Messari ชี้ Dispersed แก้ปัญหา GPU ขาดแคลน ดันเรนเดอร์(RENDER) เป็นศูนย์กลางตลาด AI Compute

ท่ามกลางภาวะขาดแคลน GPU ทั่วโลก แพลตฟอร์มตลาดกลาง GPU แบบกระจายศูนย์อย่าง ‘Dispersed’ กำลังถูกจับตาในฐานะทางเลือกใหม่สำหรับแก้ปัญหาทรัพยากรที่ถูกปล่อยทิ้งไว้โดยไม่ได้ใช้งานอย่างมีประสิทธิภาพ โดยเมสซารี รีเสิร์ช(Messari Research) ระบุว่า Dispersed ซึ่งเป็น AI compute subnet ในระบบนิเวศของเรนเดอร์ เน็ตเวิร์ก(Render Network) ถูกออกแบบมาเพื่อเชื่อม GPU ที่กระจายอยู่ทั่วโลกเข้ากับความต้องการด้าน AI และงานประมวลผลทั่วไปแบบออนดีมานด์ พร้อมใช้โทเค็น ‘เรนเดอร์(RENDER)’ เป็นแกนกลางของระบบชำระเงินและกลไกการเผาโทเค็น

เมื่อวันที่ 24 (เวลาท้องถิ่น) ตามรายงานของเมสซารี รีเสิร์ช(Messari Research) กระแส AI บูมกำลังกดดันตลาด GPU ให้ตึงตัวมากขึ้นอย่างต่อเนื่อง ความต้องการคอมพิวต์ประสิทธิภาพสูงสำหรับการฝึกและการอนุมานโมเดล AI เพิ่มขึ้นรวดเร็ว แต่ผู้ให้บริการคลาวด์รายใหญ่ก็ยังไม่สามารถตอบสนองได้ทัน ข้อมูลในรายงานยกตัวอย่างว่าในปี 2026 อะเมซอน เว็บ เซอร์วิสเซสได้ปรับขึ้นราคาจองอินสแตนซ์ H200 ซึ่งถือเป็นสัญญาณสวนทางกับแนวโน้มค่าคลาวด์ที่เคยลดลงมาอย่างยาวนาน

ในอีกด้านหนึ่ง รายงานประเมินว่า GPU ที่องค์กรถือครองอยู่มีอัตราการใช้งานเฉลี่ยเพียงราว 5% เท่านั้น นั่นหมายความว่า GPU จำนวนมากยังนอนนิ่งอยู่ในบริษัท ดาต้าเซ็นเตอร์ สตูดิโอเรนเดอร์ และเวิร์กสเตชันส่วนบุคคล ขณะที่นักพัฒนา นักวิจัย และภาคธุรกิจอีกจำนวนมากกลับเข้าถึงทรัพยากรเหล่านี้ได้ยาก ปัญหาจึงไม่ใช่แค่การขาดแคลนอุปทาน แต่เป็นการขาดตลาดที่สามารถ ‘เชื่อม’ ผู้มีทรัพยากรกับผู้ต้องการใช้งานได้อย่างมีประสิทธิภาพ

Dispersed ที่เมสซารีหยิบมาวิเคราะห์ ถูกเปิดตัวอย่างเป็นทางการโดยเรนเดอร์ เน็ตเวิร์ก ฟาวน์เดชัน หลังข้อเสนอด้านธรรมาภิบาล RNP-019 และ RNP-021 ผ่านการอนุมัติเมื่อวันที่ 12 ธันวาคม 2025 แพลตฟอร์มนี้ทำหน้าที่เป็น subnet ที่เน้นงานแมชชีนเลิร์นนิง การอนุมาน AI และงาน GPU compute ทั่วไป โดยแยกบทบาทจาก Render Network เดิมที่โฟกัสด้านงานเรนเดอร์กราฟิก 3D และโมชั่นกราฟิก

โครงสร้างการทำงานของ Dispersed ค่อนข้างตรงไปตรงมา ฝั่งหนึ่งคือผู้ให้บริการโหนดที่นำ GPU ว่างเข้ามาลงทะเบียนในเครือข่าย อีกฝั่งคือผู้ใช้งานที่ส่งคำสั่งประมวลผลเข้ามา ผู้ให้บริการจะรันไคลเอนต์ ‘disNet’ บนเครื่องที่ติดตั้ง GPU เพื่อเชื่อมต่อกับเครือข่าย ส่วนผู้ใช้สามารถระบุสเปก GPU หน่วยความจำ สตอเรจ Docker image และพารามิเตอร์ที่ต้องการได้ จากนั้นระบบจะจับคู่ภาระงานกับโหนดที่เหมาะสม และรันงานภายใน Docker container แบบแยกส่วน ทำให้ GPU จากหลายภูมิภาคสามารถถูกรวมเป็นตลาดคอมพิวต์เดียวกันได้

