ภาพรวมห่วงโซ่อุปทานพื้นที่จัดเก็บข้อมูล AI: HBM, DRAM, NAND, SSD, HDD — ใครได้ประโยชน์มากที่สุด?

AI storage ไม่ใช่ธีมของชิปเดี่ยว แต่เป็นระบบหลายชั้นที่สร้างขึ้นรอบ GPU เซิร์ฟเวอร์ ศูนย์ข้อมูล และวงจรชีวิตของข้อมูลทั้งหมด HBM ได้รับประโยชน์โดยตรงที่สุดจากการอัปเกรดตัวเร่ง AI DRAM ของเซิร์ฟเวอร์ได้รับประโยชน์จากความจุหน่วยความจำที่ใหญ่ขึ้นและความพร้อมกันในการอนุมาน (inference concurrency) SSD ระดับองค์กรและ NAND ได้รับประโยชน์จากการโหลดโมเดล RAG ฐานข้อมูลเวกเตอร์ และการเข้าถึงข้อมูลความถี่สูง HDD ยังคงรับผิดชอบการจัดเก็บข้อมูลจำนวนมากในต้นทุนต่ำ ในการตัดสินว่าใครได้รับประโยชน์มากที่สุด คุณไม่ควรมองเพียงป้ายกำกับ "AI" เท่านั้น แต่ยังต้องเปรียบเทียบแบนด์วิดท์ ความจุ ข้อจำกัดด้านอุปทาน อำนาจการกำหนดราคา และอัตรากำไรด้วย

ประเด็นสำคัญ

• HBM มีความอ่อนไหวต่อรายได้สูงที่สุดในการฝึก AI และการอนุมานระดับสูง
• Server DRAM ได้ประโยชน์ในวงกว้างกว่า แต่สัดส่วนที่เกี่ยวข้องกับ AI ต่ำกว่า HBM
• Enterprise SSD มีความสำคัญอย่างยิ่งต่อ RAG, ฐานข้อมูลเวกเตอร์ และการขยายตัวของการอนุมาน
• โอกาสของ NAND กระจุกตัวอยู่ในผลิตภัณฑ์สำหรับศูนย์ข้อมูล ในขณะที่ NAND สำหรับผู้บริโภคได้รับประโยชน์ทางอ้อมมากกว่า
• HDD จะไม่ถูกแทนที่ด้วย SSD อย่างสมบูรณ์ และยังคงเป็นตัวเลือกต้นทุนต่ำสำหรับข้อมูลเย็นจำนวนมหาศาล
• การตัดสินใจลงทุนควรคำนึงถึงวินัยด้านอุปทาน ส่วนผสมของผลิตภัณฑ์ มูลค่าหุ้น และตำแหน่งวงจร

ห่วงโซ่อุปทานที่เก็บข้อมูลสำหรับ AI เชื่อมโยง GPU เซิร์ฟเวอร์ และศูนย์ข้อมูลเข้าด้วยกันอย่างไร?

ตรรกะหลักของห่วงโซ่อุปทานหน่วยความจำสำหรับ AI นั้นง่ายๆ: ยิ่งหน่วยความจำอยู่ใกล้หน่วยประมวลผลมากเท่าไร ข้อกำหนดด้านประสิทธิภาพก็ยิ่งสูงขึ้นเท่านั้น และยิ่งอยู่ห่างจากหน่วยประมวลผลมากเท่าไร ความจุและต้นทุนก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น HBM อยู่ใกล้กับ GPU และช่วยแก้ปัญหาคอขวดด้านแบนด์วิดท์ DRAM ของเซิร์ฟเวอร์รองรับการทำงานของ CPU ระบบปฏิบัติการ แคช และงานอินเฟอเรนซ์ Enterprise SSD รับผิดชอบน้ำหนักโมเดล เช็คพอยท์ ฐานข้อมูลเวกเตอร์ และข้อมูลที่ถูกเรียกใช้บ่อยครั้ง ส่วน HDD ใช้จัดเก็บข้อมูลดิบ ข้อมูลสำรอง คลังข้อมูล และข้อมูลที่เข้าถึงในความถี่ต่ำ ดังนั้น HBM, DRAM, NAND, SSD และ HDD จึงไม่ใช่สิ่งที่ทดแทนกันได้อย่างง่ายๆ แต่ทั้งหมดทำงานร่วมกันเพื่อสนับสนุนการเคลื่อนย้ายข้อมูลของ AI

ในระหว่างการฝึกโมเดล AI ข้อมูลจะเคลื่อนจาก data lake, object storage หรือระบบพื้นที่จัดเก็บข้อมูลระดับองค์กร เข้าสู่ SSD จากนั้นเข้าสู่หน่วยความจำของเซิร์ฟเวอร์ และสุดท้ายเข้าสู่ GPU และ HBM การอนุมาน (Inference) มีความซับซ้อนมากกว่า หน้าต่างบริบทที่ยาว (long context window), เอเจนต์, การสนทนาหลายรอบ, การดึงข้อมูลแบบ RAG และการใช้งานพร้อมกันของผู้ใช้ สร้างแคช บันทึก (log) ดัชนีเวกเตอร์ และข้อมูลบริบทใหม่ๆ อย่างต่อเนื่อง NVIDIA อธิบายศูนย์ข้อมูล AI ยุคใหม่ว่าเป็น โรงงาน AI หมายถึงโครงสร้างพื้นฐานที่ผสานการประมวลผล หน่วยความจำ พื้นที่จัดเก็บข้อมูล เครือข่าย และการจัดตารางซอฟต์แวร์ เพื่อผลิตผลลัพธ์ที่ชาญฉลาดอย่างต่อเนื่อง

