แผนที่ห่วงโซ่อุปทานที่จัดเก็บข้อมูล AI: ชิป, HDD, SSD, อุปกรณ์บรรจุภัณฑ์ และระบบจัดเก็บข้อมูลระดับองค์กร

ห่วงโซ่อุปทานการจัดเก็บข้อมูล AI ไม่ใช่แนวคิดของชิปเดี่ยวหรือฮาร์ดไดรฟ์เพียงอย่างเดียว แต่เป็นแผนที่หลายชั้นที่ประกอบด้วยหน่วยความจำแบบแบนด์วิดท์สูง, NAND Flash, SSD สำหรับองค์กร, HDD แบบ nearline, อุปกรณ์บรรจุภัณฑ์ขั้นสูง, ตัวควบคุม, ระบบจัดเก็บข้อมูล และแพลตฟอร์มข้อมูล การฝึกฝน AI ต้องการการอ่านข้อมูลที่มีทรูพุตสูงและจุดตรวจสอบ (checkpoints) การอนุมาน (inference) ต้องการ HBM, DRAM, KV cache และ SSD ที่มีความหน่วงต่ำ การเก็บรักษาข้อมูลต้องการ object storage และ HDD ความจุสูง หากคุณติดตามโครงสร้างพื้นฐาน AI, หุ้นหน่วยความจำ, หุ้นเซมิคอนดักเตอร์สหรัฐฯ, ฮาร์ดแวร์ศูนย์ข้อมูล และระบบจัดเก็บข้อมูลสำหรับองค์กร คุณจำเป็นต้องเข้าใจก่อนว่าแต่ละชั้นตั้งอยู่ที่ใดภายในปริมาณงาน AI

ประเด็นสำคัญ

• ห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI สามารถแบ่งออกได้เป็นห้าชั้น ได้แก่ ชิปหน่วยความจำ, SSD, HDD, อุปกรณ์บรรจุภัณฑ์ และระบบระดับองค์กร
• HBM และ DRAM ทำงานใกล้ชิดกับ GPU เป็นหลัก และมีบทบาทแก้ปัญหาด้านแบนด์วิดท์ ความหน่วง และการจัดการบริบท
• SSD ระดับองค์กรรองรับความต้องการด้านข้อมูลการฝึกฝน, checkpoint, RAG และการจัดชั้นแคช
• HDD แบบใกล้บรรทัด (Nearline) และพื้นที่จัดเก็บแบบออบเจ็กต์ให้ข้อดีด้านการเก็บรักษาข้อมูล AI ระยะยาวและต้นทุนต่อความจุ
• CoWoS, TSV อุปกรณ์บรรจุภัณฑ์ขั้นสูง และอุปกรณ์ทดสอบ ส่งผลต่อการส่งมอบ HBM และตัวเร่งปฏิกิริยา AI
• เพื่อประเมินโอกาสในห่วงโซ่อุปทาน ควรติดตามปริมาณงาน คำสั่งซื้อ ราคา สินค้าคงคลัง และค่าใช้จ่ายด้านเงินทุนโดยพิจารณาประกอบกัน

ควรแบ่งส่วนประกอบของแผนที่ห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI อย่างไร?

ห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI ควรถูกแยกวิเคราะห์ตามประเภทของปริมาณงาน (workloads) สามประเภท ได้แก่ การฝึก (training) การอนุมาน (inference) และการเก็บรักษาข้อมูล แทนที่จะแยกตามป้ายกำกับเดียว เช่น "ชิปหน่วยความจำ" หรือ "ฮาร์ดดิสก์" การฝึกต้องการการอ่านชุดข้อมูลความเร็วสูงและการเขียน checkpoint การอนุมานต้องการน้ำหนักโมเดล (model weights) KV cache การค้นคืน RAG และการจัดการบริบทความยาวสูง การเก็บรักษาข้อมูลต้องการ object storage, nearline HDD การสำรองข้อมูล และคลังเก็บข้อมูล การทำความเข้าใจว่าบริษัทต่าง ๆ ได้รับประโยชน์จริงจากส่วนใด จะเป็นไปได้ก็ต่อเมื่อทำการจับคู่ปริมาณงานกับชั้นพื้นที่จัดเก็บข้อมูลเท่านั้น

หัวใจสำคัญของการฝึกโมเดลคือ “การป้อนข้อมูลให้ GPU อย่างต่อเนื่อง” หากไปป์ไลน์ข้อมูล ระบบไฟล์แบบขนาน หรืออัตราการส่งผ่านของ SSD ไม่เพียงพอ GPU จะต้องรอคอย หัวใจสำคัญของการอนุมานคือ “การทำให้โมเดลตอบสนองได้อย่างรวดเร็วภายใต้การทำงานพร้อมกันสูง” บริบทยาว บทสนทนาหลายรอบ RAG และเอเจนต์ AI ล้วนเพิ่มภาระให้กับ HBM, DRAM, SSD และฐานข้อมูล หัวใจสำคัญของการเก็บรักษาคือ “การทำให้ข้อมูลใช้งานได้ในระยะยาว ควบคุมดูแลได้ และกู้คืนได้” คลังข้อมูลดิบ เวอร์ชันของโมเดล บันทึกการอนุมาน เนื้อหาที่สร้างขึ้น และบันทึกการตรวจสอบ ไม่จำเป็นต้องมีเวลาแฝงต่ำทั้งหมด แต่จำเป็นต้องมีต้นทุนต่ำและการเก็บรักษาที่มั่นคง

เมื่อพูดถึง การฝึกและการอนุมานของ AI Dell เน้นย้ำว่าการวางแผนพื้นที่จัดเก็บข้อมูลสำหรับ AI ไม่สามารถมุ่งเน้นเพียงความจุเท่านั้น แต่ประสิทธิภาพ เครือข่าย และโปรโตคอลการถ่ายโอนข้อมูล ต้องถูกรวมอยู่ในการวางแผนการปรับใช้ในเวลาเดียวกันด้วย ในงาน COMPUTEX 2026 Micron ยังได้ขยายหน่วยความจำและพื้นที่จัดเก็บข้อมูลสำหรับ AI ครอบคลุมตั้งแต่ HBM, SOCAMM, LPDDR และ SSD สำหรับศูนย์ข้อมูล ซึ่งแสดงให้เห็นว่าพื้นที่จัดเก็บข้อมูลสำหรับ AI ไม่ใช่เพียงสายผลิตภัณฑ์เดียว แต่เป็นลำดับชั้นที่สมบูรณ์

