ทำไมต้องมองไปที่ HBM และหน่วยจัดเก็บข้อมูลหลังจาก GPU? วิเคราะห์ห่วงโซ่การลงทุนโครงสร้างพื้นฐาน AI

ธีมการลงทุนด้านโครงสร้างพื้นฐาน AI กำลังขยายจาก "ใครมี GPU" ไปสู่ "ใครสามารถทำให้ GPU ทำงานได้อย่างมีประสิทธิภาพ" คุณไม่ควรมองเพียงพลังการคำนวณสูงสุดเท่านั้น แต่ยังต้องพิจารณาแบนด์วิดท์ HBM, ความจุหน่วยความจำ GPU, SSD ระดับองค์กร, Nearline HDD, เครือข่าย, พลังงาน และสถาปัตยกรรมการจัดเก็บข้อมูลในศูนย์ข้อมูลด้วย สำหรับนักลงทุนทั่วไป GPU คือจุดเริ่มต้น ในขณะที่ HBM และอุปกรณ์จัดเก็บข้อมูลเป็นสัญญาณสำคัญในการประเมินว่าความต้องการ AI ยังคงแพร่กระจายไปทั่วห่วงโซ่โครงสร้างพื้นฐานหรือไม่

ประเด็นสำคัญ

• GPU เป็นตัวกำหนดเพดานบนของกำลังประมวลผล ขณะที่ HBM เป็นตัวกำหนดปริมาณงาน (throughput) ของโมเดลและประสิทธิภาพการเคลื่อนย้ายข้อมูล
• การฝึก AI ขึ้นอยู่กับปริมาณงานของคลัสเตอร์ ส่วนการอนุมาน (inference) AI พึ่งพาหน่วยความจำ ความหน่วง และการทำงานแบบขนานหลายผู้ใช้มากกว่า
• HBM, DRAM, SSD และ HDD สอดคล้องกับอุณหภูมิข้อมูล (data temperature) และตำแหน่งต้นทุนที่แตกต่างกัน
• ความต้องการพื้นที่จัดเก็บข้อมูลมาจากชุดข้อมูล ฐานข้อมูลเวกเตอร์ ล็อก น้ำหนักโมเดล และผลลัพธ์การอนุมาน
• การวิเคราะห์การลงทุนควรเน้นที่คำสั่งซื้อ ราคา อัตรากำไรขั้นต้น สินค้าคงคลัง และการกระจุกตัวของลูกค้า
• ห่วงโซ่อุปกรณ์จัดเก็บข้อมูลสำหรับ AI ให้ความยืดหยุ่นด้านการเติบโต แต่ก็ต้องเผชิญความเสี่ยงจากการกลับตัวของวงจรและการบีบตัวของมูลค่าหลักทรัพย์ (valuation compression) เช่นกัน

ทำไม HBM และอุปกรณ์จัดเก็บข้อมูลจึงมาอยู่ถัดจาก GPU?

HBM และอุปกรณ์จัดเก็บข้อมูลกลายเป็นสิ่งสำคัญต่อจาก GPU เนื่องจากคอขวดของระบบ AI กำลังเปลี่ยนจาก “มี GPU เพียงพอหรือไม่” ไปเป็น “GPU สามารถรับข้อมูลที่เร็วพอ ใกล้พอ และมีขนาดใหญ่พอได้อย่างต่อเนื่องหรือไม่” GPU ทำหน้าที่ประมวลผลการคำนวณ แต่น้ำหนักโมเดล ข้อมูลการฝึกฝน KV cache การค้นหาแบบเวกเตอร์ และบันทึกการอนุมาน (inference logs) ล้วนต้องการการสนับสนุนจากหน่วยความจำและอุปกรณ์จัดเก็บข้อมูลในหลายระดับที่แตกต่างกัน

คุณสามารถมองศูนย์ข้อมูล AI ว่าเป็น "โรงงาน AI" ได้ GPU คือสายการผลิตหลัก HBM คือคลังวัสดุความเร็วสูงที่ติดอยู่กับสายการผลิตนั้น DRAM คือบัฟเฟอร์ภายในเซิร์ฟเวอร์ SSD คือคลังข้อมูลที่ถูกเรียกใช้บ่อย HDD และ object storage คือทะเลสาบข้อมูลความจุขนาดใหญ่ หากคลังสินค้ามีขนาดเล็กเกินไปหรือสายพานลำเลียงช้าเกินไป แม้แต่ GPU ที่แพงล้ำก็จะต้องมานั่งรอข้อมูลในที่สุด

การอัปเกรดผลิตภัณฑ์ของ NVIDIA ก็สะท้อนแนวโน้มนี้เช่นกัน H200 ของ NVIDIA ที่มี HBM3e ขนาด 141GB และแบนด์วิดท์ 4.8TB/s แสดงให้เห็นว่าการแข่งขันด้าน GPU สำหรับ AI ระดับไฮเอนด์ไม่ได้เกี่ยวข้องกับ Tensor Cores เพียงอย่างเดียว แต่ยังรวมถึงหน่วยความจำ GPU ที่ใหญ่ขึ้นและแบนด์วิดท์ที่สูงขึ้นด้วย DGX B200 ที่มีหน่วยความจำ GPU 1,440GB และแบนด์วิดท์ HBM3e 64TB/s ผลักดันแนวโน้มนี้ขึ้นสู่ระดับระบบ: เซิร์ฟเวอร์ AI ในปัจจุบันคือการรวมกันของ GPU, HBM, NVLink, CPU, DRAM, NVMe SSDs และอุปกรณ์เครือข่าย

สำหรับนักลงทุนแล้ว สิ่งนี้หมายความว่าโครงสร้างพื้นฐานด้าน AI ไม่ใช่เรื่องราวของ GPU เพียงอย่างเดียวอีกต่อไป คุณจำเป็นต้องติดตามการไหลของข้อมูล: ข้อมูลมาจากไหน ถูกอ่านอย่างไร ถูกแคช (cache) อย่างไร เข้าสู่ GPU อย่างไร และผลลัพธ์การอนุมาน (inference) ถูกจัดเก็บไว้อย่างไรหลังจากนั้น การมองเพียงคำสั่งซื้อ GPU เพียงอย่างเดียวอาจทำให้คุณพลาดการเปลี่ยนแปลงในด้านอุปทาน HBM ราคา SSD สำหรับองค์กร ปริมาณการจัดส่ง Nearline HDD และการลงทุนด้านทุนของศูนย์ข้อมูล

