HBM, NAND หรือ HDD: เส้นทางพื้นที่จัดเก็บข้อมูลสำหรับ AI แบบใดตรงที่สุด? เปรียบเทียบความบริสุทธิ์ทางธุรกิจ

หากถามเพียงว่าเส้นทางการจัดเก็บข้อมูลสำหรับ AI แบบใดตรงที่สุด คำตอบคือ HBM หากถามว่าเส้นทางใดสัมผัสกับการเติบโตของข้อมูล AI ได้กว้างที่สุด NAND/SSD ระดับองค์กรและ HDD ก็มีบทบาทที่ชัดเจนเช่นกัน HBM ตั้งอยู่ใกล้ GPU และตัวเร่ง AI มากที่สุด NAND/SSD รองรับการโหลดโมเดล การแคช และการเข้าถึงข้อมูลความเร็วสูง HDD รองรับข้อมูลเย็นจำนวนมหาศาล บันทึก log การสำรองข้อมูล และการจัดเก็บถาวรระยะยาว ในการประเมินมูลค่าการลงทุน คุณไม่สามารถถามเพียงว่าบริษัทใดได้ประโยชน์จาก AI หรือไม่เท่านั้น คุณยังต้องเปรียบเทียบความบริสุทธิ์ของธุรกิจ อำนาจการกำหนดราคา โครงสร้างลูกค้า ข้อจำกัดด้านอุปทาน และความคาดหวังด้านการประเมินมูลค่าด้วย

ประเด็นสำคัญ:

• HBM อยู่ใกล้โหนดการคำนวณ AI มากที่สุด และเป็นเส้นทางพื้นที่จัดเก็บ AI ที่ตรงที่สุด
• NAND/SSD ระดับองค์กรอยู่ในชั้นกลาง มีความต้องการกว้างขวางแต่วงจรธุรกิจซับซ้อนกว่า
• HDD ได้ประโยชน์จากการสะสมข้อมูลของ AI และผูกพันกับการเติบโตของความจุในระยะยาวมากกว่า
• ความบริสุทธิ์ของธุรกิจขึ้นอยู่กับแหล่งรายได้ ไม่ใช่เพียงว่าบริษัทกล่าวถึง AI หรือไม่
• HBM มีความอ่อนไหวต่อผลตอบแทนขาขึ้นสูงสุด แต่ก็มีความเสี่ยงด้านการบรรจุภัณฑ์ อัตราผลผลิต และการกระจุกตัวของลูกค้าที่สูงกว่าด้วย
• นักลงทุนควรติดตาม ASP อัตรากำไรขั้นต้น สินค้าคงเหลือ และคำสั่งซื้อจากลูกค้าคลาวด์ไปพร้อมกัน

การจัดเก็บข้อมูล AI ไม่ใช่เส้นทางเดียว แต่เป็นระบบแบบหลายชั้น

การจัดเก็บข้อมูลสำหรับ AI ไม่ควรถูกมองว่าเป็นแค่ "การซื้อฮาร์ดดิสก์" หรือ "การซื้อหน่วยความจำ" เท่านั้น มุมมองที่ถูกต้องกว่าคือ ศูนย์ข้อมูล AI ต้องพึ่งพาโครงสร้างลำดับชั้นของหน่วยความจำ (memory hierarchy) แบบสมบูรณ์ ส่วนที่ใกล้หน่วยประมวลผลที่สุดคือ HBM และ DDR ชั้นกลางประกอบด้วย NVMe SSD, enterprise SSD และการขยายหน่วยความจำแบบ CXL ส่วนชั้นที่อยู่ไกลออกไปคือ nearline HDD, object storage และระบบจัดเก็บถาวร (archive) ในการเปรียบเทียบ HBM, NAND และ HDD คุณจำเป็นต้องเข้าใจก่อนว่าแต่ละตัวอยู่ในตำแหน่งใดในกระบวนการเทรน AI, การอินเฟอเรนซ์ (inference) และการเก็บรักษาข้อมูลระยะยาว

ตำแหน่งของ HBM, NAND และ HDD ในศูนย์ข้อมูล AI

HBM ย่อมาจาก High Bandwidth Memory ซึ่งเป็น DRAM แบบแบนด์วิดท์สูง ไม่ใช่ไดรฟ์จัดเก็บข้อมูลแบบดั้งเดิม โดยปกติจะทำงานอยู่ข้างๆ GPU, ตัวเร่ง AI หรือ ASIC แบบกำหนดเอง เพื่อแก้ไขปัญหาคอขวดด้านแบนด์วิดท์หน่วยความจำในการฝึกและการอนุมานโมเดล ส่วน NAND Flash มักปรากฏในรูปแบบ SSD ซึ่งให้การอ่านข้อมูลความจุสูงกว่าและความหน่วงต่ำกว่า สำหรับการโหลดน้ำหนักโมเดล การทำ checkpoint และการแคช HDD มีความเร็วช้ากว่า แต่ให้ต้นทุนต่อเทระไบต์ที่ต่ำ จึงเหมาะสำหรับการจัดเก็บข้อมูลจำนวนมหาศาล

ในคำอธิบายทางเทคนิคของ NVIDIA เกี่ยวกับ Blackwell Ultra GPU ความจุและแบนด์วิดท์ของ HBM ถูกนำเสนอในฐานะส่วนหนึ่งของกรอบความสามารถ AI Factory ซึ่งแสดงให้เห็นว่า HBM ไม่ได้เป็นเพียงแค่คอมโพเนนต์อีกต่อไป แต่เป็นส่วนหนึ่งของการออกแบบแพลตฟอร์มคอมพิวเตอร์ AI ในทางตรงกันข้าม NAND และ HDD จัดอยู่ในเลเยอร์ที่แตกต่างกันของสถาปัตยกรรมการจัดเก็บข้อมูลศูนย์ข้อมูลที่กว้างขึ้น

การฝึก การอนุมาน และการจัดเก็บระยะยาว ขับเคลื่อนความต้องการที่แตกต่างกัน

การฝึก AI เป็นตัวขับเคลื่อนความต้องการ HBM โดยตรงที่สุด เนื่องจากการฝึกโมเดลขนาดใหญ่มักถูกจำกัดด้วยแบนด์วิดท์ของหน่วยความจำ การอนุมาน (inference) ก็ขึ้นอยู่กับ HBM เช่นกัน โดยเฉพาะในสถานการณ์ที่มีบริบทยาว ผู้ใช้งานพร้อมกันสูง และปริมาณงานสูง แต่การอนุมานยังช่วยขยายความต้องการ SSD ด้วย เพราะน้ำหนักโมเดล ดัชนีเวกเตอร์ ข้อมูล RAG และ log ล้วนต้องการการเข้าถึงที่มีประสิทธิภาพ ในระยะยาว AI จะสร้างข้อมูลใหม่จำนวนมหาศาล ทั้งข้อมูลสำหรับการฝึก ข้อมูลสังเคราะห์ log การโต้ตอบของผู้ใช้ รูปภาพ และวิดีโอ ความต้องการส่วนนี้มีแนวโน้มที่จะไหลเข้าสู่ HDD และระบบจัดเก็บแบบออบเจ็กต์ (object storage) มากกว่า

