ความแตกต่างระหว่าง RDIMM, LPDDR, GDDR และ HBM คืออะไร? คำอธิบายสำหรับนักลงทุน

RDIMM, LPDDR, GDDR และ HBM ล้วนเกี่ยวข้องกับ DRAM แต่ไม่ได้แก้ปัญหาเดียวกัน RDIMM ใช้เป็นหน่วยความจำหลักของเซิร์ฟเวอร์ โดยเน้นที่ความจุ ความเสถียรภาพ และความสามารถในการขยายระบบ LPDDR ใช้ในสมาร์ตโฟน แล็ปท็อปบางเบา และอุปกรณ์ AI ขอบข่าย (edge AI) โดยเน้นที่การใช้พลังงานต่ำ GDDR ใช้เป็นหน่วยความจำของ GPU โดยเน้นที่สมดุลระหว่างแบนด์วิดท์กับต้นทุน HBM ใช้ในตัวเร่ง AI ระดับไฮเอนด์และระบบ HPC โดยเน้นที่แบนด์วิดท์สูงมากและเทคโนโลยีการบรรจุชิปขั้นสูง จากมุมมองของนักลงทุน ประเด็นสำคัญไม่ใช่การท่องจำตัวย่อทางเทคนิค แต่คือการเข้าใจว่าหน่วยความจำประเภทใดที่เป็นตัวขับเคลื่อน ASP อัตรากำไรขั้นต้น และอำนาจตั้งราคาของผู้ผลิต

Key Takeaways

• RDIMM เป็นหน่วยความจำหลักของเซิร์ฟเวอร์ ดังนั้นนักลงทุนควรติดตามผู้ให้บริการคลาวด์ เซิร์ฟเวอร์ AI และวงจรการจัดซื้อศูนย์ข้อมูล
• LPDDR เน้นการใช้พลังงานต่ำและบรรจุภัณฑ์ขนาดกะทัดรัด โดยความต้องการผูกพันกับสมาร์ตโฟน AI PC และ AI ขอบเครือข่าย (Edge AI)
• GDDR เป็นเส้นทางหลักของหน่วยความจำ GPU ซึ่งได้รับอิทธิพลจากการ์ดจอเกม กราฟิกระดับมืออาชีพ และการอนุมาน AI (AI Inference)
• HBM มีมูลค่าต่อหน่วยสูงและบรรจุภัณฑ์ซับซ้อน ทำให้เป็นตัวแปรหน่วยความจำสำคัญสำหรับตัวเร่ง AI ระดับไฮเอนด์
• นักลงทุนควรแยกแยะระหว่างปริมาณการจัดส่ง ASP เงินปลดกล้าของอัตรากำไรขั้นต้น และความเข้มข้นของลูกค้า
• การอัปเกรดเทคโนโลยี DRAM ไม่รับประกันการเพิ่มขึ้นของราคาหุ้น ยังคงต้องพิจารณาปัจจัยด้านสินค้าคงคลัง การประเมินมูลค่า และการขยายกำลังการผลิต

RDIMM, LPDDR, GDDR และ HBM ในกรอบเดียว

ความแตกต่างที่สำคัญที่สุดระหว่าง RDIMM, LPDDR, GDDR และ HBM คือแต่ละประเภทตอบโจทย์คอขวดของระบบที่แตกต่างกัน RDIMM แก้ปัญหาความจุและความเสถียรภาพของเซิร์ฟเวอร์ LPDDR แก้ปัญหาการใช้พลังงานในอุปกรณ์เคลื่อนที่ GDDR แก้ปัญหาสมดุลระหว่างแบนด์วิดท์หน่วยความจำของ GPU และต้นทุน ส่วน HBM แก้ความต้องการแบนด์วิดท์ขั้นสูงสุดของตัวเร่ง AI คุณไม่ควรตัดสินคุณค่าเพียงแค่ถามว่าเทคโนโลยีแบบใด "ทันสมัยกว่า" เพราะความสำคัญของหน่วยความจำแต่ละประเภทขึ้นอยู่กับตลาดปลายทาง งบประมาณของลูกค้า ความยากในการจัดหา และความยืดหยุ่นด้านราคา

DRAM เป็นหมวดหมู่ที่กว้างกว่า ซึ่งหมายถึงหน่วยความจำเข้าถึงโดยสุ่มแบบไดนามิก RDIMM, LPDDR, GDDR และ HBM ต่างสามารถมองได้ว่าเป็นสาขาย่อยที่แตกต่างกันภายในระบบนิเวศของ DRAM แต่อินเทอร์เฟซ บรรจุภัณฑ์ การใช้พลังงาน ความจุ และกลุ่มลูกค้าของแต่ละประเภทแตกต่างกันอย่างมีนัยสำคัญ Micron เชื่อมโยง RDIMM และ MRDIMM เข้ากับเซิร์ฟเวอร์ AI, HPC และงานที่ต้องใช้หน่วยความจำสูงอื่น ๆ ในข้อมูล DDR5 DRAM ของตน เน้นย้ำ AI บนอุปกรณ์เคลื่อนที่และประสิทธิภาพการใช้พลังงานในข้อมูล LPDDR5X ของตน เน้น GPU การเล่นเกม การอนุมาน AI และ HPC ในข้อมูล GDDR7 ของตน และวางตำแหน่ง HBM3E ที่เกี่ยวกับความต้องการแบนด์วิดท์สูงสำหรับการฝึกและการอนุมานของ AI

