
Server AI mendorong permintaan penyimpanan bukan sekadar karena "jumlah server bertambah," melainkan karena pelatihan, inferensi, data multimodal, pengambilan RAG, dan integrasi data privat perusahaan semuanya membuat data berpindah secara intensif di antara GPU, CPU, memori, SSD, dan HDD. HBM menyelesaikan hambatan bandwidth di sisi GPU. DRAM server mendukung beban kerja di sisi sistem. SSD enterprise menangani data panas dan cache inferensi. HDD menyediakan kapasitas untuk data lake dan arsip. Jika Anda mengikuti infrastruktur AI atau rantai pasok penyimpanan, Anda perlu memperhatikan kecepatan, kapasitas, biaya, konsumsi daya, dan siklus pasokan secara bersamaan.

Alasan utama mengapa server AI mendorong permintaan penyimpanan adalah karena beban kerja AI telah berevolusi dari murni "berorientasi komputasi intensif" menjadi "berorientasi data intensif + memori intensif + penyimpanan intensif." Pelatihan memerlukan pembacaan berkelanjutan atas dataset berskala besar. Inferensi memerlukan pemuatan bobot model dan penyimpanan status konteks. Model multimodal memproses gambar, audio, video, dan log. Menambahkan lebih banyak GPU saja tidak cukup. Data harus bergerak melintasi HBM, DRAM, SSD, dan HDD secara berlapis agar sumber daya komputasi dapat terus bekerja secara efisien.
Server tradisional sering menghadapi hambatan pada CPU, jaringan, atau disk I/O. Hambatan pada AI server lebih kompleks. GPU dapat melakukan operasi matriks berskala besar dalam waktu yang sangat singkat, tetapi jika bobot model, aktivasi, KV cache, sampel pelatihan, atau checkpoint tidak dapat mencapai unit komputasi tepat waktu, GPU akan menunggu data. Anda dapat membayangkan pusat data AI sebagai corong berlapis: HBM yang paling dekat dengan GPU adalah lapisan tercepat dan termahal; DRAM di sisi CPU menawarkan kapasitas lebih besar tetapi bandwidth lebih rendah; SSD NVMe menangani data panas serta pembacaan/penulisan latensi rendah; HDD menyediakan kumpulan kapasitas berskala besar dengan biaya rendah.
Spesifikasi GB300 NVL72 dari NVIDIA menggambarkan tren ini. Sebuah sistem skala rak mengintegrasikan 72 GPU Blackwell Ultra, 36 CPU Grace, memori cepat 37TB, memori GPU 20TB, dan memori CPU 17TB dalam arsitektur yang sama. Dengan kata lain, server AI tidak lagi sekadar "GPU yang dicolokkan ke motherboard." Ini adalah sistem data skala rak di mana GPU, CPU, memori, interconnect, dan penyimpanan dirancang bersama-sama.
Berbagai skenario AI yang berbeda sesuai dengan lapisan penyimpanan yang berbeda:
| Skenario AI | Data Utama | Metrik Utama | Lapisan Penyimpanan Utama |
|---|---|---|---|
| Pelatihan model besar | Set pelatihan, parameter, aktivasi | Bandwidth, throughput, stabilitas | HBM, DRAM, SSD, HDD |
| Penyempurnaan model | Data privat, checkpoint | Kecepatan baca/tulis, kecepatan pemulihan | SSD, DRAM, HDD |
| Inferensi online | Bobot model, KV cache | Latensi, konkurensi, kapasitas | HBM, DRAM, SSD |
| Pengambilan RAG | Indeks vektor, pustaka dokumen | IOPS, latensi kueri | Enterprise SSD, DRAM |
| AI multimodal | Gambar, video, audio | Kapasitas, throughput, biaya | SSD, HDD |
| Pencadangan dan pengarsipan | Versi historis, log, data kepatuhan | $/TB, keandalan | HDD, penyimpanan objek |
Dalam rantai ini, HBM menangani "data tercepat," DRAM server menangani "data aktif di sisi sistem," SSD enterprise menangani "pembacaan/penulisan yang sering dan data panas," serta HDD menangani "data berkapasitas besar jangka panjang." Oleh karena itu, server AI tidak hanya menguntungkan satu kategori penyimpanan saja. Mereka menyusun ulang seluruh piramida penyimpanan.