ระบบแรงจูงใจก็เป็นอีกจุดสำคัญของ Dispersed ผู้ให้บริการโหนดจะได้รับ ‘เรนเดอร์(RENDER)’ ตามปริมาณงานที่ทำสำเร็จและระดับความพร้อมใช้งาน โดยใช้รอบสัปดาห์เป็นเกณฑ์คำนวณรางวัล ทั้งด้าน uptime การประมวลผลงาน และเวลาเตรียมพร้อมใช้งาน หาก GPU มีประสิทธิภาพสูงและพร้อมใช้งานสม่ำเสมอ ผลตอบแทนก็จะมากขึ้น รายงานระบุว่ารางวัลด้านความพร้อมใช้งานอาจสูงสุดถึง 6 เรนเดอร์(RENDER) ต่อสัปดาห์ หากรักษา uptime ได้ 100%

ฝั่งผู้ใช้งานบริการมักชำระเงินด้วยสกุลเงินทั่วไป และเงินดังกล่าวจะถูกแปลงเป็นเครดิตในบัญชี เมื่อภาระงานเสร็จสิ้น เครดิตจะถูกแปลงเป็น ‘เรนเดอร์(RENDER)’ ตามอัตราแลกเปลี่ยนในขณะนั้น จากจำนวนดังกล่าว 5% จะถูกส่งให้ OTOY ในฐานะผู้ให้บริการเทคนิค และอีก 95% จะถูกเผาทิ้ง เมสซารีมองว่ากลไกนี้เป็น ‘กลไกสะสมมูลค่าโดยตรง’ ให้กับโทเค็นในระบบ

ความน่าสนใจของ Dispersed จึงไม่ได้อยู่แค่เรื่องการแชร์ทรัพยากร แต่ยังรวมถึงการตั้งโจทย์แข่งกับคลาวด์แบบรวมศูนย์โดยตรง ผู้ให้บริการรายใหญ่ในตลาดคลาวด์มักมีข้อจำกัดเรื่องต้นทุนคงที่สูง การกระจุกตัวตามภูมิภาค การผูกติดกับผู้ขายรายเดียว และค่าบริการที่แพง สำหรับผู้ใช้รายเล็ก Dispersed พยายามแก้จุดนี้ด้วยโมเดลคิดค่าบริการตามเวลาการใช้งานจริง ทำให้ศิลปินอิสระ สตาร์ทอัพ สถาบันวิจัย และองค์กรไม่แสวงกำไรสามารถเข้าถึง GPU ระดับสูงได้ง่ายขึ้น

รายงานยังยกตัวอย่างการใช้งานจริงในช่วงเริ่มต้น โดยศิลปิน 3D ชื่อ MHX ได้นำ Dispersed ไปใช้กับโปรเจกต์ ‘Bitmap’ ซึ่งสร้างงานศิลปะเชิงกำเนิดจากข้อมูลบล็อกของบิตคอยน์(BTC) เดิมการแปลงหนึ่งบล็อกให้เป็นประติมากรรม 4K ต้องใช้เวลาราว 35 ชั่วโมงบนเวิร์กสเตชันประสิทธิภาพสูง แต่หลังใช้ Dispersed เวลาประมวลผลลดลงเหลือประมาณ 15 นาทีเท่านั้น อีกทั้งต้นทุนต่อชิ้นงานยังลดลงเหลือเพียงไม่กี่เซ็นต์ หรือประหยัดกว่าคลาวด์แบบดั้งเดิมมากกว่า 95%

การประยุกต์ใช้ในฝั่ง AI agent ก็เริ่มชัดเจนขึ้นเช่นกัน ซาร์สัน ฟันด์ส(Sarson Funds) และ Manifest Network ได้สาธิตในงาน RenderCon 2026 ว่า AI สามารถดึงทรัพยากร GPU จาก Dispersed แบบไดนามิกทุกครั้งที่มีคำขอเข้ามา ตัวอย่างเช่น งานของ AI assistant หนึ่งรายการอาจถูกแยกเป็นขั้นตอน embedding การจัดบริบท และการอนุมาน ก่อนกระจายไปยัง GPU หลายระดับตามความเหมาะสม งานเบาใช้ GPU ราคาถูก ส่วนงานหนักค่อยส่งต่อไปยัง GPU ระดับสูง วิธีนี้ช่วยควบคุมต้นทุนพร้อมรักษาประสิทธิภาพการทำงาน