จากมุมมองของกรณีการใช้งาน RDIMM เปรียบเสมือน "สระหน่วยความจำสำหรับทำงาน" ของเซิร์ฟเวอร์ ช่วยให้ระบบฝั่ง CPU ทำงานได้อย่างเสถียรและเชื่อถือได้ LPDDR เปรียบเสมือน "หน่วยความจำหลักที่ประหยัดพลังงาน" ของอุปกรณ์เคลื่อนที่ ซึ่งสมดุลระหว่างอายุการใช้งานแบตเตอรี่ ความร้อน และขนาดทางกายภาพ GDDR เปรียบเสมือน "แคชกราฟิกความเร็วสูง" ของ GPU ที่ช่วยให้มีอัตราการรับส่งข้อมูลเพียงพอสำหรับงานกราฟิกและการประมวลผลแบบขนาน ส่วน HBM เปรียบเสมือน "คลังสินค้าความเร็วสูงใกล้ตัว" ของตัวเร่ง AI ระดับไฮเอนด์ ที่ผลักดันแบนด์วิดท์ให้สูงถึงระดับสุดขีดผ่านเทคโนโลยีการซ้อนชิปและการบรรจุชิปขั้นสูง

สรุป: ความแตกต่างหลักระหว่าง DRAM ทั้งสี่ประเภทนี้ไม่ได้เป็นเพียงเรื่องการตั้งชื่อทางเทคนิคเท่านั้น แต่แต่ละประเภทผูกพันกับคอขวดของระบบที่แตกต่างกัน RDIMM ผูกพันกับเซิร์ฟเวอร์และคลาวด์คอมพิวติ้ง LPDDR ผูกพันกับสมาร์ตโฟน, AI PC และ AI ที่ขอบเครือข่าย (Edge AI) GDDR ผูกพันกับ GPU, การ์ดจอสำหรับเกม และบางส่วนของการอนุมาน AI (AI Inference) HBM ผูกพันกับตัวเร่ง AI ระดับสูงและ HPC จากมุมมองการลงทุน คุณไม่ควรมองว่า "การราคาหน่วยความจำที่สูงขึ้น" ทั้งหมดเป็นเรื่องราวแบบเดียวกัน คำถามที่เป็นประโยชน์คือหน่วยความจำประเภทใดที่กำลังได้รับความต้องการจากลูกค้าที่แข็งแกร่งขึ้น, ASP ที่สูงขึ้น, อัตรากำไรขั้นต้นที่ดีขึ้น และสภาพอุปทานที่ตึงตัวมากขึ้น

RDIMM คืออะไร? เหตุใดเซิร์ฟเวอร์และศูนย์ข้อมูล AI จึงดำเนินงานไม่ได้หากขาดสิ่งนี้ไป?

RDIMM ย่อมาจาก Registered DIMM และใช้เป็นหน่วยความจำหลักของเซิร์ฟเวอร์เป็นหลัก คุณค่าของมันไม่ได้อยู่ที่การทำให้คอมพิวเตอร์ส่วนบุคคลได้คะแนนสูงขึ้นในการทดสอบประสิทธิภาพ แต่อยู่ที่การช่วยให้เซิร์ฟเวอร์ทำงานได้อย่างเสถียรภาพในสภาพแวดล้อมแบบหลายช่องทาง หลายสล็อต และความจุสูง ศูนย์ข้อมูล AI คอมพิวติ้งแบบคลาวด์ ฐานข้อมูล และระบบเวอร์ชวลไลเซชัน ล้วนต้องการหน่วยความจำฝั่ง CPU จำนวนมาก RDIMM ช่วยลดภาระของตัวควบคุมหน่วยความจำผ่านการบัฟเฟอร์แบบ registered และรองรับความจุที่สูงขึ้นและความน่าเชื่อถือที่แข็งแกร่งยิ่งขึ้น ซึ่งทำให้มันเป็นจุดเริ่มต้นที่สำคัญในวงจร DRAM ของเซิร์ฟเวอร์

ความแตกต่างระหว่าง RDIMM กับ UDIMM ทั่วไปสามารถเข้าใจได้ว่าเป็นความแตกต่างระหว่าง "ความสามารถในการขยายระดับองค์กร" กับ "ความใช้งานง่ายระดับผู้บริโภค" UDIMM ทั่วไปเหมาะสำหรับเดสก์ท็อป คอมพิวเตอร์เล่นเกม และคอมพิวเตอร์สำนักงานมากกว่า โดยมีราคาถูกกว่าและหาซื้อได้ง่ายกว่าในช่องทางค้าปลีก ส่วน RDIMM ต้องการการสนับสนุนจาก CPU เซิร์ฟเวอร์ เมนบอร์ด และ BIOS และมักผูกกับ ECC การทดสอบความเข้ากันได้ของแพลตฟอร์ม และการทำงานที่เสถียรในระยะยาว หน่วยความจำ RDIMM ของ Micron มุ่งเป้าไปที่เซิร์ฟเวอร์องค์กร คลาวด์ และการใช้งานในศูนย์ข้อมูล โดยเน้นประสิทธิภาพสูงและความเสถียร

การอัปเกรดเซิร์ฟเวอร์ไม่ได้เกี่ยวข้องเพียงแค่ความจุของโมดูลหน่วยความจำเพียงตัวเดียวเท่านั้น คุณยังจำเป็นต้องพิจารณาด้วยว่า CPU แต่ละตัวรองรับช่องทางหน่วยความจำ (memory channel) กี่ช่อง ติดตั้ง DIMM ได้กี่ตัวต่อหนึ่งช่องทาง และระบบสามารถทำงานได้อย่างเสถียรเมื่อติดตั้งเต็มความจุหรือไม่ เนื่องจากการประมวลผล AI, ฐานข้อมูลเวกเตอร์, การแคชข้อมูล และการทำ virtualization ขนาดใหญ่เติบโตขึ้น ความจุหน่วยความจำต่อเซิร์ฟเวอร์จึงเพิ่มขึ้นอย่างต่อเนื่อง Micron ยังเน้นย้ำถึงแบนด์วิดท์สูง, ความหน่วงต่ำ, ประสิทธิภาพต่อกำลังไฟ และงานด้าน AI / HPC ในข้อมูลเกี่ยวกับ MRDIMM ของบริษัท ซึ่งสะท้อนให้เห็นว่าหน่วยความจำหลักของเซิร์ฟเวอร์กำลังเปลี่ยนจาก "การขยายความจุ" ไปสู่การอัปเกรดสองด้านคือ "ความจุบวกกับแบนด์วิดท์"