Ringkasan: Server AI mendorong permintaan penyimpanan bukan hanya karena jumlah server semata, tetapi karena beban kerja AI secara bersamaan memperluas skala data, frekuensi akses, panjang konteks, dan konkurensi sistem. Pelatihan membutuhkan input data dengan throughput tinggi. Inferensi membutuhkan caching dengan latensi rendah dan konteks yang lebih panjang. Model multimodal membutuhkan lebih banyak bahan baku untuk disimpan. AI perusahaan juga membawa data privat ke dalam sistem model. HBM, DRAM server, SSD perusahaan, dan HDD masing-masing memecahkan masalah di lapisan yang berbeda. Semakin dekat lapisan ke GPU, semakin penting bandwidth dan latensi. Semakin dekat lapisan ke data lake, semakin penting kapasitas, biaya, dan keandalan.Saat menganalisis permintaan penyimpanan AI, Anda harus memisahkan permintaan yang didorong oleh kecepatan dari permintaan yang didorong oleh kapasitas, bukan mengasumsikan bahwa satu jenis penyimpanan akan menggantikan semua jenis lainnya.

Peran HBM di server AI adalah untuk menyelesaikan "dinding bandwidth" dan "dinding kapasitas memori" di sisi GPU. Semakin besar sebuah model AI, semakin banyak ruang yang dibutuhkan oleh parameter, aktivasi, dan KV cache-nya. GPU perlu membaca sejumlah besar data dalam waktu yang sangat singkat. HBM berada dekat dengan paket GPU dan menawarkan bandwidth yang jauh lebih tinggi daripada DRAM server biasa, sehingga secara langsung memengaruhi throughput pelatihan, konkurensi inferensi, kemampuan konteks panjang, dan biaya per token.
Anda dapat menganggap HBM sebagai “meja kerja berkecepatan tinggi” dari GPU AI. Jika meja kerjanya terlalu kecil, bobot model dan konteks tidak dapat muat. Jika pergerakan data terlalu lambat, sumber daya komputasi GPU akan menganggur. Saat memperkenalkan Blackwell Ultra, NVIDIA menyatakan bahwa satu GPU dapat dikonfigurasi dengan 288GB HBM3e untuk model yang lebih besar, konteks yang lebih panjang, dan beban kerja inferensi. Hal ini menunjukkan bahwa peningkatan HBM bukan hanya soal perluasan kapasitas. Kapasitas, bandwidth, efisiensi energi, dan kemampuan pengemasan meningkat bersamaan.
HBM juga memiliki hambatan pasokan yang lebih tinggi dibandingkan DRAM biasa. Ia memerlukan penumpukan multi-lapis, TSV, pengemasan canggih, kendali yield, dan kualifikasi pelanggan. Ia tidak dapat dengan cepat digantikan oleh lini produksi memori biasa. Micron mengumumkan bahwa HBM4 36GB 12-high untuk NVIDIA Vera Rubin telah memasuki produksi volume tinggi, dengan bandwidth per tumpukan di atas 2,8TB/s dan efisiensi daya yang lebih baik. Hal ini menunjukkan bahwa HBM telah bergeser dari sekadar menjadi "produk memori kelas atas" menjadi bagian dari peta jalan platform AI.
Pembagian kerja antara HBM dan jenis memori lainnya dapat dipahami sebagai berikut:
| Tipe | Lokasi | Keunggulan | Keterbatasan | Skenario AI |
|---|---|---|---|---|
| HBM | Dekat paket GPU | Bandwidth sangat tinggi, latensi rendah | Biaya tinggi, pasokan terbatas | Pelatihan, inferensi, KV cache |
| Server DRAM | Memori CPU dan sistem | Kapasitas lebih besar, serbaguna | Bandwidth lebih rendah dari HBM | Penjadwalan, caching, basis data |
| Memori LPDDR/CXL | Lapisan memori tambahan | Efisiensi daya atau skalabilitas lebih baik | Ekosistem masih berkembang | Perluasan inferensi, memory pooling |
| SSD | Penyimpanan lokal atau jaringan | Kapasitas lebih besar, biaya lebih rendah | Latensi lebih tinggi dari memori | Checkpointing, data panas (hot data) |
Permintaan HBM juga memengaruhi secara tidak langsung pasar DRAM biasa. Dalam pembahasannya mengenai permintaan server AI, TrendForce mencatat bahwa pemasok DRAM terus mengalihkan kapasitas ke arah HBM dan aplikasi server, sementara harga kontrak untuk DRAM tradisional dan NAND Flash juga dipengaruhi oleh ketatnya pasokan dan permintaan. Artinya, HBM bukan sekadar produk yang berdiri sendiri. Ia mengubah alokasi kapasitas wafer, pengeluaran modal, dan strategi penguncian pelanggan.