ในภาควิจัยวิทยาศาสตร์ evidence.guide ก็ถูกยกเป็นอีกกรณีตัวอย่าง โดยแพลตฟอร์มดังกล่าวใช้ AI pipeline สำหรับอ่านงานวิจัยจำนวนมากและประเมินความสามารถในการทำซ้ำของผลลัพธ์ทางวิทยาศาสตร์ กระบวนการนี้ต้องอาศัยงานคำนวณหลายชั้น ตั้งแต่จัดโครงสร้างบทความ ดึงตาราง ตรวจสอบเชิงสถิติ ไปจนถึงจำลองการ peer review แบบอัตโนมัติ รายงานระบุว่า Dispersed ช่วยให้ระบบสามารถรันงานแบบขนานด้วยต้นทุนต่ำกว่าผู้ให้บริการคลาวด์ขนาดใหญ่แบบเดิม

อีกตัวอย่างหนึ่งมาจาก Omniscient ซึ่งพัฒนา AI memory layer สำหรับสร้างบริบทถาวรของผู้ใช้จากอีเมล โน้ต เอกสาร และข้อมูลเสียง บริษัทนี้ใช้โครงสร้างพื้นฐานแบบกระจายศูนย์ที่ประกอบกันได้ เช่น Dispersed และ Manifest Network เพื่อรักษาความสามารถในการควบคุมข้อมูลและการย้ายภาระงานโดยไม่ต้องพึ่งผู้ให้บริการรวมศูนย์เพียงรายเดียว แนวทางนี้สะท้อนว่าอนาคตของบริการ AI ส่วนบุคคลอาจแข่งขันกันที่ ‘บริบท’ และ ‘อธิปไตยด้านข้อมูล’ มากกว่าแข่งขันกันแค่ตัวโมเดล

อย่างไรก็ตาม Dispersed ยังมีความเสี่ยงไม่น้อย ประเด็นแรกคือหากเครือข่ายไม่มีอุปทาน GPU มากพอ ตลาดก็อาจทำงานได้ไม่เต็มประสิทธิภาพ เพราะผู้ใช้อาจไม่สามารถจับคู่กับโหนดที่ตรงความต้องการได้ทันเวลา ประเด็นถัดมาคือความเสี่ยงด้านวัฏจักรตลาด หากดีมานด์ด้าน AI infrastructure ในปัจจุบันมีลักษณะเก็งกำไรมากเกินไป ความต้องการ GPU ในอนาคตก็อาจลดลงเร็ว นอกจากนี้ยังมีความเสี่ยงด้านการแข่งขัน เพราะ Dispersed ไม่ได้แข่งแค่กับคลาวด์รวมศูนย์ แต่ยังต้องชนกับเครือข่าย GPU แบบกระจายศูนย์รายอื่นด้วย

ถึงกระนั้น เมสซารี รีเสิร์ช(Messari Research) ยังมองว่า Dispersed เป็นหนึ่งในการทดลองที่มีโอกาสสูงในการช่วยคลายคอขวดของตลาด GPU ในยุค AI เพราะหัวใจของปัญหาอาจไม่ใช่การไม่มี GPU เพียงพอเสมอไป แต่เป็นการไม่สามารถ ‘เชื่อม’ อุปสงค์และอุปทานเข้าหากันได้อย่างมีประสิทธิภาพ หาก Dispersed สามารถขยายจากระยะทดลองไปสู่การรองรับลูกค้าระดับองค์กรได้จริง ก็อาจสร้างมาตรฐานราคาและรูปแบบการเข้าถึง GPU แบบใหม่ให้กับอุตสาหกรรม โดยมี ‘เรนเดอร์(RENDER)’ เป็นศูนย์กลางของเศรษฐกิจในเครือข่ายนี้

“ความคิดเห็น” Dispersed น่าสนใจตรงที่มันเสนอวิธีคิดใหม่ต่อปัญหา GPU ขาดแคลน แทนที่จะเร่งสร้างศูนย์ข้อมูลเพิ่มเพียงอย่างเดียว แพลตฟอร์มนี้พยายามดึงทรัพยากรที่มีอยู่แล้วแต่ถูกใช้งานต่ำมากกลับเข้าสู่ตลาด หากทำได้จริงในระดับใหญ่ ผลกระทบอาจไม่ได้จำกัดแค่โลกคริปโตหรือ AI แต่รวมถึงโครงสร้างต้นทุนของเศรษฐกิจดิจิทัลในภาพรวมด้วย ทั้งหมดนี้ทำให้ ‘เรนเดอร์(RENDER)’ และ Dispersed กลายเป็นโครงการที่ควรจับตาอย่างใกล้ชิดในระยะต่อไป