meta "Iris" เตรียมผลิตเชิงพาณิชย์กันยายนนี้: ออกแบบโดย Broadcom, ผลิตโดย TSMC และพลังการประมวลผลตั้งเป้าเพิ่มขึ้นเท่าตัวในสองปี

สำนักข่าวรอยเตอร์เปิดเผยบันทึกภายในของ Meta เป็นเจ้าแรก: ตัวเร่งความเร็ว AI "Iris" ที่พัฒนาขึ้นเองจะเริ่มสายการผลิตในเดือนกันยายน 2026 ออกแบบโดย Broadcom และผลิตโดย TSMC เพื่อรองรับแผนการเพิ่มพลังการประมวลผลของ Meta จาก 7GW เป็น 14GW ห่วงโซ่อุปทานของไต้หวันคว้าชัยชนะไปอีกขั้น

ในการประชุมประกาศผลประกอบการของ NVIDIA คำถามที่นักวิเคราะห์มักจะชอบถามมากที่สุดคือ "ภัยคุกคามจากชิปที่ลูกค้าพัฒนาขึ้นเอง" และคำตอบอีกครึ่งหนึ่งซ่อนอยู่ที่ซินจู๋ บันทึกภายในของ Meta ที่สำนักข่าว Reuters ได้มาเมื่อสัปดาห์ที่แล้วแสดงให้เห็นว่า บริษัทซึ่งมีผู้ใช้งานหลายพันล้านคนทั่วโลกรายนี้ จะนำ "Iris" ซึ่งเป็นตัวเร่งความเร็ว AI ที่พัฒนาขึ้นเองเข้าสู่สายการผลิตในเดือนกันยายนนี้ โดยมี Broadcom เป็นผู้อออกแบบ และ TSMC เป็นผู้ผลิต

บริบทของเหตุการณ์

โครงการชิปพัฒนาเองของ Meta หรือที่เรียกว่า MTIA (Meta Training and Inference Accelerators) ดำเนินมาหลายรุ่นแล้ว โดย Iris เป็นหนึ่งในสี่รุ่นที่วางแผนไว้ รายละเอียดที่เปิดเผยในบันทึกภายในนั้นหายากมาก: Iris ผ่านการทดสอบแก้ไขจุดบกพร่อง (Debug) ภายในเวลาประมาณ 6 สัปดาห์และ "ไม่มีปัญหาใหญ่ใดๆ" สำหรับ ASIC ระดับศูนย์ข้อมูลแล้ว จังหวะเวลานี้ถือว่าราบรื่นสุดๆ แรงจูงใจก็ระบุไว้อย่างตรงไปตรงมาเช่นกัน นั่นคือ เพื่อกดต้นทุนการประมวลผลให้ต่ำลง และลดการพึ่งพา NVIDIA และ AMD

ประเด็นสำคัญในครั้งนี้

Iris เริ่มผลิตจำนวนมากในเดือนกันยายน 2026: โดยมี Broadcom เป็นพาร์ทเนอร์ด้านการออกแบบ และ TSMC รับผิดชอบการผลิต
Meta จะมีพลังประมวลผล 7GW (กิกะวัตต์) ออนไลน์ในปี 2026 และตั้งเป้าเพิ่มขึ้นเท่าตัวเป็น 14GW ภายในปี 2027
ตำแหน่งของ Iris คือการ "เสริม" ไม่ใช่ "แทนที่" GPU ของ NVIDIA และ AMD
การทดสอบแก้ไขจุดบกพร่องเสร็จสิ้นภายใน 6 สัปดาห์ ความคืบหน้าราบรื่นอย่างหาได้ยาก
แหล่งข่าวมาจากบันทึกภายในที่สำนักข่าว Reuters ได้มา โดยที่ Meta ยังไม่ได้ออกข่าวประชาสัมพันธ์อย่างเป็นทางการ

