HBM, NAND, atau HDD: Laluan Simpanan AI Mana yang Paling Langsung? Perbandingan Kemurnian Perniagaan

Jika anda hanya bertanya laluan storan AI mana yang paling langsung, jawapannya ialah HBM. Jika anda bertanya laluan mana yang mempunyai pendedahan paling luas terhadap pertumbuhan data AI, NAND/SSD perusahaan dan HDD juga mempunyai peranan yang jelas. HBM terletak paling hampir dengan GPU dan pemecut AI. NAND/SSD menyokong pemuatan model, caching, dan akses data berkelajuan tinggi. HDD mengendalikan data sejuk yang besar, log, sandaran, dan pengarkiban jangka panjang. Untuk menilai nilai pelaburan, anda tidak boleh hanya bertanya sama ada sesebuah syarikat mendapat manfaat daripada AI. Anda juga perlu membandingkan ketulenan perniagaan, kuasa penetapan harga, struktur pelanggan, kekangan bekalan, dan jangkaan penilaian.

Perkara Utama:

• HBM paling hampir dengan nod pengiraan AI dan merupakan laluan storan AI yang paling langsung.
• NAND/SSD perusahaan berada di lapisan tengah, dengan permintaan yang luas tetapi kitaran yang lebih kompleks.
• HDD mendapat manfaat daripada pengumpulan data AI dan lebih berkait dengan pertumbuhan kapasiti jangka panjang.
• Ketulenan perniagaan bergantung pada sumber pendapatan, bukan sekadar sama ada sesebuah syarikat menyebut AI.
• HBM mempunyai sensitiviti kenaikan yang paling kuat, tetapi juga risiko pembungkusan, hasil pengeluaran, dan penumpuan pelanggan yang lebih tinggi.
• Pelabur perlu menjejak ASP, margin kasar, inventori, dan pesanan pelanggan awan secara bersama.

Storan AI Bukan Satu Laluan Tunggal, Tetapi Sistem Berlapis

Storan AI tidak patut dikurangkan kepada sekadar "membeli cakera keras" atau "membeli memori." Pandangan yang lebih tepat ialah pusat data AI bergantung pada hierarki memori yang lengkap. Paling hampir dengan pengkomputeran ialah HBM dan DDR. Lapisan tengah merangkumi SSD NVMe, SSD perusahaan, dan pengembangan memori CXL. Lebih jauh pula ialah HDD nearline, storan objek, dan sistem arkib. Untuk membandingkan HBM, NAND, dan HDD, anda perlu terlebih dahulu memahami kedudukan setiap satunya dalam latihan AI, inferens, dan pengekalan data jangka panjang.

Kedudukan HBM, NAND, dan HDD dalam Pusat Data AI

HBM bermaksud High Bandwidth Memory (Ingatan Lebar Jalur Tinggi). Ia adalah DRAM berkelajuan tinggi, bukan pemacu storan tradisional. Ia biasanya berfungsi di sebelah GPU, pemecut AI, atau ASIC tersuai, menyelesaikan masalah kebocoran lebar jalur ingatan dalam latihan dan inferens model. NAND Flash biasanya muncul dalam bentuk SSD, menyediakan pembacaan data berkapasiti lebih besar dengan kependaman lebih rendah, pemuatan berat model, penyimpanan titik semak, dan penembolokan. HDD lebih perlahan, tetapi ia menawarkan kos rendah setiap terabait dan sesuai untuk menyimpan sejumlah besar data.

Dalam penjelasan teknikal NVIDIA tentang Blackwell Ultra GPU, kapasiti dan lebar jalur HBM dibentangkan sebagai sebahagian daripada rangka kerja keupayaan AI Factory. Ini menunjukkan bahawa HBM bukan lagi sekadar komponen. Ia merupakan sebahagian daripada reka bentuk platform pengkomputeran AI. Sebaliknya, NAND dan HDD tergolong dalam lapisan yang berbeza dalam seni bina storan pusat data yang lebih luas.