นักลงทุนให้ความสนใจกับ RDIMM เนื่องพจากว่าความต้องการของมันเชื่อมโยงโดยตรงกับผู้ให้บริการคลาวด์ ศูนย์ข้อมูลองค์กร และเซิร์ฟเวอร์ AI มากกว่าตลาดหน่วยความจำแบบ DIY ลูกค้าเซิร์ฟเวอร์มักจัดซื้อหน่วยความจำผ่านสัญญา และให้ความสำคัญกับการจัดหาที่มั่นคง รอบการรับรอง และความเข้ากันได้ของแพลตฟอร์มเป็นอย่างสูง หากผู้ให้บริการคลาวด์ยังคงเพิ่มการลงทุนด้านเงินทุน (capital expenditure) สำหรับเซิร์ฟเวอร์ AI ต่อไป ความต้องการ RDIMM สามารถส่งผ่านไปสู่ราคาสัญญา DRAM สำหรับเซิร์ฟเวอร์ ASP ของผู้ผลิต DRAM อัตรากำไรขั้นต้น และการมองเห็นรายได้ในอนาคต

สรุป: RDIMM เป็นจุดเข้าสู่วงจร DRAM เซิร์ฟเวอร์ที่สำคัญ มันไม่ได้เป็นเพียงแค่เวอร์ชันพรีเมียมของหน่วยความจำทั่วไป แต่เป็นหน่วยความจำหลักระดับองค์กรที่ออกแบบมาเพื่อความจุสูง ความน่าเชื่อถือสูง และการตรวจสอบความเข้ากันได้ของแพลตฟอร์ม ศูนย์ข้อมูล AI ไม่สามารถดำเนินการได้หากปราศจาก RDIMM เนื่องจากนอกจาก GPU แล้ว งานหลายอย่างฝั่ง CPU ยังต้องการการสนับสนุนจากหน่วยความจำหลัก รวมถึงการประมวลผลข้อมูลล่วงหน้า การจัดตารางการอนุมาน (inference scheduling) ฐานข้อมูล แคชชิ่ง และเวอร์ชวลไลเซชัน เมื่อประเมินวงจร DRAM ของ Micron, Samsung หรือ SK hynix คุณไม่ควรมองเพียงราคาหน่วยความจำคอมพิวเตอร์ส่วนบุคคลในร้านค้าปลีกเท่านั้น คุณควรให้ความสนใจมากขึ้นกับดีมานด์ RDIMM เซิร์ฟเวอร์ คำสั่งซื้อจากลูกค้าคลาวด์ การใช้จ่ายด้านทุนของศูนย์ข้อมูล และการเปลี่ยนแปลงของอุปสงค์-อุปทานในโมดูลความจุสูง

LPDDR คืออะไร? ทำไมสมาร์ตโฟน แล็ปท็อปบางเบา และ Edge AI จึงให้ความสำคัญกับพลังงานต่ำมากขึ้น?

LPDDR ย่อมาจาก Low Power DDR โดยมีภารกิจหลักคือการสนับสนุนอุปกรณ์พกพาและการประมวลผล Edge AI ด้วยการใช้พลังงานที่ต่ำลง สมาร์ตโฟน แท็บเล็ต แล็ปท็อปบางเบา ระบบยานยนต์ และ AI PC บางรุ่น ต้องมีข้อจำกัดด้านความจุแบตเตอรี่ อุณหภูมิ และพื้นที่ทางกายภาพ ดังนั้น LPDDR จึงไม่ได้มุ่งแสวงหาแบนด์วิดท์สูงสุดแบบ HBM แต่จะสร้างสมดุลระหว่างแบนด์วิดท์ การใช้พลังงาน ขนาดการบรรจุ และต้นทุน จากมุมมองการลงทุน ควรทำความเข้าใจ LPDDR ผ่านวงจรตลาดสมาร์ตโฟน สมาร์ตโฟน AI, AI PC และราคาสัญญา DRAM สำหรับอุปกรณ์เคลื่อนที่

คีย์เวิร์ดแรกของ LPDDR คือพลังงานต่ำ สมาร์ตโฟนและอุปกรณ์บางเฉียบไม่สามารถติดตั้งระบบระบายความร้อนและระบบจ่ายไฟแบบเดียวกับเซิร์ฟเวอร์ได้ ดังนั้นหน่วยความจำจึงต้องแลกเปลี่ยนข้อมูลภายใต้ข้อจำกัดด้านแบตเตอรี่และการออกแบบระบายความร้อนที่จำกัด ข้อมูลของ Micron เกี่ยวกับ LPDDR5X แสดงความเร็วสูงสุดถึง 10.7Gbps และเน้นย้ำการเร่งความเร็วของกรณีการใช้งาน AI รวมถึงประสบการณ์การใช้งานมือถือที่ดีขึ้น สำหรับแบรนด์อุปกรณ์ต่างๆ การอัปเกรด LPDDR สามารถปรับปรุง edge AI การประมวลผลภาพ และการทำงานหลายอย่างพร้อมกันได้ แต่ก็อาจเพิ่มต้นทุนฮาร์ดแวร์ได้เช่นกัน

