
Fabrikasi (foundries) berpartisipasi dalam rantai penyimpanan AI bukan dengan memproduksi langsung DRAM, NAND, atau HBM, melainkan dengan menyediakan platform manufaktur untuk akselerator AI, pengontrol penyimpanan, chip antarmuka, IC manajemen daya, memori tertanam, dan pengemasan tingkat lanjut. Jika Anda mengikuti industri penyimpanan AI, Anda tidak sebaiknya hanya melihat produsen memori. Anda juga perlu memahami siapa yang memproduksi GPU, ASIC, dan SoC, serta siapa yang menyediakan CoWoS, interposer silikon, eNVM, BCD, PMIC, dan MCU. Nilai dari fabrikasi lebih terletak pada memungkinkan chip komputasi AI dan sistem penyimpanan bekerja bersama secara efisien.

Peran foundry dalam rantai penyimpanan AI terutama adalah sebagai platform manufaktur, bukan merek memori. Anda dapat menganggap mereka sebagai lapisan produksi di balik chip AI, chip kontroler, chip antarmuka, dan beberapa chip memori tertanam. Server AI membutuhkan HBM, DRAM, dan NAND, tetapi mereka juga membutuhkan GPU, AI ASIC, chip jaringan, PMIC, dan chip antarmuka berkecepatan tinggi agar dapat bekerja bersama. Produsen memori menyediakan memori berbandwidth tinggi dan penyimpanan berkapasitas besar, sementara foundry memproduksi banyak chip logika dan chip pendukung sistem, serta menghubungkan komputasi dan penyimpanan melalui pengemasan lanjutan.
Dalam industri semikonduktor, perusahaan umumnya dibagi menjadi empat jenis: produsen memori, desainer chip fabless, foundry, dan penyedia pengemasan serta pengujian. TSMC memposisikan dirinya sebagai model foundry yang berfokus pada pelanggan, yang berbeda dari produsen memori seperti Samsung, SK hynix, dan Micron. Yang pertama terutama memproduksi chip berdasarkan desain pelanggan, sedangkan yang kedua terutama merancang dan memproduksi produk memori terstandarisasi seperti DRAM, NAND, dan HBM.
| Segmen Industri | Produk Utama | Hubungan dengan Penyimpanan AI |
|---|---|---|
| Produsen memori | HBM, DRAM, NAND | Menyediakan langsung memori bandwidth tinggi dan penyimpanan berkapasitas besar |
| Perusahaan foundry | GPU, ASIC, SoC, kontroler | Memproduksi chip terkait komputasi AI dan kontrol penyimpanan |
| Pengemasan lanjutan | CoWoS, pengemasan 2.5D/3D | Menghubungkan akselerator AI dengan HBM |
| Foundry node matang | PMIC, MCU, chip antarmuka | Mendukung operasi stabil server dan perangkat edge |
| Peralatan dan bahan | Litografi, etsa, wafer, substrat | Menentukan perluasan kapasitas dan yield |
Kesalahpahaman paling umum saat melihat rantai penyimpanan AI adalah hanya berfokus pada HBM. HBM memang merupakan produk memori kunci dalam pelatihan dan inferensi AI, tetapi nilainya dalam hal bandwidth hanya dapat dimanfaatkan jika dikemas bersama dengan akselerator AI. Di sekitar sebuah AI GPU atau AI ASIC, ada juga chip manajemen daya, interkoneksi jaringan, kontrol penyimpanan, pengondisian sinyal, dan manajemen sistem. Banyak dari mata rantai ini tidak diselesaikan oleh produsen memori, melainkan oleh pabrik foundry dan produsen proses khusus.
Oleh karena itu, paparan AI terhadap penyimpanan data di sebuah foundry biasanya bersifat "tidak langsung tetapi penting." Foundry mungkin tidak menjual satu pun chip HBM, tetapi dapat memproduksi chip logika, chip pengontrol, dan chip pendukung di sekitar HBM. Terutama pada server AI, komputasi, penyimpanan, jaringan, daya, dan pendinginan semuanya terkait dengan efisiensi keseluruhan sistem. Jika salah satu mata rantai manufaktur menjadi terkendala, pengiriman server dapat terpengaruh.