นั่นคือเหตุผลว่าทำไม "โดยตรงที่สุด" จึงไม่ได้หมายความว่าเป็น "ผู้ได้รับประโยชน์เพียงผู้เดียว" HBM แก้ปัญหาแบนด์วิดท์ภายในโหนดประมวลผล NAND/SSD แก้ปัญหาการเข้าถึงข้อมูลความเร็วสูง ส่วน HDD แก้ปัญหาความจุขนาดมหาศาลและการเก็บรักษาต้นทุนต่ำ

สรุป: หากคุณใช้บรรทัดเดียวเพื่อทำความเข้าใจตลาดจัดเก็บข้อมูลสำหรับ AI คุณอาจเข้าใจห่วงโซ่อุปทานผิดพลาดได้ง่าย HBM คือเส้นทางที่อยู่ใกล้ตัว AI accelerator มากที่สุด NAND/enterprise SSD คือชั้นกลางของการเคลื่อนย้ายข้อมูล AI ส่วน HDD คือรากฐานด้านความจุหลังจากข้อมูล AI สะสมจำนวนมาก ทั้งสามกลุ่มนี้อาจได้รับประโยชน์จากการลงทุน capex ด้าน AI แต่ผ่านกลไกที่แตกต่างกัน HBM ขึ้นอยู่กับปริมาณการจัดส่ง GPU/ASIC และการกำหนดค่าหน่วยความจำแบบแบนด์วิดท์สูง NAND ขึ้นอยู่กับ enterprise SSD, QLC/TLC, การโหลดโมเดล และแคชสำหรับการอนุมาน (inference caching) ส่วน HDD ขึ้นอยู่กับการจัดซื้อความจุ nearline จาก hyperscaler การเก็บรักษาข้อมูลระยะยาว และต้นทุนต่อเทระไบต์ ในการเปรียบเทียบความบริสุทธิ์ทางธุรกิจ คำถามแรกไม่ใช่ว่าบริษัทกล่าวถึง AI กี่ครั้ง แต่คือผลิตภัณฑ์ของบริษัทอยู่ใกล้กับโหนดการประมวลผล AI มากเพียงใด และรายได้ส่วนใดของบริษัทผูกอยู่กับความต้องการนี้

HBM คือเส้นทางที่ตรงที่สุด ซึ่งขับเคลื่อนด้วย GPU, ASIC และหน่วยความจำแบบแบนด์วิดท์สูง

HBM เป็นผู้ได้ประโยชน์ด้านการจัดเก็บข้อมูลสำหรับ AI โดยตรงที่สุดในบรรดาสามเส้นทาง เนื่องจากถูกแพ็กเกจอยู่รอบ AI GPU, AI accelerator หรือ ASIC แบบสั่งทำพิเศษ มันส่งผลโดยตรงต่อแบนด์วิดท์ของหน่วยความจำ ความจุ และประสิทธิภาพด้านพลังงานในการฝึกและการอนุมานโมเดล คุณสามารถมอง HBM เป็นพูลหน่วยความจำความเร็วสูงที่ติดตั้งอยู่ข้างชิป AI ได้ ขณะที่ชิป AI ยังคงเพิ่มความหนาแน่นของการคำนวณ ความจุ HBM ความสูงของการซ้อนกัน แบนด์วิดท์ และความต้องการการแพ็กเกจขั้นสูงก็เพิ่มขึ้นตามไปด้วย

เหตุใด HBM จึงใกล้ชิดกับการประมวลผล AI ที่สุด

พารามิเตอร์ของโมเดล AI, การกระตุ้น (activations), KV cache และผลลัพธ์การคำนวณระหว่างกาล ล้วนต้องการการเข้าถึงข้อมูลแบบอ่านและเขียนที่ความเร็วสูง ยิ่ง GPU มีประสิทธิภาพสูงเท่าใด หน่วยประมวลผลก็ยิ่งมีแนวโน้มที่จะว่างงันได้ง่ายขึ้นเท่านั้น หากแบนด์วิดท์ของหน่วยความจำตามไม่ทัน นั่นคือจุดที่ HBM มีความสำคัญ: ผ่านเทคโนโลยีการซ้อนแบบ 3 มิติ TSV, I/O แบบกว้าง และการบรรจุชิปขั้นสูง ช่วยให้แบนด์วิดท์ที่สูงขึ้นอยู่ใกล้กับแกนประมวลผลมากขึ้น

คำอธิบายผลิตภัณฑ์ HBM3E ของ Micron เน้นย้ำแบนด์วิดท์มากกว่า 1.2TB/s และกรณีการใช้งาน AI มาตรฐาน JESD270-4 HBM4 ของ JEDEC ยังวางตำแหน่งแบนด์วิดท์ที่สูงขึ้น ประสิทธิภาพการใช้พลังงานที่ดีขึ้น และความจุที่สูงขึ้นในฐานะการอัปเกรดสำคัญสำหรับ AI และ HPC [HBM4](https://news.samsung. ของ Samsungcom/global/samsung-ships-industry-first-commercial-hbm4-with-ultimate-performance-for-ai-computing) เปิดเผยว่าคาดว่ายอดขาย HBM ในปี 2026 จะเติบโตมากกว่าสามเท่าจากปี 2025 ซึ่งแสดงให้เห็นว่า HBM ได้พัฒนาเส้นอุปสงค์ที่ขับเคลื่อนด้วย AI ที่แข็งแกร่งขึ้น แยกออกจากวงจรหน่วยความจำแบบดั้งเดิม

