ฟาวน์ดรีมีส่วนร่วมในห่วงโซ่การจัดเก็บข้อมูล AI อย่างไร? โหนดที่โด่งดัง (Mature Nodes), หน่วยความจำฝังตัว (Embedded Memory) และการแบ่งงานในอุตสาหกรรม

Foundry เข้าร่วมห่วงโซ่หน่วยความจำ AI ไม่ใช่ด้วยการผลิต DRAM, NAND หรือ HBM โดยตรง แต่ด้วยการจัดหาแพลตฟอร์มการผลิตสำหรับตัวเร่ง AI, ตัวควบคุมหน่วยความจำ, ชิปอินเทอร์เฟซ, IC จัดการพลังงาน, หน่วยความจำแบบฝัง และการบรรจุชิปขั้นสูง หากคุณกำลังติดตามอุตสาหกรรมหน่วยความจำ AI คุณไม่ควรมองเพียงผู้ผลิตหน่วยความจำเท่านั้น คุณยังต้องเข้าใจด้วยว่าใครเป็นผู้ผลิต GPU, ASIC และ SoC และใครจัดหา CoWoS, ซิลิกอนอินเตอร์โพสเซอร์, eNVM, BCD, PMIC และ MCU คุณค่าของ foundry นั้นอยู่ที่การทำให้ชิปประมวลผล AI และระบบหน่วยความจำทำงานร่วมกันอย่างมีประสิทธิภาพมากกว่า

สรุปประเด็นสำคัญ

• กายวิภาคแฟบ (Foundries) ไม่ใช่ผู้ผลิต HBM แต่มีบทบาทลึกซึ้งในการผลิตชิป AI
• ห่วงโซ่หน่วยความจำ AI ประกอบด้วยหน่วยความจำ ตรรกะ การบรรจุชิป ชิปอินเทอร์เฟซ และการจัดการพลังงาน
• โหนดขั้นสูงและ CoWoS เป็นตัวกำหนดประสิทธิภาพในการรวมตัวเร่ง AI เข้ากับ HBM
• โหนดที่เป็นที่ยอมรับแล้ว (Mature nodes) ยังคงหนุนความต้องการ PMIC, MCU, ชิปอินเทอร์เฟซ และ eNVM
• เพื่อประเมินการสัมผัสกับธุรกิจแฟบ ให้ดูโครงสร้างรายได้ แพลตฟอร์มกระบวนการผลิต และคุณภาพของลูกค้า

แฟบมีบทบาทอย่างแท้จริงอย่างไรในห่วงโซ่หน่วยความจำ AI?

บทบาทของฟาวดรี (foundry) ในห่วงโซ่การจัดเก็บข้อมูล AI นั้นก่อนอื่นคือการเป็นแพลตฟอร์มการผลิต ไม่ใช่แบรนด์หน่วยความจำ คุณสามารถมองพวกเขาเป็นชั้นการผลิตที่อยู่เบื้องหลังชิป AI ชิปคอนโทรลเลอร์ ชิปอินเทอร์เฟซ และชิปหน่วยความจำแบบฝังตัวบางส่วน เซิร์ฟเวอร์ AI ต้องการ HBM, DRAM และ NAND แต่ก็ยังต้องการ GPU, AI ASIC ชิปเครือข่าย PMIC และชิปอินเทอร์เฟซความเร็วสูงมาทำงานร่วมกันด้วย ผู้ผลิตหน่วยความจำจัดหาหน่วยความจำแบบแบนด์วิดท์สูงและที่จัดเก็บข้อมูลความจุ大ขนาดใหญ่ ส่วนฟาวดรีผลิตชิปตรรกะและชิปสนับสนุนระบบจำนวนมาก และเชื่อมต่อการคำนวณกับการจัดเก็บข้อมูลเข้าด้วยกันผ่านการบรรจุชิปขั้นสูง

ในอุตสาหกรรมสารกึ่งตัวนำ บริษัทต่าง ๆ มักถูกแบ่งออกเป็นสี่ประเภท ได้แก่ ผู้ผลิตหน่วยความจำ ผู้ออกแบบชิปแบบ fabless ผู้รับจ้างผลิตเวเฟอร์ (foundry) และผู้ให้บริการบรรจุและทดสอบชิป TSMC วางตำแหน่งตัวเองเป็นโมเดล ผู้รับจ้างผลิตเวเฟอร์ ที่เน้นลูกค้าเป็นศูนย์กลาง ซึ่งแตกต่างจากผู้ผลิตหน่วยความจำอย่าง Samsung, SK hynix และ Micron โดยกลุ่มแรกผลิตชิปตามการออกแบบของลูกค้าเป็นหลัก ส่วนกลุ่มหลังออกแบบและผลิตผลิตภัณฑ์หน่วยความจำมาตรฐาน เช่น DRAM, NAND และ HBM เป็นหลัก

ความเข้าใจผิดที่พบบ่อยที่สุดเมื่อมองไปยังห่วงโซ่อุปกรณ์จัดเก็บข้อมูล AI คือการให้ความสำคัญกับ HBM เพียงอย่างเดียว HBM เป็นผลิตภัณฑ์หน่วยความจำที่สำคัญในการฝึกและการอนุมาน (inference) ของ AI จริง แต่จะสามารถปลดล็อกคุณค่าด้านแบนด์วิดท์ได้ก็ต่อเมื่อถูกแพ็กเกจรวมกับตัวเร่งปฏิกิริยา AI เท่านั้น รอบ ๆ GPU สำหรับ AI หรือ AI ASIC ยังมีชิปจัดการพลังงาน ชิปเชื่อมต่อเครือข่าย ชิปควบคุมการจัดเก็บข้อมูล ชิปปรับสภาพสัญญาณ และชิปจัดการระบบอีกด้วย ลิงก์เหล่านี้จำนวนมากไม่ได้ดำเนินการโดยผู้ผลิตหน่วยความจำ แต่ดำเนินการโดยผู้รับจ้างผลิต (foundry) และผู้ผลิตกระบวนการพิเศษ