Latihan, Inferens, dan Storan Jangka Panjang Mendorong Keperluan Berbeza

Latihan AI paling langsung mendorong permintaan HBM kerana latihan model berskala besar sering dibatasi oleh lebar jalur memori. Inferens juga bergantung pada HBM, terutamanya dalam senario konteks panjang, konkurensi tinggi, dan throughput tinggi. Namun inferens juga meningkatkan permintaan SSD kerana bobot model, indeks vektor, data RAG, dan log semuanya memerlukan akses yang cekap. Dalam jangka panjang, AI akan menjana sejumlah besar data baharu, termasuk data latihan, data sintetik, log interaksi pengguna, imej, dan video. Bahagian permintaan ini lebih cenderung mengalir ke dalam HDD dan penyimpanan objek.

Itulah sebabnya "paling langsung" tidak bermaksud "satu-satunya penerima manfaat." HBM menyelesaikan masalah lebar jalur di dalam nod pengkomputeran. NAND/SSD menyelesaikan akses data berkelajuan tinggi. HDD menyelesaikan kapasiti masif dan penyimpanan jangka panjang dengan kos rendah.

Ringkasan: Jika anda menggunakan satu baris sahaja untuk memahami storan AI, anda boleh tersilap membaca rantaian bekalan dengan mudah. HBM ialah laluan yang paling hampir dengan pemecut AI. NAND/SSD perusahaan ialah lapisan pertengahan bagi pergerakan data AI. HDD ialah asas kapasiti selepas data AI terkumpul. Kesemua tiga mungkin mendapat manfaat daripada perbelanjaan modal AI, tetapi melalui mekanisme yang berbeza. HBM bergantung pada penghantaran GPU/ASIC dan konfigurasi memori jalur lebar tinggi. NAND bergantung pada SSD perusahaan, QLC/TLC, pemuatan model, dan caching inferens. HDD bergantung pada pembelian kapasiti nearline oleh hyperscaler, penyimpanan data jangka panjang, dan kos setiap terabait. Untuk membandingkan ketulenan perniagaan, soalan pertama bukanlah berapa kali sesebuah syarikat menyebut AI, tetapi seberapa dekat produknya dengan nod pengiraan AI dan berapa banyak hasilnya terikat dengan permintaan tersebut.

HBM adalah Laluan Paling Terus, Didorong oleh GPU, ASIC, dan Memori Jalur Lebar Tinggi

HBM adalah penerima manfaat storan AI yang paling terus antara tiga laluan kerana ia dibungkus di sekeliling GPU AI, pemecut AI, atau ASIC tersuai. Ia secara langsung mempengaruhi lebar lebar memori, kapasiti, dan kecekapan kuasa dalam latihan dan inferens model. Anda boleh menganggap HBM sebagai kolam memori berkelajuan tinggi yang terletak di sebelah cip AI. Memandangkan cip AI terus meningkatkan kepadatan pengiraan, permintaan kapasiti HBM, ketinggian tindanan, lebar jalur, dan pembungkusan lanjutan turut meningkat.

Mengapa HBM Paling Dekat dengan Pengiraan AI

Parameter model AI, pengaktifan, cache KV, dan hasil pengiraan perantaraan semuanya memerlukan akses baca dan tulis berkelajuan tinggi. Semakin berkuasa GPU, semakin mudah unit pengiraan berada dalam keadaan terbiar jika lebar jalur memori tidak dapat mengikuti. Di situlah HBM penting: melalui penumpukan 3D, TSV, I/O lebar, dan pembungkusan termaju, ia meletakkan lebar jalur yang lebih tinggi lebih dekat ke teras pengiraan.

Penerangan produk HBM3E Micron mengetengahkan lebar jalur lebih daripada 1.2TB/s dan kes penggunaan AI. Piawaian JESD270-4 HBM4 daripada JEDEC turut meletakkan lebar jalur yang lebih tinggi, kecekapan kuasa yang lebih tinggi, dan kapasiti yang lebih tinggi sebagai peningkatan utama untuk AI dan HPC. HBM4 pendedahan menjangkakan jualan HBM pada tahun 2026 akan meningkat lebih daripada tiga kali ganda berbanding 2025, menunjukkan bahawa HBM telah membangunkan keluk permintaan berasaskan AI yang lebih kukuh berasingan daripada kitaran memori tradisional.