สถาปัตยกรรม Blackwell ที่มีทรานซิสเตอร์ 208,000 ล้านตัวและการเชื่อมต่อระหว่างชิปความเร็ว 10TB/s ยังสะท้อนให้เห็นว่าชิป AI กำลังเข้าสู่ขั้นตอนของวิศวกรรมระบบ การเชื่อมต่อภายในชิป การบรรจุชิป HBM หน่วยความจำเซิร์ฟเวอร์ และเครือข่ายระดับแร็ค ล้วนทำงานร่วมกันเพื่อกำหนดพลังการประมวลผลที่ใช้งานได้จริง มิใช่ให้ส่วนประกอบใดส่วนประกอบหนึ่งเพียงลำพังตัดสินผลลัพธ์ได้ด้วยตัวเอง

สรุป: GPU คือจุดเริ่มต้นของการลงทุนในโครงสร้างพื้นฐาน AI แต่ไม่ใช่จุดสิ้นสุด สิ่งที่คุณต้องสังเกตอย่างแท้จริงคือว่าคอมพิวติ้งสามารถได้รับข้อมูลป้อนเข้าอย่างต่อเนื่องหรือไม่ HBM แก้ปัญหาแบนด์วิดท์และความจุในบริเวณใกล้เคียง GPU DRAM และ SSD แก้ปัญหาแคชฝั่งเซิร์ฟเวอร์และการเข้าถึงข้อมูลร้อน HDD และ object storage แก้ปัญหาการสะสมข้อมูลจำนวนมหาศาล การมอง HBM และระบบจัดเก็บข้อมูลหลังจาก GPU โดยแก่นแท้แล้วคือการเฝ้าดู AI ที่กำลังเปลี่ยนจากการจัดซื้อชิปไปสู่การวางระบบ จากการเทรนไปสู่การอินเฟอเรนซ์ และจากการสร้างครั้งเดียวไปสู่การดำเนินงานด้านข้อมูลระยะยาว

ทำไม HBM จึงกลายเป็นคอขวดสำคัญของ GPU สำหรับ AI?

HBM กลายเป็นคอขวดสำคัญ เพราะโมเดลขนาดใหญ่ไม่เพียงต้องการพลังการคำนวณ แต่ยังต้องการการเคลื่อนย้ายข้อมูลความเร็วสูงด้วย พารามิเตอร์ของโมเดล ค่าการกระตุ้น (activations) และแคช KV ล้วนต้องมีการถ่ายโอนเข้าออกจากหน่วยความจำที่อยู่ใกล้ GPU บ่อยครั้ง DRAM ทั่วไปติดตั้งอยู่ห่างจาก GPU มากกว่า และแบนด์วิดท์และเวลาแฝงของมันแทบไม่สามารถตอบสนองความต้องการของตัวเร่ง AI ระดับแนวหน้าได้ HBM ใช้เทคนิคการซ้อนกันและการบรรจุขั้นสูงเพื่อวางหน่วยความจำแบนด์วิดท์สูงไว้ใกล้กับ GPU

HBM แก้ปัญหาแบนด์วิดท์และความจุใกล้หน่วยความจำ

HBM ไม่ใช่เพียงแค่เวอร์ชันอัปเกรดของโมดูลหน่วยความจำทั่วไป แต่เป็นเทคโนโลยีหน่วยความจำแบบแบนด์วิดท์สูงที่ถูกออกแบบมาสำหรับ GPU และตัวเร่ง AI โดยเฉพาะ ผ่านการซ้อนชิป DRAM, TSV, interposer และบรรจุภัณฑ์ขั้นสูง HBM วางช่องทางข้อมูลแบบกว้างกว่าให้อยู่ใกล้หน่วยประมวลผลมากขึ้น โดยมีเป้าหมายไม่ใช่แค่เพิ่มความจุ แต่เพื่อลดเวลาในการเคลื่อนย้ายข้อมูล เพื่อให้ GPU ใช้เวลารอน้อยลงระหว่างการฝึกฝน (training) และการอนุมาน (inference)

ไมครอน HBM3E คิวบ์สูง 8 ชั้นความจุ 24GB และแบนด์วิดท์เกิน 1.2TB/s สะท้อนคุณค่าหลักของ HBM: สแตก HBM แต่ละชุดให้แบนด์วิดท์สูงมาก และสแตกหลายชุดรอบ GPU จะประกอบกันเป็นระบบหน่วยความจำที่มีทรูพุตสูง สำหรับ Blackwell Ultra บล็อกด้านเทคนิคของ NVIDIA ระบุถึง HBM3e ขนาด 288GB และแบนด์วิดท์ 8TB/s ต่อ GPU โดยมีเป้าหมายชัดเจนคือทำให้โมเดลขนาดใหญ่ขึ้น หน้าต่างบริบทที่ยาวขึ้น และการอนุมานที่มีความพร้อมกันสูงขึ้น สามารถทำงานได้ภายในหน่วยความจำที่อยู่ใกล้ GPU

ทำไม HBM จึงอยู่ใกล้ห่วงโซ่มูลค่าของ GPU มากกว่า?