Ringkasan: Foundry bukanlah produsen memori dalam arti tradisional, tetapi mereka adalah fondasi manufaktur yang penting dalam rantai penyimpanan AI. Ketika menilai apakah sebuah foundry mendapat keuntungan dari penyimpanan AI, Anda tidak boleh sekadar bertanya apakah ia memproduksi DRAM, NAND, atau HBM. Sebaliknya, Anda harus melihat apakah ia berpartisipasi dalam akselerator AI, pengemasan tingkat lanjut, pengontrol penyimpanan, PMIC, MCU, chip antarmuka, dan platform memori tertanam. Penyimpanan AI bukanlah persaingan satu chip; melainkan persaingan yang terkoordinasi antara chip komputasi, chip memori, dan pengemasan tingkat sistem. Nilai dari foundry justru terletak pada kemampuan manufaktur yang terkoordinasi ini.

Node canggih dan pengemasan canggih adalah titik masuk terpenting bagi foundry untuk berpartisipasi dalam rantai penyimpanan AI. Akselerator AI membutuhkan chip logika canggih untuk komputasi, sementara HBM menyediakan memori berband lebar tinggi. Keduanya harus digabungkan melalui pengemasan 2.5D/3D, interposer silikon, dan interkoneksi berdensitas tinggi. Anda dapat menganggap HBM sebagai "kolam memori berkecepatan tinggi," chip node canggih sebagai "inti komputasi," dan platform pengemasan semacam CoWoS sebagai jembatan yang menghubungkan keduanya secara efisien.
Dalam laporan tahunan 2025-nya, TSMC mengungkapkan bahwa node tingkat lanjut pada 7nm dan di bawahnya menyumbang proporsi yang tinggi terhadap pendapatan wafer, yang menunjukkan bahwa permintaan AI dan komputasi berkinerja tinggi mendorong lebih banyak nilai ke arah node tingkat lanjut. Pada saat yang sama, CoWoS-S dari TSMC diposisikan dengan jelas untuk aplikasi berkinerja tinggi seperti AI dan komputasi super, yang memungkinkan chip logika dan tumpukan HBM terhubung pada interposer silikon.
| Komponen Sistem | Peran Teknis | Mengapa Penting untuk Penyimpanan AI |
|---|---|---|
| Wafer logika canggih | Memproduksi GPU, ASIC, dan akselerator AI | Menentukan kepadatan komputasi dan efisiensi energi |
| Tumpukan HBM | Menyediakan memori berkecepatan tinggi | Mengatasi hambatan memori dalam pelatihan model |
| Interposer silikon | Menyalurkan interkoneksi berkepadatan tinggi | Memungkinkan komunikasi erat antara chip logika dan HBM |
| Kemasan CoWoS | Memungkinkan integrasi sistem 2.5D | Mempengaruhi jadwal pengiriman chip AI |
| Pengujian dan hasil panen | Memvalidasi keandalan kemasan yang kompleks | Mempengaruhi biaya, kapasitas, dan siklus pengiriman |
Mengapa pengemasan lanjutan (advanced packaging) menjadi salah satu hambatan dalam rantai pasok AI? Alasannya adalah persaingan chip AI tidak lagi hanya tentang node proses yang semakin kecil. Pelatihan model besar membutuhkan bandwidth memori yang lebih tinggi, latensi yang lebih rendah, dan efisiensi energi yang lebih baik, dan satu chip saja hampir tidak mampu menyelesaikan semua tugas sendirian. TrendForce mencatat bahwa sejak 2023, permintaan AI telah mendorong hambatan pada wafer 3nm–2nm dan pengemasan lanjutan 2.5D/3D, dengan kelangkaan yang meluas dari CoWoS hingga peralatan, substrat, dan bahan pengemasan.