Bagi para investor, melacak HBM tidak seharusnya berhenti pada “seberapa besar harga telah naik.” Beberapa variabel penting perlu diperhatikan:
Ringkasan: HBM adalah kategori penyimpanan yang paling langsung terkait dengan komputasi GPU di server AI. Ia menyelesaikan masalah bandwidth, kapasitas, dan efisiensi energi di sisi GPU. Pelatihan model besar, konkurensi inferensi, beban kerja konteks panjang, dan AI agentic semuanya meningkatkan tekanan pada HBM. Namun, nilai HBM tidak hanya berasal dari "permintaan yang kuat." Nilai itu juga berasal dari teknologi proses, pengemasan (packaging), yield, kualifikasi pelanggan, dan hubungan pasokan jangka panjang. HBM tidak sekadar menggantikan DRAM biasa. Ia berada di lapisan berkecepatan tinggi yang lebih dekat ke GPU. Saat menganalisis rantai pasok HBM, Anda perlu melacak peta jalan platform GPU, kapasitas HBM per kartu, pangsa pemasok, peningkatan kapasitas, dan keterikatan pelanggan di hilir.

DRAM server didorong oleh AI karena sejumlah besar tugas di sisi sistem di luar GPU masih membutuhkan CPU dan memori host. HBM menangani komputasi lokal GPU, tetapi pra-pemrosesan data, penjadwalan tugas, basis data, pengambilan vektor, tumpukan protokol jaringan, kerangka layanan inferensi, virtualisasi, dan manajemen container semuanya bergantung pada DRAM server. Semakin luas penyebaran inferensi AI, semakin besar kemungkinan konfigurasi memori server umum bergerak ke kapasitas yang lebih tinggi.
Kesalahpahaman yang umum adalah bahwa DRAM server mungkin menjadi kurang penting karena HBM lebih dekat dengan GPU. Kenyataannya justru sebaliknya. Kluster AI adalah sistem heterogen. GPU tidak menyelesaikan setiap tugas secara mandiri. Layanan model membutuhkan CPU untuk menangani distribusi permintaan, penjadwalan token, manajemen cache, logging, dan kebijakan keamanan. Sistem RAG juga memanggil database vektor dan pustaka dokumen perusahaan. Penyebaran cloud privat menambahkan kontainer, pemantauan, izin, dan tata kelola data. Semua tugas ini membutuhkan memori server dengan kapasitas lebih tinggi, performa lebih tinggi, dan konsumsi daya lebih rendah.
Dalam hasil kuartal ketiga 2025-nya, SK hynix menyatakan bahwa penjualan HBM dan produk server berperforma tinggi yang kuat mendukung kinerja kuartalan, dan menyebutkan bahwa diskusi pasokan HBM untuk tahun depan telah selesai. Jenis komentar ini menunjukkan bahwa permintaan di sisi server tidak hanya terkonsentrasi pada HBM. Ini juga mencakup DDR5 berkapasitas tinggi, SSD perusahaan, dan portofolio memori yang lebih luas untuk server AI.