HBM เป็นชั้นหน่วยความจำที่อยู่ใกล้ GPU ที่สุด ดังนั้นราคาของมันจึงถูกดึงดูดโดยตรงจากความต้องการตัวเร่ง AI มากกว่า มันไม่ใช่ส่วนประกอบมาตรฐานที่ขายส่วนใหญ่ให้กับอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภคทั่วไป แต่มีความเกี่ยวโยงอย่างแนบแน่นกับ AI GPU, การบรรจุขั้นสูง, โรงงานผลิตเวเฟอร์, ซับสเตรต, การทดสอบ และแผนการจัดซื้อของผู้ให้บริการคลาวด์ กล่าวอีกนัยหนึ่ง การเปลี่ยนแปลงของความต้องการ HBM สะท้อนจังหวะการสร้างเซิร์ฟเวอร์ AI ระดับไฮเอนด์ที่แท้จริงได้โดยตรงกว่า

ในไตรมาสที่สามของปีการเงิน 2025 Micron ได้กล่าวว่า รายได้จาก HBM เติบโตเกือบ 50% เมื่อเทียบกับไตรมาสก่อน และรายได้จากศูนย์ข้อมูลเพิ่มขึ้นมากกว่าสองเท่าเมื่อเทียบกับปีก่อน ซึ่งแสดงให้เห็นว่า AI กำลังผลักดันผลิตภัณฑ์ในวงจรหน่วยความจำบางส่วนไปสู่สถานการณ์เซิร์ฟเวอร์และศูนย์ข้อมูลที่มีมูลค่าสูงขึ้น SK hynix ยังได้ระบุด้วยว่า ตัวอย่าง HBM4 แบบ 12 ชั้น ได้ถูกส่งมอบให้กับลูกค้ารายใหญ่แล้ว และการเตรียมการผลิตจำนวนมากจะดำเนินต่อไปหลังจากผ่านการทดสอบรับรอง ซึ่งแสดงให้เห็นว่าการแข่งขันด้าน HBM ได้เปลี่ยนจาก HBM3E ไปสู่ HBM4 แล้ว

ความต้องการ HBM มักเพิ่มขึ้นจากห้าเหตุผลดังนี้:

1. จำนวนพารามิเตอร์ของโมเดลที่ใหญ่ขึ้นต้องการความจุแบบ near-memory ที่มากขึ้น
2. หน้าต่างบริบท (context window) ที่ยาวขึ้นทำให้การใช้งาน KV cache เพิ่มขึ้นอย่างรวดเร็ว
3. ความเข้มข้นของการอนุมาน (inference concurrency) ที่สูงขึ้นทำให้หน่วยความจำ GPU กลายเป็นข้อจำกัดด้านความจุการให้บริการ
4. MoE, RAG และ AI เชิงเอเจนต์ (agentic AI) เพิ่มแรงกดดันด้านการเข้าถึงข้อมูล
5. เมื่อประสิทธิภาพการคำนวณของ GPU เพิ่มขึ้น แบนด์วิดท์ของหน่วยความจำต้องเพิ่มขึ้นพร้อมกันในเวลาเดียวกัน

สรุป: HBM เป็นพื้นที่แรกที่ต้องจับตามองหลังจาก GPU เนื่องจากเป็นตัวกำหนดโดยตรงว่า GPU AI ระดับไฮเอนด์สามารถปล่อยประสิทธิภาพได้เต็มที่หรือไม่ ยิ่งค่าพีคของการประมวลผลสูงเท่าไร แรงกดดันด้านการเคลื่อนย้ายข้อมูลก็ยิ่งมากขึ้นเท่านั้น ยิ่งโมเดลมีขนาดใหญ่ บริบทยาวนาน และการทำงานพร้อมกันด้านการอนุมาน (inference concurrency) สูงเท่าไร ความจุและแบนด์วิดท์ของ HBM ก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น แต่ HBM ไม่ใช่สินทรัพย์ที่เติบโตทางเดียวโดยปราศจากความเสี่ยง คุณยังต้องจับตาดูความเข้มข้นของลูกค้า กำลังการผลิตด้านการบรรจุขั้นสูง อัตราผลผลิต การกำหนดราคาสัญญา การพัฒนาเทคโนโลยี และจังหวะการขยายตัวด้วย ด้านขาขึ้นของ HBM มาจาก GPU AI และความเสี่ยงของมันก็มาจากวงจรการจัดซื้อ GPU AI และการขยายตัวด้านอุปทานเช่นกัน

การเรียนรู้ของ AI และการอนุมานของ AI ต้องการหน่วยความจำแบบใด?

การฝึก AI ต้องการทรูพุตสูงและความจุขนาดใหญ่ ส่วนการอนุมาน AI ต้องการความหน่วงต่ำ การทำงานพร้อมกัน และการเข้าถึงข้อมูลร้อน ในขั้นตอนการฝึกจะต้องอ่านชุดข้อมูลขนาดมหาศาลอย่างต่อเนื่อง บันทึกเช็คพอยต์ และสร้างผลลัพธ์ระดับกลาง ในขั้นตอนการอนุมานจะต้องประมวลผลคำขอของผู้ใช้ บริบท, KV cache, embeddings, ฐานข้อมูลเวกเตอร์ และการค้นคืนเอกสาร RAG

การฝึก AI ขึ้นอยู่กับทรูพุต ความจุ และการจ่ายข้อมูลที่เสถียร

การเทรนไม่ได้จบลงเพียงแค่การใส่ข้อมูลลงใน GPU ครั้งเดียว Pretraining ต้องการคลังข้อความขนาดมหาศาล ข้อมูลมัลติโมเดีย และระบบไฟล์แบบกระจาย การ fine-tuning ต้องการชุดข้อมูลเฉพาะอุตสาหกรรมและการทดลองซ้ำๆ ระหว่างการเทรนโมเดลขนาดใหญ่ ยังจำเป็นต้องบันทึก checkpoints เพื่อกู้คืนจากความล้มเหลวและย้อนกลับเวอร์ชันอีกด้วย ตัวชี้วัดสำคัญในที่นี้ไม่ใช่ว่าไดรฟ์เดียวจะเร็วแค่ไหน แต่คือระบบจัดเก็บข้อมูลทั้งหมดสามารถป้อนข้อมูลให้คลัสเตอร์ GPU ได้อย่างต่อเนื่องหรือไม่

ความต้องการด้านการจัดเก็บข้อมูลทั่วไปในการเทรน ได้แก่:

การอนุมานของ AI ขึ้นอยู่กับความหน่วงต่ำ การทำงานพร้อมกัน และข้อมูลที่ใช้งานบ่อย

เมื่อการอนุมาน (inference) เข้าสู่การใช้งานเชิงพาณิชย์ แรงกดดันด้านพื้นที่จัดเก็บข้อมูลจะเปลี่ยนจาก "การเตรียมข้อมูลก่อนการฝึกโมเดล" ไปเป็น "การอ่านและเขียนข้อมูลอย่างต่อเนื่องระหว่างการทำงาน" RAG จำเป็นต้องดึงข้อมูลเอกสารขององค์กร เอเจนต์ (agents) จำเป็นต้องอ่านและเขียนผลลัพธ์จากเครื่องมือ โมเดลที่มีบริบทยาวสร้าง KV cache จำนวนมาก และคำขอและผลลัพธ์ของผู้ใช้ก็กลายเป็น log เช่นกัน คำอธิบายของ WEKA เกี่ยวกับ กำแพงหน่วยความจำ AI ได้ชี้ให้เห็นประเด็นสำคัญ: เมื่อหน่วยความจำที่จำเป็นสำหรับการอนุมานมีมากกว่าหน่วยความจำ GPU ทางกายภาพที่มีอยู่ ทั้งความหน่วงและการทำงานพร้อมกันจะได้รับผลกระทบ

ในสถานการณ์การอนุมาน (inference) HBM, DRAM, SSD และ object storage จะประกอบกันเป็นโครงสร้างแบบชั้นข้อมูล (tiered structure) โดย HBM จะจัดเก็บข้อมูลที่จำเป็นเร่งด่วนที่สุดระหว่างรันโมเดล, DRAM รับผิดชอบงานแคชของระบบ, NVMe SSD รองรับฐานข้อมูลเวกเตอร์และข้อมูลที่มีการเข้าถึงสูง (hot data) ส่วน HDD และ object storage จะจัดเก็บข้อมูลระยะยาว เมื่อคุณเห็นคำว่า "แอปพลิเคชัน AI ที่มากขึ้น" สิ่งที่กำลังเติบโตอยู่เบื้องหลังจริง ๆ คือ tokens, embeddings, บันทึกของผู้ใช้, เวอร์ชันของโมเดล และบันทึกการตรวจสอบ (audit records) ที่เพิ่มขึ้นพร้อมกันทั้งหมด

สรุป: การฝึกโมเดล (Training) และการอนุมาน (Inference) มีความต้องการด้านการจัดเก็บข้อมูลที่แตกต่างกัน การฝึกโมเดลคล้ายกับโครงการวิศวกรรมขนาดใหญ่ที่ต้องการการจ่ายข้อมูลอย่างต่อเนื่อง ความเร็วสูง และกู้คืนได้ ส่วนการอนุมานคล้ายกับบริการออนไลน์ที่ต้องการความหน่วงต่ำ รองรับการทำงานพร้อมกันจำนวนมาก และการเข้าถึงข้อมูลร้อน (hot data) หลังจากที่ AI ย้ายจากห้องทดลองเข้าสู่สภาพแวดล้อมการผลิตขององค์กรแล้ว ความต้องการด้านการจัดเก็บข้อมูลไม่ได้จำกัดอยู่แค่ชุดข้อมูลสำหรับการฝึกโมเดลอีกต่อไป แต่ขยายไปสู่ฐานข้อมูลเวกเตอร์ คลังเอกสาร RAG บันทึกการโต้ตอบของผู้ใช้ เวอร์ชันของโมเดล บันทึกการตรวจสอบ และทะเลสาบข้อมูล (data lake) ระยะยาว การวิเคราะห์การลงทุนควรแยกแยะระหว่างความต้องการที่ขับเคลื่อนด้วยการฝึกโมเดลและความต้องการที่ขับเคลื่อนด้วยการอนุมาน แทนที่จะมองว่า "ที่เก็บข้อมูลสำหรับ AI" ทั้งหมดเป็นสิ่งเดียวกัน

จาก HBM สู่ HDD: ห่วงโซ่การจัดเก็บข้อมูลสำหรับ AI แบ่งชั้นอย่างไร?

ห่วงโซ่การจัดเก็บข้อมูลสำหรับ AI สามารถแบ่งเป็นชั้นได้ตาม “ระยะห่างจาก GPU” ยิ่งชั้นใดอยู่ใกล้ GPU มากเท่าใด ชั้นนั้นก็ยิ่งขึ้นอยู่กับความเร็ว แบนด์วิดท์ และเวลาแฝงมากขึ้นเท่านั้น ยิ่งอยู่ห่างจาก GPU มากเท่าใด ก็ยิ่งขึ้นอยู่กับความจุ ต้นทุน และความน่าเชื่อถือมากขึ้นเท่านั้น HBM เป็นกลุ่มที่มีมูลค่าสูงที่อยู่ใกล้ GPU ที่สุด DRAM และ SSD รองรับข้อมูลที่ใช้งานบ่อยภายในเซิร์ฟเวอร์ ส่วน HDD แบบ Nearline และที่จัดเก็บแบบออบเจ็กต์รองรับพูลความจุของศูนย์ข้อมูล

ชั้นแรกคือ HBM ที่อยู่ใกล้ GPU ซึ่งทำหน้าที่จัดการน้ำหนักโมเดล การทำงานของ activation, KV cache และการเข้าถึงข้อมูลความถี่สูง โดยส่งผลโดยตรงต่อ token throughput ความยาวของ context และการอนุมานแบบขนานหลายงาน ชั้นที่สองคือ DRAM ฝั่งเซิร์ฟเวอร์และ enterprise SSD ซึ่งทำหน้าที่แคชของระบบ การประมวลผลข้อมูลเบื้องต้น การค้นหาเวกเตอร์ และ IOPS สูง ชั้นที่สามคือพูลความจุระดับศูนย์ข้อมูล ซึ่ง Nearline HDD, object storage และระบบสำรองข้อมูลทำหน้าที่จัดเก็บข้อมูลการฝึกฝน ล็อก ไฟล์เก็บถาวร และข้อมูลระยะยาว

