ผู้ใช้ EV ในจีนเริ่ม “ลดสเปกแบตฯ” เพราะมี battery swapping และ AI จัดการระบบพลังงาน บทเรียนนี้สำคัญกับการพัฒนา EV และกริดไฟฟ้าไทยอย่างไร
คน EV จีนเริ่ม “ลดสเปกแบตฯ” ขณะไทยยังแห่ซื้อแบตฯ ใหญ่สุด
ตัวเลขจากจีนช่วงปี 2024 ชี้ว่าผู้ใช้รถไฟฟ้าจำนวนหนึ่งที่มีทั้ง ตัวเลือกและเวลา เริ่มตัดสินใจ ลดขนาดแบตเตอรี่ ของตัวเองลง โดยเฉพาะในระบบที่มี battery swapping แบบ NIO และ ONVO ที่ให้เจ้าของรถสลับแพ็กแบตได้ตามต้องการ
หลายคนอาจคิดว่าคนใช้ EV ต้องอยากได้แบตฯ ใหญ่สุด ระยะทางไกลสุดเท่าที่จ่ายได้ แต่วิธีคิดนี้กำลังถูกท้าทาย และมันเกี่ยวพันโดยตรงกับ ต้นทุนพลังงาน ระบบกริด และการใช้ AI จัดการพลังงาน ที่ไทยกำลังเดินหน้าอยู่ในช่วงปลายปี 2025 นี้
บทความนี้จะเล่าให้ฟังว่า:
- ทำไมผู้ใช้ EV ที่มีทางเลือกถึง “ยอม” ลดสเปกแบตฯ
- โมเดล battery swapping กับแนวคิด “แบตฯ เป็นบริการ ไม่ใช่ทรัพย์สิน” ทำงานยังไง
- AI จะเปลี่ยนการจัดการแบตเตอรี่และกริดไฟฟ้าไทยยังไง เมื่อ EV เติบโตเร็วขึ้นเรื่อย ๆ
- โอกาสสำหรับไทย ทั้งในมุมธุรกิจพลังงานสะอาด และนโยบายภาครัฐ
และที่สำคัญ – ถ้าเราออกแบบระบบดี ๆ ไทยอาจไม่จำเป็นต้องทุ่มทุนไปกับแบตเตอรี่ก้อนใหญ่ ๆ เสมอไป แต่ใช้ สมองกล (AI) + โครงสร้างพื้นฐานที่ยืดหยุ่น แทน
1. คนใช้ EV ไม่ได้อยากได้ “แบตฯ ใหญ่สุด” เสมอไป
คำให้สัมภาษณ์ของ Shen Fei ประธาน ONVO (แบรนด์ลูกของ NIO) สื่อจีนหยิบมาพูดถึงมาก เพราะเขา ไม่เชื่อในรถ EREV (Extended-Range EV) ที่ใช้เครื่องยนต์ช่วยชาร์จ และในขณะเดียวกัน กลุ่มลูกค้า ONVO/NIO กลับเริ่มทำสิ่งที่ตรงข้ามกับกระแสตลาดคือ “ลดขนาดแบตฯ ที่ใช้จริง”
ทำไมคนถึงยอมลดขนาดแบตเตอรี่?