จากมุมมองประเภทของบริษัท ห่วงโซ่อุปทานการจัดเก็บข้อมูล AI สามารถแบ่งออกเป็นห้ากลุ่ม กลุ่มแรกคือผู้ผลิตชิปหน่วยความจำ ได้แก่ Micron, Samsung และ SK hynix ซึ่งจัดหา HBM, DRAM, NAND และ SSD สำหรับศูนย์ข้อมูล กลุ่มที่สองคือผู้ผลิต HDD และ SSD ได้แก่ Western Digital, Seagate และ SanDisk ซึ่งสนับสนุน nearline HDD, enterprise SSD และความต้องการการเก็บรักษาข้อมูลความจุสูง กลุ่มที่สามคือบริษัทบรรจุภัณฑ์ขั้นสูงและอุปกรณ์ ได้แก่ TSMC, OSATs, ผู้ผลิตอุปกรณ์บรรจุภัณฑ์ ผู้จำหน่ายอุปกรณ์ทดสอบ และบริษัทซับสเตรต กลุ่มที่สี่คือผู้ขายระบบการจัดเก็บข้อมูลสำหรับองค์กร ได้แก่ Dell, IBM, NetApp และ Pure Storage กลุ่มที่ห้าคือผู้ให้บริการคลาวด์และแพลตฟอร์มข้อมูล ซึ่งเป็นผู้กำหนดจังหวะการจัดซื้อจริงและทางเลือกด้านสถาปัตยกรรม

หัวใจสำคัญของแผนผังห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI ไม่ใช่ "บริษัทไหนเชื่อมโยงกับ AI" แต่เป็นวิธีที่ workload ของ AI ถูกจับคู่กับชั้นของพื้นที่จัดเก็บข้อมูล การฝึกฝน (Training) ต้องการท่อส่งข้อมูลที่มีความเร็วสูงและ checkpoints การอนุมาน (Inference) ต้องการ HBM, DRAM, SSD, KV cache และการเข้าถึง RAG การจัดเก็บระยะยาวต้องการ object storage และ HDD แบบ nearline คุณจะสามารถตัดสินได้ก็ต่อเมื่อเข้าใจตำแหน่งของแต่ละชั้นแล้วว่าบริษัทใดได้ประโยชน์จากความยืดหยุ่นของราคา การเติบโตของปริมาณการจัดส่ง การขยายตัวของอุปกรณ์ หรือการอัปเกรดแพลตฟอร์มข้อมูลองค์กร มิฉะนั้น คุณอาจเข้าใจผิดว่ากระแสการค้าแนวคิดระยะสั้นคือการเติบโตของอุตสาหกรรมในระยะยาว

ชั้นชิป: ทำไม HBM, DRAM และ NAND จึงเป็นแกนหลักของพื้นที่จัดเก็บข้อมูล AI?

HBM, DRAM และ NAND เป็นชั้นต้นน้ำหลักในห่วงโซ่อุปทานของระบบจัดเก็บข้อมูล AI แต่ตรรกะของมูลค่าแตกต่างกัน HBM อยู่ใกล้ GPU มากที่สุด และแก้ไขปัญหาคอขวดด้านแบนด์วิดท์สูงและความหน่วงต่ำ DRAM รองรับหน่วยความจำระบบ การทำงานพร้อมกันในการอนุมาน (inference concurrency) และการจัดตารางบริบท NAND รองรับข้อมูลการฝึกอบรม เช็คพอยต์ (checkpoints) RAG ไฟล์โมเดล และการแบ่งชั้นแคชผ่าน SSD ระดับองค์กร เมื่อวิเคราะห์ชั้นชิป คุณไม่ควรมองแค่ “ราคาชิปหน่วยความจำที่สูงขึ้น” เท่านั้น แต่คุณต้องระบุให้ได้ว่าชิปตัวใดถูกขับเคลื่อนด้วยปริมาณงาน AI แบบใด

HBM เป็นชั้นหน่วยความจำมูลค่าสูงที่วางอยู่ข้างตัวเร่ง AI โดยให้แบนด์วิดท์สูงผ่านสถาปัตยกรรมแบบซ้อนกัน และเชื่อมต่ออย่างแน่นหนากับ GPU หรือ AI ASIC ผ่านการบรรจุขั้นสูง การฝึกโมเดลขนาดใหญ่ต้องเคลื่อนย้ายพารามิเตอร์ การกระตุ้น (activations) และสถานะระดับกลางระหว่างแกนประมวลผลกับหน่วยความจำอยู่ตลอดเวลา การอนุมาน (inference) ก็เพิ่มแรงกดดันต่อหน่วยความจำเช่นกันเนื่องจากบริบทที่ยาวและ KV cache รายงานของ Reuters เกี่ยวกับ การเดิมพันด้าน HBM ของ SK hynix ระบุว่าการลงทุนในช่วงต้นด้าน HBM ช่วยให้บริษัทได้รับตำแหน่งที่สำคัญยิ่งขึ้นในห่วงโซ่อุปทานของตัวเร่ง AI ซึ่งสะท้อนให้เห็นว่า HBM ได้เปลี่ยนจากผลิตภัณฑ์หน่วยความจำเฉพาะทางมาเป็นข้อจำกัดหลักด้านฮาร์ดแวร์ AI

DRAM และหน่วยความจำระบบไม่ใช่สิ่งที่ทดแทน HBM ได้ แต่เป็นชั้นกลางที่จำเป็นในเซิร์ฟเวอร์ AI การจัดตารางข้อมูลฝั่ง CPU การทำงานพร้อมกันของการอนุมาน (inference concurrency) การจัดการบริบทยาว การประมวลผลข้อมูล RAG และการเก็บรักษาสถานะของเอเจนต์ ล้วนเพิ่มคุณค่าให้กับ DDR5, MRDIMM, SOCAMM และหน่วยความจำ CXL เมื่อแนะนำ โซลูชันหน่วยความจำแบบก้าว_breakthrough_ Samsung Semiconductor เน้นย้ำว่าสถานการณ์ AI และ HPC ต้องการผลิตภัณฑ์หน่วยความจำที่มีประสิทธิภาพสูงขึ้น ความจุสูงขึ้น และประหยัดพลังงานมากขึ้น เนื่องจาก AI ไม่ได้ขึ้นอยู่กับ GPU เพียงอย่างเดียว แต่ยังขึ้นอยู่กับการเคลื่อนย้ายข้อมูลฝั่งระบบด้วย