การแบ่งชั้นข้อมูลแบบนี้ยังอธิบายอีกด้วยว่าทำไม HDD จึงยังไม่ถูกแทนที่อย่างสมบูรณ์ด้วย SSD ศูนย์ข้อมูล AI ต้องการข้อมูลร้อนจำนวนมาก แต่ต้องการข้อมูลอุ่นและข้อมูลเย็นที่มีปริมาณมหาศาลยิ่งกว่า คลังข้อมูลสำหรับการฝึกโมเดล วิดีโอ รูปภาพ เวอร์ชันของโมเดล ล็อก และข้อมูลสำรอง ไม่สามารถจัดเก็บไว้ใน HBM หรือ SSD สำหรับองค์กรได้ทั้งหมด ในไตรมาสที่สามของปีบัญชี 2026 Seagate รายงานรายได้ 3,112 ล้านดอลลาร์สหรัฐและอัตรากำไรขั้นต้นตามหลัก GAAP ที่ 46.5% ซึ่งสะท้อนให้เห็นว่าความต้องการอุปกรณ์จัดเก็บข้อมูลความจุสูงได้แสดงออกมาในผลประกอบการของผู้ผลิตฮาร์ดดิสก์แล้ว Western Digital ก็รายงานรายได้ 3,337 ล้านดอลลาร์สหรัฐและอัตรากำไรขั้นต้นตามหลัก GAAP ที่ 50.2% ในไตรมาสที่สามของปีงบประมาณ 2026 ซึ่งแสดงให้เห็นถึงการฟื้นตัวอย่างชัดเจนของวงจรธุรกิจคลาวด์และการจัดเก็บข้อมูลศูนย์ข้อมูล

คำถามสำคัญที่นี่ไม่ใช่ "SSD จะแทนที่ HDD ได้หรือไม่" แต่คือ "ข้อมูลประเภทใดควรถูกจัดเก็บไว้ที่ใด" เนื่องจากข้อมูล AI เติบโตขึ้น ข้อมูลทั้งแบบร้อน อุ่น และเย็นต่างก็เพิ่มจำนวนขึ้น SSD เหมาะกว่าสำหรับการอ่าน/เขียนที่เกิดขึ้นบ่อยครั้ง การเข้าถึงที่มีความหน่วงต่ำ และการค้นหาเวกเตอร์ ส่วน HDD เหมาะกว่าสำหรับการจัดเก็บความจุขนาดมหาศาลในต้นทุนต่ำ ในกรณีส่วนใหญ่ ทั้งสองมีแนวโน้มที่จะอยู่ร่วมกันในรูปแบบของการจัดชั้นข้อมูลมากกว่าที่จะเข้ามาแทนที่กันโดยตรง

สรุป: กฎหลักของห่วงโซ่การลงทุนสตอเรจ AI นั้นง่ายมาก: ยิ่งข้อมูลอยู่ใกล้ GPU มากเท่าไหร่ ความเร็วยิ่งมีความสำคัญมากขึ้นเท่านั้น; ยิ่งอยู่ห่างจาก GPU มากเท่าไหร่ ความจุและต้นทุนยิ่งมีความสำคัญมากขึ้นเท่านั้น ความยืดหยุ่นการลงทุนของ HBM มาจากการปลดล็อกประสิทธิภาพของ GPU สำหรับ AI ความยืดหยุ่นของ Enterprise SSD มาจากการอนุมาน (inference), RAG และการเข้าถึงข้อมูลร้อน ส่วนความยืดหยุ่นของ Nearline HDD มาจาก data lake, การสำรองข้อมูล, logs และการขยายขีดความจุของผู้ให้บริการคลาวด์ เมื่อวิเคราะห์บริษัทต่าง ๆ คุณไม่ควรถามเพียงว่าพวกเขาเป็น "หุ้นสตอเรจ AI" หรือไม่ แต่ควรถามด้วยว่าพวกเขาครองตำแหน่งในชั้นสตอเรจใด รายได้ขึ้นอยู่กับราคามากเพียงใด ลูกค้าของพวกเขาคือใคร และภาวะอุปสงค์เกินอุปทานจะยังคงอยู่ได้หรือไม่

ควรติดตามดัชนีชี้วัดใดในห่วงโซ่การลงทุนโครงสร้างพื้นฐาน AI?

ในการประเมินห่วงโซ่โครงสร้างพื้นฐาน AI คุณไม่สามารถมองเพียงพาดหัวข่าวที่ว่า "ดีมานด์ AI แข็งแกร่ง" เพียงเท่านั้น วิธีที่ใช้ได้ผลจริงกว่าคือการเฝ้าดูตัวชี้วัดสามกลุ่ม ได้แก่ ด้านอุปสงค์: การลงทุนด้านทุนของผู้ให้บริการคลาวด์และงาน AI workloads; ด้านอุปทาน: กำลังการผลิตและอัตราผลผลิตของ HBM, NAND และ HDD; และด้านการเงิน: การเติบโตของรายได้ อัตรากำไรขั้นต้น สินค้าคงคลัง กระแสเงินสด และความเข้มข้นของลูกค้า

ตัวชี้วัดฝั่งดีมานด์ที่สำคัญที่สุดคือ capex ของ hyperscaler ว่าผู้ให้บริการคลาวด์จะยังคงขยายศูนย์ข้อมูล AI ต่อไปหรือไม่ เป็นตัวกำหนดดีมานด์รวมสำหรับ GPU, HBM, เซิร์ฟเวอร์, SSD, HDD และอุปกรณ์เครือข่าย ค่าใช้จ่ายที่เกี่ยวข้องกับการฝึกฝน (training) จะกระจุกตัวอยู่ที่คลัสเตอร์ GPU และอุปกรณ์จัดเก็บข้อมูลความเร็วสูงเป็นหลัก ส่วนค่าใช้จ่ายที่เกี่ยวข้องกับการอนุมาน (inference) จะให้ความสำคัญกับต้นทุน ความหน่วง (latency) ข้อมูลร้อน (hot data) และประสิทธิภาพของบริการออนไลน์มากกว่า คุณไม่ควรดูเพียงว่าบริษัทพูดว่า "ดีมานด์ AI แข็งแกร่ง" เท่านั้น คุณยังต้องดูด้วยว่าคำสั่งซื้อถูกแปลงเป็นการจัดส่ง การตั้งราคา และอัตรากำไรขั้นต้นหรือไม่