Ini juga menjelaskan mengapa Anda perlu melihat baik kapasitas HBM maupun kapasitas kemasan saat menganalisis rantai penyimpanan AI. Bahkan jika produsen memori dapat memasok HBM, akselerator AI tidak dapat menyelesaikan integrasi sistem dengan lancar jika kapasitas kemasan tingkat lanjut tidak mencukupi. TrendForce kemudian memperkirakan bahwa kapasitas CoWoS milik TSMC masih terus berkembang dengan cepat, mencerminkan permintaan yang kuat dari pelanggan chip AI akan kemasan kelas atas.
Dari sudut pandang pembagian kerja industri, HBM dipimpin oleh produsen memori, logika canggih diproduksi oleh pabrik foundry, dan integrasi sistem didukung oleh platform pengemasan canggih. Anda tidak boleh semudah itu mendefinisikan TSMC sebagai “perusahaan memori,” melainkan melalui node canggih dan CoWoS, perusahaan ini menghubungkan akselerator AI dengan HBM dan menjadi mata rantai manufaktur yang krusial dalam sistem penyimpanan AI.
Ringkasan: Node canggih memecahkan masalah kepadatan komputasi untuk akselerator AI, sementara pengemasan canggih memecahkan masalah koneksi antara akselerator AI dan HBM. Foundry sangat relevan dengan rantai penyimpanan AI bukan karena mereka memproduksi HBM secara langsung, melainkan karena mereka memproduksi inti komputasi dan menyediakan platform pengemasan yang menghubungkannya dengan HBM. Saat menganalisis industri penyimpanan AI, Anda tidak boleh hanya melihat pengiriman HBM. Anda juga harus melihat CoWoS, interposer silikon, substrat, yield pengujian, dan kapasitas node canggih. Yang membatasi pengiriman chip AI sering kali merupakan kendala gabungan dari komputasi, memori, dan pengemasan.

Node matang tidak secara langsung memproduksi HBM paling canggih dan biasanya bukan proses utama untuk GPU AI, tetapi tetap terpengaruh oleh permintaan penyimpanan AI. Alasannya sederhana: selain chip komputasi kelas atas, server AI dan perangkat AI edge membutuhkan PMIC dalam jumlah besar, chip manajemen daya, chip antarmuka, MCU, sensor, chip analog, dan chip kontrol. Produk-produk ini lebih mengutamakan keandalan, biaya, toleransi tegangan, konsumsi daya rendah, dan pasokan jangka panjang. Produk tersebut tidak selalu memerlukan 3nm atau 5nm, dan sering kali berada pada node matang seperti 28nm, 40nm, 55nm, 90nm, atau 0.18µm.
Node yang matang bukanlah "kapasitas usang." Node-node tersebut adalah pembawa penting dari proses-proses khusus. Sebagai contoh, proses BCD cocok untuk manajemen daya dan penggerakan tegangan tinggi; eFlash atau eNVM cocok untuk MCU, kartu pintar, dan kendali industri; proses RF dan analog cocok untuk komunikasi dan sensasi. UMC pernah bekerja sama dengan mitra untuk mengembangkan solusi embedded flash yang aman di atas platform 55nm embedded flash, dan kemudian mengungkapkan kerja sama dengan SST untuk meningkatkan kinerja ESF4 eNVM. Teknologi-teknologi ini lebih berkaitan dengan kendali sistem dan penyimpanan aman daripada dengan memori berkapasitas besar.
| Produk Mature-Node | Fungsi Tipikal | Kaitan dengan Sistem Penyimpanan AI |
|---|---|---|
| PMIC | Manajemen daya, regulasi tegangan, kontrol daya | Mendukung operasi stabil GPU, HBM, dan SSD |
| MCU | Kontrol sistem dan eksekusi firmware | Mengelola server, perangkat edge, dan modul |
| Chip antarmuka | Transmisi data dan konversi sinyal | Menghubungkan penyimpanan, jaringan, dan kontroler host |
| Chip analog | Pemrosesan tegangan, arus, dan sinyal | Memastikan keandalan sistem |
| Chip eNVM | Menyimpan kode, konfigurasi, dan data keamanan | Cocok untuk kontroler dan skenario AI edge |
Permintaan AI biasanya ditransmisikan ke node matang secara tidak langsung. Lapisan pertama adalah ekspansi pusat data AI, yang mendorong peningkatan daya server, jaringan, pendinginan, dan sistem penyimpanan. Lapisan kedua adalah kebangkitan inferensi tepi (edge inference) di PC AI, mobil pintar, robot, dan perangkat industri. Lapisan ketiga adalah permintaan yang terus meningkat untuk memori tertanam (embedded memory) di pengontrol, sensor, dan MCU hemat daya. Hua Hong Grace milik Hua Hong menekankan proses khusus termasuk NVM tertanam/mandiri, perangkat daya, analog, dan manajemen daya, yang merupakan cara tipis node matang berpartisipasi dalam rantai periferal AI.