จากมุมมองห่วงโซ่คุณค่า การจัดเก็บข้อมูล AI ต้นน้ำประกอบด้วยเวเฟอร์ DRAM/NAND บรรจุภัณฑ์ขั้นสูง การทดสอบ ตัวควบคุม เฟิร์มแวร์ เครื่องจักร และวัสดุ ส่วนกลางประกอบด้วย HBM โมดูลหน่วยความจำสำหรับเซิร์ฟเวอร์ SSD ระดับองค์กร และ HDD แบบนีเยอร์ไลน์ ลูกค้าปลายน้ำประกอบด้วยผู้ผลิต GPU ผู้ให้บริการคลาวด์ บริษัทโมเดล AI และศูนย์ข้อมูลองค์กร ยิ่งผลิตภัณฑ์อยู่ใกล้ GPU มากเท่าไร การรับรองจากลูกค้าและการพัฒนาเทคโนโลยีก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น ยิ่งผลิตภัณฑ์อยู่ใกล้ชั้นความจุมากเท่าไร ต้นทุน ความน่าเชื่อถือ ประสิทธิภาพด้านพลังงาน และการจัดหาในระดับขนาดใหญ่ก็ยิ่งมีความสำคัญมากขึ้นเท่านั้น

สรุป: ห่วงโซ่อุปทานอุปกรณ์จัดเก็บข้อมูล AI ไม่สามารถเข้าใจได้จากคำถามแคบ ๆ เช่น "HBM จะแทนที่ DRAM หรือไม่?" หรือ "SSD จะแทนที่ HDD หรือไม่?" HBM แก้ปัญหาความต้องการแบนด์วิดท์สูงสุด, DRAM แก้ปัญหาความจุหน่วยความจำของเซิร์ฟเวอร์, SSD แก้ปัญหาการเข้าถึงข้อมูลความถี่สูง และ HDD แก้ปัญหาการจัดเก็บข้อมูลขนาดใหญ่ในต้นทุนต่ำ เมื่อโครงสร้างพื้นฐาน AI เติบโตขึ้น ข้อมูลจะเคลื่อนย้ายข้ามชั้นต่าง ๆ เหล่านี้บ่อยขึ้น ทำให้หลายกลุ่มธุรกิจอุปกรณ์จัดเก็บข้อมูลได้รับประโยชน์พร้อมกัน จุดต่างคือ HBM มีการสัมผัสรายได้จาก AI ที่บริสุทธิ์ที่สุดและความไวด้านราคาที่แข็งแกร่งที่สุด, DRAM ของเซิร์ฟเวอร์มีความครอบคลุมกว้างกว่า, SSD ระดับองค์กรอยู่ใกล้กับการใช้งาน inference มากกว่า และ HDD ได้รับประโยชน์จากการสะสมข้อมูลในระยะยาว

ทำไม HBM จึงเป็นผู้ได้รับประโยชน์โดยตรงที่สุดในห่วงโซ่อุปทานอุปกรณ์จัดเก็บข้อมูล AI?

HBM ในปัจจุบันเป็นผู้ได้ประโยชน์โดยตรงที่สุดในห่วงโซ่อุปทานหน่วยความจำสำหรับ AI เนื่องจากการฝึกโมเดลขนาดใหญ่และการอนุมานระดับสูงต้องเผชิญข้อจำกัดด้านแบนด์วิดท์ของหน่วยความจำและความจุที่พร้อมใช้งานใกล้กับ GPU เป็นอันดับแรก เมื่อพลังการคำนวณของ GPU เพิ่มขึ้น ข้อมูลจะต้องถูกส่งไปยังหน่วยคำนวณได้อย่างรวดเร็วเพียงพอ มิฉะนั้น ชิป AI ที่มีราคาแพงจะต้องรอหน่วยความจำ ทำให้เกิดสิ่งที่เรียกว่า "กำแพงหน่วยความจำ" ดังนั้น คุณค่าของ HBM จึงไม่ได้อยู่ที่ความจุเพียงเท่านั้น แต่ยังรวมถึงความสามารถในการส่งข้อมูลไปยัง GPU ภายในระยะเวลาที่กำหนดอีกด้วย

ความแตกต่างระหว่าง HBM กับ DDR DRAM ทั่วไปอยู่ที่โครงสร้างและตำแหน่งการติดตั้ง DRAM ทั่วไปมักทำหน้าที่เป็นหน่วยความจำหลักของระบบ ในขณะที่ HBM ใช้การซ้อน DRAM แบบหลายชั้น, TSV และเทคโนโลยีบรรจุภัณฑ์ขั้นสูง เพื่อให้อยู่ใกล้ชิดกับ GPU หรือ AI ASIC มาตรฐาน HBM4 ของ JEDEC ขยายอินเทอร์เฟซเป็น 2048 บิต และวางตำแหน่งแบนด์วิดท์ จำนวนช่องสัญญาณ ประสิทธิภาพด้านพลังงาน และความจุ เป็นจุดอัปเกรดสำคัญสำหรับงาน AI และ HPC ส่วน [HBM4](https://sg.micron. ของ Micronวัสดุ com/products/memory/hbm/hbm4) ยังเน้นย้ำอีกว่าแบนด์วิดท์ที่สูงขึ้นและความจุที่มากขึ้นเป็นรากฐานสำคัญสำหรับงานด้านบริบทยาว มัลติโมดัล และการประมวลผลทางวิทยาศาสตร์