Skenario permintaan utama untuk DRAM server meliputi:
| Skenario | Peran DRAM | Perubahan Permintaan |
|---|---|---|
| Prapemrosesan pelatihan AI | Membersihkan, membagi, dan menyimpan data pelatihan | Dataset yang lebih besar meningkatkan tekanan memori |
| Layanan inferensi online | Penjadwalan permintaan, batching, manajemen konteks | Konkurensi yang lebih tinggi memerlukan konfigurasi memori lebih tinggi |
| RAG dan basis data vektor | Caching indeks, akselerasi kueri | Integrasi data perusahaan meningkatkan permintaan memori |
| Layanan cloud multi-tenant | Kontainer, virtualisasi, isolasi | Kapasitas dan stabilitas yang lebih tinggi diperlukan |
| Koordinasi CPU-GPU | Pergerakan data, tumpukan protokol, orkestrasi layanan | Tekanan memori di sisi sistem meningkat |
CXL, memory pooling, dan modul dengan kapasitas lebih besar juga patut diperhatikan. Pentingnya CXL adalah bahwa ia dapat membebaskan ekspansi memori dari keterbatasan motherboard server tunggal, sehingga memungkinkan pusat data mengonfigurasi sumber daya memori secara lebih fleksibel. Ia tidak akan segera menggantikan DRAM tradisional, tetapi dapat mengubah struktur pengadaan memori server. Beberapa beban kerja frekuensi tinggi akan terus menggunakan DRAM lokal, sementara beberapa beban kerja perluasan kapasitas dapat menggunakan pool memori CXL atau jenis modul baru.
Logika investasi untuk server DRAM berbeda dengan HBM. HBM adalah produk dengan hambatan tinggi, ASP tinggi, dan pelanggan yang terkonsentrasi. Server DRAM memiliki eksposur yang lebih luas dan dipengaruhi bersama oleh inferensi AI, server tujuan umum, belanja TI perusahaan, dan belanja modal cloud. Elastisitasnya mungkin tidak seekstrem HBM, tetapi daya tahannya lebih bergantung pada apakah inferensi AI benar-benar dapat menyebar dari beberapa platform model hyperscale ke aplikasi perusahaan.
Ringkasan: DRAM server didorong oleh AI karena server AI tidak hanya digerakkan oleh GPU saja. Penjadwalan sisi CPU, pra-pemrosesan data, pencarian vektor, manajemen cache, kerangka kerja layanan inferensi, dan penerapan cloud privat perusahaan semuanya membutuhkan memori sistem yang lebih besar dan berkinerja lebih tinggi. HBM menyelesaikan masalah bandwidth di sisi GPU, sedangkan DRAM server mendukung beban kerja di sisi sistem. Keduanya membagi tanggung jawab, bukan saling menggantikan. Ketika menilai permintaan DRAM server, Anda harus melihat lebih jauh dari sekadar klaster pelatihan dan juga memantau penerapan layanan inferensi, aplikasi RAG, privatisasi AI di perusahaan, siklus pembaruan server cloud, serta arsitektur baru seperti CXL.
Peran inti SSD kelas perusahaan dalam server AI adalah menangani operasi baca/tulis yang sering terjadi, data panas (hot data), pemuatan model, checkpointing, pengambilan vektor (vector retrieval), dan beberapa beban kerja cache inferensi. SSD ini tidak sedekat HBM ke GPU, dan juga tidak berfokus pada kapasitas berbiaya rendah seperti HDD. Sebaliknya, SSD menempati lapisan krusial di antara kecepatan dan kapasitas. Semakin berkembang inferensi AI, RAG, dan agentic AI, semakin penting pula peran SSD kelas perusahaan dalam jalur data (data path).
Selama pelatihan, SSD sering digunakan untuk membaca sampel pelatihan, menulis checkpoint, menyimpan hasil antara, dan mendukung pemulihan tugas. Pekerjaan pelatihan berskala besar berjalan dalam waktu yang lama. Setelah terputus, pekerjaan tersebut perlu dilanjutkan dengan cepat dari checkpoint. Jika sistem penyimpanan menulis terlalu lambat, hal ini tidak hanya dapat memengaruhi pemulihan tetapi juga memperlambat kemajuan pelatihan. Selama inferensi, peran SSD semakin meluas: pemuatan bobot model, indeks embedding, basis data vektor, konteks pengguna, dan penyimpanan sementara hasil pencarian semuanya dapat bergantung pada SSD NVMe berlatensi rendah.
Dalam AI to Reshape the Global Technology Landscape, TrendForce menyatakan bahwa SSD QLC mulai digunakan di lapisan penyimpanan data AI yang hangat dan dingin, seperti checkpoint model dan pengarsipan dataset, serta memperkirakan SSD QLC akan menyumbang sekitar 30% dari pasar SSD perusahaan pada tahun 2026. Hal ini menunjukkan bahwa pertumbuhan SSD perusahaan tidak hanya berasal dari produk TLC berkinerja tinggi, tetapi juga dari produk QLC yang menekankan efisiensi biaya kapasitas.
