Mengapa Melihat HBM dan Storage Setelah GPU? Membedah Rantai Investasi Infrastruktur AI

Rantai komputasi dan penyimpanan infrastruktur AI di pusat data

Tema investasi infrastruktur AI sedang meluas dari "siapa yang memiliki GPU" menjadi "siapa yang dapat menjaga GPU tetap beroperasi secara efisien." Anda tidak boleh hanya melihat daya komputasi puncak. Anda juga perlu memperhatikan bandwidth HBM, kapasitas memori GPU, enterprise SSD, Nearline HDD, jaringan, daya listrik, dan arsitektur penyimpanan pusat data. Bagi investor biasa, GPU adalah pintu masuk, sedangkan HBM dan penyimpanan merupakan sinyal penting untuk menilai apakah permintaan AI terus menyebar ke seluruh rantai infrastruktur.

Poin-Poin Utama

  • GPU menentukan batas atas kapasitas komputasi, sementara HBM menentukan throughput model dan efisiensi perpindahan data.
  • Pelatihan AI bergantung pada throughput klaster, sedangkan inferensi AI lebih mengandalkan memori, latensi, dan konkurensi.
  • HBM, DRAM, SSD, dan HDD masing-masing sesuai dengan tingkat suhu data dan posisi biaya yang berbeda.
  • Permintaan penyimpanan berasal dari dataset, basis data vektor, log, bobot model, dan hasil inferensi.
  • Analisis investasi harus berfokus pada pesanan, harga, margin kotor, inventaris, dan konsentrasi pelanggan.
  • Rantai penyimpanan AI menawarkan elastisitas pertumbuhan, tetapi juga menghadapi risiko pembalikan siklus dan kompresi valuasi.

Mengapa HBM dan Penyimpanan Datang Setelah GPU?

Hubungan transfer data antara GPU, HBM, dan perangkat keras semikonduktor

HBM dan penyimpanan menjadi penting setelah GPU karena bottleneck sistem AI mulai bergeser dari "apakah ada cukup GPU" menjadi "apakah GPU dapat terus menerima data yang cukup cepat, cukup dekat, dan cukup besar." GPU menangani komputasi, tetapi bobot model, data pelatihan, KV cache, pencarian vektor, dan log inferensi semuanya memerlukan dukungan lapisan memori dan penyimpanan yang berbeda-beda.

Anda dapat membayangkan pusat data AI sebagai sebuah "pabrik AI." GPU adalah lini produksi intinya. HBM adalah gudang material berkecepatan tinggi yang menempel pada lini produksi tersebut. DRAM adalah penyangga di dalam server. SSD adalah gudang data panas. HDD dan penyimpanan objek adalah danau data berkapasitas besar. Jika gudangnya terlalu kecil atau ban berjalannya terlalu lambat, bahkan GPU yang mahal pun pada akhirnya akan menunggu data.

Tren ini juga terlihat pada peningkatan produk NVIDIA. 141GB HBM3e dan bandwidth 4,8TB/s pada NVIDIA H200 menunjukkan bahwa persaingan GPU AI kelas atas tidak hanya tentang Tensor Cores, tetapi juga tentang memori GPU yang lebih besar dan bandwidth yang lebih tinggi. 1.440GB memori GPU dan bandwidth HBM3e sebesar 64TB/s pada DGX B200 mendorong tren ini ke tingkat sistem: server AI saat ini sudah merupakan kombinasi dari GPU, HBM, NVLink, CPU, DRAM, NVMe SSD, dan perangkat jaringan.

Segmen Masalah Utama yang Diselesaikan Dampak pada AI Aset Representatif
GPU Komputasi matriks Menentukan batas atas kecepatan pelatihan dan inferensi AI accelerator
HBM Memori dekat berkecepatan tinggi Mempengaruhi throughput model, panjang konteks, dan konkurensi HBM3E, HBM4
DRAM Memori sistem Mendukung CPU, caching, dan praproses data DDR5, RDIMM
SSD Akses data panas Mendukung basis data vektor, RAG, caching, dan IOPS tinggi Enterprise SSD
HDD Penyimpanan kapasitas besar Mendukung data lake, pencadangan, data pelatihan, dan log Nearline HDD

Bagi investor, ini berarti infrastruktur AI tidak lagi hanya menjadi kisah tentang GPU tunggal. Anda perlu mengikuti aliran data: dari mana data berasal, bagaimana data dibaca, bagaimana data di-cache, bagaimana data masuk ke GPU, dan bagaimana hasil inferensi disimpan setelahnya. Hanya melihat pesanan GPU dapat membuat Anda melewatkan perubahan dalam pasokan HBM, harga SSD enterprise, pengiriman HDD Nearline, dan belanja modal pusat data.