วิธีประเมินความบริสุทธิ์ของธุรกิจ HBM

SK hynix, Micron และ Samsung ล้วนเป็นผู้จำหน่าย HBM ที่สำคัญ แต่ความบริสุทธิ์ของธุรกิจแตกต่างกัน SK hynix มีเรื่องราวในตลาดที่กระจุกตัวอยู่กับ HBM, DRAM สำหรับเซิร์ฟเวอร์ และหน่วยความจำ AI มากกว่า หลังจากเพิ่มยอดขาย HBM และ DRAM สำหรับเซิร์ฟเวอร์ความจุสูง ผลกระทบของดีมานด์ AI ต่อผลประกอบการของ SK hynix จึงเป็นสิ่งที่ตลาดระบุได้ง่ายกว่า ส่วน Micron มีการสัมผัสกับ AI ผ่าน HBM, DRAM และ SSD สำหรับศูนย์ข้อมูล จึงไม่ใช่บริษัทที่มีเส้นทางเดียว แต่ให้ความครอบคลุมด้านการจัดเก็บข้อมูล AI ที่กว้างขวางกว่า Samsung มีขนาดใหญ่กว่ามากและดำเนินธุรกิจครอบคลุม DRAM, NAND, สมาร์ตโฟน, จอแสดงผล, กาแฟบริการผลิตเวเฟอร์ (foundry) และอิเล็กทรอนิกส์สำหรับผู้บริโภค ซึ่งทำให้ความไวต่อการจัดเก็บข้อมูล AI ของบริษัทถูกเจือจางลง

เมื่อประเมินความบริสุทธิ์ของ HBM ให้มุ่งเน้นสามประเด็น: สัดส่วนของรายได้จาก HBM ต่อรายได้จาก DRAM, ว่า HBM ผูกกับ NVIDIA, AMD, Google TPU หรือลูกค้า ASIC รายอื่นหรือไม่ และว่าการบรรจุขั้นสูง (advanced packaging), อัตราผลผลิต (yield) และการรับรองอุปทานมีความเสถียรหรือไม่

สรุป: HBM เป็นเส้นทางการลงทุนในหน่วยความจำสำหรับ AI ที่ตรงที่สุด เนื่องจากเป็นส่วนหนึ่งของโหนดการประมวลผลร่วมกับ GPU สำหรับ AI, ASIC และบรรจุภัณฑ์ขั้นสูง การเติบโตของมันไม่ได้มาจากแนวคิดคลุมเครือที่ว่า "ข้อมูลกำลังเพิ่มขึ้น" แต่มาจากโมเดลที่มีขนาดใหญ่ขึ้น ความเรียงพร้อมกัน (concurrency) ในการอนุมาน (inference) ที่สูงขึ้น และความต้องการแบนด์วิดท์และความจุของหน่วยความจำที่เข้มงวดมากขึ้นในตัวเร่งการประมวลผล AI แต่ยิ่งเส้นทางตรงเท่าไร ความเสี่ยงก็ยิ่งกระจุกตัวมากขึ้นเท่านั้น การรับรองจากลูกค้า กำลังการผลิตด้านบรรจุภัณฑ์ อัตราผลผลิต การกำหนดราคา และความคาดหวังด้านมูลค่าหุ้น ล้วนสามารถขยายความผันผวนได้ทั้งสิ้น คุณไม่ควรมุ่งเน้นเพียงศักยภาพการเติบโตสูงที่ไวต่อตลาดของ HBM เท่านั้น แต่ยังต้องตระหนักด้วยว่ามันเป็นกลุ่มธุรกิจที่มีกำแพงกีดขวางสูง ใช้เงินลงทุนมหาศาล และลูกค้ากระจุกตัวสำหรับนักลงทุนแล้ว HBM ควรถูกมองว่าเป็นตัวชี้วัดสำคัญของโมเมนตัมด้านการประมวลผล AI มากกว่าที่จะมองว่าเป็นเพียงสินทรัพย์จัดเก็บข้อมูลที่มีความเสี่ยงต่ำ

NAND/SSD ระดับองค์กรคือชั้นกลาง มีความต้องการที่กว้างขวางกว่าแต่ความบริสุทธิ์ซับซ้อนกว่า

NAND/SSD ระดับองค์กรไม่ใช่เส้นทางการจัดเก็บข้อมูล AI ที่ตรงที่สุด แต่อาจเปิดรับการไหลของข้อมูล AI ได้กว้างขวางที่สุด ทั้งหมดนี้ไม่ได้อยู่ติดกับ GPU โดยตรง แต่สนับสนุนการโหลดน้ำหนักโมเดล การอ่านข้อมูลฝึกฝน การบันทึก checkpoint ฐานข้อมูลเวกเตอร์ การแคชสำหรับการอนุมาน และที่จัดเก็บแบบ warm storage หากคุณใส่ใจกับการที่ AI ก้าวจากการฝึกฝนไปสู่การอนุมานในวงกว้าง ความสำคัญของ NAND/SSD จะเพิ่มขึ้นอย่างมาก อย่างไรก็ตาม เส้นทางนี้ยังคงได้รับผลกระทบจากอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค คอมพิวเตอร์ส่วนบุคคล สมาร์ตโฟน และวงจรไอทีระดับองค์กรแบบดั้งเดิม

NAND แก้ปัญหาอะไรในศูนย์ข้อมูล AI

Generative AI ต้องการมากกว่า HBM มันยังต้องการพื้นที่จัดเก็บข้อมูลแบบ non-volatile ที่มีความหน่วงต่ำจำนวนมากอีกด้วย ในระหว่างการฝึกฝน (training) SSD ช่วยสนับสนุนการอ่านชุดข้อมูลความเร็วสูงและการจัดเก็บ checkpoint ในระหว่างการอนุมาน (inference) SSD ช่วยสนับสนุนการโหลดโมเดล การแคชข้อมูลที่ใช้งานบ่อย ดัชนีเวกเตอร์ บันทึก (logs) และการเก็บรักษาบริบทของผู้ใช้ การวิเคราะห์ของ McKinsey เกี่ยวกับ SSD สำหรับองค์กร ชี้ให้เห็นว่าการนำ Generative AI มาใช้กำลังขับเคลื่อนความต้องการ SSD ในเซิร์ฟเวอร์และหน่วยจัดเก็บข้อมูล

ผลงานของ Micron ยังแสดงให้เห็นว่า NAND ไม่ได้เป็นเพียงส่วนขยายของวงจรอิเล็กทรอนิกส์สำหรับผู้บริโภคอีกต่อไป ในไตรมาสการเงินที่ 3 ปี 2026 Micron รายงานรายได้ทำสถิติสูงสุด และเอกสารการเงินของบริษัทระบุว่ารายได้จาก SSD สำหรับศูนย์ข้อมูลแตะระดับ 5 พันล้านดอลลาร์ ซึ่งเพิ่มขึ้นมากกว่าเท่าตัวเมื่อเทียบกับไตรมาสก่อนหน้า ส่วน SanDisk รายงานผลใน[ไตรมาสการเงินที่ 2 ปี 2026](https://investor.sandisk.ผลลัพธ์จาก com/news-releases/news-release-details/sandisk-reports-fiscal-second-quarter-2026-financial-results) ระบุว่ารายได้จากศูนย์ข้อมูลเติบโตขึ้น 64% เมื่อเทียบเป็นรายไตรมาส ซึ่งขับเคลื่อนโดยผู้สร้างโครงสร้างพื้นฐาน AI และการใช้งาน AI ในวงกว้างโดยลูกค้าด้านเทคโนโลยี