Cara Menilai Ketulenan Perniagaan HBM

SK hynix, Micron, dan Samsung semuanya pembekal HBM yang penting, tetapi ketulenan perniagaan mereka berbeza. SK hynix mempunyai narasi pasaran yang lebih tertumpu pada HBM, DRAM pelayan, dan memori AI. Selepas meningkatkan jualan HBM dan DRAM pelayan berkapasiti tinggi, kesan permintaan AI terhadap hasil SK hynix lebih mudah dikenal pasti oleh pasaran. Pendedahan AI Micron datang daripada HBM, DRAM, dan SSD pusat data, jadi ia bukan syarikat satu laluan sahaja, tetapi ia menawarkan liputan storan AI yang lebih luas. Samsung jauh lebih besar dan merangkumi DRAM, NAND, telefon pintar, paparan, foundry, dan elektronik pengguna, yang mana ia meredakan kepekaan storan AI-nya.

Apabila menilai ketulenan HBM, tumpukan pada tiga perkara: bahagian hasil HBM dalam hasil DRAM, sama ada HBM terikat dengan NVIDIA, AMD, Google TPU, atau pelanggan ASIC yang lain, dan sama ada pembungkusan termaju, hasil pengeluaran, dan kelayakan bekalan adalah stabil.

Ringkasan: HBM ialah laluan penyimpanan AI yang paling langsung kerana ia menjadi sebahagian daripada nod pengkomputeran bersama GPU AI, ASIC, dan pembungkusan termaju. Pertumbuhannya tidak datang daripada idea samar bahawa "data semakin meningkat." Ia datang daripada model yang lebih besar, konkurensi inferens yang lebih tinggi, dan keperluan yang lebih kuat terhadap lebar jalur dan kapasiti memori dalam pemecut AI. Tetapi semakin langsung laluan itu, semakin tertumpu risikonya. Kelayakan pelanggan, kapasiti pembungkusan, hasil, penetapan harga, dan jangkaan penilaian semuanya boleh menguatkan turun naik. Anda tidak sepatutnya hanya memberi tumpuan kepada sensitiviti pulangan tinggi HBM. Anda juga perlu menyedari bahawa ia adalah segmen yang mempunyai halangan tinggi, intensif modal, dan tertumpu kepada pelanggan.Bagi pelabur, HBM lebih wajar dilihat sebagai penunjuk utama momentum pengkomputeran AI, bukan sekadar sebagai aset storan berisiko rendah.

NAND/Enterprise SSD ialah Lapisan Tengah, dengan Permintaan yang Lebih Luas tetapi Ketulenan yang Lebih Kompleks

NAND/enterprise SSD bukanlah laluan storan AI yang paling langsung, tetapi ia mungkin menawarkan pendedahan yang paling luas terhadap pergerakan data AI. Ia tidak terletak betul-betul di sebelah GPU, namun ia menyokong pemuatan berat model, pembacaan data latihan, checkpointing, pangkalan data vektor, caching inferens, dan storan suam. Jika anda mengambil berat tentang AI yang bergerak daripada latihan kepada inferens berskala besar, kepentingan NAND/SSD meningkat dengan mendadak. Walau bagaimanapun, laluan ini masih dipengaruhi oleh elektronik pengguna, PC, telefon pintar, dan kitaran IT perusahaan tradisional.

Apa yang NAND Selesaikan dalam Pusat Data AI

AI generatif memerlukan lebih daripada HBM. Ia juga memerlukan sejumlah besar storan tidak mudah meruap dengan kependaman rendah. Semasa latihan, SSD menyokong pembacaan set data berdwalu tinggi dan penyimpanan titik semak. Semasa inferens, SSD menyokong pemuatan model, cache data panas, indeks vektor, log, dan pengekalan konteks pengguna. Analisis McKinsey mengenai SSD perusahaan menunjukkan bahawa penggunaan AI generatif mendorong permintaan untuk SSD dalam pelayan dan unit penyimpanan data.

Prestasi Micron juga menunjukkan bahawa NAND bukan lagi sekadar lanjutan daripada kitaran elektronik pengguna. Dalam Suku Ketiga Fiskal 2026, Micron melaporkan pendapatan rekod, dan bahan pendapatannya menyatakan bahawa pendapatan SSD pusat data melebihi $5 bilion, lebih daripada dua kali ganda secara berurutan. SanDisk melaporkan dalam suku kedua fiskal 2026 bahawa hasil sektor pusat data meningkat 64% secara berturutan, didorong oleh pembina infrastruktur AI dan penggunaan AI berskala besar oleh pelanggan teknologi.