LPDDR6 ขยายขอบเขตของการใช้งานหน่วยความจำมือถือออกไปอีก JEDEC ระบุไว้ใน แผนที่นำทาง LPDDR6 ว่า LPDDR กำลังขยายจากสถานการณ์มือถือแบบดั้งเดิมไปสู่ศูนย์ข้อมูลและทิศทาง Processing-in-Memory โดยมีเป้าหมายเพื่อลดการเคลื่อนย้ายข้อมูลและปรับปรุงประสิทธิภาพการใช้พลังงาน การเปลี่ยนแปลงนี้มีความสำคัญเนื่องจาก LPDDR ไม่ได้เป็นเพียงหน่วยความจำสมาร์ตโฟนอีกต่อไป แต่อาจเข้าสู่ส่วนต่าง ๆ ของการประมวลผล AI ที่ใช้พลังงานต่ำ SOCAMM และระบบนิเวศ Edge AI อีกด้วย

นักลงทุนสามารถติดตาม LPDDR ผ่านตัวชี้วัดเหล่านี้:

• ปริมาณการจัดส่งสมาร์ตโฟนทั่วโลกและสัดส่วนของรุ่นเรือธง
• ความจุ DRAM ต่ออุปกรณ์ที่มีแนวโน้มเพิ่มขึ้นหรือไม่
• การเข้าถึงของ LPDDR5X และ LPDDR6
• ความต้องการจากสมาร์ตโฟน AI, พีซี AI และอุปกรณ์อิเล็กทรอนิกส์ยานยนต์
• การเปลี่ยนแปลงของราคาสัญญา Mobile DRAM
• แบรนด์สมาร์ตโฟนจะสามารถรับภาระต้นทุนส่วนประกอบที่สูงขึ้นได้หรือไม่

TrendForce คาดการณ์ว่า ความจุ DRAM เฉลี่ยของสมาร์ตโฟนในปี 2026 จะเพิ่มขึ้นเป็น 8.5GB เพิ่มขึ้นประมาณ 10% เมื่อเทียบกับปีก่อนหน้า พร้อมทั้งเตือนว่าการเพิ่มขึ้นของราคา Mobile DRAM จะยังคงกดดันต้นทุนของแบรนด์สมาร์ตโฟนต่อไป ข้อมูลนี้มีคุณค่าสำหรับการวิเคราะห์การลงทุน: ความต้องการ LPDDR อาจเติบโตขึ้น แต่แบรนด์ปลายทางอาจไม่สามารถส่งต่อต้นทุนที่สูงขึ้นให้กับผู้บริโภคได้อย่างราบรื่นเสมอไป

สรุป: ตรรกะการลงทุนของ LPDDR แตกต่างจาก HBM อย่างสิ้นเชิง HBM ผูกอยู่กับตัวเร่ง AI ระดับไฮเอนด์และค่าใช้จ่ายด้านทุนของคลาวด์ ในขณะที่ LPDDR เกี่ยวข้องอย่างใกล้ชิดกับสมาร์ตโฟน AI PC ยานยนต์ และ AI ที่ขอบเครือข่าย (edge AI) มากกว่า จุดแข็งหลักของมันคือพลังงานต่ำ ขนาดบรรจุภัณฑ์กะทัดรัด และประสิทธิภาพการใช้พลังงานที่ค่อนข้างสูง ไม่ใช่แบนด์วิดท์ระดับสุดขั้ว เมื่อประเมินความต้องการ LPDDR คุณควรพิจารณาปริมาณการจัดส่งสมาร์ตโฟน ความจุต่อเครื่อง การอัปเกรดฟีเจอร์ AI ราคาสัญญา และแรงกดดันด้านต้นทุนของอุปกรณ์ปลายทางเข้าด้วยกัน LPDDR อาจมีปริมาณการจัดส่งมาก แต่เลเวอเรจด้านอัตรากำไรขั้นต้นอาจไม่แข็งแกร่งเท่า HBM เนื่องจากแบรนด์สมาร์ตโฟนมีความไวต่อต้นทุนสูง และวงจรสินค้าคงคลังสามารถขยายความผันผวนของราคาได้

GDDR คืออะไร? เหตุใดจึงเชื่อมต่อ GPU การ์ดจอเกมมิ่ง และการอนุมาน AI (AI Inference)?

GDDR ย่อมาจาก Graphics DDR ภารกิจหลักของมันคือการจัดหาหน่วยความจำแบบแบนด์วิดท์สูงให้กับ GPU ในช่วงแรกมันมักถูกเชื่อมโยงกับการ์ดจอสำหรับเกมและการเรนเดอร์กราฟิกเป็นหลัก แต่ปัจจุบันมันยังใช้งานในด้านกราฟิกระดับมืออาชีพ การอนุมาน AI และการคำนวณประสิทธิภาพสูงบางส่วนอีกด้วย ข้อดีของ GDDR คือแบนด์วิดท์สูง ระบบนิเวศที่เป็นผู้ใหญ่ และต้นทุนต่ำกว่าและความซับซ้อนในการแพ็กเกจน้อยกว่าเมื่อเทียบกับ HBM ข้อจำกัดของมันคือความหนาแน่นของแบนด์วิดท์และประสิทธิภาพการใช้พลังงานต่ำกว่า HBM จากมุมมองการลงทุน ควรประเมิน GDDR ผ่านวงจรการอัปเกรด GPU ความต้องการการ์ดจอสำหรับเกม การกำหนดค่าการ์ดอนุมาน AI และอัตราการเจาะตลาดของ GDDR7

