ทำไม AI ที่ทำให้ข้อมูลระเบิดจำนวนมากจึงเป็นประโยชน์ต่อ HDD ด้วย? ความต้องการข้อมูล Cold Data, Nearline HDD และ Cloud Storage

การระเบิดของข้อมูล AI ยังส่งผลดีต่อ HDD ด้วย เนื่องจาก AI ไม่ได้สร้างเพียงข้อมูลร้อนที่ต้องการการเข้าถึงในระดับมิลลิวินาทีเท่านั้น แต่ยังสร้างข้อมูลต้นฉบับสำหรับการฝึกโมเดล ล็อก เวอร์ชันของโมเดล บันทึกการตรวจสอบ ข้อมูลสำรอง และข้อมูลที่ต้องเก็บรักษาเพื่อการปฏิบัติตามข้อกำหนดอย่างต่อเนื่อง ชุดข้อมูลเหล่านี้ถูกเข้าถึงน้อยกว่าแต่ต้องจัดเก็บไว้เป็นระยะเวลานาน จึงไหลไปสู่ที่เก็บข้อมูลออบเจ็กต์บนคลาวด์ ดาต้าเลค ระบบสำรองข้อมูล และเลเยอร์การจัดเก็บข้อมูลคอลด์ในที่สุด SSD รับมือกับความหน่วงต่ำและอัตราการถ่ายโอนข้อมูลสูง ส่วน HDD แบบเนียร์ไลน์รับมือกับความจุต้นทุนต่ำในระดับ PB/EB ในศูนย์ข้อมูล AI ทั้งสองนี้เป็นสิ่งที่เสริมกันแทนที่จะเป็นสิ่งทดแทนกันอย่างง่ายๆ

Key Takeaways

• ข้อมูล AI ถูกย้ายอย่างต่อเนื่องจากที่จัดเก็บแบบร้อนไปสู่ชั้นการจัดเก็บแบบอุ่นและแบบเย็น
• HDD แบบเนียร์ไลน์เป็นสื่อความจุสูงต้นทุนต่ำที่สำคัญสำหรับผู้ให้บริการคลาวด์
• SSD เหมาะกับการเข้าถึงที่ต้องการประสิทธิภาพสูง ในขณะที่ HDD เหมาะกับความจุออนไลน์ระยะยาว
• Seagate และ Western Digital ได้รับประโยชน์จาก HDD โดยตรงมากกว่า
• วัฏจักรของ HDD ยังคงขึ้นอยู่กับราคา ความเข้มข้นของลูกค้า และความเสี่ยงจากการถูกแทนที่ด้วย SSD

ทำไมการระเบิดของข้อมูล AI จึงให้ประโยชน์ไม่เพียงแค่ SSD แต่ยังรวมถึง HDD ด้วย?

การระเบิดตัวของข้อมูล AI ส่งผลดีต่อทั้ง SSD และ HDD เนื่องจากเวิร์กโฟลว์ AI สร้างความต้องการด้านการจัดเก็บข้อมูลสองประเภท ได้แก่ ข้อมูลร้อนที่ต้องการความหน่วงต่ำซึ่งใช้สำหรับการฝึกฝน การอนุมาน RAG และการค้นหาแบบเวกเตอร์ และข้อมูลอุ่นหรือข้อมูลเย็นที่เกิดจากทะเลสาบข้อมูลการฝึกฝน เช็คพอยต์ย้อนหลัง บันทึกการทำงาน การตรวจสอบ การสำรองข้อมูล และการเก็บรักษาเพื่อการปฏิบัติตามข้อกำหนด SSD ช่วยแก้ปัญหาคอขวดด้านประสิทธิภาพ ในขณะที่ HDD ช่วยแก้ปัญหาต้นทุนด้านความจุ เมื่อข้อมูลขยายจากระดับ TB ไปสู่ระดับ PB และ EB ค่าต้นทุนต่อ TB และข้อได้เปรียบด้านความจุขนาดใหญ่ของ HDD แบบเนียร์ไลน์ยังคงมีความสำคัญ

ทุกขั้นตอนของแอปพลิเคชัน AI ล้วนทิ้งข้อมูลไว้เบื้องหลัง ก่อนการฝึกโมเดล จะต้องจัดเก็บข้อความดิบ รูปภาพ วิดีโอ โค้ด และข้อมูลเซ็นเซอร์ ระหว่างการฝึก จะเกิดชุดข้อมูลระดับกลาง เวอร์ชันพารามิเตอร์ โมเดลเช็คพอยต์ และบันทึกการทดลองขึ้น หลังจากการอนุมาน (inference) เริ่มใช้งานจริง บันทึกคำขอ บันทึกการตอบสนอง เมตริกการตรวจสอบ การตรวจสอบความปลอดภัย และข้อเสนอแนะจากผู้ใช้จะสะสมเพิ่มขึ้นอย่างต่อเนื่อง ข้อมูลจำนวนมากเหล่านี้อาจมีประโยชน์สำหรับการปรับจูนในระยะสั้น แต่ไม่จำเป็นต้องเข้าถึงด้วยความถี่สูงอย่างต่อเนื่องในระยะยาว

นี่คือที่มาของข้อมูลเย็นและข้อมูลอุ่น คุณสามารถแบ่งข้อมูล AI ออกเป็นสามชั้นได้:

การจัดชั้นข้อมูลของที่เก็บข้อมูลบนคลาวด์ (Cloud storage tiering) ก็เป็นตัวอย่างที่แสดงให้เห็นตรรกะทางเศรษฐศาสตร์นี้เช่นกัน Google Cloud Storage แบ่งระดับ Standard, Nearline, Coldline และ Archive ตามความถี่ในการเข้าถึง ระยะเวลาจัดเก็บขั้นต่ำ และต้นทุนในการดึงข้อมูล AWS S3 Glacier Deep Archive ได้รับการออกแบบมาสำหรับการเก็บถาวรระยะยาว โดยมีระยะเวลาจัดเก็บขั้นต่ำ 180 วัน Azure Blob Storage ก็แบ่งระดับ Hot, Cool, Cold และ Archive ตามรูปแบบการเข้าถึงและระยะเวลาในการเก็บรักษาเช่นเดียวกันผลิตภัณฑ์คลาวด์ไม่ได้พิสูจน์โดยตรงว่ามีการใช้สื่อฮาร์ดแวร์ชนิดใดชนิดหนึ่งเป็นพื้นฐานเสมอไป แต่สะท้อนหลักการเดียวกัน คือ ยิ่งข้อมูลถูกเข้าถึงน้อยลงเท่าใด ยิ่งต้องการชั้นความจุที่มีต้นทุนต่ำกว่ามากขึ้นเท่านั้น

ในยุคของ AI นั้น มักจะโฟกัสไปที่ GPU, HBM และ enterprise SSD เพียงอย่างเดียวได้ง่าย แต่ข้อมูลจำนวนมากที่สุดมักตกไปสะสมอยู่ในชั้นความจุราคาถูกกว่า ข้อมูลจะไม่หายไปหลังจากโมเดลขนาดใหญ่จบการฝึกฝน (training) ยิ่งมีการรัน inference มากเท่าไร ล็อกข้อมูล ข้อมูลการติดตาม และผลตอบรับก็ยิ่งถูกสร้างขึ้นมากขึ้นเท่านั้น เมื่อองค์กรนำ RAG มาใช้ เอกสารต้นฉบับ สแนปช็อตสิทธิ์การเข้าถึง ข้อมูลสำรองของอินเด็กซ์ และเวอร์ชันประวัติศาสตร์ก็ยังต้องถูกจัดเก็บด้วย โอกาสของ HDD มาจากสินทรัพย์ข้อมูลระยะยาวที่สะสมเหล่านี้ ไม่ใช่จากทุกคำขอ inference ที่อ่านข้อมูลจากฮาร์ดไดรฟ์โดยตรง

สรุป: เหตุผลสำคัญที่การระเบิดของข้อมูล AI ส่งผลดีต่อ HDD ไม่ใช่เพราะ HDD สามารถแทนที่ SSD ในงานที่ต้องการ latency ต่ำ แต่เป็นเพราะ AI สร้างข้อมูลประเภท warm และ cold ขึ้นอย่างต่อเนื่อง ซึ่งต้องจัดเก็บในระยะยาว เข้าถึงไม่บ่อยนัก และต้องเก็บในปริมาณมหาศาล SSD เหมาะกว่าสำหรับข้อมูล hot และงานที่ไวต่อประสิทธิภาพ ในขณะที่ nearline HDD เหมาะกว่าสำหรับ object storage, data lake, การสำรองข้อมูล, log และการเก็บรักษาข้อมูลเพื่อการปฏิบัติตามข้อกำหนด ในขณะที่ปริมาณข้อมูลขององค์กรและคลาวด์ยังคงขยายตัวต่อไป HDD ยังคงมีคุณค่าเนื่องจากราคาต่อ TB ที่คุ้มค่า ห่วงโซ่อุปทานที่เป็นผู้ใหญ่ และแผนการพัฒนาความจุขนาดใหญ่

Nearline HDD คืออะไร และทำไมจึงเป็นแกนหลักของการจัดเก็บข้อมูลคลาวด์?

HDD เกือบออนไลน์ (Nearline HDD) คือฮาร์ดดิสก์ความจุสูงที่วางตำแหน่งอยู่ระหว่างการเข้าถึงออนไลน์ความถี่สูงและคลังเก็บข้อมูลแบบออฟไลน์ โดยส่วนใหญ่ใช้ในศูนย์ข้อมูลคลาวด์, ออบเจ็กต์สตอเรจ, การสำรองข้อมูล, เดต้าเลก และสถานการณ์การเข้าถึงความถี่ต่ำ มันไม่ใช่ HDD สำหรับผู้บริโภค และก็ไม่ใช่ SSD สมรรถนะสูง แต่เป็นอุปกรณ์ที่เน้นความจุซึ่งออกแบบมาสำหรับระบบจัดเก็บข้อมูลขนาดใหญ่ระดับไฮเปอร์สเกล ผู้ให้บริการคลาวด์ใช้ HDD เกือบออนไลน์เนื่องจากต้นทุนต่อเทระไบต์ ความหนาแน่นของความจุ การจัดหาที่เสถียร และต้นทุนการดำเนินงานที่คาดการณ์ได้ เหมาะสมกว่าสำหรับการเก็บรักษาข้อมูลขนาดใหญ่

“Nearline” สามารถเข้าใจได้ว่าเป็น “ใกล้เคียงกับออนไลน์” ข้อมูลยังคงสามารถเข้าถึงได้จากระบบ แต่จะไม่รองรับคำขอที่มีความถี่สูงสุดหรือความหน่วงต่ำสุด เมื่อเทียบกับเทปแบบออฟไลน์ทั้งหมด ฮาร์ดดิสก์ Nearline เข้าถึงได้ง่ายกว่า เมื่อเทียบกับ SSD ระดับองค์กร ประสิทธิภาพต่ำกว่าแต่ต้นทุนต่อหน่วยความจุถูกกว่า สำหรับผู้ให้บริการคลาวด์ ชุดข้อมูลจำนวนมากไม่จำเป็นต้องอ่านหรือเขียนทุกวินาที แต่ต้องสามารถค้นหา กู้คืน และคิดค่าบริการได้ตลอดเวลา นั่นคือจุดที่ฮาร์ดดิสก์ Nearline เข้ามามีบทบาท