ทำไมความบริสุทธิ์ของธุรกิจ NAND จึงซับซ้อนกว่า

บริษัท NAND อาจได้ประโยชน์จาก AI เช่นกัน แต่ความบริสุทธิ์ของพวกเขาไม่ชัดเจนเท่ากับ HBM เนื่องจาก NAND ถูกใช้ในหลายตลาด ไม่ว่าจะเป็นสมาร์ตโฟน พีซี SSD สำหรับผู้บริโภค การ์ดจัดเก็บข้อมูล SSD สำหรับองค์กร และอุปกรณ์จัดเก็บข้อมูลในศูนย์ข้อมูล ซึ่งหมายความว่ารายได้โดยรวมและ ASP ได้รับผลกระทบจากปัจจัยอื่นนอกเหนือจาก AI SanDisk ใกล้เคียงกับบริษัท Flash/NAND ที่มีความบริสุทธิ์สูง ส่วน Micron และ Samsung เป็นบริษัทที่มีส่วนผสมของ DRAM, HBM และ NAND เมื่อคุณเห็นผลประกอบการที่ดีขึ้นของบริษัท NAND คุณจำเป็นต้องแยกแยะว่า SSD สำหรับศูนย์ข้อมูลเป็นตัวขับเคลื่อนหลักจริง ๆ หรือว่าการพัฒนาที่ดีขึ้นนั้นเกิดจากการฟื้นตัวของราคา NAND เป็นหลัก

NAND อยู่ระหว่าง HBM และ HDD ถูกกว่าและมีความจุมากกว่า HBM แต่ไม่สามารถทดแทนแบนด์วิดท์ของ HBM ได้ เร็วกว่า HDD มาก แต่ต้นทุนต่อเทระไบต์สูงกว่า เมื่อการอนุมาน AI ขยายตัวและบริการโมเดลเคลื่อนเข้าสู่ขั้นตอนการผลิตที่ลึกยิ่งขึ้น คุณค่าของ SSD จึงมองเห็นได้ชัดเจนมากขึ้น

สรุป: NAND/SSD ระดับองค์กรเป็นชั้นกลางของเส้นทางการจัดเก็บข้อมูลสำหรับ AI ทั้งสามแบบ แม้จะไม่ใกล้ชิดกับแกนประมวลผลเท่า HBM แต่ก็กลายเป็นสิ่งสำคัญเมื่อ AI เปลี่ยนจากการทดลองฝึกโมเดลไปสู่การใช้งานจริงในระดับการผลิต ทั้งการโหลดโมเดล ฐานข้อมูลเวกเตอร์ แคช checkpointing ล็อก และที่จัดเก็บข้อมูลแบบ warm storage ล้วนต้องพึ่งพาอุปกรณ์จัดเก็บข้อมูลแบบ non-volatile ความเร็วสูง ในการประเมินเส้นทาง NAND ไม่อาจพูดเพียงว่า "ความต้องการ AI แข็งแกร่ง" ได้ แต่ต้องดูส่วนแบ่งตลาด SSD ระดับองค์กร การเติบโตของลูกค้าด้านศูนย์ข้อมูล สัดส่วนผลิตภัณฑ์ QLC/TLC แนวโน้มราคา ASP ของ NAND และแรงต้านจากตลาดอิเล็กทรอนิกส์สำหรับผู้บริโภค จุดแข็งของ NAND คือความเป็นสากลในการนำไปใช้งานที่หลากหลาย และความเสี่ยงของมันก็คือความเป็นสากลนั้นเอง กล่าวคือ มันสามารถรับประโยชน์จากการเติบโตของศูนย์ข้อมูล AI ได้ ในขณะเดียวกันก็ยังคงได้รับผลกระทบจากวัฏจักรของตลาดปลายทางแบบดั้งเดิม

HDDs มีความเกี่ยวข้องกับการสะสมข้อมูลระยะยาว ลูกค้าคลาวด์ และข้อมูลเย็นมากกว่า

HDD ไม่ใช่เส้นทางการจัดเก็บข้อมูลสำหรับ AI ที่ตรงที่สุด แต่ยังคงเป็นผู้ได้รับประโยชน์ในระยะยาวจากการเติบโตของข้อมูล AI ได้ เหตุผลก็ง่าย ๆ นั่นคือ AI ไม่ได้บริโภคเพียงข้อมูลสำหรับการฝึกฝนเท่านั้น แต่ยังสร้างข้อมูลใหม่อย่างต่อเนื่อง รวมถึงบันทึกการอนุมาน (inference logs) รูปภาพ วิดีโอ ชุดข้อมูลสังเคราะห์ บันทึกทางธุรกิจ ข้อมูลสำรอง และไฟล์จัดเก็บเพื่อการปฏิบัติตามข้อกำหนด HDD ไม่ได้อยู่ที่ความเร็ว แต่ข้อได้เปรียบหลักของมันคือต้นทุนต่อเทรไบต์ ความหนาแน่นของความจุ และเศรษฐศาสตร์ของการติดตั้งในวงกว้าง จึงควรเข้าใจว่า HDD เป็นรากฐานความจุระยะยาวของศูนย์ข้อมูล AI

เหตุใด HDD จึงยังคงมีความสำคัญ

ยิ่งโครงสร้างพื้นฐาน AI มีขนาดใหญ่ขึ้นเท่าไร ข้อมูลที่ต้องจัดชั้น (tiered) ก็ยิ่งมีมากขึ้นเท่านั้น ข้อมูลร้อนและข้อมูลที่ถูกเข้าถึงบ่อยจะอยู่ใน HBM, DRAM, SSD หรือ object storage ประสิทธิภาพสูง ส่วนข้อมูลที่มีการเข้าถึงต่ำ มีอายุการเก็บรักษายาวนาน และคำนึงถึงต้นทุนจะเหมาะสมกับ HDD มากกว่า กรอบแนวคิด AI Data Cycle ของ Western Digital เน้นย้ำว่างาน AI ต้องการการผสมผสานระหว่างสื่อจัดเก็บข้อมูลที่แตกต่างกัน มากกว่าการใช้สื่อเพียงชนิดเดียวเพื่อแก้ปัญหาทุกอย่าง