KV cache adalah area lain yang layak diperhatikan. Inferensi konteks panjang dan percakapan multi-putaran dapat membuat KV cache tumbuh dengan cepat, dan HBM GPU serta DRAM host mungkin tidak mencukupi. Dalam pengamatannya terhadap pasar SSD enterprise, TrendForce mencatat bahwa layanan AI Agent dan permintaan pengadaan CSP mendorong pendapatan SSD enterprise mencapai rekor tertinggi, dan menyebutkan bahwa kendala biaya serta kapasitas DRAM mendorong pasar untuk memasukkan SSD berkinerja tinggi ke dalam hierarki memori. Riset akademis juga sedang mengeksplorasi KV cache berbasis SSD. Sebagai contoh, Tutti memperkenalkan NVMe SSD ke dalam penyajian LLM konteks panjang untuk meringankan kendala kapasitas HBM dan DRAM.
SSD enterprise juga perlu dibagi menjadi beberapa lapisan:
| Jenis SSD | Keunggulan | Skenario yang Lebih Cocok | Catatan |
|---|---|---|---|
| SSD TLC berkinerja tinggi | Latensi rendah, daya tahan tinggi | Database online, RAG, data panas | Biaya lebih tinggi |
| SSD QLC | Kapasitas lebih besar, biaya lebih rendah | Checkpointing, dataset, data hangat | Daya tahan tulisan perlu dievaluasi |
| SSD tipe SCM / XL-FLASH | Latensi lebih rendah | KV cache, penyimpanan langsung GPU | Ekosistem dan biaya masih berkembang |
| SSD konsumen | Biaya rendah | Tugas lokal non-kritis | Tidak cocok untuk beban kerja perusahaan yang intensif |
Saat menganalisis permintaan SSD perusahaan, Anda perlu membedakan "permintaan berbasis kinerja" dari "permintaan berbasis kapasitas." Permintaan berbasis kinerja berasal dari inferensi latensi rendah, basis data vektor, dan caching. Permintaan berbasis kapasitas berasal dari set pelatihan, checkpointing, materi multimodal, dan data lake perusahaan. Kedua jenis permintaan ini didorong oleh AI, tetapi keduanya berkaitan dengan produk, margin, dan pemasok yang berbeda.
Ringkasan: SSD enterprise adalah salah satu lapisan yang paling diremehkan dalam penyimpanan AI. SSD tidak terkait langsung dengan GPU seperti HBM, dan ekonomi kapasitasnya tidak sejelas HDD, tetapi SSD menangani data panas, checkpointing, pemuatan model, pencarian RAG, dan sebagian beban kerja KV cache. Seiring AI bergeser dari pelatihan ke inferensi skala besar, SSD bergeser dari "perangkat penyimpanan data" menjadi bagian dari jalur layanan inferensi. Analisis harus memisahkan SSD TLC, QLC, SCM, dan nearline karena masing-masing sesuai dengan kebutuhan yang berbeda: latensi rendah, daya tahan tinggi, biaya kapasitas, dan perluasan hierarki memori baru.
HDD tetap menjadi fondasi kapasitas pusat data AI karena tidak semua data perlu disimpan di SSD atau memori. Data pelatihan mentah, gambar, video, audio, log, cadangan, catatan kepatuhan, dan versi historis sering kali termasuk dalam kategori data hangat (warm data) atau data dingin (cold data). Mereka lebih peduli pada $/TB, keandalan, dan biaya penerapan skala besar. Semakin banyak data yang dihasilkan AI, semakin jelas nilai HDD sebagai kapasitas berbiaya rendah.
Era AI tidak membuat HDD menghilang. Sebaliknya, ia semakin memperjelas perannya. SSD menangani data panas dan akses berlatensi rendah. HDD menangani danau data masif serta penyimpanan jangka panjang. Hal ini terutama berlaku untuk model multimodal dan integrasi data privat perusahaan, yang menghasilkan data tidak terstruktur dalam jumlah besar. Jika semua data disimpan di SSD, biaya, konsumsi daya, dan kepadatan rak akan menjadi kendala utama.