Arsitektur Blackwell dengan 208 miliar transistor dan interkoneksi chip-ke-chip 10TB/s juga menunjukkan bahwa chip AI sedang memasuki tahap rekayasa sistem. Interkoneksi internal chip, pengemasan (packaging), HBM, memori server, dan jaringan tingkat rak secara keseluruhan menentukan daya komputasi yang dapat digunakan, bukan satu komponen tunggal yang menentukan hasilnya sendirian.

Ringkasan: GPU adalah titik masuk untuk investasi infrastruktur AI, tetapi bukan titik akhirnya. Apa yang benar-benar perlu Anda amati adalah apakah komputasi dapat terus diberi pasokan data. HBM menyelesaikan masalah bandwidth dan kapasitas di sekitar GPU. DRAM dan SSD menyelesaikan caching sisi server dan akses data panas. HDD dan penyimpanan objek menyelesaikan akumulasi data masif. Melihat HBM dan penyimpanan setelah GPU pada dasarnya adalah tentang mengamati AI bergerak dari pengadaan chip ke penerapan sistem, dari pelatihan ke inferensi, dan dari konstruksi sekali jalan ke operasi data jangka panjang.

Mengapa HBM Menjadi Titik Kritis Utama untuk GPU AI?

Memori bandwidth tinggi HBM dan fondasi perangkat keras interkoneksi chip

HBM telah menjadi hambatan utama karena model besar tidak hanya membutuhkan komputasi, tetapi juga perpindahan data berkecepatan tinggi. Parameter model, aktivasi, dan KV cache semuanya perlu sering berpindah masuk dan keluar dari memori di dekat GPU. DRAM biasa berada lebih jauh dari GPU, dan bandwidth serta latensinya kesulitan memenuhi kebutuhan akselerator AI kelas atas. HBM menggunakan penumpukan dan pengemasan canggih untuk menempatkan memori berbandwidth tinggi dekat dengan GPU.

HBM Menyelesaikan Masalah Bandwidth dan Kapasitas Dekat Memori

HBM bukan sekadar versi peningkatan dari modul memori standar. Ini adalah teknologi memori ber-bandwidth tinggi yang dirancang berdasarkan GPU dan akselerator AI. Melalui die DRAM bertumpuk, TSV, interposer, dan pengemasan canggih, HBM menempatkan kanal data yang lebih lebar lebih dekat ke unit komputasi. Tujuannya bukan sekadar meningkatkan kapasitas, melainkan mengurangi waktu perpindahan data agar GPU menghabiskan lebih sedikit waktu menunggu selama pelatihan dan inferensi.

Kubus 8-tinggi 24GB Micron HBM3E dengan bandwidth lebih dari 1,2TB/s mencerminkan nilai inti dari HBM: setiap tumpukan HBM memberikan bandwidth yang sangat tinggi, dan beberapa tumpukan di sekitar GPU membentuk sistem memori dengan throughput tinggi. Dengan Blackwell Ultra, blog teknis NVIDIA menyebutkan 288GB HBM3e dan bandwidth 8TB/s per GPU, dengan tujuan yang jelas yaitu memungkinkan model yang lebih besar, jendela konteks yang lebih panjang, dan inferensi dengan konkurensi yang lebih tinggi berjalan di dalam memori yang berdekatan dengan GPU.

Mengapa HBM Lebih Dekat dengan Rantai Nilai GPU?