มูลค่าหลักของ NAND แสดงออกผ่าน SSD ระดับองค์กร แม้ว่าอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภคจะยังคงส่งผลกระทบต่อวงจรของ NAND อยู่ แต่ AI กำลังเปลี่ยนความต้องการ NAND ระดับไฮเอนด์ไปสู่ศูนย์ข้อมูล การอ่านข้อมูลสำหรับการฝึกโมเดล การเขียน checkpoint ดัชนี RAG ฐานข้อมูลเวกเตอร์ การถ่ายโหลด KV cache และการโหลดไฟล์โมเดล ล้วนต้องการ SSD ระดับองค์กรที่มีอัตราการส่งผ่านข้อมูลสูง ความหน่วงต่ำ และความทนทานสูง TrendForce ระบุว่า ความต้องการ NAND Flash ได้รับการสนับสนุนจากแอปพลิเคชันที่เกี่ยวข้องกับ AI ในขณะที่พื้นที่จัดเก็บข้อมูลของเซิร์ฟเวอร์ก็กำลังขับเคลื่อนการนำ SSD ระดับองค์กรแบบ QLC ความจุสูงมาใช้เช่นกัน

ชั้นชิปคือส่วนหนึ่งของห่วงโซ่อุปทานการจัดเก็บข้อมูล AI ที่ดึงดูดความสนใจจากตลาดมากที่สุด เนื่องจาก HBM, DRAM และ NAND สามารถแปลเป็นราคาที่สูงขึ้น อัตรากำไรขั้นต้นที่ดีขึ้น และการเติบโตของรายได้ได้โดยตรง แต่คุณจำเป็นต้องแยกแยะเส้นทางของผลประโยชน์ที่แตกต่างกัน HBM ได้รับผลกระทบหลักจากตัวเร่ง AI และกำลังการผลิตบรรจุภัณฑ์ขั้นสูง DRAM ถูกขับเคลื่อนหลักโดยหน่วยความจำเซิร์ฟเวอร์และการทำงานพร้อมกันสำหรับการอนุมาน (inference concurrency) NAND สนับสนุนท่อข้อมูลและการแคชผ่าน SSD ระดับองค์กร ชั้นชิปมีโอกาสสำคัญ แต่ความผันผวนตามรอบ สินค้าคงคลัง การขยายกำลังการผลิต และความเข้มข้นของลูกค้าก็เด่นชัดกว่าเช่นกัน ไม่ควรวิเคราะห์ผ่านตรรกะเดียวว่า "ความต้องการ AI แข็งแกร่ง"

ชั้น HDD และ SSD: ทำไม AI จึงต้องการทั้ง SSD ความเร็วสูงและ HDD ความจุสูง?

AI ต้องการทั้ง SSD ความเร็วสูงและ HDD ความจุสูง เนื่องจากการฝึกโมเดล การอนุมาน และการเก็บรักษาข้อมูลมีความต้องการด้านประสิทธิภาพและต้นทุนที่แตกต่างกัน SSD แก้ปัญหาความต้องการอ่าน/เขียนที่มีทรูพุตสูง ความหน่วงต่ำ และการทำงานพร้อมกันสูง จึงเหมาะสำหรับข้อมูลฝึกโมเดล checkpoint, RAG, ไฟล์โมเดล และการจัดชั้นแคช ส่วน HDD แก้ปัญหาความจุสูงในต้นทุนต่ำและความต้องการเก็บรักษาระยะยาว จึงเหมาะสำหรับคลังข้อมูลดิบ วิดีโอ ล็อก การสำรองข้อมูล คลังเก็บถาวร และเวอร์ชันโมเดลในอดีต ในสถานการณ์ AI SSD และ HDD มักทำหน้าที่เป็นส่วนเสริมกันตามชั้นข้อมูลมากกว่าที่จะเป็นตัวแทนกันโดยตรง

คุณค่าของ SSD สำหรับองค์กรอยู่ที่ความเร็วและความเสถียร ในระหว่างการฝึกโมเดล SSD จำเป็นต้องรองรับการอ่านที่มีปริมาณงานสูงและการเขียน checkpoint ในระหว่างการอนุมาน SSD จำเป็นต้องรองรับการค้นหาแบบ RAG, ฐานข้อมูลเวกเตอร์, การโหลดโมเดล และการย้ายข้อมูล KV cache ออกไป ในระหว่างการทำวิศวกรรมข้อมูล SSD จำเป็นต้องประมวลผลชุดข้อมูลและข้อมูลระหว่างกลางที่เติบโตอย่างต่อเนื่อง โซลูชัน AI สำหรับศูนย์ข้อมูลของ Micron ครอบคลุมทั้งการฝึกและการอนุมานภายใต้โซลูชันหน่วยความจำและที่จัดเก็บข้อมูลสำหรับ AI data center ซึ่งแสดงให้เห็นว่า SSD ได้เปลี่ยนจากส่วนประกอบทั่วไปของเซิร์ฟเวอร์มาเป็นส่วนสำคัญของไปป์ไลน์ข้อมูล AI แล้ว

เทคโนโลยี SSD สำหรับองค์กรยังคงพัฒนาไปสู่แบนด์วิดท์ที่สูงขึ้น ความหน่วงที่ต่ำลง และความจุที่มากขึ้น PCIe Gen5/Gen6, NVMe, NVMe-oF, SSD สำหรับองค์กรแบบ QLC และ GPUDirect Storage ล้วนแก้ปัญหาเดียวกัน นั่นคือการส่งข้อมูลไปยังระบบคำนวณได้เร็วขึ้น และนำแคชและการดึงข้อมูลเข้าใกล้บริการโมเดลมากขึ้น ในงาน COMPUTEX 2026 Micron ได้กล่าวถึง SSD รุ่น 9650 และ SSD รุ่น 6600 ION ซึ่งสอดคล้องกับสถานการณ์ที่ต้องการประสิทธิภาพสูงและความจุสูงตามลำดับ แสดงให้เห็นว่าการจัดเก็บข้อมูลสำหรับ AI ไม่ได้ต้องการ SSD เพียงประเภทเดียว