The Long-Term Case for HDD Storage milik Western Digital menekankan bahwa pusat data mempertimbangkan TCO, biaya perolehan, konsumsi daya, kepadatan, kinerja, dan siklus hidup saat memilih penyimpanan, dan mengutip pandangan IDC bahwa SSD memiliki premi $/TB sebesar 5–10 kali lipat dibandingkan HDD. Kesenjangan ini menjelaskan mengapa pusat data hiperskala mungkin membeli SSD dalam jumlah besar sambil tetap mempertahankan HDD di lapisan kapasitas.
Seagate juga mengaitkan hard drive berkapasitas tinggi dengan pusat data AI, kedaulatan data, dan investasi pusat data hibrida saat mengumumkan hard drive 30TB. HDD nearline berkapasitas tinggi, HAMR, dan UltraSMR semuanya mengejar tujuan yang sama: meningkatkan kepadatan kapasitas yang dapat digunakan dan mengurangi biaya penyimpanan data jangka panjang di bawah kendali rak, daya, dan pemeliharaan yang sama.
Pembagian tugas antara SSD dan HDD dapat dipahami sebagai berikut:
| Dimensi | Enterprise SSD | Enterprise HDD |
|---|---|---|
| Kekuatan inti | Latensi rendah, IOPS tinggi | $/TB rendah, kapasitas tinggi |
| Data utama | Data panas, indeks, cache | Data lake, cadangan, arsip |
| Skenario AI | Inferensi, RAG, checkpointing | Bahan pelatihan, data multimodal |
| Sensitivitas biaya | Menengah hingga tinggi | Sangat tinggi |
| Hubungan penggantian | Menggantikan beberapa skenario HDD frekuensi tinggi | Mempertahankan peran basis kapasitas besar |
Risiko bagi HDD juga seharusnya sudah jelas. Seiring bertambahnya kapasitas SSD QLC, SSD dapat menggantikan beberapa skenario HDD nearline. Jika pusat data AI lebih menekankan konsumsi daya dan kecepatan baca, SSD dapat mengambil alih sebagian lapisan data hangat. Namun selama AI terus menghasilkan data tidak terstruktur dalam jumlah masif, HDD masih memiliki keunggulan ekonomi yang sulit digantikan.
Ringkasan: Nilai HDD di pusat data AI bukan terletak pada kecepatan, melainkan pada ekonomi kapasitas skala besar. Pelatihan AI, data multimodal, danau data perusahaan, log, cadangan (backup), dan arsip kepatuhan semuanya menghasilkan data yang tidak memerlukan akses waktu nyata tetapi harus disimpan dalam jangka waktu lama. SSD akan berkembang pada skenario data panas dan sebagian data hangat, dan SSD QLC juga dapat mengikis beberapa kasus penggunaan HDD, tetapi HDD tetap berperan sebagai fondasi kapasitas. Ketika menganalisis rantai pasokan HDD, fokuslah pada pesanan pelanggan hyperscale, produk nearline berkapasitas tinggi, kemajuan HAMR, perjanjian pembelian jangka panjang, tingkat persediaan, dan biaya per satuan kapasitas.
Untuk menilai permintaan penyimpanan AI, Anda perlu memisahkan pertumbuhan data jangka panjang dari siklus harga jangka pendek. Dalam jangka panjang, data pelatihan, konten multimodal, cache inferensi, data privat perusahaan, dan kedaulatan data semuanya meningkatkan kebutuhan kapasitas penyimpanan. Dalam jangka pendek, harga penyimpanan dapat dipengaruhi oleh pergeseran kapasitas, keterkuncian pelanggan di tahap awal, koreksi inventaris, dan siklus pengeluaran modal. Permintaan riil memang ada, tetapi itu tidak berarti harga dan harga saham akan naik secara linier.