Kenapa Ketulenan Perniagaan NAND Lebih Kompleks

Syarikat NAND juga mungkin mendapat manfaat daripada AI, tetapi ketulenan mereka kurang jelas berbanding HBM. NAND digunakan dalam banyak pasaran: telefon pintar, PC, SSD pengguna, kad storan, SSD perusahaan, dan storan pusat data. Ini bermakna hasil keseluruhan dan ASP dipengaruhi oleh lebih daripada sekadar AI. SanDisk lebih hampir kepada syarikat Flash/NAND yang mempunyai ketulenan tinggi. Micron dan Samsung ialah syarikat campuran DRAM, HBM, dan NAND. Apabila anda melihat keputusan yang semakin bertambah baik di sesebuah syarikat NAND, anda perlu memisahkan sama ada SSD pusat data ialah pemacu sebenar atau sama ada peningkatan itu terutamanya disebabkan oleh pemulihan harga NAND.

NAND terletak di antara HBM dan HDD. Ia lebih murah dan berkapasiti lebih besar daripada HBM, tetapi tidak dapat menggantikan lebar jalur HBM. Ia jauh lebih pantas daripada HDD, tetapi kosnya setiap terabait lebih tinggi. Apabila inferens AI berskala dan perkhidmatan model semakin mendalam ke dalam pengeluaran, nilai SSD menjadi lebih ketara.

Ringkasan: NAND/SSD perusahaan ialah lapisan pertengahan daripada tiga laluan storan AI. Ia tidak sedekat dengan teras pengiraan seperti HBM, tetapi menjadi kritikal apabila AI beralih daripada eksperimen latihan kepada pelaksanaan pengeluaran. Pemuatan model, pangkalan data vektor, caching, checkpointing, log, dan storan hangat semuanya bergantung pada storan tidak mudah meruap berkelajuan tinggi. Untuk menilai laluan NAND, anda tidak boleh hanya mengatakan "permintaan AI adalah kukuh." Anda perlu melihat bahagian SSD perusahaan, pertumbuhan pelanggan pusat data, campuran produk QLC/TLC, trend ASP NAND, dan tarikan daripada elektronik pengguna. Kekuatan NAND ialah kebolehgunaaan yang luas. Risikonya juga adalah kebolehgunaaan yang luas: ia boleh menangkap pertumbuhan pusat data AI, sambil masih terjejas oleh kitaran pasaran hujung tradisional.

HDD Lebih Terikat dengan Pengumpulan Data Jangka Panjang, Pelanggan Awan, dan Data Sejuk

HDD bukanlah laluan penyimpanan AI yang paling langsung, tetapi ia masih boleh menjadi penerima manfaat jangka panjang bagi pertumbuhan data AI. Sebabnya mudah: AI bukan sahaja menggunakan data latihan. Ia secara berterusan menjana data baharu, termasuk log inferens, imej, video, set data sintetik, rekod perniagaan, sandaran, dan arkib pematuhan. HDD bukan mengenai kelajuan. Kelebihan utamanya ialah kos setiap terabait, kepadatan kapasiti, dan ekonomi penggunaan berskala besar. Ia lebih baik difahami sebagai asas kapasiti jangka panjang bagi pusat data AI.

Mengapa HDD Masih Penting

Semakin besar infrastruktur AI, semakin banyak data yang perlu ditierkan. Data panas dan data yang kerap diakses terletak dalam HBM, DRAM, SSD, atau storan objek berprestasi tinggi. Data yang kurang diakses, mempunyai tempoh simpanan panjang dan sensitif terhadap kos lebih sesuai untuk HDD. Rangka kerja AI Data Cycle Western Digital menekankan bahawa beban kerja AI memerlukan gabungan pelbagai medium storan dan bukannya satu medium tunggal yang menyelesaikan setiap masalah.