เทคโนโลยีฮาร์ดดิสก์แบบ Nearline ยังคงพัฒนาต่อไป CMR จัดการการเขียนข้อมูลได้ง่ายกว่าและเหมาะกับปริมาณงานขององค์กรทั่วไป SMR และ UltraSMR เพิ่มความจุผ่านความหนาแน่นเชิงพื้นที่ที่สูงขึ้น และเหมาะกับการเขียนข้อมูลแบบต่อเนื่องและ object storage ภายใต้การควบคุมของผู้ให้บริการคลาวด์มากกว่า HAMR ใช้เทคนิคการบันทึกแม่เหล็กด้วยความร้อนเพื่อเพิ่มความหนาแน่นเชิงพื้นที่ และถือเป็นเส้นทางสำคัญสำหรับฮาร์ดดิสก์ที่มากกว่า 30TB Seagate เปิดตัวฮาร์ดดิสก์ HAMR ความจุ 36TB บนแพลตฟอร์ม Mozaic 3+ ของบริษัท ขณะที่ Western Digital เปิดตัวฮาร์ดดิสก์ UltraSMR 32TB และ CMR 26TB สำหรับลูกค้า hyperscale, ระบบคลาวด์ และศูนย์ข้อมูลระดับองค์กร

สรุป: คุณค่าของฮาร์ดดิสก์ใกล้ไลน์ (nearline HDD) ไม่ได้อยู่ที่ประสิทธิภาพสูงสุด แต่อยู่ที่ความจุขนาดใหญ่ ต้นทุนต่ำ และเข้าถึงได้ออนไลน์ ทั้งที่เก็บข้อมูลคลาวด์ ที่เก็บข้อมูลแบบออบเจ็กต์ ทะเลสาบข้อมูล AI และการสำรองข้อมูลระยะยาว ล้วนต้องการเลเยอร์นี้ การพัฒนาของ SSD ไม่ได้ทำให้ฮาร์ดดิสก์ไร้ความสำคัญ แต่กลับทำให้ฮาร์ดดิสก์กระจุกตัวอยู่ในเลเยอร์ความจุมากขึ้นเท่านั้น ตราบใดที่แอปพลิเคชัน AI และคลาวด์ยังคงสร้างข้อมูลการเข้าถึงความถี่ต่ำจำนวนมหาศาล ฮาร์ดดิสก์ใกล้ไลน์จะยังคงเป็นสื่อจัดเก็บข้อมูลที่สำคัญในศูนย์ข้อมูลคลาวด์ต่อไป

ความต้องการจัดเก็บข้อมูลคลาวด์ด้าน AI ไหลเข้าสู่การจัดส่งและราคาของฮาร์ดดิสก์ใกล้ไลน์อย่างไร?

ความต้องการ HDD แบบ nearline จากฝั่ง AI ไม่ได้มาจากชุดข้อมูลสำหรับการฝึกฝนเพียงอย่างเดียว แต่มาจากห่วงโซ่ทั้งหมดของ "การสร้างข้อมูล การประมวลผล การสะสม การสำรองข้อมูล และการนำกลับมาใช้ใหม่" ยิ่งมีปริมาณงานการฝึกฝนและการอนุมาน (inference) มากเท่าไร ข้อมูลดิบ ไฟล์ log เวอร์ชันของโมเดล ข้อมูลสำหรับเก็บรักษาตามข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ และข้อมูลสำรอง ก็ยิ่งถูกสร้างขึ้นมากขึ้นเท่านั้น เมื่อชุดข้อมูลเหล่านี้ไหลเข้าสู่ cloud object storage และ cold storage ผู้ให้บริการคลาวด์จึงต้องการ HDD ความจุสูงมากขึ้น ซึ่งอาจส่งผลต่อปริมาณการจัดส่ง HDD แบบ nearline ราคาเฉลี่ยต่อหน่วย (ASP) และการมองเห็นคำสั่งซื้อในระยะยาว

เส้นทางการส่งผ่านสามารถเข้าใจได้ดังนี้:

การเติบโตของแอปพลิเคชัน AI → ข้อมูลการฝึกอบรม การอนุมาน (inference) บันทึก log และข้อมูลการประเมินผลเพิ่มขึ้น → ข้อมูลถูกแยกออกเป็นระดับ hot และ cold → ข้อมูล hot เข้าสู่ SSD, cache หรือหน่วยความจำ → ข้อมูล warm และ cold เข้าสู่ object storage และ data lake → ผู้ให้บริการคลาวด์ซื้อความจุ HDD แบบ nearline เพิ่มขึ้น → การจัดส่ง ราคา และอัตรากำไรของ HDD ความจุสูงดีขึ้น

TrendForce ระบุในปี 2025 ว่าความต้องการการประมวลผล AI (AI inference) ที่เพิ่มขึ้นทำให้เกิดการขาดแคลน nearline HDD อย่างรุนแรง ส่งผลให้ความต้องการบางส่วนหันไปสู่ QLC SSD ความจุสูง ประเด็นนี้สำคัญ: HDD และ SSD ไม่ได้อยู่ในความสัมพันธ์แบบทดแทนกันทางเดียวอย่างง่าย ทั้งสองปรับตัวขึ้นอยู่กับข้อจำกัดด้านอุปทาน ความถี่ในการเข้าถึงข้อมูล และการเปลี่ยนแปลงของต้นทุน เมื่ออุปทาน HDD ตึงตัว ข้อมูลอุ่น (warm data) บางส่วนอาจถูกย้ายขึ้นไปสู่ QLC SSD แต่ตราบใดที่ช่องว่างด้านต้นทุนต่อเทระไบต์ยังคงอยู่ ข้อมูลเย็น (cold data) และการจัดเก็บออบเจ็กต์ขนาดใหญ่ก็จะยังคงเอนเอียงไปทาง HDD