เมื่อมีระบบ battery swapping ที่ทำงานได้จริง ผู้ใช้มีทางเลือกแบบนี้:
- ใช้ แพ็กแบตเล็ก (ราคาถูก เบา ประหยัดพลังงานกว่า) ในชีวิตประจำวัน
- ค่อยอัปเกรดเป็น แพ็กแบตใหญ่ เวลาเดินทางไกลหรือช่วงเทศกาล
ถ้าคุณใช้รถวันละ 50–80 กม. ขับไป-กลับออฟฟิศ แบตฯ 60–70 kWh ก็เกินพอ การจ่ายเพิ่มเพื่อให้ได้แบตฯ 100 kWh ติดรถตลอดจึงไม่ค่อยคุ้ม หลายคนในจีนเลยเริ่ม “ลดสเปก” เพื่อเซฟค่าใช้จ่ายรวมตลอดอายุการใช้งาน
พูดง่าย ๆ คือ พอมีทางเลือกแบบยืดหยุ่น คนก็เลือกตามการใช้งานจริง ไม่ใช่เลือกเผื่อทุกสถานการณ์
เชื่อมโยงกับต้นทุนระบบพลังงาน
จากมุมมองระบบไฟฟ้า การลดขนาดแบตเตอรี่ต่อคันมีข้อดีหลายด้าน:
- ใช้วัตถุดิบอย่างลิเทียม นิกเกิล โคบอลต์ น้อยลง
- น้ำหนักรถลดลง ใช้พลังงานน้อยลงในทุกกิโลเมตร
- ภาพรวมระบบขนส่งไฟฟ้า ใช้ทรัพยากรต่อหน่วยน้อยลง แต่ยังตอบโจทย์การเดินทางได้เท่าเดิม เมื่อมีโครงสร้างพื้นฐานรองรับ
นี่คือเหตุผลที่หลายประเทศ รวมถึงไทย เริ่มมอง EV ไม่ใช่แค่เรื่อง “ขายรถ” แต่เป็นเรื่อง ออกแบบระบบพลังงานทั้งห่วงโซ่ ซึ่ง AI เข้ามาเล่นบทบาทเต็ม ๆ ในขั้นนี้
2. Battery Swapping: แบตเตอรี่กลายเป็นบริการ ไม่ใช่ทรัพย์สิน
หัวใจของพฤติกรรม “ลดสเปกแบตฯ” คือโมเดล battery-as-a-service (BaaS) แบบที่ NIO และ ONVO ทำอยู่ในจีน ผู้ใช้ซื้อรถโดยไม่ต้องซื้อแบตเตอรี่ขนาดใหญ่ติดตัว แต่จ่ายเป็นบริการเปลี่ยนแบตแทน
โมเดล BaaS ทำงานยังไง (แบบเข้าใจง่าย)
- เจ้าของรถซื้อรถ EV โดย ไม่รวมราคาแบตใหญ่ ทำให้ราคารถถูกลง
- สมัครแพ็กเกจรายเดือน หรือจ่ายตามปริมาณใช้งาน สำหรับการใช้สถานีสลับแบต
- ขับรถเข้าไปในสถานี swapping ระบบอัตโนมัติจะถอดแพ็กแบตเก่าออก ใส่แพ็กใหม่เข้าไป ใช้เวลาไม่กี่นาที
- ผู้ใช้เลือกได้ว่าจะใช้ แบตฯ เล็กหรือใหญ่ ตามทริปของตัวเองในช่วงนั้น
พอทุกอย่างเป็นบริการบนแพลตฟอร์ม ผู้ให้บริการก็มีแรงจูงใจสูงในการใช้ AI จัดตารางการชาร์จและหมุนเวียนแบต ให้ต้นทุนต่ำสุดและส่งผลดีต่อกริดมากที่สุด
แบตเตอรี่เริ่มทำหน้าที่เหมือน “ทรัพย์สินรวม (shared asset)” มากกว่าจะเป็นของใครคนใดคนหนึ่ง และ AI คือสมองที่คอยจัดคิวใช้ทรัพย์สินนั้น
ทำไมแนวคิดนี้เชื่อมโยงกับ AI ในภาคพลังงานไทย