คุณค่าของ HDD มาจากความจุและต้นทุน คลังข้อมูลสำหรับฝึก AI, ข้อมูลวิดีโอ, log การอนุมาน (inference logs), เวอร์ชันของโมเดล, การสำรองข้อมูล และคลังเก็บถาวร ไม่ได้ต้องการการเข้าถึงระดับมิลลิวินาทีเสมอไป แต่จำเป็นต้องเก็บรักษาในระยะยาว เมื่อพูดถึง HDD ในการจัดเก็บข้อมูล AI Western Digital เน้นย้ำว่า HDD ยังคงเป็นสื่อจัดเก็บความจุสูงที่คุ้มค่าและเชื่อถือได้ โดยเฉพาะสำหรับการเก็บรักษาระยะยาวเมื่อข้อมูล AI ยังคงเติบโตต่อไป Seagate รายงาน รายได้ 3.11 พันล้านดอลลาร์สหรัฐ และอัตรากำไรขั้นต้นแบบ non-GAAP ที่ 470% ในไตรมาสที่สามของปีงบประมาณ 2026 ซึ่งสะท้อนแรงสนับสนุนจากความต้องการฮาร์ดดิสก์สำหรับศูนย์ข้อมูลและ nearline HDD อีกด้วย

การจัดเก็บข้อมูล AI ไม่ใช่เรื่องราวง่าย ๆ ของ "SSD แทนที่ HDD" แต่เป็นเรื่องเกี่ยวกับการแบ่งชั้นข้อมูลร้อน อุ่น และเย็น ข้อมูลร้อนต้องการความเร็ว ข้อมูลอุ่นต้องการความสมดุลระหว่างประสิทธิภาพกับต้นทุน ข้อมูลเย็นต้องการความจุและความน่าเชื่อถือระยะยาว SSD สำหรับองค์กรช่วยให้การฝึกและการอนุมาน (inference) ทำงานเร็วขึ้น ในขณะที่ HDD แบบเนียร์ไลน์ (nearline) และ object storage ช่วยให้ข้อมูล AI จำนวนมหาศาลยังคงทนทาน จัดการได้ และควบคุมต้นทุนได้ เมื่อวิเคราะห์ห่วงโซ่อุปทานของการจัดเก็บข้อมูล AI คุณควรพิจารณาความถี่ในการเข้าถึงข้อมูล ต้นทุนต่อความจุ ข้อกำหนดด้านความหน่วง และความต้องการด้านการกำกับดูแลข้อมูลเข้าด้วยกัน แทนที่จะตัดสินโอกาสผ่านตรรกะการทดแทนฮาร์ดแวร์เพียงอย่างเดียว

ชั้นบรรจุภัณฑ์ขั้นสูงและอุปกรณ์: ทำไม CoWoS, TSV และอุปกรณ์ทดสอบจึงเป็นส่วนหนึ่งของห่วงโซ่อุปทานการจัดเก็บข้อมูล AI?

บรรจุภัณฑ์ขั้นสูงและเครื่องจักรอุปกรณ์ต่าง ๆ ถือเป็นส่วนหนึ่งของห่วงโซ่อุปทานหน่วยความจำ AI เนื่องจาก HBM ไม่ใช่ชิปที่เป็นอิสระในตัวเอง แต่ต้องเชื่อมต่ออย่างแน่นหนากับ GPU หรือ AI accelerator ผ่าน TSV การซ้อนชั้น อินเตอร์โพสเซอร์ ซับสเตรต และ CoWoS แม้ว่าเวเฟอร์ HBM และเวเฟอร์ GPU จะพร้อมแล้ว แต่โมดูล AI ขั้นสุดท้ายก็อาจยังคงส่งมอบได้ไม่ราบรื่น หากบรรจุภัณฑ์ ซับสเตรต การทดสอบ หรืออัตราผลผลิตติดขัด คอขวดของอุปทานหน่วยความจำ AI ไม่ได้มีอยู่เพียงในขั้นตอนเวเฟอร์เท่านั้น แต่ยังรวมถึงการบรรจุภัณฑ์ขั้นปลายและการตรวจสอบความถูกต้องด้วย

คำอธิบายของ TSMC เกี่ยวกับ CoWoS-S แสดงให้เห็นว่าเทคโนโลยีนี้ใช้ silicon interposer เพื่อจัดเตรียมการเชื่อมต่อความหนาแน่นสูง ซึ่งสามารถรวม logic chiplets และชุด HBM ไว้ในแพ็กเกจเดียวกันสำหรับสถานการณ์ AI และการประมวลผลประสิทธิภาพสูง กล่าวอีกนัยหนึ่ง CoWoS ไม่ใช่แค่การบรรจุทั่วไป แต่เป็นกระบวนการสำคัญที่เปลี่ยน AI GPU, HBM และโมดูลการประมวลผลประสิทธิภาพสูงให้กลายเป็นผลิตภัณฑ์สำเร็จรูป

เมื่อสแตก HBM มีความสูงมากขึ้นและบรรจุภัณฑ์ของตัวเร่ง AI มีความซับซ้อนมากขึ้น ข้อกำหนดด้านอุปกรณ์และการควบคุมกระบวนการก็เพิ่มสูงขึ้นตามไปด้วย การบรรจุภัณฑ์ขั้นสูงต้องใช้ไม่เพียงแค่อุปกรณ์ระดับเวเฟอร์ แต่ยังรวมถึงการเชื่อมต่อ (bonding), TSV, dicing, การตรวจสอบ, สถานีโพรบ, อุปกรณ์ทดสอบ, ซับสเตรต ABF, ซิลิคอนอินเทอร์โพสเซอร์ และการประสานงานความจุของ OSAT/foundry ด้วย การวิเคราะห์โรดแมปการบรรจุภัณฑ์ขั้นสูงของ TSMC โดย TrendForce ระบุว่า CoWoS กำลังมุ่งไปสู่ขนาดที่ใหญ่ขึ้นและรองรับสแตก HBM ได้มากขึ้น ซึ่งแสดงให้เห็นว่าความจุการบรรจุภัณฑ์ขั้นสูงส่งผลโดยตรงต่อจังหวะการขยายตัวของฮาร์ดแวร์ AI