หลังจากดำเนินการธุรกิจ Flash แยกบริษัทตามแผน เสร็จสิ้น ขอบเขตธุรกิจของ Western Digital ก็มุ่งเน้นไปที่ HDD และโครงสร้างพื้นฐานศูนย์ข้อมูลมากขึ้น ในการวิเคราะห์เรื่อง การจัดเก็บข้อมูลแบบขั้นชั้น WD ระบุว่าการจัดเก็บข้อมูลแบบขั้นชั้นได้กลายเป็นสถาปัตยกรรมที่ใช้งานได้จริงสำหรับโครงสร้างพื้นฐาน hyperscale และ AI Seagate เป็นตัวแทนที่มีความเข้มข้นกว่าในด้านการจัดเก็บข้อมูลความจุมหาศาร์ ผลประกอบการ ไตรมาสที่ 3 ปีงบประมาณ 2026 ของบริษัทแสดงให้เห็นรายได้ 3 ดอลลาร์สหรัฐ11 พันล้าน และอัตรากำไรขั้นต้นตามมาตรฐาน GAAP อยู่ที่ 46.5% ซึ่งสะท้อนให้เห็นว่าวงจรฮาร์ดดิสก์ nearline HDD ที่กำลังฟื้นตัวสามารถขยายผลกำไรได้อย่างไร

ตรรกะการลงทุนใน HDD ดูจะคล้ายวงจรกำลังการผลิตมากกว่า

HBM เติบโตตามการจัดส่งตัวเร่ง AI ส่วน NAND/SSD เติบโตตามความต้องการการเข้าถึงข้อมูลความเร็วสูง ในขณะที่ HDD เติบโตตามการจัดซื้อกำลังการจัดเก็บข้อมูลคลาวด์และวงจรการเก็บรักษาข้อมูลระยะยาว คำถามสำคัญสำหรับ Seagate และ WD ไม่ใช่ว่าฮาร์ดดิสก์ตัวเดียวจะ "เป็น AI มากขึ้น" หรือไม่ แต่คือเหล่า hyperscaler จะยังคงเพิ่มการจัดซื้อ HDD แบบ nearline ต่อไปหรือไม่ ไดรฟ์ความจุสูงจะครองส่วนแบ่งที่มากขึ้นหรือไม่ วินัยด้านราคาจะยังคงอยู่หรือไม่ และทัศนวิสัยของคำสั่งซื้อจะดีขึ้นหรือไม่

ผลประกอบการไตรมาส 3 ปีงบ 2026 ของ WD รายงานรายได้ 3.337 พันล้านดอลลาร์ เพิ่มขึ้น 45% เมื่อเทียบเป็นรายปี โดยมีอัตรากำไรขั้นต้นตาม GAAP ที่ 50.2% ข้อมูลลักษณะนี้แสดงให้เห็นว่า HDD ไม่ใช่เทคโนโลยีที่ล้าสมัย แต่ยังคงมีบทบาทในชั้นความจุ (capacity layer) ของศูนย์ข้อมูลคลาวด์ อย่างไรก็ตาม ความเสี่ยงของ HDD ก็ชัดเจนเช่นกัน ได้แก่ ความเข้มข้นของลูกค้าคลาวด์ที่สูง การอัปเกรดเทคโนโลยีที่ช้ากว่าเซมิคอนดักเตอร์ ความไวต่อความต้องการที่ต่ำกว่า HBM และความผันผวนของราคาหุ้นที่ขึ้นอยู่กับคำสั่งซื้อ อัตรากำไร และมูลค่าหลักทรัพย์

สรุป: HDD เป็นเส้นทางการจัดเก็บข้อมูล AI ทั้งสามแบบที่ดูไม่หรูหราที่สุด แต่ก็ไม่ได้ไร้ความสำคัญ ยิ่ง AI สร้างข้อมูลมากเท่าไร ความต้องการในการจัดเก็บระยะยาว การสำรองข้อมูล การเก็บถาวร และความจุที่ต้นทุนต่ำก็ยิ่งมากขึ้นเท่านั้น ซึ่งสนับสนุนดีมานด์ของ HDD แบบ nearline จุดอ่อนของมันคืออยู่ห่างจากโหนดการคำนวณ AI มากกว่า ดังนั้นความไวของราคาหุ้นจึงมักต่ำกว่า HBM จุดแข็งของมันคือโมเดลธุรกิจที่มุ่งเน้นมากกว่า ความสามารถในการแข่งขันด้านต้นทุนต่อเทรไบต์ที่แข็งแกร่ง และศักยภาพในการฟื้นตัวของอัตรากำไรจากการจัดซื้อจำนวนมากของบริษัทคลาวด์ ในการประเมินเส้นทาง HDD คุณไม่ควรเปรียบเทียบแบนด์วิดท์ของมันกับ HBM แต่ควรมองที่ปริมาณการจัดส่งหน่วย exabyte สัดส่วนของไดรฟ์ความจุสูง สัญญาระยะยาวกับ hyperscaler อัตรากำไรขั้นต้น และวินัยด้านอุปทาน

การเปรียบเทียบความบริสุทธิ์ของธุรกิจ: ใครดูเหมือนหุ้น AI Storage ตัวจริง และใครเป็นเพียงหุ้นที่ถูกฉุดโดยวงจร AI?

ในการตัดสินว่าบริษัทจัดเก็บข้อมูลเป็น "หุ้น AI Storage ตัวจริง" หรือไม่ อย่าเพิ่งดูแค่ว่ามีการเผยแพร่ข่าวที่เกี่ยวข้องกับ AI หรือไม่เท่านั้น วิธีที่เป็นประโยชน์กว่าคือการพิจารณาปัจจัยห้าข้อ ได้แก่ ผลิตภัณฑ์ของบริษัทเข้าสู่โหนดการประมวลผล AI หรือไม่ สัดส่วนรายได้จากศูนย์ข้อมูลสูงแค่ไหน ลูกค้า AI ซื้อโดยตรงหรือไม่ การกำหนดราคาถูกขับเคลื่อนหลักโดยอุปสงค์-อุปทานของ AI หรือไม่ และบริษัทถูกเจือจางโดยเครื่องใช้ไฟฟ้าสำหรับผู้บริโภค สมาร์ตโฟน พีซี หรือวงจรไอทีองค์กรแบบดั้งเดิมหรือไม่ ตามระดับความตรง ลำดับคือ HBM > NAND/SSD สำหรับองค์กร > HDD ส่วนตามการสัมผัสกับขนาดข้อมูลในระยะยาว เส้นทางทั้งสามนี้ต่างก็มีบทบาท

