AI Storage Sector là gì? Hiểu về GPU, HBM và Ổ cứng Data Center

Ngành lưu trữ AI không chỉ đơn thuần là “chủ đề ổ cứng.” Đó là một chuỗi hạ tầng dữ liệu toàn diện, chịu trách nhiệm về thông lượng dữ liệu, bộ nhớ đệm, lưu trữ dài hạn và tối ưu hóa chi phí bên trong các trung tâm dữ liệu AI. Bạn có thể hình dung nó như tầng dữ liệu then chốt vượt ra ngoài GPU: HBM duy trì nguồn dữ liệu cho GPU, DRAM hỗ trợ điều phối máy chủ, SSD xử lý truy cập tốc độ cao, còn HDD cung cấp dung lượng lớn với chi phí thấp hơn. Đối với nhà đầu tư cá nhân, chìa khóa để hiểu lưu trữ AI không phải là ghi nhớ danh sách cổ phiếu, mà là nắm được logic cầu, chu kỳ giá và rủi ro định giá đằng sau từng tầng công nghệ.

Những điểm chính

• Ngành lưu trữ AI bao gồm HBM, DRAM, NAND, SSD, HDD và các hệ thống lưu trữ.
• GPU đảm nhiệm việc tính toán, trong khi HBM cung cấp dữ liệu băng thông cao cho các bộ tăng tốc AI.
• SSD tập trung vào độ trễ thấp và dữ liệu nóng, trong khi HDD tập trung vào dung lượng và lưu trữ dài hạn.
• Cổ phiếu lưu trữ hưởng lợi từ nhu cầu AI nhưng vẫn chịu tác động của chu kỳ DRAM, NAND và HDD.
• Để đánh giá cơ hội lưu trữ AI, hãy theo dõi vị thế công nghệ, đơn hàng của khách hàng, biên lợi nhuận và định giá.

Ngành Lưu Trữ AI Chính Xác Là Gì?

Lĩnh vực lưu trữ AI đề cập đến phần cứng và hệ thống lưu trữ được hưởng lợi từ huấn luyện AI, suy luận AI, hồ dữ liệu (data lake), tìm kiếm vectơ và mở rộng trung tâm dữ liệu đám mây. Nó không chỉ bao gồm ổ cứng truyền thống, cũng không chỉ bao gồm chip bộ nhớ. Thay vào đó, nó trải rộng từ HBM gần GPU đến DRAM máy chủ, SSD doanh nghiệp, HDD nearline, bộ điều khiển lưu trữ và phần mềm lưu trữ đám mây.

Lưu Trữ AI Không Phải Là Một Sản Phẩm Đơn Lẻ

Trong một trung tâm dữ liệu AI, dữ liệu di chuyển qua các tầng khác nhau về tốc độ và chi phí. Một tầng dữ liệu càng gần GPU thì càng nhấn mạnh vào băng thông và độ trễ thấp. Càng gần các trường hợp sử dụng lưu trữ và hồ dữ liệu thì càng nhấn mạnh vào dung lượng, độ tin cậy và chi phí trên mỗi đơn vị.

Sự phân biệt dễ bị hiểu nhầm nhất là bộ nhớ (memory) và lưu trữ (storage). Bộ nhớ thường dùng để chỉ dữ liệu được sử dụng chủ động trong quá trình tính toán, chẳng hạn như HBM và DRAM. Lưu trữ thường dùng để chỉ dữ liệu được lưu, đọc và quản lý theo thời gian, chẳng hạn như SSD và HDD. Tuy nhiên, trong các câu chuyện của thị trường vốn, bộ nhớ AI, lưu trữ AI và lưu trữ trung tâm dữ liệu AI thường được thảo luận trong cùng một khung tổng thể rộng hơn.

Vì Sao AI Làm Tái Khởi Sự Quan Tâm Của Thị Trường Đối Với Lưu Trữ

Khi các mô hình AI ngày càng lớn hơn, điểm nghẽn không còn chỉ là sức mạnh tính toán. Nó còn là việc di chuyển dữ liệu. GPU rất đắt đỏ. Nếu dữ liệu không được cung cấp đủ nhanh, GPU sẽ phải chờ và mức sử dụng tài nguyên tính toán giảm xuống. Các mô hình đa phương thức, tạo video, RAG, cơ sở tri thức doanh nghiệp và suy luận ngữ cảnh dài đều đặt ra yêu cầu cao hơn đối với việc đọc dữ liệu, bộ nhớ đệm và lưu trữ.