Namun, Anda juga harus menghindari untuk terlalu melebih-lebihkan hubungan antara node matang dan AI. Tidak semua kapasitas node matang secara langsung mendapat manfaat dari AI, dan tidak semua pesanan eNVM atau PMIC berasal dari server AI. Untuk menilai dampak yang sebenarnya, Anda perlu melihat pelanggan akhir, platform produk, tingkat utilisasi kapasitas, harga jual rata-rata, dan pengungkapan keuangan—bukan sekadar apakah perusahaan tersebut menyebutkan AI atau tidak.
Ringkasan: Node mature berpartisipasi dalam rantai pasok penyimpanan AI terutama melalui chip pendukung sistem, bukan dengan memproduksi HBM secara langsung. Server AI membutuhkan chip komputasi kelas atas, tetapi juga memerlukan sejumlah besar produk proses mature seperti chip manajemen daya, kontrol, antarmuka, analog, dan penyimpanan aman. Saat menganalisis foundry node mature, Anda harus berfokus pada apakah PMIC, MCU, eNVM, BCD, analog, dan perangkat daya masuk ke dalam server AI, edge AI, mobil pintar, atau rantai pasok kontrol industri. Nilai dari node mature terletak pada keandalan, biaya rendah, pasokan jangka panjang, dan proses khusus, bukan sekadar mengejar node proses terkecil.
Memori tertanam, atau eNVM, adalah memori on-chip yang terintegrasi di dalam chip logika. Ini tidak sama dengan DRAM, NAND, atau HBM yang berdiri sendiri. Anda dapat membayangkan HBM sebagai memori berkecepatan tinggi (high-bandwidth) di samping akselerator AI, NAND sebagai penyimpanan data berkapasitas besar, DRAM sebagai memori kerja sistem, dan eNVM sebagai memori yang digunakan di dalam MCU, SoC, controller, dan chip AI edge untuk menyimpan kode, konfigurasi, kunci keamanan, firmware, dan sejumlah kecil parameter model. Fokusnya bukan pada kapasitas maksimum, melainkan pada integrasi dengan logika, konsumsi daya rendah, retensi yang andal, dan kompatibilitas proses.
Bentuk umum eNVM meliputi eFlash, RRAM, MRAM, OTP, dan EEPROM. Seiring kemajuan node proses, flash tertanam tradisional menghadapi tantangan biaya dan skalabilitas pada node yang lebih canggih, itulah sebabnya teknologi memori non-volatil tertanam baru seperti RRAM dan MRAM semakin mendapat perhatian. Pengantar TSMC tentang eFlash dan RRAM menyebutkan bahwa RRAM tertanam dapat digunakan untuk menggantikan flash tertanam dan mendukung aplikasi cerdas.
| Tipe Memori | Posisi Utama | Kasus Penggunaan Umum |
|---|---|---|
| HBM | Memori bandwidth tinggi | GPU AI, AI ASIC, HPC |
| DRAM | Memori kerja sistem | Server, PC, ponsel pintar |
| NAND | Penyimpanan non-volatile kapasitas besar | SSD, ponsel pintar, penyimpanan pusat data |
| SRAM | Cache cepat di dalam chip | Cache internal CPU, GPU, dan SoC |
| eFlash | Penyimpanan kode tertanam | MCU, kartu pintar, kontroler |
| MRAM/RRAM | Teknologi eNVM baru | SoC hemat daya, otomotif, edge AI |
Peran eNVM dalam AI edge sangatlah penting. Perangkat edge biasanya membutuhkan konsumsi daya rendah, wake-up cepat, inferensi lokal, dan operasi stabil jangka panjang. Mereka tidak selalu dapat mengandalkan cloud atau penyimpanan eksternal. eNVM di dalam MCU atau SoC dapat menyimpan firmware, konfigurasi perangkat, parameter kalibrasi, kunci keamanan, dan sebagian data model yang ringan. Untuk mobil pintar, kontrol industri, perangkat wearable, dan node IoT, kemampuan retensi on-chip ini sangat bernilai.