อินดิเคเตอร์ฝั่งอุปทานจำเป็นต้องแยกตามหมวดหมู่ HBM ถูกจำกัดโดยแผ่นชิป DRAM, TSV, บรรจุภัณฑ์ขั้นสูง อัตราผลผลิต และการรับรองจากลูกค้า NAND ได้รับผลกระทบจากวงจรราคาและความต้องการ SSD สำหรับองค์กร ส่วน HDD ต้องให้ความสนใจกับ HAMR ความหนาแน่นของพื้นที่จัดเก็บ ปริมาณการจัดส่ง exabyte แบบ nearline และสัญญาจัดหาระยะยาว ในไตรมาสที่สี่ของปีงบการเงิน 2025 รายได้ของ หน่วยธุรกิจหน่วยความจำคลาวด์ของ Micron อยู่ที่ 4.543 พันล้านดอลลาร์สหรัฐ และอัตรากำไรขั้นต้น 59% แสดงให้เห็นว่าเมื่อความต้องการจากศูนย์ข้อมูล AI ไหลเข้าสู่โครงสร้างผลิตภัณฑ์และการตั้งราคา ความยืดหยุ่นของกำไรสามารถมีนัยสำคัญได้

มีอีกมิติหนึ่งที่มักถูกมองข้าม: ค่าธรรมเนียมการทำธุรกรรม เมื่อคุณศึกษาค้นคว้าหุ้นโครงสร้างพื้นฐาน AI นอกจากการประเมินปัจจัยพื้นฐานของบริษัทแล้ว คุณยังต้องเข้าใจด้วยว่าค่าธรรมเนียมการทำธุรกรรมจริงอาจส่งผลต่อประสบการณ์ในการถือครองและปรับสมดุลพอร์ตของคุณ ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ มักรวมถึงมากกว่าค่าคอมมิชชั่น โดยอาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย และค่าธรรมเนียมอื่น ๆ Biya ไม่เก็บค่าคอมมิชชั่นสำหรับการซื้อขายหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก และค่าธรรมเนียมอื่น ๆ ขึ้นอยู่กับข้อมูลที่แสดงใน ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ และบนหน้าคำสั่งซื้อขายไม่ว่าบริการที่เกี่ยวข้องจะพร้อมใช้งานหรือไม่นั้น ขึ้นอยู่กับตำแหน่งที่ตั้งของผู้ใช้ ผลการยืนยันตัวตน กฎของแพลตฟอร์ม ตลอดจนกฎหมายและข้อบังคับที่บังคับใช้

หากคุณต้องการติดตามหุ้นสหรัฐฯ และหุ้นฮ่องกงตลอดห่วงโซ่ AI storage คุณสามารถใช้ Biya เพื่อติดตามราคาตลาด ประเภทสินทรัพย์ที่มีให้บริการ และค่าธรรมเนียมบัญชี นอกจากนี้คุณยังสามารถใช้ ค้นหาข้อมูลหุ้นสหรัฐฯ เพื่อจัดระเบียบรายชื่อหุ้นที่เกี่ยวข้องได้ ค่าธรรมเนียมไม่ใช่ปัจจัยที่กำหนดผลตอบแทนการลงทุน แต่ในสถานการณ์ที่มีความผันผวนสูง การปรับสมดุลพอร์ตบ่อยครั้ง หรือการซื้อขั้นต่ำจำนวนน้อย ค่าธรรมเนียมอาจส่งผลต่อประสบการณ์การซื้อขายจริงได้

สรุป: การลงทุนในโครงสร้างพื้นฐาน AI ควรเปลี่ยนจาก "การตัดสินจากแนวคิด" ไปสู่ "การตรวจสอบด้วยตัวชี้วัด" ด้านอุปสงค์ ให้ดูที่ CapEx ของผู้ให้บริการคลาวด์ ปริมาณการจัดส่งเซิร์ฟเวอร์ AI ความสามารถในการประมวลผลพร้อมกันสำหรับ inference และการนำ AI ไปใช้ในองค์กร ด้านอุปทาน ให้ดูที่อัตราผลผลิต HBM การบรรจุขั้นสูง การตั้งราคา NAND และวินัยด้านอุปทานของ HDD ด้านการเงิน ให้ดูที่รายได้ อัตรากำไรขั้นต้น สินค้าคงคลัง กระแสเงินสด และโครงสร้างลูกค้า อุปสงค์จะต้องไหลเข้าสู่คำสั่งซื้อ การตั้งราคา และกำไรอย่างแท้จริงเท่านั้น ตรรกะการลงทุนในห่วงโซ่การจัดเก็บข้อมูล AI จึงจะมีความมั่นคงมากขึ้น

ควรมองเห็นความเสี่ยงใดบ้างในขณะที่มองแง่บวกต่อห่วงโซ่การจัดเก็บข้อมูล AI?

การมีมุมมองเชิงบวกต่อห่วงโซ่การจัดเก็บข้อมูล AI ไม่ได้หมายถึงการมองข้ามวัฏจักรและมูลค่าหลักทรัพย์ ความเสี่ยงหลักแบ่งออกเป็นสามประเภท: การใช้จ่ายภาคทุนของผู้ให้บริการคลาวด์ที่ช้าลง การขยายตัวของอุปทานที่ทำให้ราคาหน่วยความจำจัดเก็บข้อมูลลดลง และการเปลี่ยนแปลงของสถาปัตยกรรมเทคโนโลยีที่ส่งผลต่อโครงสร้างอุปสงค์ อุปสงค์ AI แข็งแกร่ง แต่ DRAM, NAND และ HDD ยังคงมีลักษณะเชิงวัฏจักร