Khi giới thiệu Blackwell Ultra GPU, NVIDIA nhấn mạnh rằng một GPU duy nhất có thể được trang bị tới 288GB bộ nhớ HBM3E và cung cấp băng thông bộ nhớ 8TB/s. Điều này cho thấy hiệu suất của các bộ tăng tốc AI ngày càng phụ thuộc vào bộ nhớ băng thông cao, chứ không chỉ vào số lượng lõi tính toán.

Từ góc độ phân tích đầu tư, điểm mấu chốt không phải là "mọi công ty lưu trữ đều sẽ tăng giá". Các công ty khác nhau nằm ở các tầng khác nhau. Các công ty HBM gắn kết chặt chẽ hơn với chu kỳ nâng cấp GPU. Các công ty SSD doanh nghiệp chịu ảnh hưởng nhiều hơn từ việc suy luận và mở rộng trung tâm dữ liệu đám mây. Các công ty HDD có liên quan nhiều hơn đến việc lưu trữ dữ liệu dung lượng lớn và tối ưu hóa chi phí.

Tóm tắt: Lĩnh vực lưu trữ AI có thể được hiểu là lớp dữ liệu của hạ tầng AI. Nó bao gồm bộ nhớ HBM và DRAM, NAND, lưu trữ SSD và HDD, cũng như bộ điều khiển, máy chủ và hệ thống lưu trữ đám mây. Để đánh giá xem một công ty có thực sự hưởng lợi từ lưu trữ AI hay không, đừng chỉ đơn giản tìm từ “bộ nhớ” hoặc “lưu trữ” trong tên của công ty đó. Thay vào đó, hãy xác định xem nó giải quyết vấn đề về băng thông, độ trễ, dung lượng, điện năng hay tổng chi phí sở hữu. Các lớp càng gần GPU thường có rào cản kỹ thuật và độ co giãn giá cao hơn, trong khi các lớp tập trung vào dung lượng phụ thuộc nhiều hơn vào lợi thế chi phí và khả năng giao hàng quy mô lớn.

Từ GPU đến HBM: Tại sao tính toán AI cần bộ nhớ băng thông cao

GPU thực hiện tính toán song song quy mô lớn, trong khi HBM cung cấp dữ liệu với tốc độ cao ngay cạnh GPU. Huấn luyện và suy luận mô hình lớn không chỉ đơn thuần là "tính toán nhanh hơn". Các tham số, giá trị kích hoạt, dữ liệu bộ nhớ đệm và kết quả trung gian phải liên tục được đưa vào các đơn vị tính toán. Giá trị của HBM nằm ở băng thông cao hơn, khoảng cách truyền dữ liệu ngắn hơn và hiệu suất năng lượng tốt hơn. Đây là tầng lưu trữ AI gần nhất với khối tính toán.

GPU Tính Toán, HBM Cung Cấp Dữ Liệu

Bạn có thể hình dung một máy chủ AI như một nhà máy. GPU là dây chuyền sản xuất. HBM là kho hàng tốc độ cao được đặt ngay bên cạnh. Nếu nguyên vật liệu được giao quá chậm, thì ngay cả dây chuyền sản xuất hiện đại nhất cũng phải ngồi không. HBM xếp chồng các die DRAM, sử dụng giao diện rất rộng và dựa vào công nghệ đóng gói tiên tiến để đặt băng thông cao hơn gần GPU, giảm thiểu nút thắt cổ chai trong việc di chuyển dữ liệu.

HBM đã trở thành từ khóa cốt lõi trong lĩnh vực lưu trữ AI vì mỗi thế hệ nâng cấp của bộ tăng tốc AI thường đòi hỏi dung lượng HBM lớn hơn và băng thông bộ nhớ cao hơn. Tiêu chuẩn JESD270-4 HBM4 do JEDEC phát hành tập trung vào việc cải thiện băng thông, hiệu suất năng lượng và dung lượng xếp chồng, phù hợp chặt chẽ với nhu cầu của AI và điện toán hiệu năng cao.