Di sinilah juga pabrik foundry dengan proses khusus memiliki peluang. eNVM bukan hanya tentang sel memori itu sendiri. Ini juga melibatkan kompatibilitas dengan proses logika, validasi keandalan, dukungan IP, sertifikasi otomotif atau industri, serta siklus design-in pelanggan. Portofolio Embedded Memory dari GlobalFoundries mencakup MRAM dan menekankan penggunaannya untuk penyimpanan data dan kode. Perusahaan ini juga telah meluncurkan AutoPro 150 eMRAM untuk aplikasi otomotif, dengan menyoroti skenario suhu tinggi, daya tahan (endurance), dan SoC otomotif.Samsung juga mulai melakukan pengiriman komersial 28nm eMRAM relatif lebih awal, yang menunjukkan bahwa MRAM tertanam telah memasuki aplikasi produksi massal.
Saat menilai perusahaan yang terkait dengan eNVM, Anda tidak boleh hanya berfokus pada kata "memori." Chip memori mandiri lebih mirip produk terstandarisasi dan sangat dipengaruhi oleh siklus harga, kapasitas, serta dinamika pasokan-permintaan bit. eNVM lebih mirip kapabilitas platform proses, yang biasanya terkait dengan MCU, SoC, kartu pintar, kontrol industri, chip otomotif, dan desain AI edge. Keduanya termasuk dalam teknologi memori, tetapi model bisnis, elastisitas permintaan, dan logika investasinya berbeda.
Ringkasan: Perbedaan terbesar antara eNVM dan HBM, DRAM, atau NAND adalah bahwa eNVM tertanam di dalam chip logika dan melayani kode, konfigurasi, keamanan, serta retensi daya rendah, bukan mengejar kapasitas maksimum atau bandwidth eksternal tertinggi. Foundry berpartisipasi dalam rantai memori tertanam melalui platform proses seperti eFlash, RRAM, dan MRAM, terutama pada MCU, SoC, AI edge, kontrol industri, dan chip otomotif. Saat menganalisis eNVM, Anda harus memandangnya sebagai kemampuan proses khusus, bukan sekadar bagian dari siklus DRAM/NAND tradisional para produsen memori.
Berbagai foundry berpartisipasi dalam rantai penyimpanan AI dengan cara yang berbeda. TSMC lebih dekat ke rantai utama node canggih, akselerator AI, dan pengemasan lanjutan. GlobalFoundries, UMC, Hua Hong, dan perusahaan serupa lebih berfokus pada node matang, proses khusus, eNVM, PMIC, MCU, chip analog, dan perangkat daya. Anda tidak boleh mengevaluasi semua foundry dengan kerangka penyimpanan AI yang sama. Untuk foundry canggih, lihat pelanggan, node, dan pengemasan. Untuk foundry proses khusus, lihat platform, aplikasi akhir, dan tingkat pemanfaatan kapasitas.
Kekuatan TSMC terletak pada logika canggih dan pengemasan canggih. AI GPU, AI ASIC, chip jaringan, dan sebagian chip komputasi berkinerja tinggi sering kali bergantung pada manufaktur node canggih dan kemudian terhubung dengan HBM melalui platform seperti CoWoS. Eksposurnya pada penyimpanan AI lebih dekat ke “integrasi chip komputasi + pengemasan HBM.”