HBM มีอัตรากำไรสูงไม่เพียงเพราะดีมานด์แข็งแกร่งเท่านั้น แต่ยังเพราะฝ่ายอุปทานทำได้ยากด้วย โดยต้องอาศัยเทคโนโลยีกระบวนการ DRAM ขั้นสูง การบรรจุแบบซ้อนกัน การจัดการความร้อน ความสามารถในการทดสอบ และการรับรองจากลูกค้า GPU ข้อมูลของ Samsung เกี่ยวกับ การจัดส่ง HBM4 เชิงพาณิชย์ เน้นย้ำว่าการผลิต HBM4 ของบริษัทขึ้นอยู่กับความร่วมมือครอบคลุมทั้ง DRAM, foundry, การบรรจุขั้นสูง และลูกค้า ส่วนรายงาน มุมมองตลาดหน่วยความจำปี 2026 ของ SK hynix ก็ระบุเช่นกันว่า HBM3E จะยังคงเป็นผลิตภัณฑ์สำคัญในปี 2026 ขณะที่ HBM4 จะค่อย ๆ ขยายการผลิตขึ้น

หากต้องการตัดสินว่าบริษัท HBM ได้รับประโยชน์อย่างแท้จริงหรือไม่ ให้เน้นที่ตัวชี้วัดหกประการ:

• ได้เข้าสู่ห่วงโซ่อุปทานหลักของ NVIDIA, AMD, Google, AWS และลูกค้ารายใหญ่คนอื่น ๆ หรือไม่
• กำหนดการผลิต HBM3E, HBM4 และ HBM4E ของบริษัทนำหน้าคู่แข่งหรือไม่
• อัตราผลผลิต (yield) ความสูงของการซ้อนชิป และความสามารถในการทดสอบมีความเสถียรหรือไม่
• ความจุ HBM ต่อ GPU กำลังเพิ่มขึ้นหรือไม่
• ปริมาณการจัดหาบรรจุภัณฑ์ขั้นสูง (advanced packaging) และซับสเตรตเพียงพอหรือไม่
• การขยายตัวของ HBM แปลเป็นการปรับปรุงอัตรากำไร ไม่ใช่เพียงการเติบโตของรายได้หรือไม่

อย่างไรก็ตาม HBM ก็ไม่ได้ปราศจากความเสี่ยง ความเข้มข้นของลูกค้าสูง และความล้มเหลวหรือความล่าช้าในการผ่านการรับรองอาจส่งผลกระทบโดยตรงต่อรายได้ หาก Samsung, SK hynix และ Micron ต่างเร่งขยายกำลังการผลิตพร้อมกันทั้งหมด ราคาในอนาคตก็อาจถอยกลับได้เช่นกัน ตรรกะการลงทุนของ HBM ใกล้เคียงกับการผสมผสานระหว่างกำแพงกั้นสูง ความอ่อนไหวสูง และความเสี่ยงในการปฏิบัติงานสูง

สรุป: HBM ได้รับประโยชน์มากที่สุด เพราะเป็นตัวกำหนดโดยตรงว่าตัวเร่ง AI สามารถปลดปล่อยพลังการคำนวณได้เต็มที่หรือไม่ ยิ่ง GPU มีราคาแพงขึ้น โมเดลมีขนาดใหญ่ขึ้น และหน้าต่างบริบทยาวขึ้นเท่าไหร่ แบนด์วิดท์และความจุของ HBM ก็ยิ่งมีค่ามากขึ้นเท่านั้น ในระยะสั้น HBM มีสัดส่วนรายได้จาก AI ที่บริสุทธิ์ที่สุดในกลุ่มหน่วยความจำ ในระยะกลาง ความแตกต่างระหว่างบริษัทมาจากการรับรองลูกค้า อัตราผลผลิต ความสามารถในการบรรจุภัณฑ์ และการเปลี่ยนผ่านรุ่นผลิตภัณฑ์ ในระยะยาว กำลังการผลิตใหม่ การทดแทนด้วยเทคโนโลยี และอำนาจต่อรองของลูกค้า อาจทำให้กำไรส่วนเกินอ่อนแอลง นักลงทุนไม่ควรมองเพียงการเติบโตของตลาด HBM เท่านั้น แต่ควรมองด้วยว่าใครสามารถเปลี่ยนความได้เปรียบทางเทคนิคให้กลายเป็นคำสั่งซื้อและอัตรากำไรที่ยั่งยืนได้

ทำไม DRAM ทั่วไปจึงได้รับประโยชน์จากการขยายตัวของเซิร์ฟเวอร์ AI เช่นกัน?