HBM adalah lapisan memori yang paling dekat dengan GPU, sehingga harganya lebih langsung ditarik oleh permintaan akselerator AI. HBM bukanlah komponen standar yang terutama dijual ke elektronik konsumen biasa. Sebaliknya, HBM terkait erat dengan GPU AI, pengemasan lanjutan, foundry wafer, substrat, pengujian, serta rencana pengadaan penyedia layanan cloud. Dengan kata lain, perubahan permintaan HBM lebih langsung mencerminkan laju pembangunan riil server AI kelas atas.

Pada kuartal ketiga tahun fiskal 2025, Micron menyebutkan bahwa pendapatan HBM tumbuh hampir 50% secara kuartalan dan pendapatan pusat data lebih dari dua kali lipat dibanding tahun sebelumnya. Hal ini menunjukkan bahwa AI mendorong sebagian produk siklus penyimpanan menuju skenario server dan pusat data dengan nilai lebih tinggi. SK hynix juga menyatakan bahwa sampel HBM4 12 lapis telah dikirimkan kepada pelanggan utama dan bahwa persiapan produksi massal akan dilanjutkan setelah proses kualifikasi, yang menunjukkan bahwa persaingan HBM telah bergeser dari HBM3E menuju HBM4.

Permintaan HBM biasanya meningkat karena lima alasan:

  1. Jumlah parameter model yang lebih besar membutuhkan kapasitas memori terdekat (near-memory) yang lebih besar.
  2. Jendela konteks yang lebih panjang dengan cepat meningkatkan penggunaan KV cache.
  3. Konkurensi inferensi yang lebih tinggi menjadikan memori GPU sebagai kendala kapasitas layanan.
  4. MoE, RAG, dan agentic AI meningkatkan tekanan akses data.
  5. Seiring meningkatnya komputasi GPU, bandwidth memori harus naik pada saat yang sama.

Ringkasan: HBM adalah area pertama yang perlu diperhatikan setelah GPU karena secara langsung menentukan apakah GPU AI kelas atas dapat melepaskan kinerjanya. Semakin tinggi puncak komputasi, semakin besar tekanan perpindahan data. Semakin besar model, semakin panjang konteks, dan semakin tinggi konkurensi inferensi, semakin kritis kapasitas dan bandwidth HBM. Namun HBM bukan aset pertumbuhan satu arah tanpa risiko. Anda juga perlu memperhatikan konsentrasi pelanggan, kapasitas pengemasan canggih, yield, penetapan harga kontrak, iterasi teknologi, dan tempo ekspansi. Potensi keuntungan HBM berasal dari GPU AI, dan risikonya juga berasal dari siklus pengadaan GPU AI serta ekspansi pasokan.

Jenis Penyimpanan Apa yang Dibutuhkan oleh Pelatihan AI dan Inferensi AI?

SSD Enterprise dan permintaan akses data panas dalam inferensi AI

Pelatihan AI membutuhkan throughput tinggi dan kapasitas besar, sementara inferensi AI membutuhkan latensi rendah, konkurensi, dan akses data panas. Tahap pelatihan terus-menerus membaca dataset masif, menyimpan checkpoint, dan menghasilkan hasil antara. Tahap inferensi memproses permintaan pengguna, konteks, KV cache, embeddings, basis data vektor, dan pencarian dokumen RAG.

Pelatihan AI Bergantung pada Throughput, Kapasitas, dan Pasokan Data yang Stabil

Pelatihan tidak berakhir setelah data dimasukkan ke GPU satu kali. Pretraining membutuhkan korpus teks dalam jumlah besar, data multimodal, dan sistem file terdistribusi. Fine-tuning membutuhkan kumpulan data spesifik industri serta eksperimen berulang. Selama pelatihan model besar, checkpoint juga perlu disimpan untuk pemulihan kegagalan dan rollback versi. Metrik kunci di sini bukanlah seberapa cepat satu drive tunggal, melainkan apakah seluruh sistem penyimpanan dapat terus memasok klaster GPU secara berkelanjutan.