ในซีรีส์ “AI ในภาคพลังงานไทย: การเปลี่ยนผ่านสู่พลังงานสะอาด” เราพูดซ้ำ ๆ เรื่องเดียวคือ ระบบพลังงานยุคใหม่จะเป็น ระบบที่ยืดหยุ่น และตอบสนองแบบเรียลไทม์ ซึ่งสิ่งนี้ไม่มีทางเกิดได้เลยถ้าไม่มี AI มาช่วยจัดการข้อมูลมหาศาล
Battery swapping + BaaS คือเคสใช้งานที่ชัดมากว่า:
- ฝั่งขนส่ง (EV)
- ฝั่งโครงข่ายไฟฟ้า (กริด)
- ฝั่งพลังงานหมุนเวียน (โซลาร์ ลม)
สามารถทำงานร่วมกันผ่าน “ชั้นกลาง” ที่เป็น แพลตฟอร์ม AI ซึ่งมองเห็นทั้งข้อมูลการเดินทาง การชาร์จ และความสามารถของกริดแบบภาพรวม
3. บทบาทของ AI: จากการจัดคิวชาร์จ สู่การปรับสมดุลกริดระดับประเทศ
สำหรับไทย การเติบโตของรถ EV และสถานีชาร์จเริ่มเร็วขึ้นชัดเจนในปี 2024–2025 ถ้าปล่อยทุกอย่างให้ชาร์จตามใจเจ้าของรถอย่างเดียว กริดจะเริ่มรับภาระหนักในบางช่วงเวลา เช่น 18.00–21.00 น. ที่คนกลับบ้านแล้วเสียบชาร์จพร้อมกัน
AI ช่วยแก้โจทย์พลังงานอย่างไร
1) Demand Response อัตโนมัติ
AI สามารถคาดการณ์ว่าในแต่ละชั่วโมงจะมีคนเข้าชาร์จเท่าไหร่ แล้วส่งสัญญาณไปยัง:
- ระบบชาร์จช้าให้เลื่อนเวลาชาร์จไปช่วงดึกที่โหลดต่ำ
- ระบบ battery swapping ให้ชาร์จแบตสำรองล่วงหน้าในช่วงโซลาร์จ่ายไฟเยอะตอนกลางวัน
2) การพยากรณ์พลังงานหมุนเวียน
โมเดล AI ดูข้อมูลอากาศ เมฆ ลม และประวัติการผลิตไฟฟ้า เพื่อคาดการณ์ว่าพรุ่งนี้ 10.00–14.00 น. โซลาร์และลมจะผลิตได้เท่าไหร่ จากนั้นระบบจัดตารางชาร์จแบต EV ให้ใช้ไฟส่วนเกินแบบไม่ต้องทิ้งไปเฉย ๆ
3) บำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance)
ทั้งสถานีชาร์จและสถานี swapping มีอุปกรณ์ไฟฟ้าจำนวนมาก AI จะวิเคราะห์รูปแบบการเสื่อมสภาพ ความร้อน แรงดัน และเตือนล่วงหน้าก่อนเกิดเสียหายจริง ลด downtime และลดต้นทุนซ่อมฉุกเฉิน
เมื่อแบตฯ เล็กลง แต่ฉลาดขึ้น
ถ้าระบบทั้งหมดถูก AI ช่วยจัดการอย่างมีประสิทธิภาพ ไทยก็ไม่จำเป็นต้องผลักภาระให้ผู้บริโภคซื้อแบตฯ ใหญ่ ๆ เสมอไป เราทำได้ 2 อย่างพร้อมกันคือ:
- ให้รถมีระยะทางเพียงพอ ผ่านโครงสร้างพื้นฐานด้านการชาร์จ/สลับแบตที่ครอบคลุม
- ลดขนาดแบตฯ เฉลี่ยทั้งระบบ เพื่อประหยัดทรัพยากร ลดต้นทุน และลดรอยเท้าคาร์บอนของการผลิตแบตเตอรี่เอง
ระบบฉลาดกว่าระบบเดิม เพราะแทนที่จะถามว่า “วันนี้คุณมีแบตเท่าไหร่?” AI จะถามว่า “วันนี้คุณต้องขับไปไหนบ้าง เดี๋ยวระบบจัดการให้”