DRAM ทั่วไปก็ได้รับประโยชน์จาก AI เช่นกัน เนื่องจากเซิร์ฟเวอร์ AI ไม่ได้ประกอบด้วย GPU และ HBM เพียงอย่างเดียว การจัดตารางงานของ CPU ระบบปฏิบัติการ การสื่อสารเครือข่าย การประมวลผลข้อมูลล่วงหน้า แคชสำหรับการอนุมาน (inference cache) ฐานข้อมูล และการทำงานพร้อมกันของหลายโมเดล ล้วนต้องการ DRAM สำหรับเซิร์ฟเวอร์จำนวนมาก เมื่อเปรียบเทียบกับ HBM DRAM ทั่วไปมีสัดส่วนที่เกี่ยวข้องกับ AI โดยตรงต่ำกว่า แต่มีขอบเขตความต้องการที่กว้างกว่า หากศูนย์ข้อมูล AI ขยายจากคลัสเตอร์สำหรับการฝึก (training clusters) ไปสู่คลัสเตอร์สำหรับการอนุมาน (inference clusters) DDR5, RDIMM, MRDIMM สำหรับเซิร์ฟเวอร์ และการขยายหน่วยความจำ CXL จะได้รับการสนับสนุนด้านความต้องการที่แข็งแกร่งยิ่งขึ้นทั้งหมด

การอนุมาน (Inference) เป็นแหล่งความต้องการที่สำคัญของ DRAM ทั่วไป หลังจากที่โมเดลขนาดใหญ่ถูกนำไปใช้งานแล้ว องค์กรต่างๆ ไม่ได้รันงานการฝึก (training) เพียงงานเดียวเท่านั้น แต่ยังคงประมวลผลคำขอของผู้ใช้ หน้าต่างบริบท (context windows) การเรียกใช้เครื่องมือ การค้นหาเวกเตอร์ และการแคชผลลัพธ์อย่างต่อเนื่อง โมเดลที่รองรับบริบทยาวสร้างความต้องการ KV Cache ที่มากขึ้นและใช้ทรัพยากรหน่วยความจำมากขึ้น การทำงานพร้อมกันของหลายโมเดลเพิ่มความต้องการหน่วยความจำของระบบทั้งในระดับเซิร์ฟเวอร์เดี่ยวและระดับคลัสเตอร์ NVIDIA ได้กล่าวแนะนำเกี่ยวกับ Blackwell Ultra ว่าความจุ HBM3E ที่ใหญ่ขึ้นนั้นเชื่อมโยงกับการอนุมานที่มีบริบทยาวและการทำงานพร้อมกันสูงด้วยเช่นกัน แนวโน้มนี้จะยังคงส่งผลกระทบต่อเนื่องไปยังชั้นหน่วยความจำเซิร์ฟเวอร์ ที่จัดเก็บข้อมูล และเครือข่าย

ประโยชน์อีกประการของ DRAM มาจากฝั่งอุปทาน เนื่องจากผู้ผลิตหน่วยความจำจัดสรรทรัพยากรให้กับ HBM มากขึ้น การเติบโตของอุปทานที่แท้จริงสำหรับ DRAM ทั่วไปอาจถูกจำกัดลง เอกสาร ข้อมูลไตรมาส 3 ปีการเงิน 2026 ของ Micron ระบุว่าประสิทธิภาพของระบบ AI ขึ้นอยู่กับประสิทธิภาพและความจุของระบบย่อยหน่วยความจำอย่างมีโครงสร้าง ในขณะที่การอัปเกรดรุ่นของ HBM อาจสร้างแรงกดดันต่ออุปทานที่ไม่ใช่ HBM ซึ่งหมายความว่า HBM ไม่เพียงแต่ได้ประโยชน์ในตัวเองเท่านั้น แต่อาจส่งผลต่อการกำหนดราคา DRAM แบบดั้งเดิมผ่านการจัดสรรกำลังการผลิตอีกด้วย

แต่วงจรธุรกิจของ DRAM ทั่วไปก็ไม่อาจมองข้ามได้ พีซี สมาร์ตโฟน และอุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค ยังคงส่งผลกระทบต่ออุปสงค์และอุปทานของ DRAM โดยรวม ผลิตภัณฑ์ต่าง ๆ ก็อาจมีทิศทางแตกต่างกันได้ DDR4, DDR5, โมดูลเซิร์ฟเวอร์ความจุสูง และ LPDDR สำหรับอุปกรณ์เคลื่อนที่ อาจมีเส้นทางการตั้งราคาที่แตกต่างกัน AI สามารถยกระดับเส้นฐานของอุปสงค์ได้ แต่ไม่สามารถขจัดลักษณะวงจรธุรกิจของอุตสาหกรรมหน่วยความจำได้อย่างสมบูรณ์