GDDR และ DDR ทั่วไปต่างเป็นเส้นทางเทคโนโลยีที่เกี่ยวข้องกับ DRAM ทั้งคู่ แต่มีเป้าหมายการออกแบบที่แตกต่างกัน DDR / RDIMM ทั่วไปมีลักษณะคล้ายหน่วยความจำหลักฝั่ง CPU มากกว่า โดยเน้นที่ความจุ ความเสถียร และความสามารถในการขยายระบบ ส่วน GDDR มีลักษณะคล้ายช่องทางข้อมูลความเร็วสูงสำหรับ GPU มากกว่า โดยเน้นที่แบนด์วิดท์ของหน่วยความจำที่จำเป็นสำหรับการคำนวณแบบขนาน การเรนเดอร์เกม เท็กซ์เจอร์ความละเอียดสูง งานออกแบบระดับมืออาชีพ การประมวลผลวิดีโอ และงานการอนุมาน AI บางประเภท ล้วนต้องการให้ GPU อ่านข้อมูลจำนวนมากอย่างรวดเร็ว

GDDR7 เป็นทิศทางสำคัญสำหรับการอัปเกรดหน่วยความจำกราฟิกในปัจจุบัน ข้อมูลของ หน่วยความจำกราฟิก GDDR7 ของ Micron ระบุว่า GDDR7 มุ่งเป้าไปที่ GPU, การอนุมาน AI, เกม และ HPC โดยมีความเร็วสูงสุดถึง 32Gb/s และแบนด์วิดท์ของระบบมากกว่า 1.5TB/s ในประกาศ GDDR7 ตัวอย่างสำหรับทดสอบ Micron ยังเน้นย้ำว่า GDDR7 ช่วยเพิ่มประสิทธิภาพการใช้พลังงานและพลังงานในโหมดสแตนด์บายเมื่อเทียบกับ GDDR6 และการใช้งานของมันขยายจากเกมไปสู่ AI และการประมวลผลประสิทธิภาพสูง

อย่าง GDDR และ HBM ไม่ควรถูกทำให้เข้าใจง่ายเกินไปว่าเป็น "ระดับล่าง" กับ "ระดับสูง" HBM เหมาะสำหรับสภาพแวดล้อมที่ต้องการแบนด์วิดท์สูงมาก ความหนาแน่นของพลังงานสูง และตัวเร่ง AI ระดับสูง ส่วน GDDR เหมาะกว่าสำหรับการสร้างสมดุลระหว่างต้นทุน การออกแบบ PCB ระบบนิเวศของการ์ดจอ และขนาดของอุปทาน การ์ดจอเพื่อการเล่นเกมจำนวนมาก GPU ระดับกลางถึงสูง การ์ดจอระดับมืออาชีพ และอุปกรณ์อนุมาน AI บางประเภทอาจยังคงพึ่งพา GDDR ต่อไปอีกช่วงเวลานาน ความนิยมของ HBM ไม่ได้หมายความว่า GDDR จะสูญเสียความเกี่ยวข้องในแง่การลงทุนไป

สรุป: GDDR เป็นเส้นทางหน่วยความจำที่สำคัญในห่วงโซ่อุปทาน GPU ซึ่งมักถูกบดบังด้วยเรื่องราวของ HBM แม้จะไม่ใช่หน่วยความจำ AI สำหรับการฝึกฝนระดับไฮเอนด์ที่สุดเหมือนอย่าง HBM แต่ก็ครอบคลุมตลาดที่กว้างขวางกว่า ทั้งการ์ดจอ การประมวลผลกราฟิก และการอนุมาน AI บางส่วน การอัปเกรด GDDR7 จะส่งผลต่อประสิทธิภาพของ GPU ความจุหน่วยความจำ การใช้พลังงาน และโครงสร้างต้นทุน เมื่อวิเคราะห์หุ้นหน่วยความจำหรือห่วงโซ่อุปทาน GPU คุณไม่ควรถามเพียงว่า HBM ขาดแคลนหรือไม่ แต่ควรถามด้วยว่า GDDR7 ถูกนำมาใช้เร็วเพียงใด การ์ดจอสำหรับเกมกำลังเข้าสู่วงจรอัปเกรดหรือไม่ และฮาร์ดแวร์กราฟิกระดับมืออาชีพและการอนุมาน AI กำลังสร้างความต้องการหน่วยความจำกราฟิกใหม่หรือไม่

HBM คืออะไร? และทำไมจึงเป็นแกนกลางของเรื่องราวการลงทุนหน่วยความจำ AI?

HBM ย่อมาจาก High Bandwidth Memory จุดเด่นหลักคือการใช้ DRAM แบบซ้อนกัน, TSV และบรรจุภัณฑ์ขั้นสูง เพื่อวางหน่วยความจำให้อยู่ใกล้กับ GPU หรือตัวเร่ง AI ทำให้ได้แบนด์วิดท์สูงมากและความหนาแน่นของแบนด์วิดท์ที่สูงขึ้น HBM ไม่ได้ถูกออกแบบมาเพื่อแทนที่ DRAM ทุกประเภท แต่มีไว้เพื่อรองรับสถานการณ์ที่ต้องการแบนด์วิดท์สูงที่สุด เช่น การฝึก AI, การอนุมานระดับสูง และ HPC นักลงทุนให้ความสนใจกับ HBM ไม่ใช่เพราะมีปริมาณการจัดส่งมากที่สุด แต่เพราะมีมูลค่าต่อหน่วยสูง ความยากในการผลิตสูง ความเข้มข้นของลูกค้าสูง และสามารถแย่งกำลังการผลิตของ DRAM ทั่วไปได้