ดังนั้น การสัมผัสด้าน AI storage ของผู้ผลิตเวเฟอร์ (foundry) จึงมักเป็นแบบ "ทางอ้อมแต่สำคัญ" แม้จะไม่ได้ขายชิป HBM แม้แต่ชิ้นเดียว แต่อาจเป็นผู้ผลิตชิปลอจิก ชิปคอนโทรลเลอร์ และชิปสนับสนุนต่าง ๆ ที่อยู่รอบ HBM โดยเฉพาะในเซิร์ฟเวอร์ AI การคำนวณ การจัดเก็บข้อมูล เครือข่าย พลังงาน และการระบายความร้อน ล้วนสัมพันธ์กับประสิทธิภาพโดยรวมของระบบ หากลิงก์การผลิตใดติดขัด การส่งมอบเซิร์ฟเวอร์ก็อาจได้รับผลกระทบ

สรุป: ผู้รับจ้างผลิต (Foundry) ไม่ใช่ผู้ผลิตหน่วยความจำในความหมายดั้งเดิม แต่เป็นรากฐานด้านการผลิตที่สำคัญในห่วงโซ่การจัดเก็บข้อมูลสำหรับ AI เมื่อตัดสินว่าผู้รับจ้างผลิตได้รับประโยชน์จากหน่วยความจำ AI หรือไม่ คุณไม่ควรถามอย่างง่าย ๆ ว่าผู้รับจ้างผลิต DRAM, NAND หรือ HBM หรือไม่ แต่ควรมองว่ามีส่วนร่วมในตัวเร่ง AI (AI Accelerators), การบรรจุขั้นสูง (Advanced Packaging), ตัวควบคุมหน่วยความจำ, PMIC, MCU, ชิปอินเทอร์เฟซ และแพลตฟอร์มหน่วยความจำแบบฝังหรือไม่ หน่วยความจำ AI ไม่ใช่การแข่งขันของชิปเดี่ยว แต่เป็นการแข่งขันแบบประสานงานกันระหว่างชิปประมวลผล ชิปหน่วยความจำ และการบรรจุระดับระบบ คุณค่าของผู้รับจ้างผลิตอยู่ที่ความสามารถในการผลิตแบบประสานงานนี้นั่นเอง

โหนดกระบวนการผลิตขั้นสูงและการบรรจุขั้นสูงเชื่อมโยง HBM เข้ากับตัวเร่ง AI ได้อย่างไร?

โหนดเทคโนโลยีขั้นสูงและการบรรจุชิปขั้นสูง (advanced packaging) ถือเป็นจุดเข้าสู่ที่สำคัญที่สุดที่ผู้รับจ้างผลิตเวเฟอร์ (foundry) ใช้เข้าร่วมห่วงโซ่การจัดเก็บข้อมูล AI ตัวเร่ง AI (AI accelerator) ต้องใช้ชิปตรรกะขั้นสูงสำหรับการคำนวณ ขณะที่ HBM ทำหน้าที่เป็นหน่วยความจำแบบแบนด์วิดท์สูง ทั้งสองส่วนต้องถูกรวมเข้าด้วยกันผ่านการบรรจุแบบ 2.5D/3D ตัวเชื่อมซิลิคอน (silicon interposer) และการเชื่อมต่อความหนาแน่นสูง คุณสามารถมองว่า HBM เป็น "สระหน่วยความจำความเร็วสูง" ชิปโหนดเทคโนโลยีขั้นสูงเป็น "แกนประมวลผล" และแพลตฟอร์มการบรรจุแบบ CoWoS และที่คล้ายกันเป็นสะพานที่เชื่อมต่อทั้งสองส่วนเข้าด้วยกันอย่างมีประสิทธิภาพ

ในรายงานประจำปี 2025 TSMC เปิดเผยว่าโหนดกระบวนการผลิตขั้นสูงตั้งแต่ 7 นาโนเมตรลงไปคิดเป็นสัดส่วนที่สูงของรายได้จากเวเฟอร์ ซึ่งสะท้อนให้เห็นว่าความต้องการด้าน AI และการประมวลผลประสิทธิภาพสูงกำลังผลักดันมูลค่าไปสู่โหนดขั้นสูงมากขึ้น ในขณะเดียวกัน CoWoS-S ของ TSMC ก็มีจุดยืนชัดเจนสำหรับการใช้งานประสิทธิภาพสูง เช่น AI และการคำนวณแบบซูเปอร์คอมพิวเตอร์ โดยช่วยให้ชิปตรรกะและกลุ่มชิป HBM สามารถเชื่อมต่อกันบนตัวกลางซิลิคอน (silicon interposer) ได้

ทำไมการบรรจุชิปขั้นสูง (advanced packaging) จึงกลายเป็นหนึ่งในคอขวดของห่วงโซ่อุปทาน AI? เหตุผลคือการแข่งขันด้านชิป AI ไม่ได้ขึ้นอยู่กับกระบวนการผลิตที่เล็กลงเพียงอย่างเดียวอีกต่อไป การฝึกโมเดลขนาดใหญ่ต้องการแบนด์วิดท์หน่วยความจำที่สูงขึ้น ความหน่วงที่ต่ำลง และประสิทธิภาพการใช้พลังงานที่ดีกว่า ซึ่งชิปเดี่ยวเพียงชิ้นแทบจะทำงานทุกอย่างได้ด้วยตัวเอง TrendForce ระบุว่าตั้งแต่ปี 2023 เป็นต้นมา ความต้องการ AI ได้ก่อให้เกิดคอขวดในเวเฟอร์กระบวนการ 3nm–2nm และ การบรรจุชิปขั้นสูงแบบ 2.5D/3D โดยการขาดแคลนได้แผ่ขยายจาก CoWoS ไปสู่เครื่องจักร ซับสเตรต และวัสดุสำหรับการบรรจุชิป

นี่ยังอธิบายอีกด้วยว่าทำไมเมื่อวิเคราะห์ห่วงโซ่การจัดเก็บข้อมูล AI คุณจึงจำเป็นต้องมองทั้ง HBM และกำลังการผลิตด้านการบรรจุชิป แม้ว่าผู้ผลิตหน่วยความจำจะสามารถจัดหา HBM ได้ แต่ตัวเร่งปฏิกิริยา AI (AI accelerators) ก็ไม่สามารถดำเนินการรวมระบบให้เสร็จสมบูรณ์ได้อย่างราบรื่น หากกำลังการผลิตด้านการบรรจุชิปขั้นสูงไม่เพียงพอ ต่อมา TrendForce ประเมินว่ากำลังการผลิต CoWoS ของ TSMC ยังคงขยายตัวอย่างรวดเร็ว ซึ่งสะท้อนความต้องการที่แข็งแกร่งจากลูกค้าชิป AI ต่อการบรรจุชิประดับไฮเอนด์