การจัดชั้น (tiering) ของที่เก็บข้อมูลบนคลาวด์ยิ่งเสริมดีมานด์นี้ให้แรงขึ้นไปอีก AWS, Azure และ Google Cloud ต่างแบ่ง object storage ออกเป็นระดับการเข้าถึงที่แตกต่างกัน โดยมีวัตถุประสงค์เพื่อให้ลูกค้าเลือกที่เก็บข้อมูลตามความถี่ในการเข้าถึงและต้นทุน เมื่อบริษัท AI แพลตฟอร์มอินเทอร์เน็ต สถาบันการเงิน และลูกค้าองค์กรใช้บริการเหล่านี้ ดีมานด์ฮาร์ดแวร์เบื้องหลังจะไหลผ่านการจัดซื้อของผู้ให้บริการคลาวด์เข้าสู่ HDD, SSD ระบบเครือข่าย และระบบจัดเก็บข้อมูล

สำหรับนักลงทุน การส่งผ่านทางการเงินสำหรับ HDD แบบ nearline ขึ้นอยู่กับตัวแปรสามตัวหลักเป็นสำคัญ: กำลังการผลิตในการจัดส่ง, ASP และอัตรากำไรขั้นต้น หากความต้องการด้าน AI และการจัดเก็บข้อมูลบนคลาวด์แข็งแกร่งในขณะที่อุปทาน HDD มีจำกัด ผู้ผลิตอาจมีอำนาจตั้งราคาที่แข็งแกร่งขึ้น หากลูกค้าคลาวด์ลงนามในข้อตกลงจัดหาระยะยาว การมองเห็นรายได้ก็จะดีขึ้น หากผลิตภัณฑ์ความจุสูงมีสัดส่วนในการจัดส่งที่มากขึ้น ความจุเฉลี่ยของไดรฟ์และโครงสร้างอัตรากำไรก็อาจดีขึ้นเช่นกัน

สรุป: AI ไม่ได้สนับสนุนความต้องการ HDD เพราะการอนุมาน (inference) ของทุกโมเดลอ่านข้อมูลโดยตรงจาก HDD แต่สนับสนุนความต้องการ HDD เพราะการอนุมาน การฝึกฝน (training) การบันทึก log และการกำกับดูแลข้อมูล สร้างข้อมูลการเข้าถึงความถี่ต่ำจำนวนมหาศาลอย่างต่อเนื่อง เมื่อชุดข้อมูลเหล่านี้เข้าสู่ระบบจัดเก็บวัตถุบนคลาวด์ (cloud object storage) ดาต้าเลค ระบบสำรองข้อมูล และคลังเก็บถาวร ก็จะสร้างความต้องการความจุในระยะยาว การส่งมอบ HDD แบบเนียร์ไลน์ (nearline) และการปรับปรุงราคาเกิดขึ้นจากฐานข้อมูลสินทรัพย์ที่สะสมมา ไม่ใช่จากการเก็งกำไรตามแนวคิดระยะสั้น

HDD, SSD และเทปแบ่งบทบาทกันอย่างไรในการจัดเก็บข้อมูล AI บนคลาวด์?

HDD, SSD และเทปไม่ใช่สิ่งทดแทนกันได้อย่างสมบูรณ์ในระบบจัดเก็บข้อมูลคลาวด์สำหรับ AI โดยแต่ละประเภทจะแบ่งบทบาทกันตามความถี่ในการเข้าถึงข้อมูล ความต้องการด้าน latency ระยะเวลาในการเก็บรักษา และโครงสร้างต้นทุน SSD เหมาะกับข้อมูลร้อน การทำ inference ที่ต้องการ latency ต่ำ ดัชนีเวกเตอร์ และแคชความเร็วสูง Nearline HDD เหมาะกับข้อมูลอุ่นและข้อมูลเย็นขนาดใหญ่สำหรับใช้งานออนไลน์ ส่วนเทปเหมาะกับการเข้าถึงที่ความถี่ต่ำมาก การเก็บถาวรเพื่อการปฏิบัติตามข้อกำหนดระยะยาว และการสำรองข้อมูลแบบออฟไลน์ สถาปัตยกรรมการจัดเก็บข้อมูลคลาวด์จริงมักเป็นแบบหลายระดับ ไม่ได้อาศัยสื่อบันทึกเพียงชนิดเดียว

คุณสามารถตัดสินใจเลือกชั้นการจัดเก็บข้อมูลที่เหมาะสมได้โดยใช้ "ความถี่ในการเข้าถึง + เวลาในการดึงข้อมูล + ต้นทุนต่อเทระไบต์" ยิ่งข้อมูลถูกเข้าถึงบ่อยและต้องการความหน่วงต่ำมากเท่าไร ก็ยิ่งควรอยู่ใกล้กับ SSD และหน่วยความจำมากขึ้นเท่านั้น ยิ่งถูกเข้าถึงน้อยและต้องเก็บรักษาไว้นานเท่าไร ก็ยิ่งเคลื่อนไปสู่ HDD, cold storage และเทปมากขึ้นเท่านั้น องค์กร LTO ได้เน้นย้ำมาอย่างยาวนานถึงคุณค่าในการเก็บรักษาระยะยาวและ TCO ของ เทป LTO สำหรับข้อมูลที่เข้าถึงด้วยความถี่ต่ำมาก ซึ่งอธิบายว่าเหตุใดเทปจึงยังไม่หายไปจากตลาดการเก็บถาวรระดับองค์กร

สถานการณ์ใดที่ SSD เข้ามาแทนที่ได้ยากที่สุด? ส่วนใหญ่คือ object storage ขนาดระดับ PB/EB, ทะเลสาบข้อมูลสำหรับการฝึกฝนระยะยาว, การเก็บรักษาโมเดลหลายเวอร์ชัน, log การตรวจสอบความปลอดภัย, การสำรองข้อมูลเพื่อการปฏิบัติตามข้อกำหนด และข้อมูลที่เข้าถึงไม่บ่อยซึ่งยังคงต้องพร้อมใช้งานออนไลน์ สำหรับชุดข้อมูลเหล่านี้ คำถามหลักไม่ใช่ “จะทำให้การเข้าถึงเร็วขึ้นได้หรือไม่?” แต่เป็น “จะสามารถเก็บข้อมูลได้มากขึ้นเป็นเวลานานขึ้นด้วยต้นทุนที่ต่ำลงได้หรือไม่?”