เส้นทางเทคโนโลยีของ HBM แตกต่างจากหน่วยความจำทั่วไปอย่างมาก RDIMM ทั่วไปจะติดตั้งบนเมนบอร์ดของเซิร์ฟเวอร์ GDDR จะกระจายอยู่รอบๆ บอร์ด GPU ส่วน HBM ใช้เทคนิคการซ้อนกันและการบรรจุขั้นสูง เช่น interposer เพื่อวางใกล้ชิปคำนวณ ข้อมูลของ Micron เกี่ยวกับ HBM3E ระบุว่า HBM3E แบบ 8 ชั้น ความจุ 24GB สามารถให้แบนด์วิดท์มากกว่า 1.2TB/s และใช้สำหรับการฝึกและการอนุมาน AI มาตรฐาน HBM4 ของ JEDEC เน้นย้ำถึงการปรับปรุงอย่างต่อเนื่องด้านแบนด์วิดท์ ประสิทธิภาพการใช้พลังงาน และความจุต่อหนึ่งได / สแตก เพื่อตอบสนองความต้องการในการประมวลผลข้อมูลของ AI และ HPC

HBM ส่งผลกระทบต่อตลาด DRAM โดยรวม เนื่องจากไม่เพียงแต่ใช้ทรัพยากรการบรรจุภัณฑ์ แต่ยังใช้สัดส่วนการจัดสรรเวเฟอร์ DRAM ด้วย TrendForce คาดการณ์ว่า สัดส่วนการใช้เวเฟอร์สำหรับ HBM ของผู้ผลิต DRAM อันดับต้นสามรายจะเพิ่มจากประมาณ 18% ในช่วงปลายปี 2025 เป็นประมาณ 22% ในช่วงปลายปี 2026 และเพิ่มขึ้นเป็นประมาณ 30% ในช่วงปลายปี 2027 ในช่วงเวลาเดียวกัน สัดส่วนอุปทานบิตของ HBM คาดว่าจะยังคงต่ำกว่าสัดส่วนการใช้เวเฟอร์อย่างมีนัยสำคัญ ซึ่งแสดงให้เห็นว่า HBM แย่งชิงกำลังการผลิต DRAM แบบดั้งเดิม

TrendForce ได้ปรับมุมมองตลาด DRAM ให้สูงขึ้นในการวิเคราะห์เรื่อง agentic AI และความต้องการหน่วยความจำ โดยโต้แย้งว่าการใช้เวเฟอร์ที่เกี่ยวข้องกับ HBM จะบีบอัดกำลังการผลิต DRAM แบบดั้งเดิม และเสริมสร้างอำนาจการตั้งราคาของผู้ผลิต สำหรับนักลงทุน นี่คือความหมายแกนกลางของ HBM: มันไม่เพียงเป็นหน่วยความจำคู่สำหรับชิป AI ระดับไฮเอนด์เท่านั้น แต่ยังเป็นตัวขยายที่ส่งผลต่อโครงสร้างอุปทาน DRAM ทั้งหมดอีกด้วย

สรุป: HBM เป็นหัวใจของเรื่องราวการลงทุนด้านหน่วยความจำสำหรับ AI แต่ไม่ควรเข้าใจเพียงแค่ว่าเป็นผลิตภัณฑ์ที่มีปริมาณการจัดส่งมากที่สุด ความสำคัญที่แท้จริงของมันอยู่ที่มูลค่าต่อหน่วยที่สูง กำแพงด้านเทคโนโลยีที่สูง กระบวนการบรรจุที่ซับซ้อน การกระจุกตัวของลูกค้า และข้อเท็จจริงที่ว่ามันใช้เวเฟอร์ DRAM และทรัพยากรการบรรจุขั้นสูง เมื่อ HBM3E และ HBM4 เข้าสู่แพลตฟอร์ม AI accelerator มากขึ้น โครงสร้างผลิตภัณฑ์ ข้อตกลงการจัดหา อัตรากำไรขั้นต้น และความคาดหวังด้านมูลค่าหลักทรัพย์ของผู้ผลิตหน่วยความจำอาจเปลี่ยนแปลงได้ ในการประเมินห่วงโซ่อุปทานของ HBM คุณควรพิจารณาจากความต้องการของ AI accelerator การรับรองจากผู้ผลิต กำลังการผลิตด้านการบรรจุ อัตราผลผลิต สัญญาระยะยาว และผลกระทบการแย่งส่วนแบ่งต่ออุปทาน DRAM ทั่วไป แทนที่จะมุ่งเน้นเพียงการเปิดตัวผลิตภัณฑ์เดียว

นักลงทุนสามารถใช้ DRAM ทั้งสี่ประเภทนี้อย่างไรเพื่อระบุโอกาสและความเสี่ยงในห่วงโซ่อุปทาน?

นักลงทุนสามารถใช้ RDIMM, LPDDR, GDDR และ HBM เป็นแผนที่ของห่วงโซ่อุปทาน DRAM ได้ RDIMM ชี้ไปที่เซิร์ฟเวอร์ LPDDR ชี้ไปที่อุปกรณ์เคลื่อนที่และ AI ขอบ GDDR ชี้ไปที่ GPU และการประมวลผลกราฟิก HBM ชี้ไปที่ตัวเร่ง AI ระดับไฮเอนด์ สิ่งที่มีประโยชน์ไม่ใช่การท่องจำตัวย่อ แต่คือการระบุว่าหน่วยความจำประเภทใดกำลังได้รับ ASP ที่สูงขึ้น การผูกขาดลูกค้าที่แข็งแกร่งขึ้น อัตรากำไรขั้นต้นที่ดีขึ้น และแนวโน้มอุปสงค์แบบใดที่ถูกกำหนดไว้ในราคาหุ้นแล้ว