ลิงก์ที่เกี่ยวข้องกับการบรรจุภัณฑ์ขั้นสูงสามารถแบ่งออกได้เป็น:

• CoWoS / บรรจุภัณฑ์ 2.5D: ผสานชิปตรรกะและ HBM เข้าด้วยกันในความหนาแน่นสูง
• TSV และการซ้อนทับ: เปิดใช้งานการเชื่อมต่อแนวตั้งและแบนด์วิดท์ที่สูงขึ้นภายใน HBM
• Interposer: จัดเตรียมช่องทางการเชื่อมต่อความเร็วสูงระหว่างชิปเล็ต (chiplets), GPU และ HBM
• ซับสเตรต ABF: รองรับซับสเตรตบรรจุภัณฑ์และการเชื่อมต่อสัญญาณ/พลังงาน
• อุปกรณ์ทดสอบ: ตรวจสอบอัตราผลผลิต ประสิทธิภาพ พฤติกรรมทางความร้อน และความน่าเชื่อถือ
• กำลังการผลิตบรรจุภัณฑ์ของ OSAT / โรงงานเวเฟอร์: เป็นตัวกำหนดจังหวะการส่งมอบขั้นสุดท้ายและความสามารถในการขยายกำลังการผลิต

บรรจุภัณฑ์ขั้นสูงในบางครั้งอาจขยายกำลังการผลิตได้ยากกว่าอุปทานชิปหน่วยความจำเสียอีก เนื่องจากการบรรจุภัณฑ์ขั้นสูงเกี่ยวข้องกับระยะเวลารอคอยของอุปกรณ์ การเพิ่มอัตราผลผลิต การรับรองจากลูกค้า การจัดหาวัสดุ การประสานงานกระบวนการ และการจัดตารางกำลังการผลิต ซึ่งไม่สามารถแก้ไขได้เพียงแค่เพิ่มสายการผลิตแบบทั่วไป HBM, GPU, interposer และ substrate จำเป็นต้องได้รับการจับคู่กันอย่างสูง ความล่าช้าในชั้นใดชั้นหนึ่งอาจส่งผลกระทบต่อการจัดส่งตัวเร่ง AI ขั้นสุดท้าย

บรรจุภัณฑ์ขั้นสูงและอุปกรณ์ต่าง ๆ เป็นชั้นกลางที่มักถูกมองข้ามในห่วงโซ่อุปทานการจัดเก็บข้อมูล AI HBM ไม่ได้กลายเป็น AI compute ได้เพียงแค่การผลิตเสร็จเท่านั้น แต่ต้องเชื่อมต่อกับ GPU หรือ AI ASIC ผ่านการบรรจุภัณฑ์ความหนาแน่นสูงเพื่อสร้างเป็นโมดูลแบบบูรณาการ CoWoS, TSV, interposer, ซับสเตรต, อุปกรณ์ทดสอบ และการจัดการ yield ล้วนส่งผลต่อความสามารถในการส่งมอบขั้นสุดท้าย ดังนั้นการวิเคราะห์ห่วงโซ่อุปทานจึงไม่ควรมุ่งเน้นเพียงแค่ Micron, Samsung และ SK hynix เท่านั้น แต่ควรรวมถึงอุปกรณ์บรรจุภัณฑ์ อุปกรณ์ทดสอบ ซับสเตรต และความสามารถในการบรรจุภัณฑ์ขั้นสูงด้วย มูลค่าของชั้นนี้ไม่ใช่ "กำลังการผลิตหน่วยความจำ" แต่เป็น "การทำให้หน่วยความจำระดับไฮเอนด์เชื่อมต่อกับ compute ได้จริง"

ชั้นระบบจัดเก็บข้อมูลระดับองค์กร: Dell, IBM, NetApp, Pure Storage และบริษัทที่คล้ายกันแก้ปัญหาอะไร?

ชั้นระบบจัดเก็บข้อมูลระดับองค์กรช่วยแก้ปัญหาเรื่อง "วิธีที่ข้อมูล AI ยังคงสามารถใช้งานได้อย่างต่อเนื่อง" ชิป SSD และ HDD ให้ทั้งประสิทธิภาพและความจุ แต่เมื่อองค์กรนำ AI ไปใช้งานจริง พวกเขายังต้องการ namespace แบบรวมศูนย์ parallel file system, object storage, block storage, การจัดการสิทธิ์การเข้าถึง, การสำรองและกู้คืนข้อมูล, การย้ายไปยังระบบไฮบริดคลาวด์ และการกำกับดูแลข้อมูล โอกาสของ Dell, IBM, NetApp, Pure Storage และบริษัทที่คล้ายกันไม่ได้มีเพียงการขายฮาร์ดแวร์เท่านั้น แต่ยังรวมถึงการเปลี่ยนข้อมูลที่กระจัดกระจายให้กลายเป็นสินทรัพย์ข้อมูล AI ที่สามารถนำไปฝึกฝน ค้นหา กำกับดูแล และกู้คืนได้

ข้อมูล AI ระดับองค์กรมักกระจัดกระจายอยู่ตามที่จัดเก็บไฟล์ ที่จัดเก็บวัตถุ (object storage) ฐานข้อมูล ดาต้าเลค อุปกรณ์ขอบเครือข่าย (edge devices) ระบบ SaaS และระบบสำรองข้อมูล การฝึกโมเดลจำเป็นต้องอ่านไฟล์และวัตถุจำนวนมาก การอนุมาน (inference) จำเป็นต้องเข้าถึงฐานความรู้และดัชนีเวกเตอร์ RAG จำเป็นต้องค้นหาข้อมูลได้อย่างรวดเร็วและส่งคืนเนื้อหาที่เกี่ยวข้อง ทีมธรรมาภิบาลยังต้องจัดการสิทธิ์การเข้าถึง การตรวจสอบย้อนกลับ และระยะเวลาการเก็บรักษาข้อมูลอีกด้วย หากบริษัทซื้อเพียง SSD หรือ HDD โดยไม่มีแพลตฟอร์มข้อมูลแบบรวมศูนย์ ก็อาจประสบปัญหาข้อมูลแยกส่วน (data silos) สำเนาข้อมูลซ้ำซ้อน ความสับสนด้านสิทธิ์การเข้าถึง และความยากลำบากในการกู้คืนข้อมูลได้ง่าย

