คอขวดด้านการประมวลผล: ทำไมการสร้างวิดีโอด้วย AI ยังคงมีราคาแพงในปี 2026

ทุก ๆ ไม่กี่เดือน จะมีคนตั้งคำถามในรูปแบบเดิมซ้ำ ๆ ว่า ในเมื่อการสร้างข้อความด้วย AI ถูกลงจนแทบไม่มีต้นทุนที่ต้องคิด และการสร้างภาพก็ตามมาติด ๆ แล้วทำไมคลิปวิดีโอ AI ความยาวสิบวินาทีถึงยังต้องจ่ายเงินจริงอยู่ คำตอบไม่ใช่ทฤษฎีสมคบคิดที่ผู้ให้บริการพยายามรักษาส่วนต่างกำไร แต่เป็นเรื่องของเลขคณิตล้วน ๆ การสร้างวิดีโออยู่คนละจุดบนเส้นโค้งต้นทุนการประมวลผลเมื่อเทียบกับข้อความหรือภาพ ด้วยเหตุผลที่ฝังอยู่ในกลไกการทำงานจริงของโมเดล diffusion และ transformer และเหตุผลเหล่านั้นยิ่งถูกซ้ำเติมด้วยห่วงโซ่อุปทานฮาร์ดแวร์ที่ ณ กลางปี 2026 กำลังเผชิญข้อจำกัดด้านกำลังการผลิตอย่างแท้จริง การเข้าใจทั้งสองด้านของเรื่องนี้จะช่วยอธิบายว่าทำไมราคาต่อวินาทีของวิดีโอจากค่ายใหญ่ ๆ — ตัวเลขระดับหลายสิบเซนต์ ไม่ใช่เศษเสี้ยวของเซนต์ — จึงไม่ใช่ค่าพรีเมียมชั่วคราวช่วงเปิดตัว แต่เป็นเหมือนพื้นต้นทุนที่จะค่อย ๆ กร่อนลงอย่างช้า ๆ มากกว่าจะพังทลายลงในทันที

ช่องว่างระดับหลายเท่าตัว มองผ่าน FLOPs

เริ่มจากต้นทุนที่แท้จริงของการสร้างผลลัพธ์หนึ่งครั้งในหน่วยการคำนวณจุดทศนิยม (FLOPs) การวิเคราะห์ FLOPs เชิงวิชาการของ pipeline แบบ diffusion ประเมินว่าการสร้างภาพหนึ่งครั้งใช้ประมาณ 10 GFLOPs ต่อขั้นตอน denoising หนึ่งครั้ง โดยการสร้างภาพทั่วไปต้องใช้ 20 ถึง 50 ขั้นตอนกว่าจะได้ภาพที่คมชัด — รวมแล้วอยู่ที่ประมาณ 10² ถึง 10³ GFLOPs ต่อภาพสำเร็จรูปหนึ่งภาพ เมื่อวิเคราะห์โมเดล video diffusion ในลักษณะเดียวกัน กลับพบว่าการสร้างวิดีโอหนึ่งครั้งใช้พลังประมวลผลสูงกว่าหลายเท่าตัว โดยตัวเลขเปรียบเทียบ FLOPs ที่มักถูกอ้างถึงอยู่ที่ราว 10,000 เท่าของภาพหนึ่งภาพ ไม่ใช่แค่ 10 เท่าหรือ 100 เท่าอย่างที่สัญชาตญาณอาจคาดเดา ช่องว่างนี้ไม่ใช่ความคลาดเคลื่อนเล็กน้อย แต่คือความแตกต่างระหว่างคำขอที่ GPU สำหรับผู้บริโภคทั่วไปประมวลผลเสร็จได้ในเวลาไม่ถึงวินาที กับคำขอที่ครอบครองตัวเร่งความเร็วระดับดาต้าเซ็นเตอร์นานหลายนาที