อย่างแรก ให้แยกแหล่งความต้องการออกจากกัน ความต้องการ RDIMM มาจากผู้ให้บริการคลาวด์ เซิร์ฟเวอร์ AI และศูนย์ข้อมูลองค์กร ความต้องการ LPDDR มาจากสมาร์ตโฟน AI PC ยานยนต์ และ AI ขอบเครือข่าย (Edge AI) ความต้องการ GDDR มาจาก GPU เพื่อการเล่นเกม กราฟิกระดับมืออาชีพ และงานอนุมาน AI บางส่วน ความต้องการ HBM มาจาก GPU ระดับไฮเอนด์ AI ASIC, CSP และ HPC แหล่งความต้องการที่แตกต่างกันมีวงจรที่แตกต่างกัน และไม่สามารถอธิบายได้ทั้งหมดด้วยเรื่องราวเดียวเกี่ยวกับ “ปรากฏการณ์หน่วยความจำร้อนแรง”

ประการที่สอง แยกแยะระหว่างแชงลูกโซ่รายได้กับแชงลูกโซ่อัตรากำไรขั้นต้น LPDDR มีปริมาณการจัดส่งมาก แต่แบรนด์สมาร์ตโฟนให้ความสำคัญกับต้นทุน RDIMM ผูกกับลูกค้าเซิร์ฟเวอร์ ซึ่งสัญญาและการอัปเกรดคอนฟิกูเรชันมีความสำคัญต่อการมองเห็นรายได้มากกว่า GDDR ได้รับอิทธิพลจากการอัปเกรด GPU และความต้องการการ์ดจอ ส่วน HBM มีสภาพอุปทานตึงตัว มีกำแพงทางเทคนิคสูงและราคาต่อหน่วยสูง จึงอาจสร้างแชงลูกโซ่อัตรากำไรขั้นต้นที่แข็งแกร่งกว่า แต่ก็มีความเสี่ยงจากการพึ่งพาลูกค้าเพียงไม่กี่รายและมูลค่าหลักทรัพย์ที่ร้อนแรงเกินไปด้วยเช่นกัน

คุณสามารถใช้รายการตรวจสอบต่อไปนี้เพื่อติดตามวงจรการลงทุน DRAM ได้:

• ข้อตกลงการจัดหา HBM3E / HBM4 และจังหวะการปลดล็อกกำลังการผลิต
• ราคาสัญญา RDIMM สำหรับเซิร์ฟเวอร์ และคำสั่งซื้อจากลูกค้าคลาวด์
• การแพร่หลายของ LPDDR5X / LPDDR6 ในสมาร์ตโฟนและ AI PC
• การนำ GDDR7 มาใช้ใน GPU, การ์ดจอสำหรับเกมมิ่ง และการอนุมาน AI
• ASP, อัตรากำไรขั้นต้น, สินค้าคงคลัง และค่าใช้จ่ายด้านทุนของผู้ผลิต DRAM
• จังหวะการจัดซื้อจาก Nvidia, AMD, ผู้ให้บริการคลาวด์ และแบรนด์สมาร์ตโฟน
• ความแตกต่างของส่วนผสมผลิตภัณฑ์ระหว่าง Micron, SK hynix และ Samsung

หากคุณติดตาม Micron MU, Nvidia NVDA, AMD, Samsung, SK hynix หรือ ETF ที่เกี่ยวข้อง คุณควรพิจารณาต้นทุนการซื้อขายจริงนอกเหนือจากเส้นทางเทคโนโลยี ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ มักรวมมากกว่าค่าคอมมิชชั่น โดยอาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก ค่าธรรมเนียมกิจกรรมการซื้อขาย และค่าใช้จ่ายที่เกี่ยวข้องกับการขายด้วย ผ่านทาง ค่าธรรมเนียมซื้อขายหุ้นสหรัฐฯ ของ Biya คุณจะเห็นว่า Biya ไม่เก็บค่าคอมมิชชั่น ($0) สำหรับการซื้อขายหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก และค่าใช้จ่ายอื่น ๆ จะเป็นไปตามที่ศูนย์ค่าธรรมเนียมและหน้าคำสั่งซื้อขายแสดงไว้ การให้บริการขึ้นอยู่กับที่ตั้งของผู้ใช้ ผลการตรวจสอบยืนยันตัวตน กฎของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้อง

สรุป: DRAM ทั้งสี่ประเภทนี้สามารถช่วยให้คุณแยกแยะหุ้นหน่วยความจำออกเป็นกรอบห่วงโซ่อุปทานที่ชัดเจนยิ่งขึ้น RDIMM แทนหน่วยความจำหลักของเซิร์ฟเวอร์ LPDDR แทนอุปกรณ์เคลื่อนที่และอุปกรณ์พลังงานต่ำ GDDR แทนหน่วยความจำของ GPU HBM แทนตัวเร่ง AI ระดับไฮเอนด์ โอกาสในการลงทุนมักมาจากราคาขายเฉลี่ย (ASP) ที่สูงขึ้น การล็อกลูกค้าที่แข็งแกร่งขึ้น การปรับปรุงอัตรากำไรขั้นต้น และสภาพอุปทานที่ตึงตัว ความเสี่ยงมาจากการสะสมสินค้าคงคลัง การใช้จ่ายเงินทุนที่มากเกินไป อุปสงค์ปลายทางที่ชะลอตัว และราคาหุ้นที่ประเมินความมองโลกในแง่ดีไว้มากเกินไปแล้ว การอัปเกรดเทคโนโลยีเพียงอย่างเดียวไม่ใช่เหตุผลที่เพียงพอสำหรับการซื้อ ประเด็นสำคัญคือการอัปเกรดนั้นสามารถแปลงเป็นรายได้ อัตรากำไรขั้นต้น และคำสั่งซื้อที่ต่อเนื่องได้หรือไม่

