Deep Dive: Claude x SpaceX compute war

Claude x SpaceX: เมื่อสงคราม AI ไม่ได้วัดกันที่โมเดลอย่างเดียว แต่วัดกันที่ไฟฟ้าและ GPU

Claude Code ใช้ได้มากขึ้น เพราะ Anthropic ไปเช่า compute จาก SpaceX ครับ

ประโยคนี้ฟังดูเหมือนข่าวเล็ก ๆ ของคนเขียน code

แต่ผมมองว่านี่เป็นข่าวใหญ่ของวงการ AI business

เพราะมันกำลังบอกเราว่า เกม AI รอบต่อไปไม่ได้แข่งกันแค่ว่า “โมเดลใครฉลาดกว่า”

แต่แข่งกันว่า ใครมี compute มากพอให้ AI ทำงานจริงในชีวิตประจำวันของคนและองค์กร

พูดง่าย ๆ คือ จากเดิมเรามอง AI เป็น software

ตอนนี้เราต้องเริ่มมอง AI เป็น infrastructure ด้วยครับ

เกิดอะไรขึ้น?

วันที่ 6 พฤษภาคม 2026 Anthropic ประกาศว่าได้ทำข้อตกลงกับ SpaceX เพื่อเพิ่ม compute capacity ให้ Claude

ข่าวนี้มาพร้อมการเพิ่ม usage limits หลายส่วนที่มีผลทันที:

• Claude Code เพิ่ม five-hour rate limits เป็นสองเท่า สำหรับ Pro, Max, Team และ seat-based Enterprise plans
• Pro และ Max เอา peak-hours limit reduction ออก
• Claude Opus API เพิ่ม rate limits ขึ้นอย่างมาก

แปลเป็นภาษาคนทำงานคือ ใช้ Claude Code ได้นานขึ้น ลื่นขึ้น และมีโอกาสติด limit น้อยลง

โดยเฉพาะคนที่ใช้ Claude Code ทำงานจริง เช่น อ่าน codebase, แก้ไฟล์, run test, refactor, เขียน docs หรือให้ AI agent ช่วยทำงานยาว ๆ ข่าวนี้น่าจะรู้สึกได้ชัดครับ

ดีลกับ SpaceX ใหญ่แค่ไหน?

ตามประกาศของ Anthropic บริษัทจะใช้ compute capacity จาก SpaceX Colossus 1 data center

ตัวเลขที่ Anthropic ระบุคือ:

• มากกว่า 300 megawatts ของ capacity ใหม่
• มากกว่า 220,000 NVIDIA GPUs
• capacity ชุดนี้จะเข้ามาภายในเดือนนี้

ตัวเลขนี้ไม่ใช่แค่ใหญ่ในเชิงเทคนิค

แต่มันใหญ่ในเชิงกลยุทธ์มาก

เพราะมันแปลว่า บริษัท AI ระดับ top ไม่ได้ซื้อแค่ software stack แล้วจบ แต่ต้องเข้าไปจองไฟ จอง data center จอง GPU และวางแผน capacity ล่วงหน้าระดับปี

AI เริ่มเหมือนสายการบินครับ

เครื่องบินดีอย่างเดียวไม่พอ คุณต้องมีสนามบิน slot การบิน น้ำมัน ช่างซ่อม และระบบปฏิบัติการหลังบ้านทั้งหมด

โมเดล AI ก็คล้ายกัน

โมเดลดีอย่างเดียวไม่พอ ถ้าไม่มี compute ให้คนใช้จริง มันก็กลายเป็นร้านอาหารดาวมิชลินที่มีโต๊ะอยู่ 3 ตัว

คนชอบมาก แต่จองไม่เคยได้ 555+

ทำไม usage limit ถึงสำคัญกว่าที่หลายคนคิด?