Setelah menyelesaikan perniagaan Flash pemisahan yang dirancang, sempadan perniagaan Western Digital menjadi lebih tertumpu pada HDD dan infrastruktur pusat data. Dalam perbincangannya mengenai storan berperingkat, WD menyatakan bahawa storan berperingkat telah menjadi seni bina yang praktikal untuk infrastruktur hyperscale dan AI. Seagate adalah wakili yang lebih tertumpu bagi storan kapasiti besar. Keputusan Fiscal Q3 2026 menunjukkan hasil sebanyak $3.11 bilion dan margin kasar GAAP sebanyak 46.5%, mencerminkan bagaimana kitaran nearline HDD yang semakin bertambah baik dapat menggandakan keberuntungan.

Logik Pelaburan HDD Lebih Menyerupai Kitaran Kapasiti

HBM mengikut penghantaran pemecut AI. NAND/SSD mengikut permintaan akses data berkelajuan tinggi. HDD mengikut perolehan kapasiti awan dan kitaran pengekalan data jangka panjang. Persoalan utama bagi Seagate dan WD bukan sama ada satu cakera keras itu "lebih berasaskan AI." Persoalannya ialah sama ada hyperscaler terus meningkatkan pembelian HDD nearline, sama ada cakera berkapasiti tinggi mengambil bahagian yang lebih besar, sama ada disiplin harga kekal, dan sama ada ketelusan pesanan bertambah baik.

Keputusan Suku Ketiga Fiskal 2026 WD melaporkan hasil sebanyak $3.337 bilion, meningkat 45% berbanding tahun lepas, dengan margin kasar GAAP sebanyak 50.2%. Data sebegini menunjukkan bahawa HDD bukanlah teknologi yang usang. Ia terus memainkan peranan dalam lapisan kapasiti pusat data awan. Namun begitu, risiko HDD juga jelas: kepekatan pelanggan awan yang tinggi, peningkatan teknologi yang lebih perlahan berbanding semikonduktor, sensitiviti permintaan yang lebih rendah berbanding HBM, serta kemeruapan harga saham berdasarkan pesanan, margin, dan penilaian.

Ringkasan: HDD ialah antara tiga laluan penyimpanan AI yang paling kurang menarik, tetapi ia tidak tidak relevan. Semakin banyak data yang dicipta oleh AI, semakin besar keperluan untuk penyimpanan jangka panjang, sandaran, pemformatan, dan kapasiti berkos rendah. Ini menyokong permintaan HDD nearline. Kelemahannya ialah ia lebih jauh daripada nod pengiraan AI, jadi sensitiviti harga sahamnya biasanya lebih rendah berbanding HBM. Kekuatannya ialah model perniagaan yang lebih fokus, daya saing kos per terabait yang kukuh, dan potensi pemulihan margin daripada pembelian awan berskala besar. Apabila menilai laluan HDD, anda tidak sepatutnya membandingkan lebar jalurnya dengan HBM. Anda perlu melihat penghantaran exabait, gabungan pemacu berkapasiti tinggi, perjanjian jangka panjang dengan hyperscaler, margin kasar, dan disiplin bekalan.

Perbandingan Ketulenan Perniagaan: Siapa yang Nampak Seperti Sahstoran AI Sebenar, dan Siapa yang Hanya Ditarik oleh Kitaran AI?

Untuk menentukan sama ada sebuah syarikat storan ialah "sahstoran AI sebenar," jangan hanya melihat sama ada ia menerbitkan berita berkaitan AI. Kaedah yang lebih berguna ialah meneliti lima faktor: sama ada produknya memasuki nod pengkomputeran AI, seberapa tinggi bahagian pendapatan pusat datanya, sama ada pelanggan AI membeli secara langsung, sama ada penetapan harga terutamanya didorong oleh permintaan-pembekalan AI, dan sama ada syarikat itu dicairkan oleh elektronik pengguna, telefon pintar, PC, atau kitaran IT perusahaan tradisional. Mengikut ket langsungan, susunannya ialah HBM > NAND/SSD perusahaan > HDD. Mengikut pendedahan skala data jangka panjang, ketiga-tiga laluan mempunyai peranan.