การทำความเข้าใจความแตกต่างระหว่าง RDIMM, LPDDR, GDDR และ HBM จะช่วยให้คุณสังเกตห่วงโซ่อุปทานเซมิคอนดักเตอร์และหน่วยความจำสำหรับ AI ของสหรัฐฯ ได้อย่างมีโครงสร้างมากขึ้น คุณไม่จำเป็นต้องนำเหตุการณ์ “ราคาหน่วยความจำที่สูงขึ้น” ทุกครั้งมาประกอบกับ HBM และคุณก็ไม่ควรมองข้ามบทบาทตามวัฏจักรของ RDIMM, LPDDR และ GDDR เพียงเพราะ HBM เป็นที่นิยมมากกว่า หากคุณติดตาม Micron MU, Nvidia NVDA, AMD หรือ ETF ที่เกี่ยวข้อง คุณสามารถใช้ข้อมูลหุ้นสหรัฐฯ เพื่อตรวจสอบข้อมูลพื้นฐานของตัวหุ้นก่อน จากนั้นจึงนำมาประกอบกับรายงานผลประกอบการ ราคาสัญญา สินค้าคงคลัง การลงจ่ายเงินลงทุน และระดับความเสี่ยงที่คุณยอมรับได้ Biya เป็นกระเป๋าเงินสำหรับเทรดสินทรัพย์หลายประเภทระดับโลกที่รองรับหุ้นสหรัฐฯ หุ้นฮ่องกง สินทรัพย์ดิจิทัล และสินทรัพย์ประเภทอื่น ๆ คุณยังสามารถใช้ Biya เพื่อติดตามโอกาสในตลาดที่เกี่ยวข้อง ข้อมูลสาธารณะและโครงสร้างค่าธรรมเนียมสามารถช่วยปรับปรุงคุณภาพการตัดสินใจได้ แต่ไม่ถือเป็นคำแนะนำในการลงทุน ก่อนทำการซื้อขาย โปรดปฏิบัติตามกฎของแพลตฟอร์ม รายละเอียดหน้าคำสั่งซื้อ และข้อกำหนดด้านกฎระเบียบในท้องถิ่น

คำถามที่พบบ่อย

RDIMM ต่างจากหน่วยความจำ DDR5 ทั่วไปอย่างไร?

RDIMM ได้รับการออกแบบมาสำหรับเซิร์ฟเวอร์ ส่วน DDR5 ทั่วไปส่วนใหญ่ใช้ในคอมพิวเตอร์ส่วนบุคคล RDIMM เน้นที่การบัฟเฟอร์แบบรีจิสเตอร์ ความเสถียร การขยายความจุสูง และการตรวจสอบความเข้ากันได้ของแพลตฟอร์ม ในขณะที่ DDR5 ทั่วไปให้ความสำคัญกับราคา ความถี่ ความหน่วง และความเข้ากันได้กับเมนบอร์ดสำหรับผู้บริโภคมากกว่า

ทำไม LPDDR จึงมักถูกใช้ในสมาร์ตโฟนและ AI PC?

LPDDR มักถูกใช้ในสมาร์ตโฟนและ AI PC เนื่องจากมีการใช้พลังงานต่ำ ขนาดการบรรจุกะทัดรัด และประสิทธิภาพการใช้พลังงานค่อนข้างสูง อุปกรณ์ที่ใช้พลังงานจากแบตเตอรี่มีความอ่อนไหวต่ออายุการใช้งานของแบตเตอรี่ ความร้อน และขนาดทางกายภาพ ทำให้ LPDDR เหมาะสมกว่า DDR แบบเดสก์ท็อปดั้งเดิม

GDDR และ HBM เป็นหน่วยความจำของ GPU ทั้งคู่หรือไม่?

GDDR และ HBM ต่างก็สามารถใช้งานกับ GPU ได้ แต่มีตำแหน่งการใช้งานที่แตกต่างกัน GDDR พบได้บ่อยกว่าในการ์ดจอสำหรับเกม กราฟิกระดับมืออาชีพ และงาน AI inference บางส่วน ส่วน HBM มักถูกใช้ในตัวเร่ง AI ระดับไฮเอนด์ การฝึกฝน AI (AI training) และ HPC

ทำไมนักลงทุนหุ้นหน่วยความจำจึงให้ความสนใจกับ HBM มากกว่า?

นักลงทุนให้ความสนใจกับ HBM มากกว่าเนื่องจากมีราคาต่อหน่วยสูง อุปทานตึงตัว กระบวนการแพ็กเกจที่ซับซ้อน ลูกค้ากระจุกตัว และสามารถแย่งกำลังการผลิตจาก DRAM ทั่วไปได้ ผลกระทบของมันต่อ ASP อัตรากำไรขั้นต้น และความอ่อนไหวของมูลค่าหุ้นมักจะเห็นได้ชัดเจนกว่า

นักลงทุน Micron ควรจับตา DRAM ประเภทใด?

นักลงทุน Micron ควรติดตาม HBM, server RDIMM, LPDDR และ GDDR ร่วมกัน โดยลำดับความสำคัญขึ้นอยู่กับดีมานด์ศูนย์ข้อมูล AI วงจรสมาร์ตโฟน การอัปเกรด GPU ส่วนผสมของผลิตภัณฑ์ แนวทางอัตรากำไรขั้นต้น และการเปลี่ยนแปลงของสินค้าคงคลัง

การอัปเกรดเทคโนโลยี DRAM มักเป็นประโยชน์ต่อหุ้นกลุ่มหน่วยความจำเสมอหรือไม่?

การอัปเกรดเทคโนโลยี DRAM ไม่ได้ส่งผลดีต่อราคาหุ้นโดยตรงเสมอไป เทคโนโลยีใหม่อาจช่วยเพิ่ม ASP และอัตรากำไรขั้นต้น แต่ราคาหุ้นยังได้รับผลกระทบจากมูลค่าหลักทรัพย์ ดีมานด์ของลูกค้า สินค้าคงคลัง ค่าใช้จ่ายด้านทุน การแข่งขัน และความเสี่ยงจากภาวะตลาดขาลงตามวัฏจักร