เมื่อเปิดตัว Dell AI Data Platform Dell เน้นย้ำว่า ObjectScale ให้บริการ object storage แบบ S3-native สำหรับงาน AI ขนาดใหญ่ ในขณะที่ PowerScale และ ObjectScale รองรับการฝึกโมเดล การปรับแต่งเพิ่มเติม (fine-tuning) การอนุมาน (inference) และการเข้าถึงข้อมูลองค์กร AI storage ของ IBM นำบริการข้อมูลแบบ file, block และ object มารวมไว้ในโซลูชันพื้นที่จัดเก็บข้อมูลเดียว โดยเน้นด้าน throughput สูง latency ต่ำ และความพร้อมใช้งานแบบต่อเนื่องตลอดเวลา คำอธิบายของ IBM เกี่ยวกับ object, file, and block storage ยังแสดงให้เห็นอีกด้วยว่างาน workload ด้าน AI ไม่ได้พึ่งพาบริการข้อมูลเพียงประเภทเดียว

NetApp วางตำแหน่ง AI storage ไว้ภายใต้ hybrid multicloud และ Intelligent Data Infrastructure โดยเน้นการเคลื่อนย้ายข้อมูลระดับองค์กรข้ามระบบภายในองค์กร คลาวด์ และ AI factories ส่วน Pure Storage ก็ได้เสริมความแข็งแกร่งให้กับ Enterprise Data Cloud และ data intelligence เช่นกัน ITPro รายงานว่า แพลตฟอร์ม Data Intelligence ของบริษัทเน้นเรื่องการค้นหาข้อมูล การกำกับดูแล การจับคู่ข้อมูล และความพร้อมสำหรับ AI ซึ่งสะท้อนให้เห็นว่าผู้ให้บริการ storage สำหรับองค์กรกำลังเปลี่ยนจุดเน้นจากประสิทธิภาพของฮาร์ดแวร์ไปสู่ความสามารถด้านการจัดการข้อมูล

คูเมืองของระบบการจัดเก็บข้อมูลระดับองค์กรไม่ได้อยู่ที่เพียง IOPS ทรูพุต และความจุเท่านั้น แต่ยังรวมถึงการค้นหาข้อมูล การกำกับดูแลข้อมูล การป้องกันแรนซัมแวร์ สแนปช็อตแบบเปลี่ยนแปลงไม่ได้ การสำรองและกู้คืนข้อมูล การจัดการสิทธิ์การเข้าถึง และการย้ายข้อมูลสู่ระบบคลาวด์แบบไฮบริด ยิ่งการประยุกต์ใช้ AI เจาะลึกเข้าไปในกระบวนการหลักขององค์กรมากเท่าใด แพลตฟอร์มข้อมูลก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น ชิปและฮาร์ดดิสก์กำหนดประสิทธิภาพในระดับพื้นฐาน ในขณะที่ระบบการจัดเก็บข้อมูลระดับองค์กรเป็นตัวกำหนดว่าข้อมูลจะสามารถใช้งานได้อย่างเชื่อถือได้ ดึงข้อมูลได้อย่างรวดเร็ว จัดการได้อย่างปลอดภัย และนำกลับมาใช้ใหม่ได้อย่างต่อเนื่องหรือไม่ ดังนั้น ห่วงโซ่อุปทานของการจัดเก็บข้อมูลสำหรับ AI ไม่ควรมุ่งเน้นเพียงฮาร์ดแวร์ฝั่งต้นน้ำเท่านั้น แต่ควรให้ความสำคัญกับว่าชั้นระบบระดับองค์กรสามารถเปลี่ยนข้อมูลให้กลายเป็นสินทรัพย์ระยะยาวได้หรือไม่ด้วย

ส่วนใดของห่วงโซ่อุปทานที่จัดเก็บข้อมูล AI มีแนวโน้มได้ประโยชน์มากกว่า และส่วนใดมีความเสี่ยงสูงกว่า?

โอกาสในห่วงโซ่อุปทานที่จัดเก็บข้อมูล AI ไม่ได้กระจายอย่างทั่วถึง HBM และ DRAM ระดับไฮเอนด์อาจได้ประโยชน์จากความยืดหยุ่นของราคาและอุปทานที่ตึงตัว SSD สำหรับองค์กรได้ประโยชน์จากท่อส่งข้อมูลและแคชการอนุมาน (inference caching) HDD ได้ประโยชน์จากการเติบโตของความจุและการจัดซื้อจากคลาวด์ อุปกรณ์บรรจุภัณฑ์ได้ประโยชน์จากการขยายตัวของ CoWoS และ HBM ระบบจัดเก็บข้อมูลสำหรับองค์กรได้ประโยชน์จากการกลายเป็นแพลตฟอร์มข้อมูล แต่แต่ละชั้นยังมีความเสี่ยงที่แตกต่างกัน รวมถึงความผันผวนตามวัฏจักร การปรับลดสินค้าคงคลัง การถูกแทนที่ด้วยเทคโนโลยี การพึ่งพาลูกค้าเพียงไม่กี่ราย และการประเมินมูลค่าสูงเกินจริง

จุดแข็งของ HBM/DRAM ต้นน้ำคือความหนาแน่นของมูลค่าสูง กำแพงด้านเทคนิคสูง และการผูกขาดลูกค้าที่แข็งแกร่ง ความเสี่ยงคือการรวมศูนย์ลูกค้า การขยายกำลังการผลิต และความผันผวนของราคา จุดแข็งของ NAND/SSD คือการฝึกอบรม RAG checkpoints และการย้าย KV cache ออกภายนอก ล้วนเพิ่มความต้องการ SSD สำหรับองค์กร ความเสี่ยงคือวงจร NAND สำหรับผู้บริโภค สินค้าคงคลัง และการลดลงของราคา จุดแข็งของ HDD คือการเก็บรักษาข้อมูล AI และต้นทุนต่อเทระไบต์ ความเสี่ยงคือวงจรการจัดซื้อของคลาวด์ แผนงานด้านเทคโนโลยี และขอบเขตของการแทนที่ด้วย SSD จุดแข็งของอุปกรณ์บรรจุภัณฑ์ขั้นสูงคือการสัมผัสกับการขยายกำลังการผลิต ความเสี่ยงคือการเปลี่ยนแปลงจังหวะการใช้จ่ายเงินลงทุนของลูกค้า จุดแข็งของระบบจัดเก็บข้อมูลระดับองค์กรคือความยึดติดของแพลตฟอร์มข้อมูลความเสี่ยงได้แก่ รอบโครงการที่ยาวนาน การแข่งขันที่รุนแรง และข้อจำกัดด้านงบประมาณ