Membina Kerangka Ketulenan Storan AI

Kesucian storan AI boleh dibahagikan kepada kesucian teknikal dan kesucian pendapatan. Kesucian teknikal mengukur sejauh mana produk itu hampir dengan teras pengkomputeran AI. Kesucian pendapatan mengukur sejauh mana produk berkaitan AI menyumbang kepada jumlah pendapatan dan keuntungan. Sebagai contoh, HBM mempunyai kesucian teknikal yang tertinggi. Tetapi jika sesebuah syarikat mempunyai banyak perniagaan bukan storan, pelabur mungkin merasakan pendedahan AI yang kurang langsung. Sebaliknya, HDD Seagate tidak berada berhampiran GPU, tetapi perniagaannya tertumpu, jadi kitaran kapasiti awan mempunyai kesan yang lebih jelas terhadap keputusannya.

Laluan Paling Tulen Bukan Sestiasa Pilihan Terbaik

Pasaran berdagang berdasarkan jurang jangkaan, bukan sekadar ketulenan perniagaan. HBM ialah laluan paling langsung, tetapi penilaian mungkin sudah mencerminkan sebahagian besar potensi kenaikan. NAND/SSD mempunyai pendedahan yang luas, tetapi kelemahan elektronik pengguna masih boleh membebankan hasil. HDD mempunyai perniagaan yang tersasar, tetapi saham mereka sering bergantung pada pesanan pelanggan awan, margin kasar, dan kedudukan kitaran. Kebimbangan pasaran baru-baru ini mengenai penetapan harga AI dan memori dalam saham cip Korea juga menunjukkan bahawa keputusan yang kukuh tidak selalunya membawa kepada kenaikan harga saham seterusnya. Soalan utama ialah sama ada pasaran percaya bahawa kitaran penetapan harga dan perbelanjaan modal AI dapat diteruskan.

Cara praktikal untuk merangka tiga laluan tersebut:

• Laluan paling langsung: HBM, berguna untuk menjejak momentum pemecut AI.
• Laluan paling luas: NAND/SSD perusahaan, berguna untuk menjejak penggunaan pengeluaran AI dan pengembangan inferens.
• Laluan kapasiti: HDD, berguna untuk menjejak pengumpulan data hyperscaler dan penyimpanan jangka panjang.
• Ketulenan tertinggi tidak bermaksud risiko terendah: Penilaian, pelanggan, bekalan, dan kitaran harga masih penting.
• Penyimpanan AI bukan pasaran pemenang tunggal: Lapisan berbeza menyelesaikan masalah yang berbeza.

Ringkasan: Ketulenan perniagaan bukan sekadar mengenai syarikat mana yang "kelihatan paling AI." Ia adalah hasil daripada kedudukan produk, struktur pendapatan, struktur pelanggan, dan pemacu penetapan harga. HBM adalah yang paling tulen dari segi teknikal kerana ia secara langsung berkhidmat untuk GPU dan ASIC. NAND/SSD perusahaan mempunyai aplikasi yang lebih luas kerana ia menyokong pergerakan data AI. HDD mungkin lebih tertumpu pada peringkat perniagaan kerana pembelian kapasiti awan mempunyai kesan yang lebih jelas terhadap pendapatan. Untuk keputusan pelaburan, anda tidak harus meng kedudukkan ketiga-tiga laluan sebagai mutlak baik atau buruk. Sebaliknya, tanyakan: berapa banyak jangkaan AI yang telah dipaparkan dalam harga saham? Adakah pendapatan sudah didorong secara ketara oleh pelanggan AI? Adakah peningkatan margin mampan? Bolehkah pengembangan bekalan melemahkan penetapan harga?Pertanyaan-pertanyaan ini lebih penting daripada sekadar melabel sesebuah syarikat sebagai saiz penyimpanan AI.

Bagaimana Pelabur Boleh Membina Senarai Pantau Merentasi Tiga Laluan Ini

Pelabur runcit yang membandingkan HBM, NAND, dan HDD tidak perlu menjadi jurutera separuh konduktor terlebih dahulu. Apa yang mereka perlukan ialah senarai pantau yang berstruktur. Untuk HBM, pantau kadar lampiran cip AI, penghantaran HBM3E/HBM4, pembungkusan lanjutan, dan kelayakan pelanggan. Untuk NAND/SSD, pantau SSD pusat data, ASP NAND, campuran QLC/TLC, dan permintaan inferens. Untuk HDD, pantau HDD nearline, penghantaran exabyte, campuran pemacu berkapasiti tinggi, dan perjanjian jangka panjang hyperscaler. Kemudian tambahkan penilaian nilai, kos perdagangan, dan risiko pelaksanaan.