สรุป: DRAM สำหรับเซิร์ฟเวอร์เป็นผู้ได้ประโยชน์แบบ "กว้างขวางแต่บริสุทธิ์น้อยกว่าเล็กน้อย" ในห่วงโซ่อุปทานของการจัดเก็บข้อมูลสำหรับ AI โดยไม่ผูกติดกับ GPU แต่ละตัวโดยตรงเท่ากับ HBM แต่การอนุมานด้วย AI, บริบทยาว, เอเจนต์, ฐานข้อมูล, การประมวลผลข้อมูลล่วงหน้า และการขยายตัวของเซิร์ฟเวอร์คลาวด์ ล้วนเพิ่มความต้องการหน่วยความจำระบบทั้งสิ้น การขยายกำลังผลิต HBM ยังอาจลดความยืดหยุ่นด้านอุปทานของ DRAM ทั่วไปทางอ้อม ซึ่งช่วยหนุนราคาและอัตรากำไร ความเสี่ยงหลักคือ หากความต้องการปลายทางอ่อนแรงลงหรือผู้ผลิตขยายกำลังผลิตเร็วเกินไป DRAM ทั่วไปก็ยังสามารถเข้าสู่วัฏจักรราคาขาลงได้

NAND และ Enterprise SSD ได้ประโยชน์จากการอนุมานด้วย AI และการเติบโตของข้อมูลอย่างไร?

โอกาสของ AI สำหรับ NAND และ enterprise SSD มาจากชั้นข้อมูลเป็นหลัก ไม่ใช่จากการประมวลผลของ GPU โดยตรง การฝึกโมเดลต้องการการอ่านชุดข้อมูลความเร็วสูงและการบันทึก checkpoint การอนุมาน (inference) ต้องการการโหลดน้ำหนักโมเดลอย่างรวดเร็ว การเข้าถึงฐานข้อมูลเวกเตอร์ และการเรียกใช้ฐานความรู้ระดับองค์กร แอปพลิเคชัน RAG และเอเจนต์สร้างดัชนี แคช ล็อก และสถานะระดับกลางอย่างต่อเนื่อง ดังนั้น enterprise SSD จึงเข้าใกล้โครงสร้างพื้นฐาน AI มากกว่า SSD สำหรับผู้บริโภค และผลประโยชน์ของ NAND ขึ้นอยู่กับองค์ประกอบของผลิตภัณฑ์มากกว่าปริมาณการจัดส่งเพียงอย่างเดียว

ระหว่างการฝึกอบรม AI SSD ให้ปริมาณงานที่มีเสถียรภาพสำหรับกลุ่ม GPU และป้องกันไม่ให้การโหลดข้อมูลทำให้การฝึกอบรมช้าลง ระหว่างการอนุมาน (inference) SSD มีบทบาทที่ละเอียดมากขึ้น: น้ำหนักโมเดล (model weights), ฐานข้อมูลเวกเตอร์, ฐานความรู้, บันทึกการสนทนา และข้อมูลบริบท อาจถูกอ่านบ่อยครั้งทั้งหมด Kioxia's GP Series Super High IOPS SSD มุ่งเป้าไปที่ปริมาณงาน AI ที่เกิดจาก GPU และเน้นการใช้แฟลชประสิทธิภาพสูงเพื่อขยายพื้นที่หน่วยความจำที่ GPU เข้าถึงได้ NVIDIA's CMX context memory storage platform ยังแสดงให้เห็นว่า AI ที่มีบริบทยาวและ AI เชิงเอเจนต์กำลังผลักดันชั้นการจัดเก็บข้อมูลให้เข้าใกล้ระบบหน่วยความจำการอนุมาน (inference memory system) มากขึ้น

สำหรับ SSD ระดับองค์กร ปัจจัยสำคัญไม่ได้อยู่ที่ "ยิ่งมีความจุมาก ยิ่งดี" เพียงอย่างเดียว แต่ความต้องการที่แท้จริงคือการผสมผสานระหว่างความจุ ความหน่วง (latency), IOPS, ความทนทาน (endurance), การใช้พลังงาน และความน่าเชื่อถือ ระบบ RAG, ฐานข้อมูลเวกเตอร์ และแคชการอนุมาน (inference cache) ให้ความสำคัญกับประสิทธิภาพการอ่าน/เขียนแบบสุ่ม, ความหน่วงที่ส่วนท้าย (tail latency) และประสิทธิภาพที่คงที่มากกว่า ส่วนจุดตรวจสอบการฝึก (training checkpoint) และการประมวลผลข้อมูลขนาดใหญ่ให้ความสำคัญกับอัตราการถ่ายโอนข้อมูล (throughput) และการเขียนข้อมูลที่เสถียร Samsung งานแสดง GTC 2026 ได้กล่าวถึง HBM4, SOCAMM2 และ PCIe SSD ร่วมกัน ซึ่งสะท้อนให้เห็นว่าโครงสร้างพื้นฐาน AI กำลังขยายจากตัวเร่งเดี่ยวไปสู่การประสานงานระดับระบบที่ครอบคลุมหน่วยความจำ ที่จัดเก็บข้อมูล และการประมวลผล

ประโยชน์สำหรับผู้ผลิตชิป NAND และผู้จำหน่าย SSD นั้นไม่เหมือนกันโดยสมบูรณ์ ราคาชิป NAND ที่สูงขึ้นช่วยเพิ่มรายได้ของผู้ผลิตเวเฟอร์ แต่หากอุปทานขยายตัวเร็วเกินไป ราคาอาจดิ่งลงอีกครั้ง ผู้จำหน่าย SSD สำหรับองค์กรที่มีตัวควบคุม เฟิร์มแวร์ การรับรองจากลูกค้าคลาวด์ การออกแบบความจุสูง และสัญญาจัดหาระยะยาว มักมีความไวต่ออัตรากำไรที่แข็งแกร่งกว่า การสนทนาของ Marvell เกี่ยวกับ GPU-initiated storage ยังแสดงให้เห็นว่าการจัดเก็บข้อมูล AI กำลังเปลี่ยนจากการอ่านแบบ CPU-initiated ไปสู่การปรับปรุงเส้นทางข้อมูลให้ใกล้ชิดกับ GPU มากขึ้น