Kebutuhan penyimpanan umum dalam pelatihan meliputi:

Jenis Data Penggunaan Utama Metrik Utama Penyimpanan Terkait
Kumpulan data mentah Pra-pelatihan dan pembersihan Kapasitas, biaya, keandalan HDD, penyimpanan objek
Kumpulan data bersih Input pelatihan Throughput, skalabilitas SSD, sistem berkas terdistribusi
Checkpoint Pemulihan kegagalan Kecepatan tulis, stabilitas SSD, penyimpanan objek
Log dan metrik Pemantauan pelatihan Persistensi, ketertelusuran HDD, penyimpanan objek
Hasil antara Manajemen eksperimen Kinerja baca/tulis, manajemen versi SSD, DRAM

Inferensi AI Bergantung pada Latensi Rendah, Concurrency, dan Data Panas

Begitu inferensi memasuki tahap penerapan komersial, tekanan penyimpanan bergeser dari “menyiapkan data sebelum pelatihan” menjadi “terus-menerus membaca dan menulis data selama operasi.” RAG perlu mengambil dokumen perusahaan, agent perlu membaca dan menulis hasil tool, model konteks panjang menghasilkan sejumlah besar KV cache, serta permintaan dan output pengguna juga menjadi log. Penjelasan WEKA tentang AI memory wall menangkap isu kuncinya: ketika memori yang dibutuhkan untuk inferensi melebihi memori fisik GPU yang tersedia, baik latensi maupun concurrency akan terpengaruh.

Dalam skenario inferensi, HBM, DRAM, SSD, dan object storage membentuk struktur berjenjang. HBM menyimpan data runtime model yang paling mendesak. DRAM menangani caching sistem. NVMe SSD mendukung basis data vektor dan data panas (hot data). HDD dan object storage menyimpan data jangka panjang. Ketika Anda melihat "semakin banyak aplikasi AI," yang sebenarnya tumbuh di balik layar adalah token, embedding, log pengguna, versi model, dan catatan audit, semuanya pada saat yang bersamaan.

Ringkasan: Pelatihan dan inferensi memiliki kebutuhan penyimpanan yang berbeda. Pelatihan lebih mirip proyek teknik berskala besar yang membutuhkan pasokan data berkelanjutan, berthroughput tinggi, dan dapat dipulihkan. Inferensi lebih mirip layanan daring yang membutuhkan latensi rendah, konkurensi tinggi, dan akses data panas. Setelah AI berpindah dari laboratorium ke lingkungan produksi perusahaan, kebutuhan penyimpanan tidak lagi terbatas pada dataset pelatihan. Kebutuhan tersebut meluas ke basis data vektor, pustaka dokumen RAG, log interaksi pengguna, versi model, catatan audit, dan data lake jangka panjang. Analisis investasi harus membedakan antara kebutuhan yang digerakkan oleh pelatihan dan kebutuhan yang digerakkan oleh inferensi, alih-alih menganggap semua "penyimpanan AI" sebagai hal yang sama.

Dari HBM ke HDD: Bagaimana Rantai Penyimpanan AI Berlapis?

Rantai penyimpanan AI dapat dilapisikan berdasarkan "jarak dari GPU." Semakin dekat satu lapisan ke GPU, semakin besar ketergantungannya pada kecepatan, bandwidth, dan latensi. Semakin jauh dari GPU, semakin besar ketergantungannya pada kapasitas, biaya, dan keandalan. HBM adalah segmen bernilai tinggi yang paling dekat dengan GPU. DRAM dan SSD mendukung data panas di dalam server. HDD nearline dan penyimpanan objek mendukung kolam kapasitas pusat data.

Lapisan pertama adalah HBM yang berdekatan dengan GPU. Lapisan ini menangani bobot model, aktivasi, KV cache, dan akses data frekuensi tinggi, yang secara langsung memengaruhi throughput token, panjang konteks, dan inferensi konkuren. Lapisan kedua adalah DRAM sisi server dan SSD enterprise, yang menangani caching sistem, praproses data, pencarian vektor, dan IOPS tinggi. Lapisan ketiga adalah kolam kapasitas pusat data, tempat HDD Nearline, object storage, dan sistem pencadangan menyimpan data pelatihan, log, arsip, dan data jangka panjang.