หลายคนอาจคิดว่า limit เป็นแค่เรื่องน่ารำคาญ

ใช้ ๆ อยู่แล้วหมด รออีกไม่กี่ชั่วโมงก็กลับมาใช้ใหม่

แต่สำหรับธุรกิจ limit คือเรื่องใหญ่กว่านั้นมากครับ

เพราะถ้า AI จะกลายเป็นส่วนหนึ่งของ workflow จริง มันต้อง reliable

ลองนึกภาพทีม software ใช้ AI agent ช่วยงานทุกวัน:

• agent อ่าน issue จาก GitHub
• เปิด codebase
• แก้ bug
• run test
• สรุป change log
• เขียน PR description
• ให้ reviewer ตรวจ

ถ้าทำได้แค่วันละนิด แล้วติด limit ตอนกลางงาน ทีมจะไม่กล้าวาง workflow สำคัญไว้กับ AI

หรือฝั่งธุรกิจ:

• agent อ่าน sales call transcript
• สรุป pain point ลูกค้า
• update CRM
• สร้าง proposal draft
• แจ้งเตือน sales team
• วิเคราะห์ว่า deal ไหนเสี่ยงหลุด

งานแบบนี้ไม่ใช่ prompt สั้น ๆ ครั้งเดียว

มันคือ long-running workflow ที่กิน token, context, inference และ tool call เยอะมาก

เพราะฉะนั้น usage limit ไม่ใช่แค่ “ใช้ได้กี่ครั้ง”

มันคือเพดานของ productivity ครับ

ถ้าเพดานต่ำ AI ก็เป็นแค่ผู้ช่วยตอนว่าง

ถ้าเพดานสูง AI ถึงจะเริ่มเป็น worker จริงในองค์กรได้

จาก Model War สู่ Compute War

ช่วง 2 ปีที่ผ่านมา เราคุยกันเยอะมากว่าโมเดลไหนเก่งกว่า

GPT, Claude, Gemini, Grok, Llama, DeepSeek และอีกหลายตัว

แต่ตอนนี้ภาพเริ่มชัดว่า การแข่งขันไม่ได้จบที่ benchmark

ผู้เล่น AI ต้องแข่งกันในหลายชั้นพร้อมกัน:

1. Model quality โมเดลต้องฉลาด ตอบดี reasoning ดี coding ดี
2. Inference capacity ต้องมี compute พอให้คนใช้จำนวนมากพร้อมกัน
3. Latency ต้องตอบเร็วพอสำหรับงานจริง
4. Context และ memory ต้องรองรับงานยาวและข้ามระบบ
5. Developer workflow ต้องต่อกับ IDE, GitHub, CLI, API และ internal tools ได้
6. Enterprise control ต้องมี security, audit, permission และ compliance
7. Geography ต้องมี region และ data residency ที่องค์กรรับได้
8. Unit economics ต้องทำกำไรได้เมื่อคนใช้จริงจำนวนมาก

ดีล Claude x SpaceX จึงไม่ใช่แค่เรื่องซื้อ GPU เพิ่ม

แต่มันคือการเสริม supply chain ของ AI ทั้งระบบ

ทำไม SpaceX ถึงเข้ามาอยู่ในภาพ AI?

SpaceX เป็นชื่อที่คนส่วนใหญ่ผูกกับจรวด ดาวเทียม และ Starlink

แต่ถ้ามองในเชิง infrastructure บริษัทกลุ่มนี้มีความสามารถที่ AI companies ต้องการมาก:

• การสร้างระบบขนาดใหญ่เร็วมาก
• การจัดการพลังงานและ hardware หนัก ๆ
• network infrastructure
• ความสามารถในการ scale physical infrastructure
• vision เรื่อง orbital compute หรือ compute ในวงโคจรโลก

ในประกาศ Anthropic ยังพูดถึงความสนใจที่จะร่วมกับ SpaceX เพื่อพัฒนา orbital AI compute capacity ระดับหลาย gigawatts ด้วย

ตรงนี้ยังไม่ใช่สัญญาที่สรุปแล้ว แต่เป็น signal ที่น่าสนใจมาก

เพราะถ้าพูดกันแบบง่าย ๆ โลก AI กำลังหาที่วางสมองเพิ่ม

เดิมสมองอยู่ใน data center บนพื้นโลก

ต่อไปบางส่วนอาจไปอยู่ใกล้ network satellite, energy source หรือ infrastructure แบบใหม่

ฟังดู sci-fi ใช่ไหมครับ?