ความเสี่ยงแรกคือภาวะการลงทุนด้าน capex ของ AI ชะลอตัว หากผู้ให้บริการคลาวด์พบว่ารายได้จากการทำ inference อัตราการใช้งานคอมพิวติ้ง หรือความพร้อมใช้งานของพลังงานไฟฟ้าต่ำกว่าความคาดหวัง การใช้จ่ายเพื่อการลงทุนอาจหดตัวชั่วคราว GPU, HBM, เซิร์ฟเวอร์, SSD และ HDD ล้วนเป็นส่วนหนึ่งของห่วงโซ่งบประมาณโครงสร้างพื้นฐานชุดเดียวกัน และความแข็งแกร่งหรือความอ่อนแอของดีมานด์สามารถแพร่กระจายไปยังหลายเซกเมนต์ได้ ภาวะขาดแคลนในระยะสั้นไม่ควรถูกตีความโดยตรงว่าเป็นความเฟื่องฟูในระดับสูงอย่างถาวร โดยเฉพาะอย่างยิ่งในช่วงที่มูลค่าหุ้นอยู่ในระดับสูง เมื่อการเปลี่ยนแปลงของจังหวะการสั่งซื้อเพียงเล็กน้อยก็อาจก่อให้เกิดความผันผวนของราคาหุ้นได้

ความเสี่ยงที่สองคือการขยายกำลังการผลิตด้านอุปทาน ราคา HBM ที่สูงกระตุ้นให้ผู้ผลิตขยายกำลังการผลิต ราคา NAND และ HDD ที่สูงขึ้นก็ช่วยเพิ่มความเต็มใจของอุตสาหกรรมในการจัดหาสินค้าให้มากขึ้นเช่นกัน เกาหลีใต้ได้เปิดตัวแผนการลงทุนขนาดใหญ่ในด้านเซมิคอนดักเตอร์ HBM และศูนย์ข้อมูล AI รายงานของ Reuters เกี่ยวกับ แผนการลงทุนด้าน AI และชิปของเกาหลีใต้ แสดงให้เห็นถึงความสำคัญเชิงกลยุทธ์ในด้านหนึ่ง แต่ในขณะเดียวกันก็เตือนคุณให้ใส่ใจแรงกดดันด้านวงจรธุรกิจในอนาคตหลังจากการขยายอุปทาน

ความเสี่ยงประการที่สามคือการเปลี่ยนแปลงของเส้นทางเทคโนโลยี การทำ Model quantization, sparsity, MoE, CXL memory pooling, KV cache offloading และ near-data processing ล้วนสามารถเปลี่ยนแปลงความต้องการสัมพัทธ์ของ HBM, DRAM, SSD และ HDD ได้ การปรับแต่งซอฟต์แวร์สามารถปรับปรุงประสิทธิภาพการใช้งานฮาร์ดแวร์ และอาจลดความต้องการฮาร์ดแวร์ต่อหน่วยการอนุมาน (inference) ลงด้วย SSD และ HDD ไม่ได้อยู่ในความสัมพันธ์แบบทดแทนกันอย่างง่าย ในอนาคตทั้งสองมีแนวโน้มที่จะถูกจัดชั้นตามอุณหภูมิของข้อมูลและต้นทุนมากกว่า

นักลงทุนควรหลีกเลี่ยงข้อผิดพลาดเหล่านี้:

1. การถือว่าบริษัทสตอเรจทุกแห่งเป็นผู้ได้ประโยชน์จาก HBM
2. มองเฉพาะการเติบโตของรายได้โดยละเลยอัตรากำไรขั้นต้นและสินค้าคงคลัง
3. มองเฉพาะการฝึกฝน AI โดยละเลยการทำให้การอนุมาน (inference) กลายเป็นเชิงพาณิชย์
4. ละเลยความเข้มข้นของลูกค้าและการกำหนดราคาในสัญญาระยะยาว
5. การถือว่าการขึ้นราคาตามวัฏจักรเป็นตรรกะของหุ้นเติบโตอย่างถาวร
6. มองเฉพาะบริษัทยอดนิยมโดยละเลยมูลค่าหุ้นและกระแสเงินสด

สรุป: ห่วงโซ่การจัดเก็บข้อมูล AI ผสมผสานตรรกะการเติบโตและตรรกะวงจรเข้าด้วยกัน ไม่ใช่ภาคส่วนทางเดียวที่มีความเสี่ยงต่ำ HBM ใกล้เคียงกับการเติบโตของ AI GPU มากกว่า แต่ก็มีความเสี่ยงด้านการรวมศูนย์ลูกค้า กำลังการผลิตด้านการบรรจุ และการวนซ้ำของเทคโนโลยีที่สูงกว่าเช่นกัน SSD และ HDD ได้รับผลกระทบจากวงจรราคา สินค้าคงคลัง และวินัยด้านอุปทานมากกว่า แนวทางที่รอบคอบกว่าคือการพิจารณาโมเมนตัมของอุตสาหกรรม อุปสงค์และอุปทาน การประเมินมูลค่า และการตรวจสอบทางการเงินในเวลาเดียวกัน ก่อนทำการซื้อขาย คุณควรเข้าใจกฎของแพลตฟอร์ม โครงสร้างค่าธรรมเนียม และระดับความเสี่ยงที่คุณรับได้ด้วย ข้อมูลตลาดสาธารณะไม่ถือเป็นคำแนะนำในการลงทุน

หากคุณมุ่งเน้นการลงทุนในโครงสร้างพื้นฐาน AI คุณไม่จำเป็นต้องมองเฉพาะผู้นำด้าน GPU เท่านั้น กรอบการวิเคราะห์ที่ครบถ้วนยิ่งขึ้นคือการพิจารณา HBM, DRAM, NAND, SSD สำหรับองค์กร, Nearline HDD, อุปกรณ์ศูนย์ข้อมูล, การลงทุนด้านทุน (capex) ของผู้ให้บริการคลาวด์ และต้นทุนธุรกรรมเข้าด้วยกัน คุณสามารถใช้ตรรกะห่วงโซ่อุตสาหกรรมเพื่อคัดกรองทิศทางก่อน จากนั้นใช้รายได้ อัตรากำไรขั้นต้น สินค้าคงคลัง และกระแสเงินสดเพื่อตรวจสอบวัฏจักร หากมีบริการที่เกี่ยวข้องในภูมิภาคของคุณ คุณยังสามารถลงทะเบียนบัญชีเพื่อสำรวจการสนับสนุนการซื้อขายสินทรัพย์หลายประเภทของ Biya เพิ่มเติมได้ โดยบริการต่าง ๆ เช่น หุ้นสหรัฐฯ หุ้นฮ่องกง และสินทรัพย์ดิจิทัลจะพร้อมใช้งานหรือไม่นั้นขึ้นอยู่กับที่ตั้งของผู้ใช้ ผลการตรวจสอบยืนยันตัวตน กฎเกณฑ์ของแพลตฟอร์ม และกฎหมายและข้อบังคับที่บังคับใช้การตัดสินใจซื้อขายใดๆ ควรพิจารณาจากเป้าหมายส่วนบุคคล ระดับความเสี่ยงที่ยอมรับได้ และข้อมูลค่าธรรมเนียมที่ครบถ้วน

คำถามที่พบบ่อย

ทำไมนักลงทุนด้านโครงสร้างพื้นฐาน AI จึงไม่ควรมองแค่ GPU เท่านั้น?