Lapisan Jarak dari GPU Persyaratan Kecepatan Biaya Kapasitas Satuan Penggunaan Umum
HBM Terdekat Tertinggi Tertinggi Runtime model, KV cache
DRAM Dekat Tinggi Tinggi Cache sistem, pra-pemrosesan
SSD Enterprise Sedang Relatif tinggi Sedang-tinggi Basis data vektor, data panas, RAG
HDD Nearline Lebih jauh Lebih rendah Rendah Data lake, cadangan, data pelatihan
Penyimpanan objek Terjauh Elastis Rendah Arsip, log, penyimpanan jangka panjang

Penjenjangan ini juga menjelaskan mengapa HDD belum sepenuhnya digantikan oleh SSD. Pusat data AI membutuhkan jumlah data panas yang besar, tetapi mereka membutuhkan data hangat dan dingin yang jauh lebih masif. Korpus pelatihan, video, gambar, versi model, log, dan cadangan tidak semuanya dapat disimpan di HBM atau SSD kelas korporat. Pada kuartal ketiga tahun fiskal 2026, Seagate melaporkan pendapatan sebesar $3,112 miliar dan margin kotor GAAP sebesar 46,5%, yang menunjukkan bahwa permintaan penyimpanan berkapasitas tinggi mulai tercermin dalam hasil keuangan vendor hard drive. Western Digital juga melaporkan pendapatan sebesar $3,337 miliar dan margin kotor GAAP sebesar 50,2% pada kuartal ketiga tahun fiskal 2026, menunjukkan perbaikan yang jelas dalam siklus penyimpanan cloud dan pusat data.

Pertanyaan kunci di sini bukanlah "apakah SSD akan menggantikan HDD," melainkan "data mana yang harus ditempatkan di mana." Seiring pertumbuhan data AI, data panas, hangat, dan dingin semuanya meningkat. SSD lebih baik untuk akses baca/tulis yang sering, akses latensi rendah, dan pencarian vektor. HDD lebih baik untuk penyimpanan kapasitas masif dengan biaya rendah. Dalam kebanyakan kasus, keduanya lebih mungkin hidup berdampingan dalam tingkatan (tier) daripada saling menggantikan secara langsung.

Ringkasan: Aturan inti dari rantai penyimpanan AI sederhana: semakin dekat data dengan GPU, semakin penting kecepatan; semakin jauh dari GPU, semakin penting kapasitas dan biaya. Elastisitas investasi HBM berasal dari pelepasan kinerja GPU AI. Elastisitas enterprise SSD berasal dari inferensi, RAG, dan akses data panas. Elastisitas nearline HDD berasal dari danau data, pencadangan, log, serta ekspansi kapasitas penyedia cloud. Saat menganalisis berbagai perusahaan, Anda tidak boleh hanya bertanya apakah mereka "saham penyimpanan AI." Anda juga harus bertanya di lapisan penyimpanan mana mereka berada, seberapa besar pendapatan mereka bergantung pada harga, siapa pelanggan mereka, dan apakah kelangkaan pasokan dapat bertahan.

Indikator Apa Saja yang Harus Anda Pantau dalam Rantai Investasi Infrastruktur AI?

Untuk mengevaluasi rantai infrastruktur AI, Anda tidak dapat hanya melihat headline yang menyatakan "permintaan AI kuat." Pendekatan yang lebih praktis adalah dengan memantau tiga kelompok indikator: di sisi permintaan, belanja modal penyedia layanan cloud dan beban kerja AI; di sisi pasokan, kapasitas dan hasil (yield) HBM, NAND, dan HDD; di sisi keuangan, pertumbuhan pendapatan, margin kotor, persediaan, arus kas, dan konsentrasi pelanggan.

Indikator sisi permintaan yang paling penting adalah belanja modal (capex) hyperscaler. Apakah penyedia layanan cloud terus memperluas pusat data AI menentukan total permintaan untuk GPU, HBM, server, SSD, HDD, dan perangkat jaringan. Belanja yang berkaitan dengan pelatihan (training) lebih terkonsentrasi pada klaster GPU dan penyimpanan ber-throughput tinggi. Belanja yang berkaitan dengan inferensi (inference) lebih menekankan biaya, latensi, data panas (hot data), dan efisiensi layanan daring. Anda tidak boleh hanya melihat apakah sebuah perusahaan menyatakan "permintaan AI sangat kuat." Anda juga perlu melihat apakah pesanan benar-benar berubah menjadi pengiriman, harga, dan margin kotor.