จากมุมมองของการแบ่งงานในอุตสาหกรรม HBM นำโดยผู้ผลิตหน่วยความจำ ตรรกะขั้นสูงผลิตโดยผู้รับจ้างผลิตเวเฟอร์ และการบูรณาการระบบได้รับการสนับสนุนจากแพลตฟอร์มการบรรจุชิปขั้นสูง คุณไม่ควรนิยาม TSMC อย่างง่าย ๆ ว่าเป็น "บริษัทหน่วยความจำ" แต่ผ่านกระบวนการโหนดขั้นสูงและ CoWoS นั้น TSMC เชื่อมต่อตัวเร่ง AI เข้ากับ HBM และกลายเป็นลิงก์การผลิตที่สำคัญในระบบหน่วยความจำ AI

สรุป: โหนดกระบวนการผลิตขั้นสูงแก้ปัญหาความหนาแน่นของการคำนวณสำหรับตัวเร่ง AI ส่วนบรรจุภัณฑ์ขั้นสูงแก้ปัญหาการเชื่อมต่อระหว่างตัวเร่ง AI กับ HBM ผู้รับจ้างผลิตชิป (Foundry) มีความเกี่ยวข้องอย่างมากกับห่วงโซ่การจัดเก็บข้อมูล AI ไม่ใช่เพราะพวกเขาผลิต HBM โดยตรง แต่เพราะพวกเขาผลิตแกนประมวลผลและจัดเตรียมแพลตฟอร์มบรรจุภัณฑ์ที่เชื่อมต่อแกนประมวลผลเหล่านั้นกับ HBM เมื่อวิเคราะห์อุตสาหกรรมหน่วยความจำ AI คุณไม่ควรมองเพียงปริมาณการส่งมอบ HBM เท่านั้น แต่ควรมองไปที่ CoWoS, ตัวเชื่อมซิลิคอน (silicon interposer), ซับสเตรต, อัตราผลผลิตการทดสอบ และกำลังการผลิตโหนดขั้นสูงด้วย สิ่งที่จำกัดการส่งมอบชิป AI มักเป็นข้อจำกัดที่มารวมกันของการคำนวณ หน่วยความจำ และการบรรจุภัณฑ์

เหตุใดโหนดกระบวนการผลิตแบบเมเจอร์ (Mature Nodes) จึงยังได้รับผลกระทบจากความต้องการหน่วยความจำ AI?

โหนดกระบวนการผลิตที่เป็นทางไม่ได้ผลิต HBM ที่ทันสมัยที่สุดโดยตรง และโดยปกติก็ไม่ใช่กระบวนการหลักสำหรับ GPU สำหรับ AI แต่ก็ยังคงได้รับผลกระทบจากความต้องการด้านหน่วยความจำสำหรับ AI อยู่ดี เหตุผลก็ตรงไปตรงมา: นอกจากชิปประมวลผลระดับไฮเอนด์แล้ว เซิร์ฟเวอร์ AI และอุปกรณ์ AI ขอบเครือข่ายยังต้องการชิป PMIC, ชิปจัดการพลังงาน, ชิปอินเทอร์เฟซ, MCU, เซนเซอร์, ชิปแอนะล็อก และชิปควบคุมจำนวนมาก ผลิตภัณฑ์เหล่านี้ให้ความสำคัญกับความน่าเชื่อถือ ต้นทุน ความทนทานต่อแรงดันไฟฟ้า การใช้พลังงานต่ำ และการจัดหาในระยะยาวมากกว่า โดยไม่จำเป็นต้องใช้เทคโนโลยี 3nm หรือ 5nm และมักอยู่บนโหนดกระบวนการที่เป็นทาง เช่น 28nm, 40nm, 55nm, 90nm หรือ 0.18µm

โหนดที่เป็นกระบวนการผลิตแบบสมบูรณ์ (mature nodes) ไม่ใช่ “กำลังการผลิตที่ล้าสมัย” แต่เป็นตัวพาที่สำคัญของกระบวนการเฉพาะทาง ตัวอย่างเช่น กระบวนการ BCD เหมาะสำหรับการจัดการพลังงานและการขับไฟแรงสูง; eFlash หรือ eNVM เหมาะสำหรับ MCU, สมาร์ตการ์ด และการควบคุมอุตสาหกรรม; กระบวนการ RF และแอนะล็อกเหมาะสำหรับการสื่อสารและการตรวจจับ UMC เคยร่วมมือกับพันธมิตรพัฒนาโซลูชัน embedded flash แบบปลอดภัยบนแพลตฟอร์ม 55nm embedded flash และต่อมาได้เปิดเผยความร่วมมือกับ SST เพื่อปรับปรุงประสิทธิภาพของ ESF4 eNVM เทคโนโลยีเหล่านี้เกี่ยวข้องกับการควบคุมระบบและการจัดเก็บข้อมูลอย่างปลอดภัยมากกว่าหน่วยความจำความจุสูง

ความต้องการ AI มักถูกส่งต่อไปยังโหนดรุ่นเก่า (mature nodes) ในลักษณะทางอ้อม ชั้นแรกคือการขยายตัวของศูนย์ข้อมูล AI ซึ่งขับเคลื่อนการอัปเกรดระบบพลังงานของเซิร์ฟเวอร์ ระบบเครือข่าย ระบบระบายความร้อน และระบบจัดเก็บข้อมูล ชั้นที่สองคือการเติบโตของการประมวลผลการอนุมาน (inference) ที่ขอบเครือข่ายใน AI PC รถยนต์อัจฉริยะ หุ่นยนต์ และอุปกรณ์อุตสาหกรรม ชั้นที่สามคือความต้องการหน่วยความจำแบบฝัง (embedded memory) ที่เพิ่มขึ้นในตัวควบคุม เซ็นเซอร์ และ MCU ที่ใช้พลังงานต่ำ Hua Hong ในเครือ Hua Hong Grace ให้ความสำคัญกับกระบวนการผลิตเฉพาะทาง รวมถึง NVM แบบฝัง/แบบแยก อุปกรณ์กำลังไฟฟ้า วงจรแอนะล็อก และการจัดการพลังงาน ซึ่งเป็นวิธีทั่วไปที่โหนดรุ่นเก่าเข้าร่วมห่วงโซ่อุปกรณ์เสริมของ AI