4. ไทยจะเอาบทเรียนจาก NIO/ONVO ไปใช้ยังไงดี
หลายคนอาจมองว่า battery swapping ยังดูไกลตัวในไทย แต่มีหลายแนวทางที่ธุรกิจพลังงานและผู้ให้บริการ EV ไทยเริ่มจับต้องได้ตั้งแต่ปี 2025 เป็นต้นไป
4.1 เริ่มจากเซกเตอร์ที่ “คุ้ม” ที่สุดก่อน
แบตเตอรี่สลับได้มีโอกาสสูงในกลุ่มนี้:
- รถมอเตอร์ไซค์ส่งของ / แพลตฟอร์มเดลิเวอรี่
- แท็กซี่ EV หรือรถรับส่งพนักงานที่วิ่งวนตามเส้นทางเดิม
- รถขนส่งระยะกลางที่ต้องวิ่งทั้งวัน ไม่อยากเสียเวลาชาร์จนาน
กลุ่มนี้ใช้รถหนัก วิ่งเยอะ และให้ข้อมูลชัดเจน AI สามารถเรียนรู้ pattern การใช้งาน เพื่อ
- วางตำแหน่งสถานี swapping ให้เหมาะ
- วางแผนสำรองแบตแต่ละสถานีให้พอดี ไม่มากเกินไป
- เชื่อมการชาร์จแบตเข้ากับช่วงที่กริดมีไฟฟ้าหมุนเวียนล้น (เช่น โซลาร์ฟาร์มภาคตะวันออกเฉียงเหนือช่วงกลางวัน)
4.2 พัฒนา “แพลตฟอร์ม AI กลาง” มากกว่าแค่แอปชาร์จ
ตอนนี้หลายค่ายในไทยมีแอปสำหรับหา EV charger แล้ว แต่นั่นเป็นแค่จุดเริ่ม ถ้าจะให้ตอบโจทย์ภาคพลังงานจริง ๆ เราต้องการ แพลตฟอร์ม AI กลาง ที่เชื่อมข้อมูลเหล่านี้เข้าด้วยกัน:
- ความต้องการใช้ EV แบบเรียลไทม์จากหลายผู้ให้บริการ
- สถานะกริดจาก กฟผ./กฟน./กฟภ.
- การผลิตไฟฟ้าจากโซลาร์ฟาร์ม ลม โรงไฟฟ้าชีวมวล และ rooftop solar
- ข้อมูลราคาต้นทุนไฟฟ้าในแต่ละช่วงเวลา
เมื่อทุกอย่างอยู่ในแพลตฟอร์มเดียว AI สามารถเสนอทั้ง:
- ราคาชาร์จแบบ Time-of-Use ที่สะท้อนต้นทุนจริง
- แผนการเพิ่มหรือลดกำลังผลิตในระยะสั้น (unit commitment)
- สัญญาณจูงใจให้ธุรกิจ EV และผู้ใช้ทั่วไปช่วยเสริมเสถียรภาพกริด แทนที่จะเป็นภาระเพิ่ม
4.3 ใช้ข้อมูลผู้ใช้จริง ออกแบบนโยบายและแพ็กเกจให้ตรงจุด
สิ่งที่ NIO/ONVO ทำให้เห็นชัดคือ พฤติกรรมผู้ใช้จริงต่างจากที่ผู้ผลิตคาดในตอนแรก หลายคนไม่ได้ต้องการแบตใหญ่สุดตลอดเวลา แต่อยากได้ความยืดหยุ่นและราคาที่คุ้มกว่า
ในไทย ถ้าเรามีระบบเก็บข้อมูลและวิเคราะห์ด้วย AI เราจะตอบคำถามได้ละเอียดขึ้น เช่น:
- คนกรุงเทพฯ ส่วนใหญ่ใช้ระยะทางต่อวันเท่าไหร่จริง ๆ?
- ผู้ใช้ต่างจังหวัดมีโหมดการเดินทางต่างจากในเมืองยังไงบ้าง?
- ถ้ามีตัวเลือกแพ็กเกจแบตฯ แบบยืดหยุ่น คนพร้อมจะ “ลดสเปกแบตฯ” ลงเท่าไหร่?