สถานการณ์ใดที่อาจทำให้ SSD กดดัน HDD ได้? หลัก ๆ คือฐานข้อมูลเวกเตอร์ RAG ความถี่สูง, แคชสำหรับการอนุมานที่ต้องการ latency ต่ำ, การประมวลผลข้อมูลล่วงหน้าที่มีอัตราการเขียนสูง, ศูนย์ข้อมูลที่มีข้อจำกัดด้านพื้นที่ติดตั้งในแร็คหรือพลังงานอย่างรุนแรง และกรณีที่การขาดแคลน HDD บังคับให้ลูกค้าต้องมองหาทางเลือกอื่น TrendForce ยังได้กล่าวถึงโอกาสของ SSD nearline ความจุสูง ในช่วงที่อุปทาน HDD มีช่องว่างด้วย แต่นี่ไม่ได้หมายความว่าความต้องการ HDD จะหายไป หากแต่สะท้อนให้เห็นว่าการจัดเก็บข้อมูลสำหรับ AI กำลังก้าวเข้าสู่สถาปัตยกรรมแบบผสมที่ซับซ้อนมากขึ้น

สรุป: คำถามหลักในการจัดเก็บข้อมูลคลาวด์สำหรับ AI ไม่ใช่ว่า HDD, SSD หรือเทปจะเข้ามาแทนที่กันและกันอย่างสมบูรณ์หรือไม่ แต่คำถามที่แท้จริงคือข้อมูลประเภทใดควรอยู่ในเลเยอร์ใด ข้อมูลฮอต (Hot data) ต้องการความหน่วงต่ำจึงเหมาะกับ SSD ข้อมูลอุ่นและข้อมูลเย็นต้องการความจุออนไลน์ต้นทุนต่ำจึงเหมาะกับ HDD แบบเนียร์ไลน์ (nearline) ข้อมูลที่เก็บรักษาระยะยาวซึ่งเข้าถึงนานครั้งมากสามารถย้ายไปยังเทปหรือคลังเก็บเชิงลึก (deep archive) ได้ ตรรกะการลงทุนใน HDD จะได้ผลหากการเติบโตของข้อมูล AI ยังคงตกหล่นลงสู่เลเยอร์ความจุต่อไป แทนที่จะคงอยู่เฉพาะในเลเยอร์การจัดเก็บประสิทธิภาพสูง

หุ้น HDD และคลาวด์สตอเรจตัวใดได้ประโยชน์โดยตรงมากกว่ากัน?

หุ้นที่ได้รับประโยชน์โดยตรงมากที่สุดจากดีมานด์ HDD แบบ cold data และ nearline ที่เกิดจาก AI ได้แก่ Seagate และ Western Digital เป็นหลัก เนื่องจากทั้งสองบริษัทจัดส่ง HDD ความจุสูงให้กับผู้ให้บริการคลาวด์ ศูนย์ข้อมูล hyperscale และตลาดที่เก็บข้อมูลระดับองค์กรโดยตรง ส่วนผู้ที่ได้รับประโยชน์ทางอ้อม ได้แก่ บริษัทระบบจัดเก็บข้อมูล เซิร์ฟเวอร์ บริการคลาวด์ และบริษัทคอมโพเนนต์บางแห่ง แต่การสัมผัสกับธุรกิจ HDD ของพวกเขามักถูกเจือจางด้วยธุรกิจอื่น ๆ จึงไม่ควรจัดหมวดหมู่พวกเขาอย่างง่าย ๆ ว่าเป็นหุ้นกลุ่ม “AI storage concept”

ปัจจัยหลักของ Seagate คือฮาร์ดดิสก์ (HDD) ความจุสูง แผนที่นำทาง HAMR ความสามารถในการจัดส่งใกล้ไลน์ (nearline) และสัญญาจัดหาระยะยาว ผลประกอบการไตรมาสที่สองของปีการเงิน 2026 แสดงให้เห็นว่า Seagate มีรายได้ 2.83 พันล้านดอลลาร์สหรัฐ โดยมีอัตรากำไรขั้นต้นตามมาตรฐาน GAAP ที่ 41.6% และอัตรากำไรขั้นต้นที่ไม่ใช่ GAAP ที่ 42.2% ซึ่งบ่งชี้ว่าความต้องการบันทึกข้อมูลความจุสูงสำหรับศูนย์ข้อมูลได้สะท้อนอยู่ในผลประกอบการทางการเงินแล้ว โดย Mozaic 3+ และแผนที่นำทาง HAMR ของบริษัทถือเป็นกุญแจสำคัญต่อการเพิ่มความจุต่อไดรฟ์อย่างต่อเนื่อง