การสร้างกรอบความบริสุทธิ์ของ AI Storage

ความบริสุทธิ์ของธุรกิจจัดเก็บข้อมูล AI สามารถแบ่งออกเป็นความบริสุทธิ์ด้านเทคนิคและความบริสุทธิ์ด้านรายได้ ความบริสุทธิ์ด้านเทคนิควัดว่าผลิตภัณฑ์อยู่ใกล้แกนกลางของพลังการประมวลผล AI เพียงใด ความบริสุทธิ์ด้านรายได้วัดว่าผลิตภัณฑ์ที่เกี่ยวข้องกับ AI มีส่วนช่วยในรายได้และกำไรรวมมากเพียงใด ตัวอย่างเช่น HBM มีความบริสุทธิ์ด้านเทคนิคสูงที่สุด แต่หากบริษัทมีธุรกิจที่ไม่ใช่ด้านจัดเก็บข้อมูลจำนวนมาก นักลงทุนอาจรู้สึกว่าการสัมผัสกับ AI โดยตรงน้อยกว่า ในทางกลับกัน ฮาร์ดดิสก์ของ Seagate ไม่ได้อยู่ใกล้กับ GPU แต่ธุรกิจของบริษัทมีความเข้มข้น จึงทำให้วงจรความจุระบบคลาวด์มีผลต่อผลการดำเนินงานของบริษัทอย่างชัดเจนกว่า

เส้นทางที่บริสุทธิ์ที่สุดไม่ได้หมายความว่าเป็นการลงทุนที่ดีที่สุดเสมอไป

ตลาดซื้อขายกันที่ช่องว่างของความคาดหวัง ไม่ใช่แค่ความบริสุทธิ์ของธุรกิจ HBM เป็นเส้นทางที่ตรงที่สุด แต่การประเมินมูลค่าอาจสะท้อนศักยภาพการเติบโตไปมากแล้ว NAND/SSD มีการสัมผัสที่กว้าง แต่ความอ่อนแอของเครื่องใช้อิเล็กทรอนิกส์สำหรับผู้บริโภคก็ยังสามารถกดดันผลประกอบการได้ HDD มีธุรกิจที่เฉพาะเจาะจง แต่หุ้นกลุ่มนี้มักขึ้นอยู่กับคำสั่งซื้อจากลูกค้าคลาวด์ อัตรากำไรขั้นต้น และตำแหน่งในวัฏจักร ความกังวลล่าสุดของตลาดเกี่ยวกับ ราคาหน่วยความจำและ AI ในหุ้นชิปเกาหลีก็แสดงให้เห็นเช่นกันว่าผลประกอบการที่แข็งแกร่งไม่ได้นำไปสู่การเพิ่มขึ้นของราคาหุ้นต่อไปเสมอไป คำถามสำคัญคือตลาดจะเชื่อหรือไม่ว่าวัฏจักรราคาและการลงทุนด้าน capex ของ AI จะสามารถดำเนินต่อไปได้

วิธีการมองเส้นทางทั้งสามอย่างเป็นรูปธรรม:

• เส้นทางที่ตรงที่สุด: HBM มีประโยชน์สำหรับการติดตามโมเมนตัมของตัวเร่ง AI
• เส้นทางที่กว้างที่สุด: NAND/enterprise SSDs มีประโยชน์สำหรับการติดตามการใช้งาน AI ในระดับการผลิตและการขยายตัวของงาน inference
• เส้นทางด้านความจุ: HDDs มีประโยชน์สำหรับการติดตามการสะสมข้อมูลของ hyperscaler และการจัดเก็บข้อมูลระยะยาว
• ความบริสุทธิ์สูงสุดไม่ได้แปลว่าความเสี่ยงต่ำสุด: การประเมินมูลค่า ลูกค้า อุปทาน และวัฏจักรราคา ยังคงเป็นปัจจัยสำคัญ
• การจัดเก็บข้อมูลสำหรับ AI ไม่ใช่ตลาดที่มีผู้ชนะเพียงรายเดียว: แต่ละชั้นเทคโนโลยีแก้ปัญหาที่แตกต่างกัน

สรุป: ความบริสุทธิ์ของธุรกิจไม่ได้หมายความง่าย ๆ ว่าบริษัทใด "ดูเป็น AI ที่สุด" แต่เป็นผลลัพธ์ที่เกิดจากตำแหน่งของผลิตภัณฑ์ โครงสร้างรายได้ โครงสร้างลูกค้า และปัจจัยขับเคลื่อนด้านราคา HBM ถือเป็นธุรกิจที่บริสุทธิ์ที่สุดในเชิงเทคนิค เพราะให้บริการ GPU และ ASIC โดยตรง ส่วน NAND/SSD ระดับองค์กรมีการใช้งานที่กว้างกว่า เนื่องจากทำหน้าที่สนับสนุนการเคลื่อนย้ายข้อมูลของ AI ส่วน HDD อาจมีความกระจุกตัวมากกว่าในระดับธุรกิจ เพราะการจัดซื้อความจุของคลาวด์ส่งผลต่อรายได้อย่างชัดเจนกว่า สำหรับการตัดสินใจลงทุน คุณไม่ควรจัดอันดับเส้นทางทั้งสามว่าเส้นทางใดดีหรือไม่ดีอย่างเด็ดขาด แต่ควรตั้งคำถามว่า: ความคาดหวังด้าน AI ถูกสะท้อนในราคาหุ้นไปมากเพียงใดแล้ว? รายได้ถูกขับเคลื่อนอย่างมีนัยสำคัญจากลูกค้า AI ไปแล้วจริงหรือไม่? การปรับปรุงอัตรากำไรยั่งยืนหรือไม่? และการขยายกำลังการผลิตอาจทำให้ราคาอ่อนแรงลงหรือไม่?คำถามเหล่านี้มีความสำคัญมากกว่าการเพียงแค่ติดป้ายบริษัทว่าเป็นหุ้น AI storage