ปัจจัยที่ทำให้เกิดช่องว่างนี้มีสองอย่าง และควรแยกพิจารณาเพราะทั้งสองเสริมกันมากกว่าจะแทนที่กัน ปัจจัยแรกคือจำนวนเฟรมที่ตรงไปตรงมา คลิปความยาวห้าวินาทีที่ 24 เฟรมต่อวินาทีคือภาพนิ่ง 120 ภาพ แต่ละภาพยังต้องผ่านกระบวนการ denoising ของตัวเองอยู่ดี เพียงเท่านี้ก็ทำให้ตัวคูณเพิ่มขึ้นสองระดับขนาดแล้ว ก่อนที่จะพูดถึงสิ่งที่เฉพาะเจาะจงกับวิดีโอเลยด้วยซ้ำ ปัจจัยที่สอง และเป็นปัจจัยที่คนมักประเมินต่ำเกินไป คือความสอดคล้องตามเวลา (temporal consistency) วิธีที่ตรงไปตรงมาที่สุดคือสร้างแต่ละเฟรมแยกกันแล้วนำมาต่อกัน แต่วิธีนี้จะทำให้เกิดอาการภาพกะพริบและใบหน้าเบี้ยวบิดที่เป็นลักษณะเฉพาะของวิดีโอ AI ยุคแรก โมเดลยุคใหม่จึงใช้กลไก attention ครอบคลุมมิติเวลาแทน โดยการสร้างแต่ละเฟรมจะอ้างอิงข้อมูลจากเฟรมข้างเคียงเพื่อรักษาความสอดคล้องของใบหน้า วัตถุ และแสง และ attention นั้นขยายตัวแย่กว่าเชิงเส้นเมื่อความยาวลำดับเพิ่มขึ้น การนำเฟรมจำนวนมากขึ้นมารวมไว้ในการสร้างที่สอดคล้องกันหนึ่งครั้ง จึงไม่ได้เพิ่มการประมวลผลตามสัดส่วนจำนวนเฟรมเท่านั้น แต่ยังเพิ่มการประมวลผลสำหรับความสัมพันธ์ข้ามเฟรมระหว่างเฟรมทั้งหมดด้วย

แปลงเป็นตัวเงินแล้วหน้าตาเป็นอย่างไร

เมื่อแปลง FLOPs เป็นชั่วโมง GPU ตัวเลขก็เริ่มจับต้องได้ ตัวเร่งความเร็วระดับดาต้าเซ็นเตอร์อย่าง H100 และ H200 ของ NVIDIA มีราคาเช่าอยู่ที่ราว 1 ถึง 3 ดอลลาร์ต่อชั่วโมงบนความจุคลาวด์แบบ spot/ขายส่งในปี 2026 และอาจสูงถึงเกือบ 12 ดอลลาร์ต่อชั่วโมงในบางแพ็กเกจแบบจ่ายตามการใช้งานของผู้ให้บริการคลาวด์รายใหญ่ หากคิดที่ราคา spot การสร้างคลิปความยาว 30 วินาทีบนการ์ดระดับ H100 ใช้เวลาประมวลผลเฉพาะทางราวสี่ถึงหกนาที ซึ่งเมื่อคำนวณแล้วต้นทุนฮาร์ดแวร์ดิบต่อวินาทีของวิดีโอสำเร็จรูปอยู่แค่ระดับเซนต์หลักเดียว ห่างไกลจากราคาที่ผู้บริโภคเห็นจริงมาก ช่องว่างระหว่างต้นทุนการประมวลผลดิบกับราคาที่ติดป้ายนี้เองก็บอกอะไรได้มาก อัตราค่าบริการ API ที่เปิดเผยจากค่ายวิดีโอรายใหญ่ — Sora คิดราคาประมาณ 0.10 ดอลลาร์ต่อวินาทีสำหรับผลลัพธ์ 720p มาตรฐาน แผนของ Kling ที่คิดตามเครดิตไล่ตั้งแต่ระดับเริ่มต้น 8-10 ดอลลาร์ ไปจนถึงระดับ Ultra ที่ 128 ดอลลาร์สำหรับปริมาณไม่จำกัด ส่วน Runway ใช้ระบบเครดิตแบบสมัครสมาชิกแทนการคิดราคาต่อวินาทีโดยตรง — ล้วนสูงกว่าต้นทุนฮาร์ดแวร์ส่วนเพิ่มต่อวินาทีอย่างชัดเจน ส่วนต่างนี้ไม่ใช่กำไรล้วน ๆ แต่ครอบคลุมค่าวิจัยและพัฒนาโมเดลที่ต้องตัดจ่ายบนฐานผู้ใช้ที่เล็กกว่าโมเดลข้อความใด ๆ มาก รวมถึงการสร้างที่ล้มเหลวและต้องลองใหม่ซึ่งไม่มีวันไปถึงหน้าจอของลูกค้าที่จ่ายเงิน และขั้นตอนการ upscale หรือปรับปรุงคุณภาพที่แทบจะกลายเป็นข้อบังคับไปแล้ว โดยการประเมินในอุตสาหกรรมชี้ว่า endpoint การสร้างวิดีโอเชิงพาณิชย์ส่วนใหญ่ในปัจจุบันรัน upscaling หลังการสร้างเป็นค่าเริ่มต้นโดยอัตโนมัติ ซึ่งเพิ่มขั้นตอนที่ใช้พลังประมวลผลสูงอีกขั้นหนึ่งที่ผู้ใช้ส่วนใหญ่ไม่เคยเห็นแยกรายการ