อย่างไรก็ตาม คุณควรหลีกเลี่ยงการกล่าวเกินจริงเกี่ยวกับความสัมพันธ์ระหว่างโหนดกระบวนการผลิตที่เป็นผู้ใหญ่ (mature nodes) กับ AI เนื่องจากไม่ใช่ทุกกำลังการผลิตของโหนดที่เป็นผู้ใหญ่จะได้รับประโยชน์โดยตรงจาก AI และไม่ใช่คำสั่งซื้อ eNVM หรือ PMIC ทั้งหมดจะมาจากเซิร์ฟเวอร์ AI ในการประเมินผลกระทบที่แท้จริง คุณจำเป็นต้องพิจารณาลูกค้าปลายทาง แพลตฟอร์มผลิตภัณฑ์ อัตราการใช้กำลังการผลิต ราคาขายเฉลี่ย และการเปิดเผยข้อมูลทางการเงิน ไม่ใช่แค่ดูว่าบริษัทกล่าวถึง AI หรือไม่เท่านั้น

สรุป: โหนดกระบวนการผลิตแบบเมททัวร์ (mature nodes) เข้าร่วมในห่วงโซ่การจัดเก็บข้อมูลสำหรับ AI ผ่านชิปสนับสนุนระบบเป็นหลัก ไม่ใช่การผลิต HBM โดยตรง เซิร์ฟเวอร์ AI ต้องการชิปประมวลผลระดับไฮเอนด์ แต่ก็ต้องการผลิตภัณฑ์กระบวนการผลิตแบบเมททัวร์จำนวนมาก เช่น ชิปจัดการพลังงาน ชิปควบคุม ชิปอินเทอร์เฟซ ชิปแอนะล็อก และชิปจัดเก็บข้อมูลความปลอดภัย เมื่อวิเคราะห์โรงงานรับจ้างผลิต (foundry) ที่ใช้โหนดกระบวนการแบบเมททัวร์ คุณควรเน้นดูว่า PMIC, MCU, eNVM, BCD, แอนะล็อก และอุปกรณ์กำลังไฟฟ้าได้เข้าสู่ห่วงโซ่อุปทานของเซิร์ฟเวอร์ AI, AI ขอบเครือข่าย (edge AI), รถยนต์อัจฉริยะ หรือระบบควบคุมอุตสาหกรรมหรือไม่ คุณค่าของโหนดกระบวนการแบบเมททัวร์อยู่ที่ความน่าเชื่อถือ ต้นทุนต่ำ การจัดหาในระยะยาว และกระบวนการผลิตเฉพาะทาง มากกว่าการไล่ตามโหนดกระบวนการผลิตที่เล็กที่สุดอย่างเดียว

หน่วยความจำฝังตัว eNVM แตกต่างจาก DRAM และ NAND แบบดั้งเดิมอย่างไร?

หน่วยความจำแบบฝังใน (Embedded memory) หรือ eNVM คือหน่วยความจำบนชิปที่ถูกรวมเข้าไปภายในชิปตรรกะ ซึ่งไม่เหมือนกับ DRAM, NAND หรือ HBM แบบแยกส่วน คุณสามารถมอง HBM เป็นหน่วยความจำแบบแบนด์วิดท์สูงที่อยู่ข้างตัวเร่ง AI, NAND เป็นที่จัดเก็บข้อมูลความจุสูง, DRAM เป็นหน่วยความจำที่ใช้งานของระบบ และ eNVM เป็นหน่วยความจำที่ใช้ภายใน MCU, SoC, ตัวควบคุม และชิป AI ขอบเพื่อจัดเก็บโค้ด การตั้งค่า คีย์ความปลอดภัย เฟิร์มแวร์ และพารามิเตอร์โมเดลจำนวนเล็กน้อย จุดเน้นของมันไม่ใช่ความจุสูงสุด แต่เป็นการผสานรวมกับตรรกะ การใช้พลังงานต่ำ การเก็บรักษาข้อมูลที่เชื่อถือได้ และความเข้ากันได้กับกระบวนการผลิต

รูปแบบที่พบบ่อยของ eNVM ได้แก่ eFlash, RRAM, MRAM, OTP และ EEPROM ในขณะที่โหนดกระบวนการผลิตก้าวหน้าขึ้น แฟลชแบบฝังแบบดั้งเดิมต้องเผชิญกับความท้าทายด้านต้นทุนและความสามารถในการขยายขนาดที่โหนดที่ทันสมัยยิ่งขึ้น ซึ่งเป็นเหตุผลว่าทำไมเทคโนโลยีหน่วยความจำแบบไม่รักษาสถานะแบบฝังใหม่ เช่น RRAM และ MRAM จึงได้รับความสนใจมากขึ้น บทนำของ TSMC เกี่ยวกับ eFlash และ RRAM ระบุว่า RRAM แบบฝังสามารถใช้แทนที่แฟลชแบบฝังและรองรับแอปพลิเคชันอัจฉริยะได้

บทบาทของ eNVM ใน AI ที่ขอบเครือข่าย (Edge AI) มีความสำคัญเป็นพิเศษ อุปกรณ์ Edge โดยทั่วไปต้องการการใช้พลังงานต่ำ การตื่นจากการทำงานที่รวดเร็ว การอนุมาน (inference) ในท้องถิ่น และการทำงานที่เสถียรในระยะยาว ซึ่งไม่สามารถพึ่งพาคลาวด์หรืออุปกรณ์จัดเก็บข้อมูลภายนอกได้ตลอดเวลา eNVM ที่อยู่ภายใน MCU หรือ SoC สามารถจัดเก็บเฟิร์มแวร์ การกำหนดค่าอุปกรณ์ พารามิเตอร์การปรับเทียบ กุญแจความปลอดภัย และข้อมูลโมเดลขนาดเล็กบางส่วนได้ สำหรับรถยนต์อัจฉริยะ ระบบควบคุมอุตสาหกรรม อุปกรณ์สวมใส่ และโหนด IoT ความสามารถในการเก็บรักษาข้อมูลบนชิปนี้มีคุณค่าอย่างยิ่ง