Indikator sisi pasokan perlu dipisahkan menurut kategori. HBM dibatasi oleh die DRAM, TSV, pengemasan canggih, hasil produksi (yield), dan kualifikasi pelanggan. NAND dipengaruhi oleh siklus harga dan permintaan SSD korporat. HDD memerlukan perhatian pada HAMR, kepadatan areal, pengiriman exabyte nearline, dan perjanjian pasokan jangka panjang. Pada kuartal keempat tahun fiskal 2025, pendapatan Cloud Memory Business Unit Micron sebesar $4,543 miliar dengan margin kotor 59% menunjukkan bahwa ketika permintaan pusat data AI mengalir ke dalam bauran produk dan harga, elastisitas laba dapat bersifat signifikan.

Indikator Makna untuk HBM Makna untuk SSD/HDD Interpretasi Investasi
CapEx penyedia cloud Menentukan kekuatan pengadaan GPU/HBM Menentukan perluasan kapasitas pusat data Katup utama permintaan
Kontrak HBM Mengunci harga dan kapasitas Berdampak tidak langsung pada pasokan DRAM biasa Sinyal ketatnya penawaran dan permintaan
Harga NAND Berdampak tidak langsung pada biaya SSD Berdampak langsung pada keuntungan SSD perusahaan Titik balik siklus
Pengiriman Nearline Mencerminkan pertumbuhan data secara tidak langsung Berdampak langsung pada pendapatan vendor HDD Sinyal permintaan kapasitas
Margin kotor Mencerminkan kekuatan penetapan harga produk Mencerminkan penetapan harga dan bauran produk Sinyal elastisitas laba
Persediaan Membantu menilai ketidakcocokan penawaran-permintaan Membantu menilai posisi siklus Sinyal risiko

Ada dimensi lain yang mudah diabaikan: biaya transaksi. Ketika Anda meneliti saham infrastruktur AI, selain menilai fundamental perusahaan, Anda juga perlu memahami bahwa biaya transaksi yang sebenarnya dapat memengaruhi pengalaman Anda dalam memegang dan menyeimbangkan kembali portofolio. Biaya perdagangan saham AS biasanya mencakup lebih dari sekadar komisi. Biaya tersebut mungkin juga mencakup biaya platform, biaya agen eksternal, biaya aktivitas perdagangan, dan biaya lainnya. Biya tidak mengenakan komisi untuk perdagangan saham AS, sedangkan biaya platform, biaya agen eksternal, dan biaya lainnya mengacu pada informasi yang ditampilkan di Biaya perdagangan saham AS serta pada halaman pesanan.Apakah layanan terkait tersedia atau tidak bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku.

Jika Anda perlu melacak saham AS dan Hong Kong di sepanjang rantai penyimpanan AI, Anda dapat menggunakan Biya untuk mengikuti kutipan pasar, kelas aset yang tersedia, dan biaya akun. Anda juga dapat menggunakan pencarian informasi saham AS untuk mengatur nama-nama terkait. Biaya bukanlah faktor yang menentukan imbal hasil investasi, tetapi dalam situasi volatilitas tinggi, rebalancing yang sering, atau pembelian tiket kecil, biaya dapat memengaruhi pengalaman perdagangan yang sebenarnya.

Ringkasan: Investasi infrastruktur AI harus beralih dari "penilaian konsep" ke "verifikasi indikator." Di sisi permintaan, perhatikan capex penyedia cloud, pengiriman server AI, konkurensi inferensi, dan adopsi AI di perusahaan. Di sisi pasokan, perhatikan yield HBM, pengemasan canggih, harga NAND, dan disiplin pasokan HDD. Di sisi keuangan, perhatikan pendapatan, margin kotor, persediaan, arus kas, dan struktur pelanggan. Hanya ketika permintaan benar-benar mengalir ke dalam pesanan, harga, dan laba, logika investasi rantai penyimpanan AI menjadi lebih kokoh.

Risiko Apa yang Harus Anda Lihat Saat Bullish pada Rantai Penyimpanan AI?