ความละเอียดของภาพยิ่งซ้ำเติมปัญหานี้ให้หนักขึ้นไปอีก การเพิ่มความละเอียดผลลัพธ์เป็นสองเท่าบนฮาร์ดแวร์เดียวกันจะทำให้เวลาเรนเดอร์เพิ่มเป็นสองเท่าโดยประมาณ นี่คือเหตุผลที่การสร้างวิดีโอ 4K ซึ่งเป็นฟีเจอร์ใหม่จริงของปี 2026 อย่างในโมเดลอย่าง Kling 3.0 ใช้เวลานานขึ้นและมีค่าใช้จ่ายสูงขึ้นอย่างเห็นได้ชัดเมื่อเทียบกับระดับ 720p ที่แผนฟรีและแผนเริ่มต้นส่วนใหญ่ตั้งเป็นค่าเริ่มต้น การแบ่งระดับเหล่านี้ไม่ได้ตั้งขึ้นมาแบบสุ่มสี่สุ่มห้า แต่สัมพันธ์โดยตรงกับจำนวนพิกเซลที่ตัวเร่งความเร็วต้องคำนวณจริงต่อวินาทีของฟุตเทจ

ด้านอุปทาน: ไม่ใช่แค่อัลกอริทึม แต่คือ GPU และพลังงาน

ต่อให้ค่ายวิดีโอทุกแห่งหาทางลดการประมวลผลต่อเฟรมได้สำเร็จ ตลาดการสร้างวิดีโอในปี 2026 ก็ยังจะเผชิญข้อจำกัดที่สองซึ่งแยกจากกันโดยสิ้นเชิงอยู่ดี นั่นคือ ไม่มีกำลังการผลิต GPU และพลังงานระดับดาต้าเซ็นเตอร์เพียงพอที่จะตอบสนองความต้องการที่ราคาปัจจุบันได้เลย ไม่ต้องพูดถึงราคาที่ต่ำกว่านี้ในทางทฤษฎี ระยะเวลารอสินค้าของ GPU ระดับดาต้าเซ็นเตอร์ยืดออกไปถึง 36-52 สัปดาห์ในปีนี้ และความต้องการก็สูงกว่าอุปทานอย่างแท้จริงในกลุ่มระดับสูง รายงานที่ระบุว่าผู้ซื้อจากจีนเพียงกลุ่มเดียวสั่งซื้อชิประดับ H200 มากกว่าสองล้านชิ้น ในขณะที่สต๊อกที่มีอยู่จริงทั่วโลกอยู่ที่หลักแสนชิ้นเท่านั้น สะท้อนให้เห็นขนาดของความไม่สมดุลนี้ได้ชัดเจน แผนงานของ NVIDIA ได้ก้าวข้ามสถาปัตยกรรม Hopper ไปสู่รุ่น Blackwell แล้ว แต่สถาปัตยกรรมรุ่นใหม่ต้องใช้เวลาหลายปีกว่าจะเข้าสู่ปริมาณการผลิตที่มากพอจะคลายปมอุปทานได้จริง และธรรมชาติของ video diffusion ที่พึ่งพาแบนด์วิดท์หน่วยความจำเป็นหลัก (การสร้างวิดีโอพึ่งพาปริมาณข้อมูลที่ไหลผ่านหน่วยความจำแบบแบนด์วิดท์สูงมากกว่าจำนวน FLOPs ดิบเสียอีก ซึ่งเป็นส่วนหนึ่งที่อธิบายว่าทำไมการ์ดระดับ H100/H200 ที่มีบัสหน่วยความจำกว้างจึงเหนือกว่าทางเลือกที่ถูกกว่าอย่างไม่เป็นสัดส่วน) หมายความว่าชิปเฉพาะที่ค่ายวิดีโอต้องการนั้นเป็นชิปกลุ่มเดียวกับที่ขาดแคลนที่สุดพอดี