การวิเคราะห์ผลกระทบต่อตลาด

สำหรับผู้ใช้ในไต้หวัน: คุณจะไม่ได้ซื้อ Iris โดยตรง แต่บริการที่คุณใช้ทุกวันจะรัน AI ได้ในราคาที่ถูกลง เมื่อโครงสร้างต้นทุนของฟีเจอร์ AI ในเครือ Meta (IG, FB, WhatsApp) ปรับตัวดีขึ้น เพดานของฟีเจอร์ AI ฟรีก็จะขยับสูงขึ้นเรื่อยๆ

สำหรับ ภาคธุรกิจในไต้หวัน: นี่คือข่าวต่างประเทศที่มีความเป็น "ไต้หวัน" มากที่สุดในสัปดาห์นี้ ทุกหนทุกแห่งของการปลดแอก NVIDIA (De-Nvidianization) ของผู้ให้บริการคลาวด์ค่ายใหญ่ (Hyperscalers) ล้วนหนีไม่พ้นไต้หวัน: ASIC ของ Broadcom ต้องใช้กระบวนการผลิตขั้นสูงของ TSMC, การแพ็กเกจจิ้งขั้นสูงใช้กำลังการผลิต CoWoS และการจัดส่งเซิร์ฟเวอร์ AI สำเร็จรูปยังคงเป็นฝั่งรับจ้างผลิตอย่าง Hon Hai, Quanta และ Wistron พลังประมวลผล 7GW ถึง 14GW ของ Meta แปลเป็นภาษาจีนก็คือ คำสั่งซื้อที่มีความแน่นอนในอีกสองปีข้างหน้าสำหรับห่วงโซ่อุปทานของไต้หวัน และเป็นแบบที่ไม่ต้องง้อ NVIDIA ด้วย

สำหรับนักพัฒนา: ยุคแห่งความกระจัดกระจายของชิปที่พัฒนาขึ้นเอง ทำให้ความเป็นนามธรรม (Abstraction) ในชั้นเฟรมเวิร์กมีความสำคัญมากขึ้นเรื่อยๆ วิศวกรที่รู้จักใช้คอมไพเลอร์และเครื่องมือครอสฮาร์ดแวร์ (เช่น Triton หรือ XLA) จะมีอำนาจต่อรองสูงขึ้นเรื่อยๆ ในขณะที่ชุดทักษะที่ผูกติดกับระบบนิเวศ CUDA เพียงอย่างเดียวกำลังสะสมความเสี่ยง

แนวโน้มการพัฒนาในอนาคต

Google มี TPU, Amazon มี Trainium และความร่วมมือระหว่าง OpenAI กับ Broadcom ก็มีรายงานเปิดเผยมานานแล้ว ชิป Iris ของ Meta เป็นเพียงการเติมเต็มจิ๊กซอว์ "ผู้ให้บริการคลาวด์รายใหญ่ต่างมีชิปเป็นของตัวเอง" ให้สมบูรณ์ยิ่งขึ้น ตัวชี้วัดที่นักลงทุนและผู้ปฏิบัติงานในไต้หวันควรจับตามองมี 3 ประการ ได้แก่ การจัดสรรกำลังการผลิตกระบวนการขั้นสูงและ CoWoS ของ TSMC, แนวโน้มผลประกอบการของธุรกิจ ASIC ของ Broadcom และการเปลี่ยนแปลงโครงสร้างคำสั่งซื้อของโรงงานรับจ้างผลิตเซิร์ฟเวอร์ AI เส้นทางชิปพัฒนาเองนี้ เช่นเดียวกับการควบคุมการส่งออกชิปไต้หวันที่เราเคยวิเคราะห์ไว้ก่อนหน้านี้ (การควบคุมทางอาญาการส่งออกชิป AI ไต้หวันไปยังจีนในปี 2026) ล้วนชี้ไปที่สิ่งเดียวกัน: อำนาจอธิปไตยด้านพลังประมวลผลกลายเป็นความกังวลร่วมกันของประเทศมหาอำนาจและบริษัทเทคโนโลยีรายใหญ่