Apa yang Perlu Dipantau untuk Setiap Laluan

Untuk laluan HBM, tumpukan pada empat penunjuk: penghantaran HBM, bahagian hasil HBM dalam DRAM, kelayakan pelanggan, dan kapasiti pembungkusan termaju. Untuk laluan NAND, pantau hasil SSD perusahaan, bahagian pelanggan pusat data, ASP NAND, dan permintaan elektronik pengguna. Untuk laluan HDD, pantau penghantaran HDD nearline, penetapan harga kapasiti unit, penembusan pemacu berkapasiti tinggi, pesanan pelanggan awan, dan disiplin bekalan.

Kos Perdagangan dan Peraturan Juga Penting

Apabila anda menambah SK hynix, Micron, Samsung, SanDisk, Seagate, Western Digital, atau ETF berkaitan ke dalam senarai pantau anda, jangan hanya melihat pergerakan harga. Anda juga perlu mempertimbangkan kos perdagangan sebenar. Kos perdagangan saham A.S. mungkin merangkumi lebih daripada komisen sahaja. Ia mungkin juga merangkumi yuran platform, yuran institusi luaran, yuran aktiviti transaksi, serta caj-caj lain. Biya mengenakan komisen $0 untuk perdagangan saham A.S., manakala yuran platform, yuran institusi luaran, dan kos-kos lain adalah tertakluk kepada struktur yuran perdagangan saham A.S. dan halaman pesanan. Ketersediaan perkhidmatan bergantung pada lokasi pengguna, hasil pengesahan identiti, peraturan platform, serta undang-undang dan peraturan yang berkenaan.

Jika anda terbiasa memantau saham AS, saham Hong Kong, dan pasaran kripto secara serentak, Biya dapat membantu anda mengekalkan syarikat berkaitan penyimpanan AI, ETF separa konduktor, dan berita pasaran dalam satu paparan perdagangan. Namun, saham penyimpanan ini tidak stabil, terutamanya sekitar pengumuman pendapatan, pesanan pelanggan, harga memori, dan perubahan jangkaan perbelanjaan modal AI.

Ringkasan: Apabila membina senarai pantau penyimpanan AI, adalah lebih baik untuk memisahkan syarikat mengikut laluan dan bukannya memasukkan setiap nama ke dalam satu baksa "saham konsep penyimpanan AI". HBM menjejak pemecut AI dan memori lebar jalur tinggi. NAND/SSD menjejak inferens, caching, dan akses data berkelajuan tinggi. HDD menjejak perolehan kapasiti jangka panjang pembekal awan. Setiap laluan harus diperiksa dari sisi permintaan, sisi bekalan, sisi harga, dan sisi kewangan. Pada peringkat perdagangan, struktur yuran, peraturan pesanan, keperluan pengawalseliaan tempatan, dan toleransi risiko peribadi juga penting. Industri penyimpanan adalah industri yang sangat bermusim. AI boleh mengubah kecerunan permintaan, tetapi ia tidak dapat menghapuskan turun naik kitaran.Matlamatnya bukan untuk bertaruh pada satu jawapan mutlak, tetapi untuk sentiasa mengesahkan sama ada momentum dalam setiap laluan masih meningkat.

Jika anda mengikut rantaian bekalan storan AI, anda tidak perlu memberi tumpuan hanya kepada satu pemimpin atau satu istilah teknikal sahaja. Pendekatan yang lebih seimbang ialah meletakkan HBM, NAND/SSD perusahaan, dan HDD pada peta industri yang sama: pertama, kenal pasti laluan mana yang paling langsung, kemudian bandingkan syarikat mana yang mempunyai pendedahan pendapatan paling tulen, dan akhir sekali, nilai sama ada penilaian telah pun mencerminkan jangkaan tersebut. Pengguna yang memenuhi syarat perkhidmatan yang berkaitan boleh mendaftar akaun untuk memantau saham AS, saham Hong Kong, dan ETF berkaitan, atau memuat turun aplikasi untuk menyemak akses perdagangan dan ciri akaun. Maklumat pasaran awam, peraturan perdagangan, dan struktur yuran adalah untuk tujuan kajian sahaja dan tidak membentuk nasihat pelaburan.Sebelum meletakkan sebarang perdagangan, anda harus menyemak halaman pesanan, butiran penyata, peraturan platform, dan keperluan pengawalseliaan tempatan.