Industri penyimpanan data pada dasarnya bersifat siklikal. DRAM, NAND, dan HDD semuanya telah melewati siklus “kenaikan harga—perluasan kapasitas—penumpukan inventori—penurunan harga”. AI mengubah struktur permintaan dan kekuatan keterikatan pelanggan, tetapi tidak menghilangkan siklus. Saat melaporkan kenaikan belanja modal oleh raksasa teknologi untuk pusat data dan infrastruktur AI, Reuters mencatat bahwa perusahaan penyimpanan data memperoleh manfaat dari permintaan data AI, dan bahwa Western Digital serta Seagate mengalami peningkatan pesanan dan ekspektasi pasar. Namun, jika belanja modal perusahaan cloud melambat atau pelanggan menumpuk stok terlalu dini, penyesuaian inventori tetap mungkin terjadi.
Anda dapat melacak permintaan penyimpanan AI menggunakan daftar periksa berikut:
| Area Pengamatan | Indikator Utama | Kategori Terkait |
|---|---|---|
| Belanja modal cloud | Pusat data, klaster GPU, sistem skala rak | HBM, DRAM, SSD, HDD |
| Peta jalan platform GPU | Kapasitas HBM per GPU, bandwidth, kecepatan pengiriman | HBM |
| Penyebaran inferensi | Konteks panjang, konkurensi, aplikasi RAG | DRAM, SSD |
| AI Perusahaan | Integrasi data privat, penyebaran lokal, penyimpanan kepatuhan | SSD, HDD |
| Harga penyimpanan | Harga kontrak DRAM, NAND, SSD perusahaan | DRAM, SSD |
| Pesanan HDD | HDD nearline, perjanjian pembelian jangka panjang | HDD |
| Tingkat persediaan | Persediaan pelanggan, kanal, dan pemasok | Semua kategori |
Perspektif biaya perdagangan juga penting. Jika Anda mengikuti saham rantai pasok penyimpanan AI, seperti perusahaan memori, hard drive, peralatan semikonduktor, server, dan pusat data, Anda perlu mempelajari bukan hanya hasil keuangan dan pesanan, tetapi juga biaya transaksi yang sebenarnya. Biaya perdagangan saham AS biasanya mencakup lebih dari sekadar komisi. Biaya tersebut juga dapat mencakup biaya platform, biaya agensi eksternal, biaya aktivitas perdagangan, dan biaya lainnya. Biaya perdagangan saham AS Biya menyatakan bahwa komisi perdagangan saham AS adalah $0, sedangkan biaya platform, biaya agensi eksternal, dan biaya lainnya tunduk pada pusat biaya dan halaman pesanan.Ketersediaan layanan yang relevan bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku. Informasi pasar publik dan struktur biaya tidak merupakan saran investasi.
Faktor risiko sama pentingnya. Jika belanja modal AI dimuka terlalu agresif, pemasok penyimpanan mungkin mencatatkan hasil jangka pendek yang kuat tetapi menghadapi pesanan yang lebih lambat di kemudian hari. Jika kapasitas HBM berkembang lebih cepat daripada permintaan, elastisitas harga mungkin melemah. SSD QLC dapat menggantikan beberapa skenario HDD. CXL dan memory pooling dapat mengubah struktur pengadaan DRAM server. Perjanjian jangka panjang dengan pelanggan dapat mengurangi volatilitas, tetapi juga dapat membatasi potensi kenaikan harga lebih lanjut.
Ringkasan: Permintaan penyimpanan untuk AI merupakan tren jangka panjang sekaligus siklus jangka pendek. Tren jangka panjang berasal dari skala data, penerapan inferensi, konten multimodal, AI perusahaan, dan kedaulatan data. Siklus jangka pendek berasal dari alokasi kapasitas, tempo penetapan harga, tingkat inventaris, keterikatan pelanggan, dan volatilitas pengeluaran modal. Bagi investor, poin terpenting adalah tidak menyamakan "pertumbuhan permintaan" dengan "semua perusahaan penyimpanan akan terus memperoleh manfaat." Perusahaan yang berbeda memiliki eksposur yang berbeda terhadap HBM, DRAM, NAND, SSD perusahaan, HDD, dan peralatan. Elastisitas laba, tingkat valuasi, dan risiko siklus mereka juga berbeda-beda. Metode analisis yang lebih andal adalah melacak kategori produk, pelanggan, kapasitas, pesanan, dan harga secara terpisah.