Menjadi bullish pada rantai penyimpanan AI bukan berarti mengabaikan siklus dan valuasi. Risiko utama terbagi menjadi tiga kategori: pengeluaran modal penyedia layanan awan yang lebih lambat, ekspansi pasokan yang menyebabkan harga penyimpanan turun, dan perubahan arsitektur teknologi yang mengubah struktur permintaan. Permintaan AI kuat, tetapi DRAM, NAND, dan HDD tetap memiliki karakteristik siklis.

Risiko pertama adalah perlambatan belanja modal AI. Jika penyedia layanan cloud menemukan bahwa pendapatan inferensi, utilisasi komputasi, atau ketersediaan listrik tidak memenuhi ekspektasi, belanja modal dapat menyusut sementara. GPU, HBM, server, SSD, dan HDD semuanya merupakan bagian dari rantai anggaran infrastruktur yang sama, dan kuat atau lemahnya permintaan dapat menyebar ke beberapa segmen sekaligus. Kekurangan jangka pendek tidak boleh langsung dianggap sebagai kemakmuran tinggi yang permanen, terutama pada periode valuasi tinggi, ketika setiap perubahan dalam waktu pemesanan dapat memicu volatilitas harga saham.

Risiko kedua adalah ekspansi pasokan. Harga HBM yang tinggi mendorong para produsen untuk memperluas kapasitas. Harga NAND dan HDD yang lebih tinggi juga meningkatkan kesediaan industri untuk memasok lebih banyak. Korea Selatan telah meluncurkan rencana investasi skala besar di sekitar semikonduktor, HBM, dan pusat data AI. Pemberitaan Reuters mengenai rencana investasi AI dan chip Korea Selatan menunjukkan pentingnya secara strategis di satu sisi, tetapi juga mengingatkan Anda untuk memperhatikan tekanan siklus di masa depan setelah ekspansi pasokan.

Risiko ketiga adalah perubahan jalur teknologi. Kuantisasi model, sparsitas, MoE, memory pooling CXL, KV cache offloading, dan near-data processing semuanya dapat mengubah permintaan relatif terhadap HBM, DRAM, SSD, dan HDD. Optimasi perangkat lunak dapat meningkatkan utilisasi perangkat keras, dan juga dapat mengurangi permintaan perangkat keras per unit inferensi. SSD dan HDD tidak berada dalam hubungan penggantian yang sederhana. Di masa depan, keduanya lebih mungkin ditingkatkan berdasarkan suhu data dan biaya.

Investor harus menghindari kesalahan-kesalahan berikut:

  1. Menganggap semua perusahaan penyimpanan sebagai penerima manfaat HBM.
  2. Hanya melihat pertumbuhan pendapatan sambil mengabaikan margin kotor dan persediaan.
  3. Hanya melihat pelatihan AI sambil mengabaikan komersialisasi inferensi.
  4. Mengabaikan konsentrasi pelanggan dan penetapan harga kontrak jangka panjang.
  5. Menganggap kenaikan harga siklis sebagai logika saham pertumbuhan yang permanen.
  6. Hanya melihat perusahaan populer sambil mengabaikan valuasi dan arus kas.

Ringkasan: Rantai penyimpanan AI menggabungkan logika pertumbuhan dan logika siklus. Ini bukan sektor satu arah berisiko rendah. HBM lebih dekat ke pertumbuhan GPU AI, tetapi juga memiliki risiko konsentrasi pelanggan, kapasitas pengemasan, dan iterasi teknologi yang lebih besar. SSD dan HDD lebih dipengaruhi oleh siklus harga, persediaan, dan disiplin pasokan. Pendekatan yang lebih bijak adalah mempertimbangkan momentum industri, penawaran dan permintaan, valuasi, serta verifikasi keuangan secara bersamaan. Sebelum bertransaksi, Anda juga harus memahami aturan platform, struktur biaya, dan toleransi risiko Anda sendiri. Informasi pasar publik tidak merupakan saran investasi.