รอยเตอร์รายงานว่าความต้องการหน่วยความจำ AI ที่แข็งแกร่งของ Micron เคยกระตุ้นการรีลี่ย์ในวงกว้างของหุ้นหน่วยความจำ รวมถึง Western Digital, SanDisk และ Seagate การเคลื่อนไหวของตลาดลักษณะนี้แสดงให้เห็นว่า AI storage สามารถส่งผลกระทบได้หลายระดับ แต่ก็เตือนคุณด้วยว่าปฏิกิริยาของราคาหุ้นไม่ได้หมายความว่าทุกกลุ่มธุรกิจจะมีพื้นฐานเหมือนกัน ทั้งความยืดหยุ่นของราคาต้นน้ำ รายได้ระบบปลายน้ำ คำสั่งซื้ออุปกรณ์ และการจัดส่ง HDD ล้วนถูกขับเคลื่อนด้วยตัวแปรที่แตกต่างกัน

เพื่อตัดสินความต้องการที่แท้จริง คุณต้องดูว่าการฝึกฝน (training) การอนุมาน (inference) และการเก็บรักษาข้อมูลกำลังขยายตัวไปพร้อมกันหรือไม่ หากความต้องการพื้นที่จัดเก็บข้อมูล AI เป็นการเติบโตที่แท้จริง มันควรจะปรากฏให้เห็นพร้อมกันทั้งในขนาดของชุดข้อมูลฝึกฝน ปริมาณโทเค็นการอนุมาน, KV cache, การเรียกใช้ RAG, การเก็บรักษา log, คำสั่งซื้อ SSD ขององค์กร และการจัดซื้อ nearline HDD หากสัญญาณส่วนใหญ่เป็นเพียงการเติมสต็อกของช่องทางจำหน่าย การล็อกอุปทานล่วงหน้า หรือการพุ่งขึ้นของราคาในระยะสั้น ข้อมูลความต้องการอาจดูแข็งแกร่ง แต่ก็อาจจางหายไปในภายหลังได้ การวิเคราะห์ของ Reuters เกี่ยวกับวงจรรุ่งเรืองและตกต่ำของอุตสาหกรรมหน่วยความจำยังชี้ให้เห็นด้วยว่า ข้อตกลงอุปทานระยะยาวสามารถปรับปรุงความชัดเจนของรายได้ได้ แต่ไม่สามารถขจัดความเสี่ยงจากวงจรอุตสาหกรรมที่เกิดจากการเปลี่ยนแปลงของความต้องการได้อย่างสมบูรณ์

หากคุณติดตามหุ้นที่เกี่ยวข้องกับการจัดเก็บข้อมูล AI ค่าธรรมเนียมการซื้อขายก็ควรถูกรวมอยู่ในการประเมินผลตอบแทนจริงด้วยเช่นกัน ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ อาจรวมถึงไม่เพียงแต่ค่าคอมมิชชันเท่านั้น แต่ยังรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมหน่วยงานภายนอก ค่าธรรมเนียมกิจกรรมการทำธุรกรรม ความแตกต่างในการดำเนินการคำสั่งซื้อ และค่าใช้จ่ายที่เกี่ยวข้องกับการชำระบัญชีด้วย ยกตัวอย่างเช่น ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ Biya ไม่เก็บค่าคอมมิชชันสำหรับการซื้อขายหุ้นสหรัฐฯ ในขณะที่ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมหน่วยงานภายนอก และค่าธรรมเนียมอื่น ๆ ขึ้นอยู่กับศูนย์ค่าธรรมเนียมและหน้าคำสั่งซื้อ ความพร้อมใช้งานของบริการที่เกี่ยวข้องขึ้นอยู่กับสถานที่ตั้งของผู้ใช้ ผลการตรวจสอบยืนยันตัวตน กฎของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้องก่อนทำการซื้อขาย นักลงทุนควรตรวจสอบหน้าคำสั่งซื้อขาย ใบแจ้งยอดบัญชี และข้อกำหนดด้านกำกับดูแลในท้องถิ่นเสมอ

โอกาสในห่วงโซ่อุปทานที่เก็บข้อมูลสำหรับ AI จำเป็นต้องได้รับการประเมินทีละชั้น ในส่วนต้นน้ำ HBM และ SSD อาจมีความยืดหยุ่นด้านราคาที่แข็งแกร่งกว่า ส่วน HDD ขึ้นอยู่กับการเติบโตของความจุและการจัดซื้อจากผู้ให้บริการคลาวด์มากกว่า อุปกรณ์บรรจุภัณฑ์ขั้นสูงขึ้นอยู่กับวงจรการขยายกำลังการผลิตมากกว่า ระบบจัดเก็บข้อมูลระดับองค์กรขึ้นอยู่กับแพลตฟอร์มข้อมูลและความต้องการด้านธรรมาภิบาลข้อมูลมากกว่า ในการประเมินโอกาสในห่วงโซ่อุปทาน คุณควรพิจารณาว่าความต้องการเป็นของจริงหรือไม่ คำสั่งซื้อยั่งยืนหรือไม่ ราคาร้อนแรงเกินไปหรือไม่ สินค้าคงคลังกำลังเพิ่มขึ้นหรือไม่ และมูลค่าหลักทรัพย์สูงเกินจริงหรือไม่ แนวคิด AI ไม่สามารถทดแทนการวิเคราะห์ปัจจัยพื้นฐานได้ แผนที่ห่วงโซ่อุปทานที่มีประโยชน์ควรบอกคุณได้ว่าเหตุใดแต่ละชั้นจึงได้รับประโยชน์ ประโยชน์นั้นอาจกินเวลานานเพียงใด และความเสี่ยงมาจากที่ใด