GlobalFoundries mengikuti logika yang berbeda. Perusahaan ini menekankan proses diferensiasi, FDX, RF, daya rendah, dan memori tertanam. eMRAM milik GF lebih cocok untuk perangkat otomotif, IoT, industri, dan kecerdasan tepi. Perusahaan ini tidak bersaing langsung di bidang HBM, tetapi berpartisipasi dalam peningkatan AI tepi dan sistem tertanam.
UMC terutama berfokus pada node matang dan platform specialty. Kerja samanya yang berkelanjutan dengan mitra seperti eMemory dan SST di bidang embedded flash, penyimpanan aman berbasis PUF, dan eNVM menunjukkan bahwa eksposur penyimpanan AI-nya lebih berkaitan dengan controller, keamanan, MCU, dan sistem berdaya rendah.
Posisi Hua Hong Semiconductor juga lebih dekat ke layanan foundry proses specialty. DBS menggambarkan Hua Hong Semiconductor sebagai perusahaan yang memiliki keunggulan dalam aplikasi specialty dan kapasitas power-device di Tiongkok. Kapabilitas-kapabilitas ini memiliki hubungan tidak langsung dengan rantai daya pusat data AI, chip kontrol AI edge, platform eNVM, dan manajemen daya analog, tetapi hal tersebut tidak boleh disamakan dengan lini utama HBM atau DRAM.
| Foundry | Kapabilitas Terkait | Posisi dalam Rantai Penyimpanan AI |
|---|---|---|
| TSMC | Node canggih, CoWoS, 3DFabric, eNVM | Integrasi sistem akselerator AI dan HBM |
| Samsung Foundry | Logika canggih, FD-SOI, eMRAM | Chip logika dan memori tertanam |
| GlobalFoundries | FDX, eMRAM, RF, daya rendah | Otomotif, IoT, AI tepi |
| UMC | Node matang, eFlash, BCD | MCU, pengendali, daya, penyimpanan aman |
| Hua Hong Semiconductor | eNVM, perangkat daya, daya analog | Proses khusus dan rantai periferal AI |
| SMIC | Logika matang, proses khusus | Substitusi domestik dan permintaan dukungan sistem |
Jika Anda mengamati perusahaan-perusahaan ini dari perspektif investasi, Anda perlu membedakan antara "rantai utama" dan "rantai pendukung." Pabrik wafer node lanjutan lebih dipengaruhi oleh akselerator AI, ASIC, dan kapasitas pengemasan lanjutan. Pabrik wafer node matang lebih dipengaruhi oleh perangkat daya, MCU, PMIC, eNVM, elektronik otomotif, dan permintaan industri. Keduanya mungkin terkait dengan penyimpanan AI, tetapi sumber elastisitas dan logika valuasinya berbeda.
Ringkasan: Foundry menempati posisi yang sangat berbeda dalam rantai penyimpanan AI. TSMC lebih seperti platform manufaktur canggih yang menghubungkan komputasi AI dengan HBM, sementara GlobalFoundries, UMC, Hua Hong, dan lainnya lebih seperti platform node matang dan proses khusus. Anda tidak boleh melihat "foundry + AI + penyimpanan" dan langsung menarik kesimpulan yang sama untuk setiap perusahaan. Sebagai gantinya, rinci analisisnya berdasarkan node, pengemasan, pelanggan, eNVM, PMIC, MCU, perangkat daya, dan aplikasi akhir. Pertanyaan yang berharga bukanlah apakah sebuah perusahaan merupakan "saham konsep penyimpanan AI," melainkan di mana perusahaan tersebut memiliki keunggulan pendapatan dan kapasitas yang dapat diverifikasi dalam rantai manufaktur.
Investor ritel harus menilai paparan foundry terhadap penyimpanan AI dengan berfokus pada indikator yang dapat diverifikasi, bukan pada narasi perusahaan. Dimensi intinya mencakup pangsa pendapatan node canggih, kapasitas pengemasan canggih, platform eNVM, komposisi produk node mature, kualitas pelanggan AI, tingkat utilisasi kapasitas, pengeluaran modal, dan tren margin kotor. Anda perlu membedakan manfaat rantai pasokan yang nyata dari paparan yang digerakkan oleh konsep. Yang pertama akan terlihat dalam pesanan, kapasitas, struktur pendapatan, dan margin; yang terakhir sering kali hanya bertahan di tingkat siaran pers atau label industri.