แต่หลายเรื่องใน AI ก็เคย sci-fi มาก่อน แล้วจู่ ๆ ก็กลายเป็น product รายเดือนที่เรากดสมัครใช้กันได้

ประเด็นที่คนทำธุรกิจควรสนใจ

ข่าวนี้ไม่ได้บอกว่า “ทุกบริษัทต้องไปซื้อ GPU เอง”

ตรงกันข้ามครับ

สำหรับบริษัททั่วไป บทเรียนคือ เราต้องเลือก AI platform โดยดูมากกว่า feature หน้าเว็บ

คำถามที่ควรถามมีประมาณนี้:

1) Platform นี้ stable พอสำหรับงานจริงไหม?

ถ้าใช้กับงานสำคัญแล้วติด limit บ่อย ทีมจะกลับไปใช้วิธีเดิมทันที

AI adoption ไม่ได้พังเพราะ AI ไม่เก่งเสมอไป

หลายครั้งพังเพราะมันไม่เสถียรพอให้ทีมไว้ใจ

2) Limit เหมาะกับ workflow ของเราหรือเปล่า?

ถ้าใช้แค่ช่วยเขียน email limit อาจไม่ใช่ปัญหาใหญ่

แต่ถ้าใช้เป็น coding agent, sales agent, research agent หรือ operations agent limit จะสำคัญมาก

เพราะ agent ที่ทำงานจริงไม่ได้ใช้ token แบบประหยัดเสมอไป

มันต้องอ่าน context เยอะ คิดหลายรอบ และเรียก tools หลายครั้ง

3) ข้อมูลอยู่ที่ไหน?

Anthropic พูดถึงการขยาย inference capacity ใน Asia และ Europe เพื่อรองรับ enterprise customers โดยเฉพาะกลุ่ม regulated industries เช่น financial services, healthcare และ government

นี่เป็นประเด็นใหญ่มาก

เพราะสำหรับองค์กรใหญ่ คำถามไม่ใช่แค่ว่า AI ตอบดีไหม

แต่ถามว่า data residency เป็นอย่างไร ใครเข้าถึงข้อมูลได้ มี audit log ไหม และสอดคล้องกับกฎหมายในประเทศหรือเปล่า

4) ถ้า scale แล้ว cost จะหน้าตาเป็นอย่างไร?

AI pilot มักดูถูก

เพราะใช้ไม่กี่คน ใช้ไม่กี่ workflow

แต่พอทั้งบริษัทเริ่มใช้ agent cost จะไม่ใช่เรื่องเล็ก

ผู้บริหารต้องเริ่มคิดเรื่อง AI cost model ตั้งแต่วันนี้ ไม่ใช่รอ invoice เดือนแรกแล้วค่อยตกใจครับ

AI Agent Economy ต้องใช้ infrastructure หนักกว่าที่คิด

ผมชอบมองเรื่องนี้ผ่านกรอบ 1 Human + 100 AI Agents

ถ้าเรามี AI agent 1 ตัวช่วยตอบคำถาม เรื่อง infrastructure อาจยังไม่ชัด

แต่ถ้าเรามี agent 100 ตัวช่วยทำงานแทนทีมบางส่วน ภาพจะเปลี่ยนทันที

เพราะ agent แต่ละตัวต้องใช้:

• context window
• model inference
• memory หรือ state
• tool access
• logs
• permission
• monitoring
• human review

และที่สำคัญคือ agent เหล่านี้ไม่ได้ทำงานแบบ “ถามหนึ่ง ตอบหนึ่ง”

มันทำงานเป็น loop

ดูข้อมูล คิด ลองทำ ตรวจผล แก้ใหม่ สรุป ส่งต่อ

loop เหล่านี้กิน compute เยอะกว่าการ chat ธรรมดามาก

เพราะฉะนั้น ถ้า AI Agent Economy จะเกิดจริง infrastructure ต้องโตตาม

ไม่อย่างนั้น agent จะเก่งบน demo แต่ติดไฟแดงบนงานจริง

มุมมองของผม: ข่าวนี้คือสัญญาณว่า AI กำลังกลายเป็นสาธารณูปโภค

💡 ในความเห็นของผม ข่าวนี้มีความหมายคล้ายยุค cloud computing ตอน AWS, Google Cloud และ Azure แข่งกันสร้าง data center ทั่วโลก