สรุป: โอกาสหลักของ NAND และ SSD ระดับองค์กรไม่ใช่อุปกรณ์อิเล็กทรอนิกส์สำหรับผู้บริโภค แต่คือ AI inference, RAG, ฐานข้อมูลเวกเตอร์ และการอัปเกรดที่จัดเก็บข้อมูลในศูนย์ข้อมูล ปริมาณงานฝั่งการฝึกฝน (training) ต้องการทรูพุต ปริมาณงานฝั่งอินเฟอเรนซ์ (inference) ต้องการความหน่วงต่ำและ IOPS สูง ขณะที่แอปพลิเคชันบริบทยาว (long-context) และเอเจนต์ (agent) ต้องการการจัดชั้นหน่วยความจำ-ที่จัดเก็บข้อมูลที่ซับซ้อนมากขึ้น SSD ระดับองค์กรเป็นผู้ได้ประโยชน์ที่มองเห็นได้ชัดเจนกว่าเมื่อแอปพลิเคชัน AI ขยายตัว แต่ NAND ยังคงมีความเสี่ยงจากวงจรอุตสาหกรรมแบบทั่วไปอยู่ ในการประเมินบริษัทที่เกี่ยวข้อง ควรเน้นที่สัดส่วนรายได้จาก SSD ในศูนย์ข้อมูล การรับรองจากลูกค้า และความสามารถด้านคอนโทรลเลอร์และเฟิร์มแวร์ มากกว่าปริมาณการจัดส่ง NAND รวมเพียงอย่างเดียว

ทำไม HDD จึงยังคงได้ประโยชน์ และหมวดหมู่ที่จัดเก็บข้อมูลสำหรับ AI ประเภทใดที่ควรได้รับความสนใจมากที่สุด?

HDD จะยังคงได้รับประโยชน์จาก AI เนื่องจากศูนย์ข้อมูล AI ไม่เพียงแต่ต้องการการเข้าถึงความเร็วสูงเท่านั้น แต่ยังต้องการที่เก็บข้อมูลต้นทุนต่ำสำหรับข้อมูลปริมาณมหาศาลด้วย SSD เหมาะสำหรับงานที่มีการอ่านบ่อยครั้ง ความหน่วงต่ำ และงาน IOPS สูง ส่วน HDD เหมาะสำหรับข้อมูลการฝึกฝนดิบ ชุดข้อมูลประวัติศาสตร์ การสำรองข้อมูล คลังเก็บข้อมูล ไฟล์บันทึก และการเข้าถึงข้อมูลที่ไม่บ่อยนัก ยิ่ง AI สร้างข้อมูลมากเท่าไร ความต้องการความจุในระยะยาวก็จะยิ่งมากขึ้นเท่านั้น และคุณค่าเชิงกลยุทธ์ของ HDD แบบ nearline ก็จะยิ่งโดดเด่นมากขึ้นเท่านั้น

หลายคนสมมติว่าข้อมูลทั้งหมดในยุค AI จะย้ายไปอยู่บน SSD แต่ศูนย์ข้อมูลจริงให้ความสำคัญกับการจัดเก็บข้อมูลแบบมีระดับชั้น (tiered storage) มากกว่า ข้อมูลร้อน (hot data) น้ำหนักโมเดล และดัชนีเวกเตอร์ จะอยู่บน SSD ข้อมูลอุ่น (warm data) อาจย้ายไปมาระหว่าง SSD กับ object storage ส่วนข้อมูลเย็น (cold data) ข้อมูลสำรอง และชุดข้อมูลฝึกฝนในอดีต เหมาะสมกับ HDD ความจุสูงมากกว่า ฮาร์ดดิสก์ของ Seagate รุ่น 30TB Exos M เชื่อมโยงเทคโนโลยี HAMR ความจุสูง และความต้องการความจุของศูนย์ข้อมูล AI เข้าด้วยกัน ซึ่งแสดงให้เห็นว่า HDD ยังคงเป็นทางเลือกที่สำคัญสำหรับชั้นข้อมูลที่ใส่ใจเรื่องต้นทุน

หมวดหมู่การจัดเก็บข้อมูลสำหรับ AI ทั้งห้าประเภทควรได้รับการจัดอันดับตาม “ผลประโยชน์โดยตรง ความไวต่ออัตรากำไร ความสามารถระยะยาว และความเสี่ยงตามวัฏจักร” แทนที่จะจัดอันดับตามลำดับสัมบูรณ์แบบเดียว:

หากต้องสรุปบทสรุปให้กระชับเหลือเพียงประโยคเดียว: HBM คือผู้ได้ประโยชน์โดยตรงที่สุดจาก AI ในฝั่งหน่วยความจำ, DRAM สำหรับเซิร์ฟเวอร์คือผู้ได้ประโยชน์ในวงกว้างกว่า, SSD สำหรับองค์กรคือผู้ได้ประโยชน์สำคัญจากการขยายตัวของการประมวลผล inference และ RAG ส่วน HDD ได้ประโยชน์จากการจัดเก็บข้อมูลจำนวนมากในระยะยาว ส่วน NAND อยู่ระหว่าง "อุปทานชิป" กับ "การอัปเกรดผลิตภัณฑ์ SSD สำหรับองค์กร" และว่าจะได้ประโยชน์อย่างเต็มที่หรือไม่ขึ้นอยู่กับราคา กำลังการผลิต และโครงสร้างผลิตภัณฑ์

หากคุณกำลังติดตามโอกาสในตลาดของบริษัทต่าง ๆ เช่น Micron, Seagate, Western Digital, Samsung และ SK hynix คุณควรมองไปไกลกว่าการเติบโตของอุตสาหกรรม และควรพิจารณาค่าธรรมเนียมการซื้อขายและการดำเนินการคำสั่งซื้อด้วย เมื่อใช้ Biya เพื่อติดตามหุ้นสหรัฐฯ และหุ้นฮ่องกงที่เกี่ยวข้อง คุณสามารถเปรียบเทียบผลประกอบการของบริษัท ราคาหน่วยความจำ โครงสร้างคำสั่งซื้อ และมูลค่าหุ้นเข้าด้วยกันได้ Biya ไม่เก็บค่าคอมมิชชันสำหรับการซื้อขายหุ้นสหรัฐฯ ขณะที่ค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมสถาบันภายนอก และค่าใช้จ่ายอื่น ๆ ขึ้นอยู่กับ ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ และการแสดงผลของคำสั่งซื้อ การวิเคราะห์ตลาดสาธารณะไม่ถือเป็นคำแนะนำในการลงทุนความพร้อมใช้งานของบริการขึ้นอยู่กับที่ตั้งของผู้ใช้ ผลการตรวจสอบตัวตน กฎเกณฑ์ของแพลตฟอร์ม ตลอดจนกฎหมายและข้อบังคับที่เกี่ยวข้อง

สรุป: อันดับสุดท้ายของผู้ได้รับประโยชน์จากการจัดเก็บข้อมูล AI นั้นขึ้นอยู่กับมุมมองในการวิเคราะห์ของคุณ สำหรับความไวด้านรายได้ในระยะสั้น HBM แข็งแกร่งที่สุด สำหรับความกว้างขวางของการสร้างเซิร์ฟเวอร์ DRAM มีเสถียรภาพมากกว่า สำหรับการปรับใช้การอนุมาน (inference) และ RAG SSD สำหรับองค์กรสมควรได้รับความสนใจมากขึ้น สำหรับการจัดเก็บข้อมูลจำนวนมหาศาลในระยะยาว HDD ยังคงมีบทบาทที่ชัดเจน ความผิดพลาดที่แท้จริงคือการมองว่าบริษัททั้งหมดที่ถูกติดป้ายว่า “AI storage” เป็นสินทรัพย์ประเภทเดียวกัน อุตสาหกรรมหน่วยความจำมีทั้งการเติบโตที่ขับเคลื่อนด้วย AI และความเสี่ยงจากการลงทุนด้านสินทรัพย์ถาวร สินค้าคงคลัง การตั้งราคา และการกลับทางของวัฏจักร การตัดสินใจลงทุนควรพิจารณารุ่นของผลิตภัณฑ์ การรับรองจากลูกค้า ราคาขายเฉลี่ย อัตรากำไรขั้นต้น จำนวนวันสินค้าคงคลัง และตำแหน่งการประเมินมูลค่า โดยพิจารณาไปพร้อมกันทั้งหมด

หากคุณกำลังติดตามห่วงโซ่อุปทานสตอเรจของ AI คุณสามารถแบ่งบริษัทต่างๆ ออกเป็นสามกลุ่ม กลุ่มแรกประกอบด้วยผู้ผลิต HBM และ DRAM หลัก เช่น SK hynix, Samsung และ Micron กลุ่มที่สองประกอบด้วยบริษัทที่เกี่ยวข้องกับ enterprise SSD, NAND และคอนโทรลเลอร์ เช่น Kioxia, Sandisk, Western Digital และ Marvell กลุ่มที่สามประกอบด้วยบริษัทในระดับความจุ HDD เช่น Seagate และ Western Digital คุณสามารถใช้ ค้นหาข้อมูลหุ้นสหรัฐฯ เพื่อติดตามข้อมูลพื้นฐานของหลักทรัพย์ที่เกี่ยวข้อง แล้วจึงประกอบเข้ากับรายงานผลประกอบการล่าสุด การเปิดตัวผลิตภัณฑ์ ราคาหน่วยความจำ และแนวโน้มการลงทุนด้านโครงสร้างพื้นฐานคลาวด์ (capex) ผู้ใช้ที่เข้าเงื่อนไขการให้บริการที่เกี่ยวข้องยังสามารถ ดาวน์โหลดแอป เพื่อตรวจสอบค่าธรรมเนียมการสั่งซื้อและการเปิดเผยความเสี่ยงก่อนทำการซื้อขาย การเติบโตอย่างแข็งแกร่งของอุตสาหกรรมไม่ได้รับประกันว่าราคาหุ้นจะสูงขึ้นอย่างแน่นอน การซื้อขายทุกครั้งควรอ้างอิงตามแผนการเงินและระดับการยอมรับความเสี่ยงของคุณเอง

คำถามที่พบบ่อย

ดีมานด์ HBM3E จะลดลงหลังจาก HBM4 เข้าสู่การผลิตจริงหรือไม่?