นักลงทุนด้านโครงสร้างพื้นฐาน AI ไม่ควรมองแค่ GPU เท่านั้น เพราะ GPU ต้องการ HBM, อุปกรณ์จัดเก็บข้อมูล, ระบบเครือข่าย, พลังงานไฟฟ้า และระบบระบายความร้อนจึงจะทำงานได้อย่างมีประสิทธิภาพ GPU เป็นตัวกำหนดขีดจำกัดสูงสุดของพลังการคำนวณ แต่ HBM เป็นตัวกำหนดว่าข้อมูลจะสามารถเข้าสู่หน่วยประมวลผลได้อย่างรวดเร็วหรือไม่ ในขณะที่ SSD และ HDD เป็นตัวกำหนดว่าข้อมูลการฝึกฝน (training data), ฐานข้อมูลเวกเตอร์ และไฟล์ log จะสามารถจัดเก็บและเข้าถึงได้อย่างมีประสิทธิภาพหรือไม่

HBM แตกต่างจาก DRAM ทั่วไปในงาน AI อย่างไร?

HBM ติดตั้งอยู่ใกล้ GPU และมุ่งเน้นด้านแบนด์วิดท์สูง ความหน่วงต่ำ และการบรรจุความหนาแน่นสูง ส่วน DRAM ทั่วไปทำหน้าที่เป็นหน่วยความจำหลักของระบบภายในเซิร์ฟเวอร์เป็นหลัก การเทรนและอินเฟอเรนซ์ AI มีการเคลื่อนย้ายข้อมูลจำนวนมาก ดังนั้น HBM จึงส่งผลโดยตรงมากกว่าต่อทรูพุตของ GPU ระดับไฮเอนด์ ความยาวของคอนเท็กซ์ และความสามารถในการรันอินเฟอเรนซ์แบบขนาน

ความต้องการด้านพื้นที่จัดเก็บข้อมูลที่เกิดจากการเติบโตของ AI Inference มีอะไรบ้าง?

การเติบโตของ AI inference สร้างความต้องการ KV cache, ฐานข้อมูลเวกเตอร์, คลังเอกสาร RAG, บันทึกการใช้งานของผู้ใช้ และการเข้าถึงข้อมูลร้อน HBM และ DRAM รองรับงานใกล้หน่วยความจำและแคชของระบบ SSD สำหรับองค์กรรองรับการดึงข้อมูลที่มีความหน่วงต่ำ ส่วน HDD และ object storage รองรับการเก็บรักษาข้อมูลระยะยาว

เหตุใด Nearline HDD จึงยังคงมีความสำคัญต่อศูนย์ข้อมูล AI?

HDD แบบ Nearline ยังคงมีความสำคัญ เนื่องจากมีข้อได้เปรียบด้านความจุขนาดใหญ่และต้นทุนการจัดเก็บต่อหน่วยที่ต่ำกว่า ศูนย์ข้อมูล AI ไม่เพียงต้องการข้อมูลร้อนที่มีความเร็วสูงเท่านั้น แต่ยังต้องการการจัดเก็บระยะยาวสำหรับคลังข้อมูลสำหรับการฝึกฝน ล็อกไฟล์ การสำรองข้อมูล คลังเก็บถาวร และเวอร์ชันของโมเดลต่างๆ สำหรับข้อมูลเย็นและข้อมูลอุ่น HDD ยังคงเป็นรากฐานด้านความจุที่สำคัญ

นักลงทุนทั่วไปจะประเมินความเสี่ยงของหุ้นกลุ่มอุปกรณ์จัดเก็บข้อมูลสำหรับ AI ได้อย่างไร?

นักลงทุนทั่วไปควรพิจารณาจากด้านอุปสงค์ ราคา สินค้าคงเหลือ อัตรากำไรขั้นต้น ความเข้มข้นของลูกค้า และมูลค่าหลักทรัพย์ อุตสาหกรรมอุปกรณ์จัดเก็บข้อมูลมีลักษณะเป็นวัฏจักรสูง และการที่ราคาสูงขึ้นในระยะสั้นไม่ได้เท่ากับความแน่นอนในระยะยาว เมื่อมีการซื้อขายเกี่ยวข้อง ควรพิจารณากฎของแพลตฟอร์ม รายละเอียดของใบเสร็จ และข้อกำหนดด้านกำกับดูแลในท้องถิ่นด้วย

ห่วงโซ่อุปกรณ์จัดเก็บข้อมูล AI เหมาะกับการลงทุนระยะยาวหรือการเทรดตามรอบมากกว่ากัน?

การที่ห่วงโซ่อุปกรณ์จัดเก็บข้อมูล AI จะเหมาะสมกับการลงทุนระยะยาวหรือไม่นั้น ขึ้นอยู่กับตำแหน่งทางธุรกิจของบริษัทและระดับการยอมรับความเสี่ยงของแต่ละบุคคล HBM มีความเกี่ยวข้องโดยตรงกับการเติบโตของ AI GPU มากกว่า ในขณะที่ SSD และ HDD ได้รับผลกระทบจากวงจรราคามากกว่า ก่อนทำการเทรดใดๆ นักลงทุนควรพิจารณาข้อมูลทางการเงิน มูลค่าหุ้น โครงสร้างค่าธรรมเนียม และข้อกำหนดด้านการปฏิบัติตามกฎระเบียบเข้าด้วยกัน