Soalan Lazim

Adakah HBM Lalai Penyimpanan AI Paling Langsung?

Ya. Berdasarkan kedekatan dengan nod pengiraan AI, HBM ialah laluan paling langsung. Ia biasanya berfungsi bersama GPU, pemecut AI, atau ASIC tersuai untuk menyelesaikan masalah lelah memori dalam latihan dan inferens model. Walau bagaimanapun, HBM ialah DRAM berjalur lebar tinggi, bukan cakera keras tradisional, jadi ia tidak sepatutnya dibandingkan dengan SSD atau HDD menggunakan metrik prestasi yang sama.

Mengapa SSD Perusahaan NAND Mendapat Manfaat daripada Permintaan Penyimpanan AI?

SSD enterprise NAND mendapat manfaat daripada AI kerana latihan AI, inferens, dan penggunaan model semuanya memerlukan storan tidak meruap, berlatensi rendah, dan berkelajuan tinggi. SSD biasanya digunakan untuk pemuatan berat model, checkpointing, pangkalan data vektor, cache inferens, dan storan hangat. Walau bagaimanapun, NAND turut dipengaruhi oleh kitaran telefon pintar, PC, dan elektronik pengguna, jadi ketulenan AI-nya kurang jelas berbanding HBM.

Mengapa HDD Masih Diperlukan dalam Pusat Data AI?

HDD masih diperlukan dalam pusat data AI kerana AI sentiasa menghasilkan sejumlah besar data, dan bukan semua data perlu kekal dalam storan berkelajuan tinggi. Log inferens, sandaran, arkib, rekod pematuhan, data sejuk, dan storan objek lebih sensitif terhadap kos setiap terabait dan skala kapasiti. HDD tidak boleh menggantikan HBM atau SSD, tetapi ia tetap berguna sebagai lapisan kapasiti jangka panjang.

Bagaimana Pelabur Runcit Boleh Membandingkan Ketulenan Perniagaan HBM, NAND, dan HDD?

Pelabur runcit boleh membandingkan empat dimensi: sama ada produk memasuki nod pengiraan AI, sama ada hasil pusat data meningkat sebagai sebahagian daripada jumlah hasil, sama ada pelanggan AI membeli secara terus, dan sama ada penetapan harga terutamanya didorong oleh permintaan AI. HMB mempunyai ketulenan teknikal yang tertinggi, NAND/SSD mempunyai liputan aplikasi yang lebih luas, dan HDD mungkin menawarkan pendedahan kitaran kapasiti yang lebih tertumpu sambil berada lebih jauh daripada pengiraan.

Apakah Risiko Terbesar untuk Sahutan Storan AI?

Risiko terbesar untuk saham storan AI ialah jangkaan yang berlebihan dan pembalikan kitaran. Walaupun permintaan AI kekal kukuh, harga saham mungkin jatuh jika pertumbuhan harga memori melambat, perbelanjaan modal awan melemah, bekalan berkembang terlalu pantas, atau pendapatan gagal memenuhi jangkaan pasaran. Storan bersifat kitaran, jadi pelabur harus memantau penilaian, margin kasar, inventori, dan kepekatan pelanggan.

Bolehkah ETF Storan Menggantikan Saham Storan AI Individu?

ETF storan boleh mengurangkan risiko syarikat tunggal, tetapi ia tidak dapat menggantikan sepenuhnya kajian saham individu. ETF mungkin memegang gabungan nama HBM, NAND, HDD, peralatan, pelayan, dan indeks semikonduktor, yang boleh mencairkan ketulenan perniagaan. Sebelum melabur, semak pegangan ETF, nisbah perbelanjaan, indeks asas, dan toleransi risiko anda sendiri.