นักลงทุนสามารถสร้าง Watchlist ครอบคลุมทั้งสามเส้นทางได้อย่างไร

นักลงทุนรายย่อยที่เปรียบเทียบ HBM, NAND และ HDD ไม่จำเป็นต้องกลายเป็นวิศวกรเซมิคอนดักเตอร์เสียก่อน สิ่งที่พวกเขาต้องการคือ watchlist ที่เป็นระบบ สำหรับ HBM ให้ติดตามการแนบ AI chip, ปริมาณการจัดส่ง HBM3E/HBM4, การบรรจุขั้นสูง และการรับรองจากลูกค้า สำหรับ NAND/SSD ให้ติดตาม SSD สำหรับศูนย์ข้อมูล, NAND ASP, สัดส่วน QLC/TLC และความต้องการอนุมาน (inference) สำหรับ HDD ให้ติดตาม nearline HDD, ปริมาณการจัดส่งแบบ exabyte, สัดส่วนไดรฟ์ความจุสูง และสัญญาระยะยาวกับ hyperscaler จากนั้นเพิ่มปัจจัยด้านการประเมินมูลค่า ต้นทุนการซื้อขาย และความเสี่ยงในการดำเนินการ

สิ่งที่ควรติดตามในแต่ละเส้นทาง

สำหรับเส้นทาง HBM ให้เน้นที่ตัวชี้วัดสี่ตัว ได้แก่ ปริมาณการส่งมอบ HBM, สัดส่วนรายได้ HBM ภายใน DRAM, การรับรองจากลูกค้า และกำลังการผลิตบรรจุภัณฑ์ขั้นสูง สำหรับเส้นทาง NAND ให้ติดตามรายได้จาก enterprise SSD, สัดส่วนลูกค้าศูนย์ข้อมูล, NAND ASP และอุปสงค์ของอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค สำหรับเส้นทาง HDD ให้ติดตามปริมาณการส่งมอบ nearline HDD, ราคาต่อหน่วยความจุ, การแทรกซึมของไดรฟ์ความจุสูง, คำสั่งซื้อจากลูกค้าคลาวด์ และวินัยด้านอุปทาน

ต้นทุนและกฎการเทรดก็มีความสำคัญเช่นกัน

เมื่อคุณเพิ่ม SK hynix, Micron, Samsung, SanDisk, Seagate, Western Digital หรือ ETF ที่เกี่ยวข้องเข้าไปในรายการเฝ้าดูของคุณ อย่าเพียงแค่ดูการเคลื่อนไหวของราคาเท่านั้น คุณยังจำเป็นต้องพิจารณาค่าธรรมเนียมการซื้อขายจริงด้วย ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ อาจรวมถึงมากกว่าค่าคอมมิชชั่น โดยอาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก ค่าธรรมเนียมกิจกรรมธุรกรรม และค่าใช้จ่ายอื่น ๆ อีกด้วย Biya ไม่เก็บค่าคอมมิชชั่นสำหรับการซื้อขายหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก และค่าใช้จ่ายอื่น ๆ เป็นไปตามโครงสร้างค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯและหน้าคำสั่งซื้อขาย ความพร้อมใช้งานของบริการขึ้นอยู่กับที่ตั้งของผู้ใช้ ผลการตรวจสอบยืนยันตัวตน กฎของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้อง

หากคุณคุ้นเคยกับการเฝ้าดูหุ้นสหรัฐฯ หุ้นฮ่องกง และตลาดคริปโตเคอเรนซีไปพร้อมกัน Biya สามารถช่วยให้คุณติดตามบริษัทที่เกี่ยวข้องกับหน่วยความจำสำหรับ AI, ETF กึ่งตัวนำ และข่าวสารตลาดไว้ภายในหน้าจอเทรดเดียวกันได้ แต่หุ้นกลุ่มหน่วยความจำมีความผันผวนสูง โดยเฉพาะช่วงรอบการรายงานผลประกอบการ คำสั่งซื้อจากลูกค้า ราคาหน่วยความจำ และการเปลี่ยนแปลงของคาดการณ์งบลงทุนด้าน AI

สรุป: เมื่อจัดทำวอตช์ลิสต์หุ้นที่เก็บข้อมูล (Storage) ที่เกี่ยวข้องกับ AI ควรแยกบริษัทตามเส้นทาง (Route) จะดีกว่าการโยนทุกชื่อหุ้นลงในตะกร้าเดียวกันของ "หุ้นคอนเซ็ปต์ AI Storage" HBM เคลื่อนไหวตาม AI แอ็กเซเลอเรเตอร์และหน่วยความจำแบบแบนด์วิดท์สูง NAND/SSD เคลื่อนไหวตามงานอินเฟอเรนซ์ แคชชิ่ง และการเข้าถึงข้อมูลความเร็วสูง ส่วน HDD เคลื่อนไหวตามการจัดหาความจุระยะยาวของผู้ให้บริการคลาวด์ แต่ละเส้นทางควรได้รับการวิเคราะห์จากด้านอุปสงค์ ด้านอุปทาน ด้านราคา และด้านการเงิน ในระดับการเทรด โครงสร้างค่าธรรมเนียม กฎการสั่งซื้อ ข้อกำหนดด้านกฎระเบียบในท้องถิ่น และระดับการยอมรับความเสี่ยงส่วนบุคคลก็มีความสำคัญเช่นกัน อุตสาหกรรม Storage เป็นอุตสาหกรรมที่มีวงจรลึกล้ำ AI สามารถเปลี่ยนความชันของอุปสงค์ได้ แต่ไม่สามารถขจัดความผันผวนของวงจรได้เป้าหมายไม่ใช่การเดิมพันกับคำตอบเดียวที่แน่นอน แต่เป็นการตรวจสอบอย่างต่อเนื่องว่าโมเมนตัมในแต่ละเส้นทางยังคงดีขึ้นอยู่หรือไม่

หากคุณติดตามห่วงโซ่อุปทานของหน่วยความจำสำหรับ AI คุณไม่จำเป็นต้องเน้นไปที่ผู้นำเพียงรายเดียวหรือคำศัพท์เชิงเทคนิคเพียงคำเดียว วิธีที่สมดุลกว่าคือการวาง HBM, NAND/SSD สำหรับองค์กร และ HDD ไว้บนแผนที่อุตสาหกรรมเดียวกัน: ขั้นแรกให้ระบุว่าเส้นทางใดตรงไปตรงมาที่สุด จากนั้นเปรียบเทียบว่าบริษัทใดมีรายได้ที่สัมผัสกับเทรนด์นี้โดยตรงที่สุด และสุดท้ายประเมินว่ามูลค่าหุ้น (valuation) สะท้อนความคาดหวังนั้นไปแล้วหรือยัง ผู้ใช้ที่ตรงตามเงื่อนไขการให้บริการที่เกี่ยวข้องสามารถลงทะเบียนบัญชีเพื่อติดตามหุ้นสหรัฐฯ หุ้นฮ่องกง และ ETF ที่เกี่ยวข้อง หรือดาวน์โหลดแอปเพื่อตรวจสอบสิทธิ์การเข้าถึงการซื้อขายและฟังก์ชันการใช้งานของบัญชี ข้อมูลตลาดสาธารณะ กฎการซื้อขาย และโครงสร้างค่าธรรมเนียมมีไว้เพื่อวัตถุประสงค์ในการวิจัยเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนก่อนที่จะทำการเทรดใด ๆ คุณควรตรวจสอบหน้าคำสั่งซื้อ รายละเอียดใบแจ้งยอด กฎของแพลตฟอร์ม และข้อกำหนดด้านกำกับดูแลในท้องถิ่นของคุณ

คำถามที่พบบ่อย

HBM เป็นเส้นทางการจัดเก็บข้อมูลสำหรับ AI ที่ตรงที่สุดหรือไม่?