Anda dapat menggunakan daftar periksa berikut untuk penyaringan awal:
| Dimensi Evaluasi | Yang Perlu Diperhatikan | Kemungkinan Indikasi |
|---|---|---|
| Pendapatan node canggih | Pangsa pendapatan dari node 7nm, 5nm, 3nm, dan sejenisnya | Apakah perusahaan secara langsung diuntungkan oleh akselerator AI |
| Pengemasan canggih | CoWoS, 2.5D/3D, interposer silikon | Apakah berpartisipasi dalam integrasi sistem HBM |
| Platform eNVM | eFlash, RRAM, MRAM | Apakah masuk ke MCU, SoC, dan AI edge |
| Produk node matang | PMIC, BCD, MCU, chip antarmuka | Apakah diuntungkan oleh server dan perangkat edge |
| Kualitas pelanggan | AI ASIC, GPU, pelanggan otomotif dan industri | Apakah permintaan berkelanjutan |
| Kinerja keuangan | Utilisasi, ASP, margin kotor, capex | Apakah permintaan diterjemahkan ke dalam operasional |
Sinyal kuat biasanya mencakup ekspansi kemasan lanjutan, lebih banyak pelanggan AI ASIC, utilisasi CoWoS yang tinggi, platform eNVM yang memasuki produksi massal, peningkatan pesanan PMIC atau MCU otomotif, serta sumber permintaan yang jelas yang diungkapkan oleh manajemen dalam laporan laba. Sinyal lemah mencakup perusahaan yang hanya menyebutkan AI secara umum, pendapatan yang masih terutama bergantung pada elektronik konsumen, tidak adanya perbaikan utilisasi node mature, atau tidak adanya platform proses dan validasi pelanggan yang jelas.
Biaya perdagangan juga penting. Jika Anda mengikuti perusahaan semikonduktor seperti TSMC, GlobalFoundries, UMC, Hua Hong, SMIC, Samsung Electronics, Micron, atau SK hynix, Anda harus memperhatikan tidak hanya logika industri, tetapi juga biaya perdagangan aktual, likuiditas, dan risiko pasar. Biaya perdagangan saham AS, saham Hong Kong, atau ADR biasanya mencakup lebih dari sekadar komisi. Biaya tersebut juga dapat mencakup biaya platform, biaya institusi eksternal, biaya aktivitas perdagangan, dan biaya lainnya. Biya tidak mengenakan komisi USD untuk perdagangan saham AS, sedangkan biaya platform, biaya institusi eksternal, dan biaya lainnya tunduk pada biaya perdagangan saham AS dan tampilan pesanan.Ketersediaan layanan bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku.
Jika Anda perlu melacak perusahaan semikonduktor, Anda juga dapat menggunakan pencarian informasi saham AS untuk memeriksa informasi dasar saham yang tercatat di bursa AS, lalu menggabungkannya dengan laporan keuangan perusahaan, pengungkapan pesanan, laporan industri, dan struktur biaya untuk penilaian yang lebih lengkap. Analisis rantai industri tidak dapat menggantikan pengambilan keputusan investasi, terutama karena penyimpanan AI, foundry, dan pengemasan tingkat lanjut semuanya melibatkan siklus, tekanan pengeluaran modal, dan risiko rute teknologi.
Ringkasan: Untuk menilai paparan foundry terhadap penyimpanan AI, kembalilah ke indikator yang dapat diverifikasi. Anda harus berfokus pada node canggih, pengemasan canggih (advanced packaging), eNVM, PMIC, MCU, struktur pelanggan, tingkat pemanfaatan kapasitas, dan kinerja keuangan, alih-alih hanya mengandalkan label konsep. Keuntungan bagi foundry node canggih lebih banyak berasal dari akselerator AI dan CoWoS, sedangkan foundry node mature lebih diuntungkan oleh chip pendukung sistem, AI edge, elektronik otomotif, dan proses khusus. Dari sisi perdagangan, Anda juga harus memperhatikan biaya, likuiditas, dan risiko volatilitas. Informasi publik dapat membantu membangun kerangka analisis, tetapi bukan merupakan saran investasi.