ตอนนั้นหลายคนมองว่า cloud คือ server แบบเช่าใช้

แต่จริง ๆ cloud เปลี่ยนวิธีสร้างบริษัท software ทั้งโลก

AI infrastructure ก็อาจเดินทางคล้ายกัน

วันนี้เราเห็นเป็นข่าวเพิ่ม limit

อีกไม่กี่ปีเราอาจมองย้อนกลับมาแล้วบอกว่า นี่คือช่วงที่ AI เริ่มกลายเป็น utility แบบไฟฟ้า อินเทอร์เน็ต หรือ cloud

บริษัทไม่ได้ถามว่า “มี AI ไหม”

แต่ถามว่า “AI capacity ของเราพอไหม เสถียรไหม คุมได้ไหม และคุ้มไหม”

แล้วผู้บริหารควรทำอะไรตอนนี้?

ไม่ต้องรีบสร้าง data center ครับ 555+

แต่ควรเริ่มวาง AI operating model ให้ชัดขึ้น

1) แยกงานทดลองกับงาน production

งานทดลองใช้ AI อะไรก็ได้ ลองเร็ว เรียนรู้เร็ว

แต่งาน production ต้องมีมาตรฐานอีกชุด เช่น SLA, security, data handling, logging และ fallback

2) วัด usage จริง ไม่ใช่แค่วัดความตื่นเต้น

หลายองค์กรรู้ว่า “พนักงานใช้ AI”

แต่ไม่รู้ว่าใช้กับงานอะไร ใช้บ่อยแค่ไหน สร้างผลลัพธ์อะไร และติด bottleneck ตรงไหน

ถ้าไม่วัด คุณจะออกแบบ AI strategy จากความรู้สึก

3) ทำ cost model ของ agent workflow

อย่าคิด cost แค่ราคาต่อ user

ให้คิดเป็น workflow:

• ทำงานนี้ใช้ agent กี่ตัว
• อ่านข้อมูลกี่แหล่ง
• ใช้ model กี่รอบ
• ต้องมี human review ไหม
• ถ้า scale จาก 10 งานเป็น 10,000 งาน cost จะขึ้นเท่าไร

นี่คือมุมที่ผู้บริหารต้องเริ่มคุ้นครับ

4) เลือก platform จาก reliability ไม่ใช่ demo อย่างเดียว

Demo ที่ดีที่สุดไม่ใช่ระบบที่ดีที่สุดเสมอไป

ระบบที่เหมาะกับองค์กรต้องตอบโจทย์เรื่อง reliability, governance, integration และ scalability ด้วย

AI ที่เก่งแต่คิวเต็ม ก็เหมือนพนักงานเทพที่โทรหาไม่ติด

เก่งแค่ไหนก็ยังเอามาเป็นแกนกลางของบริษัทไม่ได้

#สรุป

ข่าว Claude x SpaceX ไม่ใช่แค่ข่าว “Claude Code เพิ่ม limit”

มันคือสัญญาณว่า AI กำลังเข้าสู่ยุค Compute War

โมเดลต้องเก่งก็จริง

แต่คนชนะต้องมีสิ่งที่หนักกว่า software มาก:

• ไฟฟ้า
• GPU
• data center
• network
• region
• compliance
• pricing model
• developer ecosystem

สำหรับคนทำงาน ข่าวนี้แปลว่า Claude Code น่าจะใช้งานจริงจังได้มากขึ้น

สำหรับผู้บริหาร ข่าวนี้แปลว่า AI strategy ต้องเริ่มคิดเรื่อง infrastructure และ operating model แล้ว

เพราะอนาคตของ AI Agent ไม่ได้ขึ้นอยู่กับคำถามว่า “AI ตอบได้ไหม” อย่างเดียว

แต่ขึ้นอยู่กับคำถามว่า:

AI ทำงานต่อเนื่องได้ไหม ใน scale ที่ธุรกิจต้องการ และในกรอบความเสี่ยงที่องค์กรรับได้หรือเปล่า

ถ้าตอบได้ นั่นแหละครับ จุดที่ AI จะเริ่มไม่ใช่ของเล่น

แต่เป็นกำลังการผลิตใหม่ของบริษัทจริง ๆ

ดื่มหนึ่งช็อตความรู้ ย่อยง่าย ใช้ได้เลย ☕