หากคุณติดตาม HBM, SSD, HDD, การบรรจุขั้นสูง (advanced packaging), ระบบจัดเก็บข้อมูลระดับองค์กร หัวข้อหุ้นสหรัฐฯ และหุ้นฮ่องกงที่เกี่ยวข้อง, ETFs และห่วงโซ่อุปทานเซมิคอนดักเตอร์อย่างต่อเนื่อง คุณสามารถใช้ Biya เพื่อติดตามราคาหลักทรัพย์หลายประเภท บันทึกการซื้อขาย และกิจกรรมบัญชี ห่วงโซ่อุปทานหน่วยความจำ AI เกี่ยวข้องกับตลาด บริษัท และปัจจัยความเสี่ยงที่แตกต่างกัน ทำให้ยากที่จะมองเห็นภาพรวมที่สมบูรณ์จากพาดหัวข่าวเดียว คุณยังสามารถใช้ ข้อมูลหุ้นสหรัฐฯ เพื่อติดตามหุ้นและการเปลี่ยนแปลงในกลุ่มอุตสาหกรรมที่เกี่ยวข้อง ในขณะเดียวกันให้ยืนยันความพร้อมใช้งานของบริการตามสถานที่ตั้งของคุณ ผลการตรวจสอบตัวตน กฎของแพลตฟอร์ม และกฎหมายและข้อบังคับที่เกี่ยวข้องข้อมูลตลาดสาธารณะและโครงสร้างค่าธรรมเนียมมีไว้เพื่ออ้างอิงเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุน ก่อนทำการซื้อขาย นักลงทุนควรทำความเข้าใจประเภทคำสั่งซื้อขาย โครงสร้างค่าธรรมเนียม ความเสี่ยงจากความผันผวน และระดับความเสี่ยงที่ตนเองรับได้อย่างถี่ถ้วน

คำถามที่พบบ่อย

อะไรคือส่วนหลักของห่วงโซ่อุปทานการจัดเก็บข้อมูลสำหรับ AI?

ห่วงโซ่อุปทานการจัดเก็บข้อมูลสำหรับ AI ประกอบด้วย HBM, DRAM, NAND, SSD สำหรับองค์กร, HDD แบบ nearline, บรรจุภัณฑ์ขั้นสูง, อุปกรณ์ทดสอบ, ระบบจัดเก็บข้อมูลสำหรับองค์กร และแพลตฟอร์มข้อมูลเป็นหลัก ส่วนต่าง ๆ เหล่านี้สอดคล้องกับความต้องการที่แตกต่างกันในด้านการฝึกอบรม การอนุมาน และการเก็บรักษาข้อมูล ดังนั้นจึงไม่สามารถสรุปห่วงโซ่นี้ได้เพียงแค่ "ชิปหน่วยความจำ"

ทำไม HBM จึงเป็นหัวใจสำคัญของห่วงโซ่อุปทานการจัดเก็บข้อมูลสำหรับ AI?

HBM เป็นส่วนหลักของห่วงโซ่อุปทานการจัดเก็บข้อมูลสำหรับ AI เนื่องจากตั้งอยู่ใกล้กับ GPU และตัวเร่ง AI ซึ่งช่วยให้เข้าถึงข้อมูลได้ด้วยแบนด์วิดท์สูงและความหน่วงต่ำ การฝึกอบรมและการอนุมานโมเดลขนาดใหญ่ต่างต้องการการเข้าถึงน้ำหนักโมเดล สถานะระหว่างกาล และแคชที่รวดเร็ว ทำให้ HBM เป็นองค์ประกอบที่มีมูลค่าสูง

ทำไมศูนย์ข้อมูล AI จึงต้องใช้ทั้ง SSD และ HDD?

ศูนย์ข้อมูล AI จำเป็นต้องใช้ทั้ง SSD และ HDD เนื่องจากทั้งสองทำหน้าที่รองรับระดับข้อมูล (data tiers) ที่แตกต่างกัน SSD เหมาะสำหรับข้อมูลการฝึก (training data), checkpoint, RAG และแคชที่มีความหน่วงต่ำ ในขณะที่ HDD เหมาะสำหรับคลังข้อมูลย้อนหลัง ไฟล์ log การสำรองข้อมูล การเก็บถาวร และการเก็บรักษาระยะยาวความจุสูง

ทำไม CoWoS และเทคโนโลยีการบรรจุชิปขั้นสูงจึงส่งผลต่ออุปทานอุปกรณ์จัดเก็บข้อมูลสำหรับ AI?

CoWoS และการบรรจุชิปขั้นสูงส่งผลต่ออุปทานอุปกรณ์จัดเก็บข้อมูลสำหรับ AI เนื่องจาก HBM ต้องเชื่อมต่อกับ GPU หรือตัวเร่ง AI (AI accelerator) อย่างหนาแน่น แม้ว่าความจุของชิป HBM จะเพียงพอ แต่การส่งมอบโมดูล AI ขั้นสุดท้ายอาจยังคงถูกจำกัดด้วยกระบวนการบรรจุชิป ซับสเตรต การทดสอบ และอัตราผลผลิต (yield)

ระบบจัดเก็บข้อมูลระดับองค์กรมีบทบาทอย่างไรในห่วงโซ่อุปทาน AI?

ระบบพื้นที่จัดเก็บข้อมูลระดับองค์กรเปลี่ยนข้อมูลที่กระจัดกระจายให้กลายเป็นสินทรัพย์ข้อมูลที่สามารถใช้ฝึกโมเดล ค้นหา กำกับดูแล และกู้คืนได้ ปัญญาประดิษฐ์ระดับองค์กรต้องการมากกว่า SSD และ HDD นั่นคือยังต้องการระบบไฟล์ object storage การจัดการสิทธิ์การเข้าถึง การสำรองและกู้คืนข้อมูล ตลอดจนการควบคุมข้อมูลแบบไฮบริดคลาวด์อีกด้วย

นักลงทุนทั่วไปควรวิเคราะห์โอกาสในห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI อย่างไร?

นักลงทุนทั่วไปควรวิเคราะห์โอกาสด้านพื้นที่จัดเก็บข้อมูล AI ตามตำแหน่งในห่วงโซ่อุปทาน ซึ่งรวมถึง HBM, SSD, HDD อุปกรณ์บรรจุภัณฑ์ และระบบระดับองค์กร โดยควรติดตามคำสั่งซื้อ ราคา สินค้าคงคลัง ค่าใช้จ่ายด้านทุน ความเข้มข้นของลูกค้า และระดับมูลค่าหุ้น แทนที่จะพึ่งพาเพียงแนวคิดที่เกี่ยวข้องกับ AI เท่านั้น