Setelah memahami hubungan antara foundry dan rantai penyimpanan AI, langkah selanjutnya adalah terus memantau laba perusahaan, kemajuan platform proses, kapasitas pengemasan lanjutan, perubahan penawaran-permintaan HBM, dan tingkat pemanfaatan node matang. Anda dapat memecah rantai ini menjadi beberapa lini: logika lanjutan, HBM, pengemasan, eNVM, PMIC, MCU, serta material peralatan, kemudian mengamati apakah perusahaan terkait benar-benar mengalami peningkatan pendapatan dan laba. Jika layanan terkait tersedia di wilayah Anda, Anda dapat menggunakan Biya untuk mengikuti saham AS, saham Hong Kong, aset kripto, dan pasar multi-aset lainnya, atau mengunduh App untuk mengelola daftar pantauan Anda, memahami biaya transaksi, dan menilai risiko perdagangan.Informasi pasar publik, aturan perdagangan, dan struktur biaya harus dievaluasi bersama dengan pengungkapan platform dan persyaratan regulasi setempat. Analisis rantai industri semikonduktor apa pun tidak boleh ditafsirkan sebagai jaminan pengembalian.
Foundries tidak boleh begitu saja diklasifikasikan sebagai saham penyimpanan AI. Mereka biasanya tidak memproduksi langsung HBM, DRAM, atau NAND, tetapi mereka dapat berpartisipasi dalam rantai pasok penyimpanan AI melalui manufaktur akselerator AI, pengemasan lanjutan CoWoS, eNVM, PMIC, MCU, dan chip antarmuka. Kuncinya adalah memeriksa sumber pendapatan dan platform proses, bukan hanya label konsepnya.
Node matang dipengaruhi oleh permintaan server AI terutama karena server membutuhkan sejumlah besar chip manajemen daya, analog, antarmuka, kontrol, dan keamanan. Chip-chip ini sering kali lebih mengutamakan keandalan, biaya, dan pasokan jangka panjang dibandingkan node canggih. Dampak aktualnya bergantung pada tingkat utilisasi kapasitas, struktur pelanggan, dan tren harga produk.
Embedded memory eNVM tidak sama dengan HBM. eNVM adalah memori non-volatile on-chip yang terintegrasi di dalam MCU, SoC, atau controller, umumnya digunakan untuk kode, konfigurasi, data keamanan, dan retensi daya rendah. HBM adalah memori berbandwidth tinggi untuk akselerator AI, dengan penekanan pada bandwidth, kapasitas, dan integrasi pengemasan.
Hua Hong Semiconductor memiliki hubungan yang lebih tidak langsung dengan rantai penyimpanan AI. Perusahaan ini bukan produsen DRAM, NAND, atau HBM, melainkan foundry proses khusus. Relevansinya terutama berasal dari eNVM, perangkat daya, analog dan manajemen daya, MCU, serta chip pendukung node matang, yang harus diverifikasi melalui laporan laba rugi dan permintaan pelanggan.
TSMC terutama berpartisipasi dalam rantai penyimpanan AI melalui manufaktur logika canggih dan pengemasan tingkat lanjut. GPU AI dan ASIC AI memerlukan manufaktur node canggih dan kemudian terhubung dengan HBM melalui CoWoS, silicon interposer, dan teknologi pengemasan terkait. HBM sendiri terutama disuplai oleh produsen memori, sementara TSMC lebih berperan dalam integrasi sistem manufaktur.
Saat berinvestasi pada saham foundry, metrik penyimpanan AI utama meliputi pendapatan advanced-node, kapasitas pengemasan CoWoS atau 2.5D/3D, platform eNVM, permintaan PMIC dan MCU, tingkat utilisasi kapasitas, margin kotor, dan belanja modal. Penilaian-penilaian ini harus didasarkan pada laporan resmi perusahaan, pengungkapan pesanan, dan aturan biaya platform, serta tidak merupakan saran investasi.
*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.