บทสรุปและความเห็นจาก TheAI Academy

ความเห็นบรรทัดเดียว: ทุกย่างก้าวของการปลดแอก NVIDIA ของบริษัทใหญ่ๆ ล้วนช่วยเพิ่มคำสั่งซื้อให้ห่วงโซ่อุปทานของไต้หวัน — Iris ไม่ใช่ระฆังมรณะของ NVIDIA แต่เป็นสัญญาฉบับใหม่ที่ยาวนานของ TSMC

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไต้หวัน: ผู้ปฏิบัติงานควรติดตามแนวโน้มตำแหน่งงานด้านบริการออกแบบ ASIC และการแพ็กเกจจิ้งขั้นสูง สำหรับนักลงทุนโปรดจำไว้ว่าบทความนี้ไม่ใช่คำแนะนำในการลงทุน ระดับความได้รับประโยชน์ของห่วงโซ่อุปทานโปรดอ้างอิงจากรายงานทางการเงินและการประชุมทางโทรศัพท์ (Earnings Call) ของแต่ละบริษัท

แหล่งที่มา

ข้อมูลข้างต้นรวบรวมจากข้อมูลสาธารณะ โดยอิงตามคำแถลงอย่างเป็นทางการในภายหลัง สำหรับการตัดสินใจลงทุนโปรดประเมินด้วยตนเอง บทความนี้ไม่ถือเป็นคำแนะนำในการลงทุน

ลบล้างความเข้าใจผิด: ชิปพัฒนาเองเท่ากับการ "ทิ้ง" NVIDIA จริงหรือ?

ในรายงานของสื่อเทคโนโลยี มักจะพบพาดหัวข่าวที่ชวนให้ตื่นเต้น เช่น "การปลดแอก NVIDIA" หรือ "ท้าทายเจ้าพ่อ" ซึ่งง่ายต่อการทำให้ผู้อ่านเกิดความเข้าใจผิดว่า เมื่อ Meta หรือยักษ์ใหญ่คลาวด์รายอื่นเริ่มใช้ชิปที่พัฒนาขึ้นเองแล้ว พวกเขาจะหยุดซื้อ GPU ของ NVIDIA อย่างสิ้นเชิง แท้จริงแล้วนี่คือความเข้าใจผิดแบบ "ขาวหรือดำ"

ในสถาปัตยกรรมของศูนย์ข้อมูล กลยุทธ์การใช้ชิคมักจะเป็นการ "จัดการแบบแบ่งชั้น" GPU แบบ general-purpose (เช่น ผลิตภัณฑ์ของ NVIDIA) มีความยืดหยุ่นสูงมาก เหมาะสำหรับการจัดการนวัตกรรมอัลกอริทึมที่ไม่รู้จักและงานประมวลผลทั่วไปที่ซับซ้อน ในขณะที่ชิปที่พัฒนาขึ้นเอง (เช่น Iris) ได้รับการปรับแต่งอย่างสูงสุดสำหรับ "งานเฉพาะด้าน" เช่น การจัดการอัลกอริทึมการแนะนำ (Recommendation algorithms), โมเดลการแสดงโฆษณา หรือการอนุมาน (Inference) ของโมเดลภาษาขนาดใหญ่โดยเฉพาะ สำหรับ Meta แล้ว ชิปที่พัฒนาขึ้นเองมีไว้เพื่อปลดปล่อยทรัพยากร GPU ทั่วไปที่มีราคาแพง ไปจัดการกับงานฝึกอบรม (Training) ที่ท้าทายยิ่งขึ้น แทนที่จะเป็นการแทนที่อย่างสมบูรณ์ ดังนั้น นี่จึงเหมือนกับกลยุทธ์ "การจัดทัพแบบผสมผสาน" มากกว่าความสัมพันธ์แบบทดแทนกันอย่างเรียบง่าย