Jika Anda mengikuti rantai pasok server AI, penyimpanan harus ditempatkan dalam kerangka pengamatan yang lebih luas. Di hulu, Anda dapat melacak HBM, DRAM, NAND, HDD, dan pengemasan lanjutan. Di tengah, Anda dapat melihat server, switch, pendinginan cair, sistem daya, dan konstruksi pusat data. Di hilir, Anda dapat memantau capex cloud, penerapan AI perusahaan, dan penggunaan inferensi. Anda juga dapat menggunakan pencarian informasi saham AS untuk melacak kutipan perusahaan terkait, tanggal laba, dan informasi dasar, serta menggunakan Biya untuk mencatat transaksi multi-aset, biaya valas, dan rincian penagihan. Jika layanan tersedia di wilayah Anda, Anda harus meninjau aturan platform, biaya pesanan, dan persyaratan regulasi lokal sebelum digunakan.Rantai pasok penyimpanan bisa sangat tidak stabil, dan setiap keputusan perdagangan harus didasarkan pada penilaian independen serta toleransi risiko pribadi.
Server AI membutuhkan HBM dan server DRAM karena keduanya melayani lapisan komputasi yang berbeda. HBM berada dekat dengan GPU dan mendukung akses berkecepatan tinggi ke bobot model, aktivasi, dan KV cache. Server DRAM berada lebih dekat dengan CPU dan mendukung penjadwalan, caching, basis data, kerangka kerja layanan inferensi, dan manajemen sistem. Keduanya saling melengkapi, bukan saling menggantikan.
SSD korporat dalam inferensi AI terutama mendukung pemuatan model, pembacaan data panas, pengambilan vektor, akses data RAG, checkpointing, dan beberapa skenario KV cache. Latensi rendah, IOPS tinggi, dan kinerja penulisan yang stabil dapat memengaruhi kualitas layanan inferensi, tetapi konfigurasi yang tepat bergantung pada ukuran model, konkurensi, panjang konteks, dan arsitektur sistem.
HDD belum sepenuhnya digantikan oleh SSD karena pusat data AI masih membutuhkan fondasi penyimpanan berkapasitas besar dengan biaya rendah. SSD lebih baik untuk data panas dan tugas berlatensi rendah, sedangkan HDD lebih baik untuk data lake, materi pelatihan, log, cadangan, dan arsip. Dalam arsitektur penyimpanan berlapis, keduanya saling melengkapi, bukan murni saling menggantikan.
SSD QLC lebih cocok untuk skenario pusat data AI yang sensitif terhadap kapasitas dengan frekuensi akses sedang, seperti checkpointing model, pengarsipan dataset, data hangat (warm data), sebagian penyimpanan objek, dan lapisan data nearline. Beban kerja dengan penulisan tinggi, ketahanan tinggi, dan latensi rendah masih memerlukan evaluasi SSD TLC, SSD SCM, atau opsi kelas enterprise lainnya.
Investor dapat memantau capital expenditure cloud, pengiriman server AI, perjanjian pasokan HBM, harga kontrak DRAM/NAND, pendapatan SSD perusahaan, pesanan HDD berkapasitas tinggi, dan tingkat persediaan. Judul sekadar kenaikan harga tidak cukup untuk menilai tren jangka panjang. Hasil keuangan, kapasitas, komposisi pelanggan, dan risiko valuasi harus dianalisis secara bersamaan.
Pertumbuhan permintaan penyimpanan AI tidak serta-merta menguntungkan semua perusahaan penyimpanan. Setiap perusahaan memiliki paparan yang berbeda terhadap HBM, server DRAM, NAND, SSD perusahaan, HDD, controller, dan peralatan. Elastisitas laba juga bervariasi. Konsentrasi pelanggan, perluasan kapasitas, pengendalian biaya, posisi persediaan, dan valuasi saat ini semuanya perlu dipertimbangkan.
*Artikel ini disediakan untuk tujuan informasi umum dan tidak merupakan nasihat hukum, pajak, atau nasihat profesional lainnya dari BiyaPay atau anak perusahaan serta afiliasinya, dan tidak dimaksudkan sebagai pengganti untuk mendapatkan nasihat dari penasihat keuangan atau profesional lainnya.
Kami tidak membuat pernyataan atau jaminan apa pun, baik tersurat maupun tersirat, mengenai keakuratan, kelengkapan, atau ketepatan waktu isi publikasi ini.