นี่คือจุดที่ผู้ผลิตเวเฟอร์กระบวนการพิเศษ (specialty-process foundries) ก็มีโอกาสเช่นกัน eNVM ไม่ได้เกี่ยวข้องเพียงแค่เซลล์หน่วยความจำเท่านั้น แต่ยังครอบคลุมถึงความเข้ากันได้กับกระบวนการลอจิก การตรวจสอบความน่าเชื่อถือ การสนับสนุน IP การรับรองมาตรฐานยานยนต์หรืออุตสาหกรรม และวงจรการออกแบบร่วมกับลูกค้า (design-in cycles) พอร์ตโฟลิโอ Embedded Memory ของ GlobalFoundries ประกอบด้วย MRAM และเน้นย้ำการใช้งานในด้านการจัดเก็บข้อมูลและโค้ด นอกจากนี้บริษัทยังได้เปิดตัว AutoPro 150 eMRAM สำหรับการใช้งานด้านยานยนต์ โดยเน้นถึงสถานการณ์การใช้งานที่อุณหภูมิสูง ความทนทานในการเขียนซ้ำ และชิป SoC สำหรับยานยนต์Samsung ยังเริ่มจัดส่งเชิงพาณิชย์ของ 28nm eMRAM ค่อนข้างเร็ว ซึ่งแสดงให้เห็นว่า MRAM แบบฝังตัวได้เข้าสู่การใช้งานในระดับการผลิตจริงแล้ว

เมื่อประเมินบริษัทที่เกี่ยวข้องกับ eNVM คุณไม่ควรมุ่งเน้นไปที่คำว่า "หน่วยความจำ" เพียงอย่างเดียว ชิปหน่วยความจำแบบสแตนด์อโลนมีลักษณะคล้ายผลิตภัณฑ์มาตรฐาน และได้รับผลกระทบอย่างมากจากวงจรราคา กำลังการผลิต และสภาพอุปสงค์-อุปทานของบิต eNVM มีลักษณะคล้ายความสามารถด้านแพลตฟอร์มกระบวนการผลิตมากกว่า ซึ่งมักเชื่อมโยงกับ MCU, SoC, สมาร์ตการ์ด, การควบคุมอุตสาหกรรม, ชิปยานยนต์ และการออกแบบ AI ขอบ ทั้งสองอย่างจัดเป็นเทคโนโลยีหน่วยความจำเหมือนกัน แต่รูปแบบธุรกิจ ความยืดหยุ่นของอุปสงค์ และตรรกะการลงทุนแตกต่างกัน

สรุป: ความแตกต่างที่สำคัญที่สุดระหว่าง eNVM กับ HBM, DRAM หรือ NAND คือ eNVM ถูกฝังอยู่ภายในชิปตรรกะและทำหน้าที่รองรับโค้ด การกำหนดค่า ความปลอดภัย และการเก็บรักษาข้อมูลในโหมดพลังงานต่ำ แทนที่จะมุ่งเน้นความจุสูงสุดหรือแบนด์วิดท์ภายนอกที่สูงที่สุด Foundries เข้าร่วมในห่วงโซ่หน่วยความจำแบบฝังผ่านแพลตฟอร์มกระบวนการผลิต เช่น eFlash, RRAM และ MRAM โดยเฉพาะใน MCU, SoC, AI ขอบเขต (edge AI) การควบคุมอุตสาหกรรม และชิปยานยนต์ เมื่อวิเคราะห์ eNVM คุณควรมองว่ามันเป็นความสามารถด้านกระบวนการพิเศษ ไม่ใช่เพียงแค่ส่วนหนึ่งของวัฏจักร DRAM/NAND ดั้งเดิมของผู้ผลิตหน่วยความจำ

TSMC, GlobalFoundries, UMC, Hua Hong และ Foundries อื่น ๆ แตกต่างกันอย่างไรในห่วงโซ่การจัดเก็บข้อมูล AI?

ฟาวด์รีต่าง ๆ เข้าร่วมห่วงโซ่พื้นที่จัดเก็บข้อมูล AI ด้วยวิธีการที่แตกต่างกัน TSMC อยู่ใกล้กับห่วงโซ่หลักของโหนดขั้นสูง ตัวเร่ง AI และการบรรจุขั้นสูง ส่วน GlobalFoundries, UMC, Hua Hong และบริษัทที่คล้ายกันมุ่งเน้นไปที่โหนดสมบูรณ์แบบ (mature nodes) กระบวนการเฉพาะทาง eNVM, PMIC, MCU, ชิปอนาล็อก และอุปกรณ์กำลังไฟฟ้ามากกว่า คุณไม่ควรประเมินฟาวด์รีทั้งหมดด้วยกรอบการวิเคราะห์พื้นที่จัดเก็บข้อมูล AI แบบเดียวกัน สำหรับฟาวด์รีขั้นสูง ให้ดูที่ลูกค้า โหนด และการบรรจุ สำหรับฟาวด์รีกระบวนการเฉพาะทาง ให้ดูที่แพลตฟอร์ม การใช้งานปลายทาง และอัตราการใช้กำลังการผลิต

จุดแข็งของ TSMC อยู่ที่ลอจิกขั้นสูงและการบรรจุชิปขั้นสูง AI GPUs, AI ASICs, ชิปเครือข่าย และชิปประมวลผลประสิทธิภาพสูงบางส่วน มักต้องพึ่งพาการผลิตด้วยกระบวนการโหนดขั้นสูง แล้วจึงเชื่อมต่อกับ HBM ผ่านแพลตฟอร์มอย่าง CoWoS การสัมผัสด้าน AI storage ของ TSMC จึงใกล้เคียงกับ “ชิปประมวลผล + การบูรณาการการบรรจุชิป HBM”

GlobalFoundries ดำเนินไปตามตรรกะที่แตกต่างออกไป โดยเน้นกระบวนการผลิตเฉพาะทางที่แตกต่าง (differentiated processes), FDX, RF, พลังงานต่ำ และหน่วยความจำแบบฝัง eMRAM ของ GF เหมาะสำหรับยานยนต์, IoT, อุตสาหกรรม และอุปกรณ์อัจฉริยะขอบเครือข่าย (edge-intelligence devices) มากกว่า บริษัทไม่ได้แข่งขันโดยตรงในตลาด HBM แต่มีส่วนร่วมในการอัปเกรดของ edge AI และระบบแบบฝัง