ความแตกต่างของบทบาทระหว่างชิปพัฒนาเองและ GPU ทั่วไป

เพื่อให้ผู้อ่านเข้าใจบทบาทของชิปเหล่านี้ในศูนย์ข้อมูลได้ชัดเจนยิ่งขึ้น เราได้รวบรวมตารางเปรียบเทียบต่อไปนี้ เพื่อช่วยให้คุณเข้าใจว่าทำไมบริษัทใหญ่ๆ ถึงจำเป็นต้องมีผลิตภัณฑ์ทั้งสองประเภทนี้พร้อมกัน:

หัวข้อเปรียบเทียบ	GPU แบบ General-Purpose (เช่น ผลิตภัณฑ์ NVIDIA)	ตัวเร่งความเร็ว AI ที่พัฒนาเอง (เช่น Iris)
จุดเด่นหลัก	ระบบนิเวศสมบูรณ์, การสนับสนุนซอฟต์แวร์สูงมาก, ความยืดหยุ่นสูง	ปรับแต่งสำหรับโมเดลเฉพาะ, อัตราส่วนพลังงานต่อประสิทธิภาพยอดเยี่ยม, ควบคุมต้นทุนได้
การใช้งานหลัก	การฝึกอบรมโมเดลล้ำสมัย, การวิจัยและพัฒนาใน領域ที่ไม่รู้จัก	การอนุมานขนาดใหญ่, ระบบโฆษณาและการแนะนำที่มีความซ้ำซ้อนสูง
ระบบนิเวศซอฟต์แวร์	มีระบบนิเวศ CUDA ที่โตเต็มที่, นักพัฒนาใช้งานได้เร็ว	มักต้องพึ่งพาคอมไพเลอร์เฉพาะ, อุปสรรคในการพัฒนาสูงกว่า
กลยุทธ์การจัดซื้อ	พึ่งพาการจัดส่งจากซัพพลายเออร์, ถูกจำกัดด้วยราคาตลาดและกำลังการผลิต	ควบคุมการออกแบบและกำลังการผลิตเอง, ลดต้นทุนการดำเนินงานระยะยาว
สถานการณ์ที่เหมาะสม	งานที่ต้องการพลังประมวลผลสูงสุดและความเร็วในการ R&D	งานที่ต้องการความคุ้มค่าด้านต้นทุนสูงสุดและผลลัพธ์ที่เสถียร

ทำไม "การแก้จุดบกพร่องที่ราบรื่น" จึงเป็นตัวชี้วัดสำคัญของการพัฒนาชิป?

บทความระบุว่า Iris ผ่านการแก้ไขจุดบกพร่องภายใน 6 สัปดาห์และ "ไม่มีปัญหาใหญ่" ซึ่งสำหรับคนนอกอาจเป็นเพียงรายละเอียดทางเทคนิค แต่สำหรับอุตสาหกรรมเซมิคอนดักเตอร์แล้ว นี่คือสัญญาณที่มีความหมายเชิงตัวชี้วัดสูงมาก