ไม่ใช่ทันที HBM3E และ HBM4 มีแนวโน้มที่จะอยู่ร่วมกันไปอีกระยะหนึ่ง เนื่องจาก GPU, ASIC และแพลตฟอร์มของลูกค้าคลาวด์แต่ละรายมีวงจรการรับรอง (qualification) ของตัวเอง การเพิ่มส่วนแบ่งของ HBM4 จะขึ้นอยู่กับการส่งมอบชิป AI รุ่นถัดไป อัตราผลผลิต (yield) การตั้งราคา และความเร็วในการอัปเกรดของลูกค้า

การขยายตัวของเซิร์ฟเวอร์ AI จะผลักดันราคา DRAM ให้สูงขึ้นอย่างแน่นอนหรือไม่?

ไม่จำเป็น แต่สามารถหนุนดีมานด์ได้ เซิร์ฟเวอร์ AI เพิ่มดีมานด์สำหรับ DDR5 โมดูลความจุสูง และหน่วยความจำเซิร์ฟเวอร์ ในขณะที่การขยายตัวของ HBM อาจส่งผลกระทบต่ออุปทาน DRAM ทั่วไปได้เช่นกัน การตั้งราคาขั้นสุดท้ายยังคงขึ้นอยู่กับกำลังการผลิตใหม่ ดีมานด์พีซีและสมาร์ตโฟน สต็อกสินค้า และวินัยของผู้ผลิต

สิ่งใดได้ประโยชน์จาก AI มากกว่ากัน ระหว่าง SSD สำหรับองค์กรหรือ SSD สำหรับผู้บริโภค?

SSD ระดับองค์กรได้รับประโยชน์จาก AI โดยตรงมากกว่า โดยทำหน้าที่รองรับการฝึกโมเดล, RAG, ฐานข้อมูลเวกเตอร์, checkpoints และแคชการอนุมาน (inference caches) ซึ่งมีความต้องการสูงในด้านความหน่วงต่ำ, IOPS สูง, ความน่าเชื่อถือ และความทนทาน ในขณะที่ความต้องการ SSD ระดับผู้บริโภคยังคงได้รับผลกระทบเป็นหลักจากวงจรของพีซีและอุปกรณ์ปลายทาง

ทำไมศูนย์ข้อมูล AI จึงยังคงต้องใช้ HDD?

ศูนย์ข้อมูล AI ยังคงต้องใช้ HDD เพื่อจัดเก็บข้อมูลความถี่ต่ำจำนวนมหาศาล SSD เหมาะสำหรับงานที่ต้องเข้าถึงบ่อยครั้งและต้องการความหน่วงต่ำ ส่วน HDD เหมาะสำหรับข้อมูลดิบ ชุดข้อมูลการฝึกย้อนหลัง การสำรองข้อมูล คลังเก็บถาวร และการเก็บรักษาบันทึก (logs) การจัดเก็บข้อมูลแบบหลายระดับ (tiered storage) ช่วยสร้างสมดุลระหว่างประสิทธิภาพ ความจุ และต้นทุน

นักลงทุนรายย่อยจะพิจารณาได้อย่างไรว่าหุ้นอุปกรณ์จัดเก็บข้อมูล AI ร้อนแรงเกินไปหรือไม่?

นักลงทุนควรติดตามราคาขายเฉลี่ย จำนวนวันของสินค้าคงเหลือ ค่าใช้จ่ายด้านทุน เงินล่วงหน้าจากลูกค้า อัตรากำไรขั้นต้น และการเปลี่ยนแปลงของมูลค่าหลักทรัพย์ หากราคาสูงขึ้นอย่างรวดเร็วในขณะที่อุตสาหกรรมขยายกำลังการผลิตอย่างก้าวรุ่งโรจน์ การปล่อยอุปทานในอนาคตอาจก่อให้เกิดการพลิกผันของวัฏจักร ควรใช้รายงานผลประกอบการล่าสุดและการเปิดเผยข้อมูลของบริษัทเป็นแหล่งอ้างอิงหลัก

ความเสี่ยงด้านการลงทุนหลักของหุ้นอุปกรณ์จัดเก็บข้อมูล AI มีอะไรบ้าง?

ความเสี่ยงหลักประกอบด้วยการลดลงของการลงทุนด้านทุน AI การลดลงของราคาหน่วยความจำ การขยายกำลังการผลิตมากเกินไป การกระจุกตัวของลูกค้า ความล่าช้าในการรับรองผลิตภัณฑ์ และการเปลี่ยนแปลงของเทคโนโลยี ระดับการสัมผัสความเสี่ยงแตกต่างกันไปในแต่ละบริษัท ก่อนทำการซื้อขาย นักลงทุนควรตรวจสอบกฎของแพลตฟอร์ม รายละเอียดการเรียกเก็บเงิน การเปิดเผยข้อมูลของบริษัท และข้อกำหนดด้านกฎระเบียบในท้องถิ่น