UMC มุ่งเน้นไปที่โหนดกระบวนการผลิตรุ่นเก่า (mature nodes) และแพลตฟอร์มพิเศษเป็นหลัก การร่วมมืออย่างต่อเนื่องกับพันธมิตรอย่าง eMemory และ SST ในด้าน embedded flash, การจัดเก็บข้อมูลความปลอดภัยบนพื้นฐาน PUF และ eNVM สะท้อนให้เห็นว่าการสัมผัสของบริษัทในตลาดหน่วยความจำสำหรับ AI นั้นเกี่ยวข้องกับตัวควบคุม (controllers) ความปลอดภัย MCU และระบบใช้พลังงานต่ำมากกว่า

ตำแหน่งทางการตลาดของ Hua Hong Semiconductor ก็ใกล้เคียงกับบริการฟาวดรีกระบวนการพิเศษเช่นกัน DBS ระบุว่า Hua Hong Semiconductor มีจุดแข็งในแอปพลิเคชันพิเศษและกำลังการผลิตอุปกรณ์กำลังไฟฟ้า (power devices) ของจีน ความสามารถเหล่านี้มีความเชื่อมโยงทางอ้อมกับห่วงโซ่จ่ายไฟของศูนย์ข้อมูล AI ชิปควบคุม AI ขอบ (edge AI) แพลตฟอร์ม eNVM และการจัดการพลังงานแบบแอนะล็อก แต่ไม่ควรเทียบเคียงกับแนวหลักของ HBM หรือ DRAM

หากมองบริษัทเหล่านี้จากมุมมองการลงทุน คุณจำเป็นต้องแยกความแตกต่างระหว่าง “ห่วงโซ่หลัก” กับ “ห่วงโซ่สนับสนุน” โรงงานฟาบริเคชันโหนดขั้นสูงจะได้รับผลกระทบมากกว่าจากตัวเร่ง AI, ASIC และกำลังการผลิตบรรจุภัณฑ์ขั้นสูง ส่วนโรงงานฟาบริเคชันโหนดธรรมดาจะได้รับผลกระทบมากกว่าจากอุปกรณ์กำลังไฟฟ้า, MCU, PMIC, eNVM, อิเล็กทรอนิกส์ยานยนต์ และความต้องการด้านอุตสาหกรรม ทั้งสองอาจเกี่ยวข้องกับหน่วยความจำสำหรับ AI แต่แหล่งที่มาของความยืดหยุ่นและตรรกะการประเมินมูลค่าแตกต่างกัน

สรุป: บริษัทก่อสร้างโรงงานเวเฟอร์ (Foundry) แต่ละแห่งมีตำแหน่งที่แตกต่างกันอย่างมากในห่วงโซ่การจัดเก็บข้อมูล AI TSMC มีลักษณะคล้ายแพลตฟอร์มการผลิตขั้นสูงที่เชื่อมต่อการคำนวณ AI เข้ากับ HBM ขณะที่ GlobalFoundries, UMC, Hua Hong และบริษัทอื่น ๆ มีลักษณะคล้ายแพลตฟอร์มโหนดเทคโนโลยีที่เป็นที่ยอมรับแล้ว (mature-node) และกระบวนการพิเศษ คุณไม่ควรมองเห็นคำว่า “โรงงานเวเฟอร์ + AI + หน่วยความจำ” แล้วสรุปแบบเดียวกันสำหรับทุกบริษัททันที แต่ควรแยกวิเคราะห์ตามโหนดเทคโนโลยี การบรรจุชิป (packaging) ลูกค้า eNVM PMIC MCU อุปกรณ์กำลังไฟฟ้า และการใช้งานปลายทาง คำถามที่มีคุณค่าไม่ใช่ว่าบริษัทนั้นเป็น “หุ้นแนวคิด AI ด้านหน่วยความจำ” หรือไม่ แต่คือบริษัทมีข้อได้เปรียบด้านรายได้และกำลังการผลิตที่ตรวจสอบได้ในห่วงโซ่การผลิตตรงจุดไหน

นักลงทุนรายย่อยจะประเมินการสัมผัสของบริษัทก่อสร้างโรงงานเวเฟอร์ต่อหน่วยความจำสำหรับ AI ได้อย่างไร?

นักลงทุนรายย่อยควรประเมินการสัมผัสด้านการจัดเก็บข้อมูล AI ของผู้ผลิตเวเฟอร์ (Foundry) โดยเน้นที่ตัวชี้วัดที่ตรวจสอบได้ มากกว่าเรื่องราวที่บริษัทเล่า โดยมิติหลักที่ควรพิจารณา ได้แก่ สัดส่วนรายได้จากกระบวนการผลิตขั้นสูง (Advanced Node), กำลังการผลิตบรรจุภัณฑ์ขั้นสูง (Advanced Packaging), แพลตฟอร์ม eNVM, โครงสร้างผลิตภัณฑ์กระบวนการผลิตทั่วไป (Mature Node), คุณภาพของลูกค้ากลุ่ม AI, อัตราการใช้กำลังการผลิต, ค่าใช้จ่ายด้านทุน (Capex) และแนวโน้มอัตรากำไรขั้นต้น คุณต้องแยกแยะให้ออกระหว่างประโยชน์ที่แท้จริงจากห่วงโซ่อุปทานกับการสัมผัสที่ขับเคลื่อนด้วยแนวคิด อดีตจะปรากฏให้เห็นในคำสั่งซื้อ กำลังการผลิต โครงสร้างรายได้ และอัตรากำไร ส่วนหลังมักหยุดอยู่แค่ระดับข่าวประชาสัมพันธ์หรือฉลากอุตสาหกรรมเท่านั้น

คุณสามารถใช้รายการตรวจสอบต่อไปนี้สำหรับการคัดกรองเบื้องต้นได้:

สัญญาณที่แข็งแกร่งมักประกอบด้วยการขยายตัวของบรรจุภัณฑ์ขั้นสูง ลูกค้า AI ASIC ที่เพิ่มมากขึ้น อัตราการใช้งาน CoWoS ที่สูง แพลตฟอร์ม eNVM ที่เข้าสู่การผลิตจริง คำสั่งซื้อ PMIC หรือ MCU ยานยนต์ที่ดีขึ้น และแหล่งความต้องการที่ชัดเจนซึ่งเปิดเผยโดยผู้บริหารในรายงานผลประกอบการ ส่วนสัญญาณที่อ่อนแอ ได้แก่ บริษัทที่กล่าวถึง AI เพียงเชิงกว้าง ๆ รายได้ยังคงพึ่งพาอุปกรณ์อิเล็กทรอนิกส์เพื่อผู้บริโภคเป็นหลัก อัตราการใช้งานโหนดกระบวนการผลิตทั่วไปไม่ดีขึ้น หรือไม่มีแพลตฟอร์มกระบวนการผลิตและการตรวจสอบจากลูกค้าที่ชัดเจน

ค่าธรรมเนียมการซื้อขายก็เป็นสิ่งสำคัญเช่นกัน หากคุณติดตามบริษัทเซมิคอนดักเตอร์อย่าง TSMC, GlobalFoundries, UMC, Hua Hong, SMIC, Samsung Electronics, Micron หรือ SK hynix คุณควรใส่ใจไม่เพียงแค่ตรรกะของอุตสาหกรรม แต่ยังรวมถึงค่าธรรมเนียมการซื้อขายจริง สภาพคล่อง และความเสี่ยงด้านตลาดด้วย ค่าใช้จ่ายในการซื้อขายหุ้นสหรัฐฯ หุ้นฮ่องกง หรือ ADR มักไม่ได้รวมเพียงค่าคอมมิชชั่นเท่านั้น แต่อาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย และค่าธรรมเนียมอื่น ๆ ด้วย Biya ไม่เก็บค่าคอมมิชชั่นสำหรับการซื้อขายหุ้นสหรัฐฯ (0 USD) ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก และค่าธรรมเนียมอื่น ๆ จะเป็นไปตามค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯและการแสดงผลของคำสั่งซื้อขายความพร้อมใช้งานของบริการขึ้นอยู่กับที่ตั้งของผู้ใช้ ผลการตรวจสอบตัวตน กฎเกณฑ์ของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้อง

หากคุณต้องการติดตามบริษัทเซมิคอนดักเตอร์ คุณสามารถใช้ ค้นหาข้อมูลหุ้นสหรัฐฯ เพื่อตรวจสอบข้อมูลพื้นฐานของหุ้นที่จดทะเบียนในสหรัฐอเมริกา จากนั้นนำมาประกอบกับรายงานบริษัท การเปิดเผยคำสั่งซื้อ รายงานอุตสาหกรรม และโครงสร้างค่าธรรมเนียม เพื่อการตัดสินใจที่ครบถ้วนยิ่งขึ้น การวิเคราะห์ห่วงโซ่อุตสาหกรรมไม่สามารถทดแทนการตัดสินใจลงทุนได้ โดยเฉพาะอย่างยิ่งเนื่องจาก AI หน่วยความจำ โรงงานรับผลิต (foundry) และบรรจุภัณฑ์ขั้นสูง ล้วนเกี่ยวข้องกับความผันผวนตามวัฏจักร แรงกดดันด้านการลงทุนด้านทุน และความเสี่ยงด้านเส้นทางเทคโนโลยี

สรุป: ในการประเมินความสัมพันธ์กับ AI ของผู้ผลิตเวเฟอร์ (Foundry) ควรยึดตามตัวชี้วัดที่ตรวจสอบได้ คุณควรให้ความสำคัญกับกระบวนการผลิตขั้นสูง การบรรจุชิปขั้นสูง eNVM PMIC MCU โครงสร้างลูกค้า อัตราการใช้กำลังการผลิต และผลการดำเนินงานทางการเงิน แทนที่จะพึ่งพาฉลากความคิดริเริ่ม (Concept Label) เพียงอย่างเดียว ส่วนของการเติบโตของผู้ผลิตเวเฟอร์กระบวนการขั้นสูงมาจากตัวเร่ง AI (AI Accelerator) และ CoWoS เป็นหลัก ขณะที่ผู้ผลิตเวเฟอร์กระบวนการปกติ (Mature Node) ได้รับประโยชน์จากชิปสนับสนุนระบบ AI ขอบ (Edge AI) อุปกรณ์อิเล็กทรอนิกส์ยานยนต์ และกระบวนการผลิตเฉพาะทางมากกว่า ในด้านการซื้อขาย คุณควรให้ความสำคัญกับค่าธรรมเนียม สภาพคล่อง และความเสี่ยงจากความผันผวนด้วย ข้อมูลสาธารณะสามารถช่วยสร้างกรอบการวิเคราะห์ได้ แต่ไม่ถือเป็นคำแนะนำการลงทุน

หลังจากเข้าใจความสัมพันธ์ระหว่างผู้รับจ้างผลิต (Foundry) กับห่วงโซ่อุตสาหกรรมหน่วยความจำสำหรับ AI แล้ว ขั้นตอนต่อไปคือการติดตามอย่างต่อเนื่องถึงผลประกอบการของบริษัท ความคืบหน้าของแพลตฟอร์มกระบวนการผลิต กำลังการผลิตบรรจุภัณฑ์ขั้นสูง (Advanced Packaging) การเปลี่ยนแปลงของอุปสงค์และอุปทาน HBM และอัตราการใช้กำลังการผลิตโหนดมาตรฐาน (Mature-node Utilization) คุณสามารถแบ่งห่วงโซ่อุปทานออกเป็นหลายสายงาน ได้แก่ ลอจิกขั้นสูง, HBM, บรรจุภัณฑ์, eNVM, PMIC, MCU และวัสดุอุปกรณ์ จากนั้นจึงสังเกตว่าบริษัทที่เกี่ยวข้องมีรายได้และกำไรดีขึ้นจริงหรือไม่ หากมีบริการที่เกี่ยวข้องในภูมิภาคของคุณ คุณสามารถใช้ Biya เพื่อติดตามหุ้นสหรัฐฯ หุ้นฮ่องกง สินทรัพย์คริปโต และตลาดสินทรัพย์หลายประเภทอื่น ๆ หรือ ดาวน์โหลดแอป เพื่อจัดการรายการหุ้นที่สนใจ ทำความเข้าใจค่าธรรมเนียมคำสั่งซื้อ และประเมินความเสี่ยงในการเทรดข้อมูลตลาดสาธารณะ กฎการซื้อขาย และโครงสร้างค่าธรรมเนียม ควรได้รับการประเมินร่วมกับการเปิดเผยข้อมูลของแพลตฟอร์มและข้อกำหนดด้านกำกับดูแลในท้องถิ่น การวิเคราะห์ห่วงโซ่อุตสาหกรรมสารกึ่งตัวนำใดๆ ไม่ควรถูกตีความว่าเป็นการรับประกันผลตอบแทน