ใช่ จากความใกล้ชิดกับโหนดการประมวลผลของ AI HBM ถือเป็นเส้นทางที่ตรงที่สุด โดยทั่วไปจะทำงานร่วมกับ GPU, ตัวเร่ง AI หรือ ASIC แบบกำหนดเอง เพื่อแก้ปัญหาคอขวดด้านแบนด์วิดท์หน่วยความจำในการฝึกและการอนุมานโมเดล อย่างไรก็ตาม HBM เป็น DRAM แบบแบนด์วิดท์สูง ไม่ใช่ฮาร์ดไดรฟ์แบบดั้งเดิม จึงไม่ควรนำไปเปรียบเทียบกับ SSD หรือ HDD โดยใช้เกณฑ์ประสิทธิภาพแบบเดียวกัน

เหตุใด NAND Enterprise SSD จึงได้รับประโยชน์จากความต้องการการจัดเก็บข้อมูลสำหรับ AI?

NAND enterprise SSDs ได้ประโยชน์จาก AI เนื่องจากการฝึกโมเดล AI การอนุมาน (inference) และการปรับใช้โมเดล ล้วนต้องการอุปกรณ์จัดเก็บข้อมูลแบบ non-volatile ที่มีความเร็วสูงและความหน่วงต่ำ SSD มักถูกใช้สำหรับการโหลดน้ำหนักโมเดล การบันทึกจุดตรวจสอบ (checkpointing) ฐานข้อมูลเวกเตอร์ แคชการอนุมาน และที่จัดเก็บข้อมูลแบบ warm storage อย่างไรก็ตาม NAND ยังได้รับผลกระทบจากวัฏจักรของสมาร์ตโฟน พีซี และเครื่องใช้อิเล็กทรอนิกส์สำหรับผู้บริโภค ดังนั้นความบริสุทธิ์ด้าน AI ของมันจึงชัดเจนน้อยกว่า HBM

ทำไมศูนย์ข้อมูล AI จึงยังคงต้องใช้ HDD?

HDD ยังคงจำเป็นในศูนย์ข้อมูล AI เนื่องจาก AI สร้างข้อมูลจำนวนมหาศาลอย่างต่อเนื่อง และข้อมูลไม่ใช่ทั้งหมดที่จำเป็นต้องอยู่ในอุปกรณ์จัดเก็บข้อมูลความเร็วสูง บันทึกการอนุมาน (inference logs) การสำรองข้อมูล การเก็บถาวร บันทึกเพื่อการปฏิบัติตามกฎระเบียบ ข้อมูลเย็น และ object storage นั้นให้ความสำคัญกับต้นทุนต่อเทราไบต์และการขยายขนาดความจุมากกว่า HDD ไม่สามารถแทนที่ HBM หรือ SSD ได้ แต่ยังคงมีประโยชน์ในฐานะชั้นความจุระยะยาว

นักลงทุนรายย่อยจะเปรียบเทียบความบริสุทธิ์ของธุรกิจ HBM, NAND และ HDD ได้อย่างไร?

นักลงทุนรายย่อยสามารถเปรียบเทียบได้สี่มิติ ได้แก่ ผลิตภัณฑ์เข้าสู่โหนดการประมวลผล AI หรือไม่ รายได้จากศูนย์ข้อมูลมีสัดส่วนเพิ่มขึ้นในรายได้รวมหรือไม่ ลูกค้า AI ซื้อโดยตรงหรือไม่ และราคาถูกขับเคลื่อนเป็นหลักจากความต้องการ AI หรือไม่ HBM มีความบริสุทธิ์ทางเทคนิคสูงสุด NAND/SSD มีความครอบคลุมการใช้งานที่กว้างกว่า ส่วน HDD อาจให้การเปิดรับต่อวงจรความจุที่เฉพาะเจาะจงกว่าในขณะที่อยู่ห่างไกลจากงานประมวลผลมากกว่า

ความเสี่ยงที่ใหญ่ที่สุดของหุ้นหน่วยความจำ AI คืออะไร?

ความเสี่ยงที่ใหญ่ที่สุดของหุ้นหน่วยความจำ AI คือความคาดหวังที่มากเกินไปและการกลับตาของวงจร แม้ว่าความต้องการ AI จะยังคงแข็งแกร่ง แต่ราคาหุ้นอาจลดลงหากการเติบโตของราคาหน่วยความจำช้าลง การลงทุนด้าน Capex ของคลาวด์อ่อนแรง อุปทานขยายตัวเร็วเกินไป หรือผลประกอบการไม่เป็นไปตามความคาดหวังของตลาด ธุรกิจหน่วยความจำมีลักษณะเป็นวงจร ดังนั้นนักลงทุนควรติดตามมูลค่าหลักทรัพย์ อัตรากำไรขั้นต้น สินค้าคงคลัง และความเข้มข้นของลูกค้า

ETF หน่วยความจำสามารถทดแทนหุ้นหน่วยความจำ AI รายตัวได้หรือไม่?

ETF หน่วยความจำสามารถลดความเสี่ยงจากการถือหุ้นรายบริษัทได้ แต่ไม่สามารถทดแทนการวิเคราะห์หุ้นรายตัวได้อย่างสมบูรณ์ ETF อาจถือหุ้นผสมกันระหว่าง HBM, NAND, HDD, อุปกรณ์ เซิร์ฟเวอร์ และหุ้นดัชนีเซมิคอนดักเตอร์ ซึ่งอาจทำให้ความบริสุทธิ์ของธุรกิจเจือจางลง ก่อนลงทุน ควรตรวจสอบพอร์ตการถือครองของ ETF ค่าธรรมเนียมการจัดการ ดัชนีอ้างอิง และระดับความเสี่ยงที่คุณยอมรับได้