การออกแบบชิปเป็นวิศวกรรมที่มีความซับซ้อนสูงมาก ตั้งแต่การออกแบบวงจร การตรวจสอบตรรกะ ไปจนถึงการจัดวางทางกายภาพ (Physical layout) ข้อผิดพลาดเล็กๆ น้อยๆ เพียงจุดเดียวอาจทำให้ชิปต้องถูกทิ้ง หรือต้องใช้เวลาหลายเดือนในการผลิตรอบใหม่ (Tape-out) สำหรับบริษัทที่ไม่ใช่นักออกแบบชิปแบบดั้งเดิมอย่าง Meta การสามารถแก้ไขจุดบกพร่องให้เสร็จสิ้นได้ในเวลาอันสั้น แสดงให้เห็นว่ากระบวนการร่วมมือกับ Broadcom นั้นมีความโตเต็มที่สูงมาก และได้นำเครื่องมือจำลอง (Simulation) ขั้นสูงมาใช้ตั้งแต่ขั้นตอนการตรวจสอบการออกแบบ ซึ่งหมายความว่าโครงการชิปพัฒนาเองของ Meta ได้หลุดพ้นจาก "ลักษณะทดลอง" และเข้าสู่ช่วงเติบโตของการ "ผลิตจำนวนมากอย่างมีเสถียรภาพ" อย่างเป็นทางการ สำหรับห่วงโซ่อุปทานแล้ว นี่หมายความว่าในอีกสองปีข้างหน้า การวางแผนกำลังการผลิตของชิปตัวนี้จะมีความเสถียรมาก และคำสั่งซื้อจะไม่ล่าช้าเนื่องจากข้อบกพร่องในการออกแบบ

คำแนะนำด้านอาชีพสำหรับนักพัฒนา: จะรับมือกับความกระจัดกระจายของฮาร์ดแวร์อย่างไร?

เมื่อยักษ์ใหญ่ด้านคลาวด์ต่างทยอยเปิดตัวชิปที่พัฒนาขึ้นเอง สภาพแวดล้อมการประมวลผล AI ในอนาคตจะยิ่ง "กระจัดกระจาย" มากขึ้น ในอดีต วิศวกรขอเพียงแค่มีความเชี่ยวชาญในระบบนิเวศฮาร์ดแวร์เดียว (เช่น CUDA) ก็สามารถไปได้ทั่วโลก แต่วิธีการนี้กำลังเผชิญกับความท้าทาย

สำหรับวิศวกรซอฟต์แวร์และนักวิจัย AI ความสามารถในการแข่งขันหลักในอนาคตจะไม่ใช่ "การผูกติดกับฮาร์ดแวร์บางประเภท" อีกต่อไป แต่เป็น "ความสามารถในการปรับตัวข้ามฮาร์ดแวร์" ขอแนะนำให้นักพัฒนาเริ่มต้นจาก 3 ทิศทางดังนี้:

เชี่ยวชาญเทคโนโลยีคอมไพเลอร์ระดับล่าง: เรียนรู้วิธีการแปลงโมเดลให้เป็นตัวแทนระดับกลาง (Intermediate Representation - IR) ที่ฮาร์ดแวร์ต่างกันสามารถรันได้ เช่น ทำความคุ้นเคยกับ MLIR หรือสถาปัตยกรรมคอมไพเลอร์ที่เกี่ยวข้อง
โอบรับมาตรฐานเปิด: ให้ความสนใจและมีส่วนร่วมในเฟรมเวิร์กข้ามฮาร์ดแวร์ที่เป็นโอเพนซอร์สมากขึ้น เครื่องมือเหล่านี้จะช่วยให้คุณเขียนโค้ดครั้งเดียวแต่สามารถรันบนชิปของแบรนด์ต่างๆ ได้
เข้าใจคุณลักษณะของสถาปัตยกรรมฮาร์ดแวร์: ไม่จำเป็นต้องเป็นนักออกแบบชิป แต่ต้องเข้าใจแบนด์วิดท์หน่วยความจำ, ระดับแคช (Cache levels) และคอขวดของพลังประมวลผล ซึ่งจะช่วยให้คุณเขียนโค้ดโมเดล AI ที่มีประสิทธิภาพและสอดคล้องกับคุณลักษณะของฮาร์ดแวร์มากยิ่งขึ้น

ในยุคที่ฮาร์ดแวร์เบ่งบานร้อยดอก ผู้ใดที่สามารถกุม "สะพานเชื่อมระหว่างซอฟต์แวร์และฮาร์ดแวร์" ไว้ได้ ผู้นั้นก็จะมีอำนาจต่อรองสูงสุดในอุตสาหกรรม AI ในอนาคต