ตรรกะของ Western Digital ชัดเจนขึ้นหลังจากการแยกตัวของ Sandisk Sandisk ได้ดำเนินการแยกตัวจาก Western Digital เสร็จสิ้นแล้ว และปัจจุบันซื้อขายใน Nasdaq ภายใต้ชื่อ SNDK ในขณะที่ Western Digital มุ่งเน้นไปที่ HDD มากขึ้น ผลประกอบการไตรมาสที่สามของปีการเงิน 2026 ของ WD แสดงให้เห็นว่า Western Digital มีรายได้ 3,337 ล้านดอลลาร์สหรัฐ เพิ่มขึ้น 45% เมื่อเทียบกับปีก่อนหน้า โดยมีอัตรากำไรขั้นต้นตามมาตรฐาน GAAP อยู่ที่ 50.2% สำหรับนักลงทุนแล้ว WDC หลังการแยกตัวมีความใกล้เคียงกับการลงทุนในธุรกิจ HDD ล้วน ๆ มากขึ้น แต่ก็สัมผัสกับวงจรตลาด HDD และช่วงเวลาการจัดซื้อของลูกค้าคลาวด์โดยตรงมากขึ้นด้วยเช่นกัน

หากคุณติดตามหุ้นกลุ่มโซ่อุปทานพื้นที่จัดเก็บข้อมูลที่จดทะเบียนในสหรัฐฯ เช่น Seagate, Western Digital, Sandisk, Micron และ NetApp คุณสามารถเริ่มต้นด้วยการใช้ค้นหาข้อมูลหุ้นสหรัฐฯ เพื่อสร้างรายการเฝ้าติดตาม จากนั้นจึงกลับไปตรวจสอบรายงานของบริษัทเพื่อดูโครงสร้างรายได้ อัตรากำไรขั้นต้น ข้อตกลงกับลูกค้า และการเปลี่ยนแปลงของสินค้าคงคลัง ภายใต้ข้อจำกัดด้านสถานที่ตั้ง การยืนยันตัวตน และกฎระเบียบที่ใช้บังคับกับคุณ Biya รองรับการซื้อขายหุ้นสหรัฐฯ หุ้นฮ่องกง และสินทรัพย์ดิจิทัล ทำให้สังเกตการณ์กลุ่ม HDD, SSD, NAND และระบบจัดเก็บข้อมูลระดับองค์กรได้ง่ายขึ้นภายในกรอบโซ่อุปทานเดียวกัน

เมื่อทำการซื้อขายหุ้นกลุ่มโกดังเก็บสินค้ายอดนิยม ต้นทุนการซื้อขายจริงก็เป็นอีกปัจจัยสำคัญที่ต้องคำนึงถึง ค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ มักไม่ได้รวมเพียงค่าคอมมิชชั่นเท่านั้น แต่อาจรวมถึงค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก และค่าธรรมเนียมกิจกรรมการซื้อขายด้วย Biya ไม่เก็บค่าคอมมิชชั่นหุ้นสหรัฐฯ ส่วนค่าธรรมเนียมแพลตฟอร์ม ค่าธรรมเนียมตัวแทนภายนอก และค่าใช้จ่ายอื่น ๆ ขึ้นอยู่กับค่าธรรมเนียมการซื้อขายหุ้นสหรัฐฯ และหน้าคำสั่งซื้อขาย ข้อมูลตลาดสาธารณะ โครงสร้างค่าธรรมเนียม และข้อมูลอุตสาหกรรมสามารถช่วยให้คุณเข้าใจสภาพการซื้อขายได้ แต่ไม่ถือเป็นคำแนะนำการลงทุน

สรุป: ความต้องการ HDD สำหรับข้อมูลเย็น (cold data) และเชิงเส้นใกล้ (nearline) จาก AI ส่งผลดีโดยตรงที่สุดต่อ Seagate และ Western Digital แต่ "การสัมผัสโดยตรง" ไม่ได้แปลว่า "ความเสี่ยงต่ำ" ปัจจัยสำคัญของ Seagate คือ HAMR, HDD ความจุสูง และความต้องการจากลูกค้าคลาวด์ Western Digital มีเรื่องราวด้าน HDD ที่ชัดเจนยิ่งขึ้นหลังจากแยกธุรกิจ Flash ออกไป Sandisk, Micron, Kioxia, NetApp, Dell และ HPE ก็อาจได้รับประโยชน์เช่นกัน แต่การสัมผัสของพวกเขามีความโดยตรงน้อยกว่า เมื่อคัดกรองหุ้น คุณควรพิจารณาความบริสุทธิ์ของธุรกิจ มูลค่าหุ้น ความเข้มข้นของลูกค้า แผนที่นำทางผลิตภัณฑ์ และวงจรราคาอย่างรอบด้าน

นักลงทุนควรติดตามตัวชี้วัดและความเสี่ยงใดบ้าง?

ในการประเมินว่าวงจร HDD จะดำเนินต่อไปได้หรือไม่ คุณไม่ควรมองเพียงเรื่องราวการระเบิดของข้อมูล AI เท่านั้น คุณต้องติดตามกำลังการจัดส่ง HDD แบบ nearline ความจุเฉลี่ยต่อไดรฟ์ ASP คำสั่งซื้อจากลูกค้า อัตรากำไรขั้นต้น สินค้าคงคลัง ค่าใช้จ่ายด้านทุน และแรงกดดันจากการทดแทนด้วย SSD หากกำลังการจัดส่งและราคาปรับตัวดีขึ้นพร้อมกัน ในขณะที่ข้อตกลงระยะยาวกับลูกค้าช่วยเพิ่มความชัดเจนของรายได้ ตรรกะนี้ก็จะแข็งแกร่งขึ้น หากการขึ้นราคาส่วนใหญ่เกิดจากภาวะขาดแคลนในระยะสั้น ในขณะที่ความต้องการเริ่มชะลอตัว ความเสี่ยงจากการกลับตัวของวงจรจะเพิ่มขึ้น

ตัวชี้วัดสำคัญ ได้แก่:

• ปริมาณการจัดส่ง HDD ใกล้ออนไลน์ (Nearline) ในหน่วยเอกซาไบต์
• รายได้จากความจุขนาดใหญ่ (Mass capacity)
• ความจุเฉลี่ยต่อไดรฟ์และสัดส่วนของผลิตภัณฑ์ที่มีความจุ 30TB ขึ้นไป
• ข้อตกลงการจัดหาและความครอบคลุมของคำสั่งซื้อระยะยาวกับลูกค้าคลาวด์
• ASP ของ HDD, อัตรากำไรขั้นต้น และกระแสเงินสดอิสระ
• สินค้าคงคลังของลูกค้าและช่วงเวลาการลงทุนด้านทุนของคลาวด์
• ความคืบหน้าของ HAMR, ePMR, SMR และแผนงานด้านความจุอื่น ๆ
• แรงกดดันจากการทดแทนด้วย SSD แบบ QLC สำหรับข้อมูลอุ่นและข้อมูลเย็นบางส่วน

ความเสี่ยงหลักแบ่งออกเป็นสี่ประเภท ประการแรก CAPEX ด้าน AI ของคลาวด์อาจชะลอตัว ทำให้การขยายตัวด้านพื้นที่จัดเก็บข้อมูลไม่เป็นไปตามคาด ประการที่สอง เมื่ออุปทาน HDD แบบ nearline ฟื้นตัว ราคาและอัตรากำไรขั้นต้นอาจลดลง ประการที่สาม ต้นทุน SSD แบบ QLC ที่ลดลงอาจทำให้ข้อมูลอุ่น (warm data) บางส่วนย้ายจาก HDD ไปยัง SSD ประการที่สี่ ความเข้มข้นของลูกค้าสูง และช่วงเวลาการจัดซื้อจากลูกค้ารายใหญ่จำนวนไม่มากสามารถขยายความผันผวนของรายได้ นอกจากนี้ HDD ความจุสูงยังเกี่ยวข้องกับความเสี่ยงด้านอัตราผลผลิต ความน่าเชื่อถือ ต้นทุนการรับประกัน และการผลิตเทคโนโลยีใหม่

การประเมินมูลค่า (Valuation) ก็ต้องถูกพิจารณาด้วยเช่นกัน หากหุ้น HDD สะท้อนภาวะอุปทานตึงตัวและกำไรที่เพิ่มขึ้นไปจนหมดแล้ว รายงานผลประกอบการในอนาคตจะต้องพิสูจน์การพัฒนาไปพร้อมกันของยอดจัดส่ง ราคาขายเฉลี่ย (ASP) และอัตรากำไรขั้นต้นอย่างต่อเนื่อง ในทางกลับกัน หากดีมานด์ของอุตสาหกรรมยังคงแข็งแกร่งแต่ตลาดปรับลดคาดการณ์ลงเนื่องจากความผันผวนในระยะสั้น โอกาสในการปรับราคาใหม่ (repricing) อาจปรากฏขึ้น ประเด็นสำคัญไม่ใช่การทำนายราคาหุ้นเพียงหนึ่งไตรมาส แต่คือการสร้างกรอบการวิเคราะห์ที่ครอบคลุมดีมานด์ อุปทาน การตั้งราคา งบการเงิน และการประเมินมูลค่า

สรุป: ตรรกะการลงทุนใน HDD จะยังคงอยู่หรือไม่ขึ้นอยู่กับว่าการเติบโตของข้อมูล AI จะยังคงไหลเข้าสู่ชั้นการจัดเก็บแบบอุ่น (warm) และเย็น (cold) ต่อไปหรือไม่ และอุปทาน HDD แบบ nearline จะยังคงมีวินัยหรือไม่ สัญญาณเชิงบวก ได้แก่ การเติบโตของปริมาณการจัดส่งในหน่วยเอ็กซาไบต์ สัดส่วนของผลิตภัณฑ์ความจุสูงที่เพิ่มขึ้น ราคาขายเฉลี่ย (ASP) ที่มีเสถียรภาพ อัตรากำไรขั้นต้นที่ดีขึ้น และข้อตกลงกับลูกค้าระยะยาวที่มากขึ้น ส่วนสัญญาณความเสี่ยง ได้แก่ การขยายตัวเกินควร การลงทุน CAPEX ของคลาวด์ที่ชะลอตัว สินค้าคงคลังที่เพิ่มขึ้น การทดแทนโดย SSD แบบ QLC ที่รุนแรงขึ้น และการประเมินมูลค่าที่ประกอบไปด้วยผลประโยชน์ที่คาดหวังมากเกินไปอยู่แล้ว สำหรับนักลงทุนรายย่อย การติดตามตัวชี้วัดเหล่านี้อย่างเป็นระบบมีประโยชน์มากกว่าการวิ่งตามกระแสความนิยม

หากคุณติดตามศูนย์ข้อมูล AI คลาวด์สตอเรจ และห่วงโซ่อุปทาน HDD คุณไม่ควรมองเฉพาะ GPU, HBM และ SSD เท่านั้น ข้อมูลเย็น (Cold data), HDD แบบ nearline, คลาวด์ออบเจ็กต์สตอเรจ และฮาร์ดดิสก์ความจุสูง ควรเป็นส่วนหนึ่งของกรอบการวิเคราะห์ด้วยเช่นกัน Biya เป็นกระเป๋าเงินสำหรับเทรดสินทรัพย์หลายประเภทระดับโลก ที่รองรับการซื้อขายหุ้นสหรัฐฯ หุ้นฮ่องกง และสินทรัพย์ดิจิทัล นอกจากนี้ยังครอบคลุมมากกว่า 190 ประเทศและภูมิภาค และรองรับการชำระเงินในสกุลเงินท้องถิ่นมากกว่า 40 สกุล ความพร้อมใช้งานของบริการขึ้นอยู่กับที่ตั้งของคุณ ผลการตรวจสอบตัวตน กฎของแพลตฟอร์ม รวมถึงกฎหมายและข้อบังคับที่เกี่ยวข้อง ก่อนใช้งาน แอป Biya โปรดตรวจสอบค่าธรรมเนียมการซื้อขาย ประเภทคำสั่งซื้อ กฎของบัญชี และระดับความเสี่ยงที่คุณยอมรับได้ ข้อมูลเย็นของ AI เป็นแนวโน้มระยะยาว แต่หุ้นกลุ่ม HDD ยังคงมีความผันผวนตามวัฏจักรสูงการตัดสินใจซื้อขายใด ๆ ควรอ้างอิงจากการเปิดเผยข้อมูลต่อสาธารณะ รายละเอียดการเรียกเก็บเงิน และข้อกำหนดด้านกฎระเบียบในท้องถิ่น