Jika Anda berfokus pada investasi infrastruktur AI, Anda tidak perlu hanya melihat pemimpin GPU. Kerangka pengamatan yang lebih lengkap adalah melihat HBM, DRAM, NAND, enterprise SSD, Nearline HDD, peralatan pusat data, belanja modal penyedia cloud, dan biaya transaksi secara bersamaan. Anda dapat terlebih dahulu menggunakan logika rantai industri untuk menyaring arah, lalu menggunakan pendapatan, margin kotor, persediaan, dan arus kas untuk memverifikasi siklusnya. Jika layanan terkait tersedia di wilayah Anda, Anda juga dapat mendaftarkan akun untuk menjelajahi lebih jauh dukungan perdagangan multi-aset dari Biya. Ketersediaan layanan seperti saham AS, saham Hong Kong, dan aset digital bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku.Setiap keputusan perdagangan harus didasarkan pada tujuan pribadi, toleransi risiko, dan informasi biaya yang lengkap.

FAQ

Mengapa Investor Infrastruktur AI Tidak Boleh Hanya Melihat GPU?

Investor infrastruktur AI tidak boleh hanya melihat GPU karena GPU membutuhkan HBM, penyimpanan, jaringan, daya, dan pendinginan agar dapat bekerja secara efisien. GPU menentukan batas atas komputasi, tetapi HBM menentukan apakah data dapat masuk dengan cepat ke unit komputasi, sementara SSD dan HDD menentukan apakah data pelatihan, basis data vektor, dan log dapat disimpan dan diakses secara efisien.

Apa Perbedaan antara HBM dan DRAM Biasa dalam AI?

HBM berada lebih dekat ke GPU dan berfokus pada bandwidth tinggi, latensi rendah, dan pengemasan berdensitas tinggi. DRAM biasa terutama berfungsi sebagai memori sistem di dalam server. Pelatihan dan inferensi AI melibatkan perpindahan data yang berat, sehingga HBM lebih langsung memengaruhi throughput GPU kelas atas, panjang konteks, dan konkurensi inferensi.

Permintaan Penyimpanan Seperti Apa yang Didorong oleh Pertumbuhan Inferensi AI?

Pertumbuhan inferensi AI mendorong permintaan untuk KV cache, basis data vektor, pustaka dokumen RAG, log pengguna, dan akses data panas. HBM dan DRAM menangani near-memory dan caching sistem, SSD perusahaan mendukung pengambilan data berlatensi rendah, serta HDD dan penyimpanan objek menangani retensi data jangka panjang.

Mengapa Nearline HDD Masih Penting untuk Pusat Data AI?

Nearline HDD tetap penting karena menawarkan keunggulan dalam kapasitas besar dan biaya penyimpanan per unit yang lebih rendah. Pusat data AI tidak hanya membutuhkan data panas berkecepatan tinggi, tetapi juga penyimpanan jangka panjang untuk korpus pelatihan, log, cadangan, arsip, dan versi model. Untuk data dingin dan data hangat, HDD tetap menjadi fondasi kapasitas yang penting.

Bagaimana Investor Biasa Dapat Menilai Risiko Saham Penyimpanan AI?

Investor biasa sebaiknya memperhatikan permintaan, harga, persediaan, margin kotor, konsentrasi pelanggan, dan valuasi. Industri penyimpanan sangat bersifat siklus, dan kenaikan harga jangka pendek tidak sama dengan kepastian jangka panjang. Ketika perdagangan terlibat, aturan platform, rincian tagihan, dan persyaratan regulasi setempat juga harus dipertimbangkan.

Apakah Rantai Penyimpanan AI Lebih Baik untuk Investasi Jangka Panjang atau Perdagangan Siklus?

Apakah rantai penyimpanan AI cocok untuk investasi jangka panjang bergantung pada posisi perusahaan dan toleransi risiko pribadi. HBM lebih terkait erat dengan pertumbuhan GPU AI, sedangkan SSD dan HDD lebih dipengaruhi oleh siklus harga. Sebelum melakukan perdagangan apa pun, investor harus mempertimbangkan data keuangan, valuasi, struktur biaya, dan persyaratan kepatuhan secara bersamaan.

*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.

Blog terkait

Pilih Negara atau Wilayah untuk Membaca Blog Lokal