คอขวดที่เพิ่งชัดเจนขึ้นในปี 2026 และอาจจะยืดเยื้อยิ่งกว่าปัญหาชิปขาดแคลนเสียอีก คือเรื่องพลังงาน นักวิเคราะห์ในปัจจุบันอธิบายโครงสร้างพื้นฐาน AI ว่าถูกจำกัดด้วยพลังงานมากกว่าถูกจำกัดด้วย GPU โดย Gartner คาดการณ์ว่าราว 40% ของดาต้าเซ็นเตอร์ AI จะเผชิญข้อจำกัดด้านพลังงานภายในปี 2027 และระยะเวลารอสินค้าสำหรับหม้อแปลงไฟฟ้าแรงสูงและอุปกรณ์สวิตช์เกียร์ที่จำเป็นต่อการเปิดใช้งานกำลังการผลิตดาต้าเซ็นเตอร์ใหม่ก็ยืดออกจาก 12-18 เดือนไปเป็นนานถึง 36-48 เดือนในบางตลาด GPU สามารถผลิตได้เร็วกว่าที่โครงข่ายไฟฟ้าในภูมิภาคจะสามารถอัปเกรดให้รองรับการใช้งานขนาดใหญ่ได้มาก ความไม่สมดุลนี้หมายความว่ากำลังการผลิตวิดีโอ ซึ่งต้องการพลังงานต่อผลลัพธ์สำเร็จรูปมากกว่าการสร้างข้อความหรือภาพ เพียงเพราะต้องการชั่วโมง GPU ต่อผลลัพธ์มากกว่า กำลังแย่งชิงส่วนแบ่งของโครงสร้างพื้นฐานไฟฟ้าที่ขยายตัวช้ากว่าการผลิตชิปมาก

ทำไมราคาจึงยังไม่ร่วงลงมาเทียบเท่าการสร้างข้อความในเร็ว ๆ นี้

เป็นเรื่องน่าเชื่อได้ง่ายว่าราคาวิดีโอน่าจะเดินตามเส้นทางเดียวกับที่การสร้างข้อความและภาพเคยผ่านมาแล้ว คือแพงตอนเปิดตัว แล้วกลายเป็นสินค้าโภคภัณฑ์ภายในไม่กี่ปีเมื่อโมเดลมีประสิทธิภาพขึ้นและฮาร์ดแวร์ถูกลง ส่วนหนึ่งของสิ่งนั้นจะเกิดขึ้นจริง เทคนิค distillation ที่ลดขั้นตอน denoising จากหลักสิบเหลือหลักหน่วย สถาปัตยกรรม temporal-attention ที่มีประสิทธิภาพมากขึ้น และการแคชอย่างชาญฉลาดที่นำการประมวลผลกลับมาใช้ซ้ำระหว่างเฟรมที่คล้ายกัน ล้วนเป็นสาขาวิจัยที่กำลังคึกคักอยู่ในขณะนี้ และแต่ละความก้าวหน้าเล็ก ๆ ก็ช่วยลดต้นทุนต่อวินาทีลงจริง แต่การสร้างวิดีโอไม่ได้ไล่ตามเป้าหมายที่ตายตัว เมื่อการประมวลผลต่อเฟรมถูกลง ผู้ใช้ก็จะดันความละเอียด ความยาวคลิป เฟรมเรต และความซับซ้อนแบบหลายช็อตให้สูงขึ้น ดูดซับส่วนที่ประหยัดได้นั้นไปเสีย เช่นเดียวกับที่เคยเกิดขึ้นกับโมเดลภาพ เมื่อความสมจริงที่ดีขึ้นกลืนกินผลของประสิทธิภาพที่เพิ่มขึ้น แทนที่จะแปลงมันเป็นราคาที่ต่ำลง เมื่อเพิ่มข้อจำกัดด้านพลังงานและอุปทานชิปเข้าไปอีกชั้นหนึ่ง ความคาดหวังที่สมจริงสำหรับหนึ่งถึงสองปีข้างหน้าจึงไม่ใช่ “วิดีโอจะถูกเท่าข้อความ” แต่เป็นการค่อย ๆ ลดลงอย่างช้า ๆ ของต้นทุนต่อวินาที ซึ่งถูกกำหนดโดยความเฉลียวฉลาดด้านอัลกอริทึมของใครก็ตามน้อยกว่าที่ถูกกำหนดโดยความเร็วในการสร้างโครงสร้างพื้นฐานทางกายภาพที่รองรับทั้งอุตสาหกรรมนี้อยู่เบื้องหลัง