คำถามที่พบบ่อย

โรงงานหล่อชิป (Foundries) ถือเป็นหุ้นหน่วยความจำ AI หรือไม่?

ไม่ควรจัดประเภทโรงงานหล่อชิปว่าเป็นหุ้นหน่วยความจำ AI อย่างง่ายดาย เนื่องจากโดยทั่วไปพวกเขาไม่ได้ผลิต HBM, DRAM หรือ NAND โดยตรง แต่อาจเข้าร่วมในห่วงโซ่หน่วยความจำ AI ผ่านการผลิตตัวเร่ง AI, การบรรจุชิปขั้นสูง CoWoS, eNVM, PMIC, MCU และชิปอินเทอร์เฟซ สิ่งสำคัญคือต้องพิจารณาแหล่งรายได้และแพลตฟอร์มกระบวนการผลิต ไม่ใช่เพียงแค่ป้ายความคิดคอนเซ็ปต์เท่านั้น

เหตุใดโหนดกระบวนการผลิตที่พัฒนาแล้ว (Mature Nodes) จึงได้รับผลกระทบจากความต้องการเซิร์ฟเวอร์ AI?

โหนดผู้ใหญ่ (mature nodes) ได้รับผลกระทบจากดีมานด์เซิร์ฟเวอร์ AI เป็นหลักเนื่องจากเซิร์ฟเวอร์ต้องการชิปควบคุมพลังงาน ชิปแอนะล็อก ชิปอินเทอร์เฟซ ชิปควบคุม และชิปความปลอดภัยจำนวนมาก ชิปเหล่านี้มักให้ความสำคัญกับความน่าเชื่อถือ ต้นทุน และการจัดหาในระยะยาวมากกว่าโหนดขั้นสูง ผลกระทบจริงขึ้นอยู่กับอัตราการใช้กำลังการผลิต โครงสร้างลูกค้า และแนวโน้มราคาสินค้า

หน่วยความจำฝังตัว eNVM เหมือนกับ HBM หรือไม่?

หน่วยความจำฝังตัว eNVM ไม่เหมือนกับ HBM eNVM คือหน่วยความจำแบบไม่ล้าสถานะบนชิปที่ถูกรวมไว้ภายใน MCU, SoC หรือตัวควบคุม โดยทั่วไปใช้สำหรับโค้ด การตั้งค่า ข้อมูลความปลอดภัย และการเก็บรักษาข้อมูลแบบใช้พลังงานต่ำ HBM คือหน่วยความจำแบบแบนด์วิดท์สูงสำหรับตัวเร่ง AI โดยเน้นที่แบนด์วิดท์ ความจุ และการรวมการแพ็กเกจ

Hua Hong Semiconductor เกี่ยวข้องกับห่วงโซ่การจัดเก็บข้อมูล AI อย่างไร?

Hua Hong Semiconductor มีความสัมพันธ์ทางอ้อมกับห่วงโซ่หน่วยความจำ AI มากกว่า โดยไม่ใช่ผู้ผลิต DRAM, NAND หรือ HBM แต่เป็นก๊กหลัง (foundry) ที่ผลิตด้วยกระบวนการเฉพาะทาง ความเกี่ยวข้องของบริษัทมาจาก eNVM อุปกรณ์กำลังไฟฟ้า (power devices) เซมิคอนดักเตอร์แอนะล็อกและการจัดการพลังงาน MCU และชิปสนับสนุนกระบวนการโหนดเก่า ซึ่งควรได้รับการตรวจสอบผ่านรายงานผลประกอบการและความต้องการของลูกค้า

TSMC เข้าร่วมห่วงโซ่หน่วยความจำ AI อย่างไร?

TSMC เข้าร่วมห่วงโซ่หน่วยความจำ AI เป็นหลักผ่านการผลิตลอจิกขั้นสูงและการบรรจุชิปขั้นสูง GPU สำหรับ AI และ ASIC สำหรับ AI ต้องการการผลิตด้วยโหนดขั้นสูง จากนั้นจึงเชื่อมต่อกับ HBM ผ่าน CoWoS, silicon interposer และเทคโนโลยีการบรรจุชิปที่เกี่ยวข้อง โดยที่ HBM เองส่วนใหญ่จัดหาโดยผู้ผลิตหน่วยความจำ ขณะที่ TSMC มีบทบาทมากกว่าในด้านการผลิตเพื่อบูรณาการระบบ

ตัวชี้วัดพื้นที่จัดเก็บข้อมูล AI ใดบ้างที่สำคัญเมื่อลงทุนในหุ้นผู้รับจ้างผลิต?

เมื่อลงทุนในหุ้นผู้รับจ้างผลิต ตัวชี้วัดพื้นที่จัดเก็บข้อมูล AI ที่สำคัญ ได้แก่ รายได้จากกระบวนการผลิตโหนดขั้นสูง กำลังการผลิตบรรจุภัณฑ์ CoWoS หรือ 2.5D/3D แพลตฟอร์ม eNVM ความต้องการ PMIC และ MCU อัตราการใช้กำลังการผลิต อัตรากำไรขั้นต้น และรายจ่ายฝ่ายทุน ซึ่งการตัดสินใจเหล่านี้ควรอ้างอิงจากรายงานที่ยื่นต่อหน่วยงานกำกับดูแล การเปิดเผยข้อมูลคำสั่งซื้อ และกฎเกณฑ์ค่าธรรมเนียมแพลตฟอร์ม และไม่ถือเป็นคำแนะนำในการลงทุน