ข้อมูลเหล่านี้จะช่วยให้ทั้งภาครัฐและเอกชนออกแบบมาตรการสนับสนุน EV และโครงสร้างพื้นฐานได้ คุ้มทุกบาท และสอดคล้องกับการเปลี่ยนผ่านสู่พลังงานสะอาดมากขึ้น
5. แล้วผู้ประกอบการไทยควรเริ่มตรงไหนในปี 2025
มาถึงจุดนี้ ถ้าคุณอยู่ในธุรกิจพลังงาน EV หรือโลจิสติกส์ นี่คือก้าวถัดไปที่ผมมองว่าน่าเริ่มทันที:
-
เก็บและเชื่อมข้อมูลก่อน
อย่ารอจนระบบซับซ้อนแล้วค่อยคิดเรื่อง Data & AI เริ่มเก็บข้อมูลการใช้สถานีชาร์จ ระยะทางวิ่งต่อวัน เวลาใช้รถ แล้วจัดโครงสร้างให้อ่านได้ด้วย AI ตั้งแต่แรก -
สร้างทีมเล็ก ๆ ด้าน AI พลังงาน
ไม่ต้องเริ่มใหญ่ แต่ควรมีทีมที่เข้าใจทั้งด้านไฟฟ้าและ Data Science ทดลองทำ use case ง่าย ๆ เช่น พยากรณ์โหลดของสถานีชาร์จ 24–48 ชั่วโมงล่วงหน้า แล้วต่อยอด -
ทดลองโมเดล “ยืดหยุ่น” กับลูกค้าบางกลุ่ม
เช่น แพ็กเกจชาร์จรายเดือนที่ราคาถูกกว่าถ้าลูกค้ายอมให้ระบบเลื่อนเวลาชาร์จอัตโนมัติ หรือโปรสำหรับฟลีทรถส่งของที่ใช้ battery swapping ขนาดเล็กแต่ถี่ -
คุยกับภาครัฐเรื่องโครงสร้างข้อมูลและมาตรฐาน
ถ้าไทยมีมาตรฐานข้อมูลสถานีชาร์จ/ swapping ที่เปิดให้ AI วิเคราะห์ข้ามผู้ให้บริการได้ เราจะออกแบบระบบพลังงานภาพรวมได้ดีกว่ามาก และดันไทยไปสู่ Smart Grid จริง ๆ
บทสรุป: แบตใหญ่ไม่ใช่คำตอบ ถ้า “ระบบ” ฉลาดพอ
เคสของ NIO และ ONVO ในจีนกำลังบอกเราว่า เมื่อผู้ใช้มีทั้งตัวเลือกและเวลา เขากล้าลดสเปกแบตเตอรี่ เพื่อแลกกับต้นทุนรวมที่ต่ำลง และความยืดหยุ่นที่ตอบโจทย์ชีวิตจริงมากกว่าแบตใหญ่ถาวร
สำหรับไทย ประเด็นนี้เชื่อมตรงกับเป้าหมายของซีรีส์ “AI ในภาคพลังงานไทย: การเปลี่ยนผ่านสู่พลังงานสะอาด” เพราะหัวใจไม่ใช่การเพิ่มแบตเตอรี่ไปเรื่อย ๆ แต่คือการสร้าง ระบบพลังงานที่ฉลาด ใช้ทรัพยากรเท่าที่จำเป็น และบริหารผ่าน AI ตั้งแต่ระดับสถานีชาร์จ ไปจนถึงกริดระดับประเทศ
คำถามที่น่าคิดต่อจากวันนี้คือ:
ถ้าเราวางโครงสร้างพื้นฐาน EV และ AI ให้ดีตั้งแต่ตอนนี้ อีก 5–10 ปีข้างหน้า ไทยจะกล้าบอกได้ไหมว่า “เราใช้แบตน้อยลง แต่เดินทางได้มากขึ้น และกริดก็เสถียรกว่าเดิม”?