คำถามที่พบบ่อย

ทำไมข้อมูลเย็นของ AI จึงเพิ่มความต้องการ HDD?

ข้อมูลเย็นของ AI เพิ่มความต้องการ HDD เนื่องจากข้อมูลฝึกฝน (training data) บันทึกการอนุมาน (inference logs) เวอร์ชันของโมเดล บันทึกการตรวจสอบ และข้อมูลสำรอง มักไม่จำเป็นต้องเข้าถึงความถี่สูง แต่ต้องจัดเก็บในต้นทุนต่ำเป็นระยะเวลานาน HDD แบบ Nearline มีข้อได้เปรียบในด้านต้นทุนต่อความจุและการเข้าถึงแบบออนไลน์ จึงเหมาะสำหรับข้อมูลประเภทนี้

HDD แบบ Nearline ต่างจาก HDD ทั่วไปอย่างไร?

HDD แบบ Nearline ได้รับการออกแบบมาสำหรับศูนย์ข้อมูลคลาวด์และการจัดเก็บข้อมูลระดับองค์กร โดยเน้นความจุสูง การทำงานที่เสถียร การติดตั้งในขนาดใหญ่ และ TCO ที่ต่ำ ส่วน HDD ทั่วไปมักใช้ในคอมพิวเตอร์ส่วนบุคคล สภาพแวดล้อม NAS ขนาดเล็ก หรือสถานการณ์สำหรับผู้บริโภค โดยทั้งสองแตกต่างกันในด้านความน่าเชื่อถือ ลักษณะภาระงาน (workload profile) และข้อกำหนดในการดำเนินงาน

ฮาร์ดดิสก์ (HDD) จะถูกแทนที่ด้วย Enterprise SSD อย่างสมบูรณ์หรือไม่?

ในช่วงเวลาอันใกล้นี้ HDD มีแนวโน้มที่จะไม่ถูกแทนที่อย่างสมบูรณ์ด้วย enterprise SSD SSD เหมาะสำหรับข้อมูลร้อนและสถานการณ์ที่ต้องการความหน่วงต่ำ ในขณะที่ HDD เหมาะสำหรับข้อมูลอุ่นและข้อมูลเย็นในระดับ PB/EB ความต้องการบางส่วนอาจย้ายไปใช้ SSD เมื่ออุปทาน HDD ตึงตัว ต้นทุน SSD ลดลง หรือความถี่ในการเข้าถึงข้อมูลเพิ่มขึ้นเท่านั้น

ทำไมศูนย์ข้อมูล AI จึงต้องใช้ Nearline HDD?

ศูนย์ข้อมูล AI ต้องใช้ nearline HDD เนื่องจากการฝึกโมเดล การอนุมาน การบันทึก log และฐานความรู้ขององค์กร สร้างข้อมูลปริมาณมหาศาลที่ต้องจัดเก็บไว้แต่ไม่ได้ถูกเข้าถึงบ่อยครั้งอย่างต่อเนื่อง Nearline HDD สามารถรองรับ object storage, การสำรองข้อมูล, data lake และการเก็บรักษาข้อมูลระยะยาว พร้อมทั้งลดต้นทุนการจัดเก็บข้อมูลโดยรวม

บริษัทใดได้ประโยชน์มากกว่าจากความต้องการ HDD สำหรับ AI ระหว่าง Seagate และ Western Digital?

ทั้ง Seagate และ Western Digital ต่างเป็นผู้รับประโยชน์โดยตรงจากความต้องการ HDD ที่ขับเคลื่อนด้วย AI แต่เส้นทางการรับประโยชน์ของทั้งสองแตกต่างกัน Seagate เน้นแผนงานด้าน HAMR และความจุสูง ขณะที่ Western Digital มีธุรกิจ HDD ที่ชัดเจนยิ่งขึ้นหลังจากแยก Sandisk ออกไป อย่างไรก็ตาม การตัดสินใจขั้นสุดท้ายยังคงขึ้นอยู่กับคำสั่งซื้อของลูกค้า อัตรากำไรขั้นต้น มูลค่าหุ้น และความคืบหน้าของการผลิต

นักลงทุนรายย่อยจะติดตามความเสี่ยงของหุ้น HDD ได้อย่างไร?

นักลงทุนรายย่อยสามารถติดตามกำลังการส่งมอบ HDD แบบ nearline ราคาเฉลี่ยต่อหน่วย (ASP) อัตรากำไรขั้นต้น สัญญาระยะยาวกับลูกค้า สินค้าคงเหลือ และรายจ่ายลงทุนด้านทุนของผู้ให้บริการคลาวด์ หากการส่งมอบชะลอตัว สินค้าคงเหลือเพิ่มขึ้น การทดแทนด้วย SSD เข้มแข็งขึ้น หรือมูลค่าหุ้นมีราคาสะท้อนแนวโน้มขาขึ้นไว้มากเกินไปแล้ว ความเสี่ยงด้านความผันผวนของหุ้น HDD อาจเพิ่มสูงขึ้น