Vì sao HBM trở thành chủ đề chính trong các cổ phiếu lưu trữ

HBM nhận được sự chú ý mạnh mẽ từ thị trường vì nó đồng thời kết nối chip AI, đóng gói tiên tiến, chip bộ nhớ và các đơn hàng lớn từ khách hàng. Samsung HBM4 mà Samsung công bố đã đi vào sản xuất hàng loạt, nhấn mạnh tốc độ truyền 11,7Gbps với tiềm năng đạt 13Gbps. SK hynix HBM4 mà SK hynix trưng bày hướng tới các nền tảng máy chủ trung tâm dữ liệu AI thế hệ tiếp theo và nhấn mạnh số lượng I/O, băng thông và hiệu suất năng lượng cao hơn.

Đối với các nhà đầu tư, điểm mấu chốt là HBM không đơn thuần chỉ là một câu chuyện định giá DRAM truyền thống. Nó gắn liền với NVIDIA, AMD, các chip AI ASIC tùy chỉnh, đóng gói tiên tiến và chi tiêu vốn của các hãng siêu lớn (hyperscaler). Sự hợp tác kỹ thuật lâu dài giữa NVIDIA và SK hynix cũng cho thấy bộ nhớ băng thông cao đã trở thành một thành phần nền tảng của hạ tầng nhà máy AI.

Những Giới Hạn Đằng Sau Câu Chuyện Tăng Trưởng Của HBM

HBM có những ưu thế rõ ràng, nhưng rủi ro của nó cũng rất đáng kể:

• Công nghệ đóng gói nâng cao và tỷ lệ sản phẩm đạt chuẩn có thể ảnh hưởng đến tốc độ giao hàng.
• Việc mở rộng công suất cần thời gian, nên nguồn cung ngắn hạn không thể được giải phóng nhanh chóng.
• Mức độ tập trung khách hàng cao, và thời điểm đặt hàng có thể ảnh hưởng đến biến động doanh thu.
• Giá cổ phiếu có thể đã phản ánh trước nhiều năm kỳ vọng lạc quan.
• HBM vẫn là một phần của ngành bộ nhớ và không thể thoát hoàn toàn khỏi rủi ro chu kỳ.

Tóm tắt: HBM là tầng lưu trữ AI gần GPU nhất, đó là lý do thị trường thường xem nó như một “nút thắt cổ chai tính toán AI”. Sức hấp dẫn đầu tư của nó đến từ băng thông cao, giá trị đơn vị cao, nguồn cung khan hiếm và các đơn hàng dài hạn từ khách hàng lớn. Rủi ro của nó đến từ việc mở rộng công suất, sự tập trung khách hàng, sự thay đổi công nghệ và kỳ vọng định giá được phản ánh vào giá quá sớm. Khi phân tích các công ty HBM, đừng chỉ nhìn vào “nhu cầu AI mạnh mẽ”. Cũng cần theo dõi tỷ trọng doanh thu HBM, tỷ lệ sản phẩm đạt chuẩn, các thỏa thuận cung cấp dài hạn, chi phí vốn và những thay đổi về biên lợi nhuận.

DRAM, NAND, SSD và HDD đóng vai trò gì trong trung tâm dữ liệu AI?

DRAM, NAND, SSD và HDD không phải là những sản phẩm thay thế đơn giản cho nhau. Chúng phối hợp với nhau qua các tầng về tốc độ, dung lượng và chi phí. DRAM đảm nhiệm việc điều phối dữ liệu trong thời gian chạy. NAND là bộ nhớ flash nền tảng bên trong SSD. SSD đảm nhiệm việc truy cập độ trễ thấp và dữ liệu nóng. HDD đảm nhiệm việc lưu trữ khối lượng lớn trong dài hạn. Một trung tâm dữ liệu AI càng lớn, kiến trúc phân tầng này càng trở nên quan trọng.

DRAM và Bộ nhớ Hệ thống: Giữ cho Máy chủ Hoạt động Mượt mà

DRAM nằm gần hơn với tầng hệ thống máy chủ. Máy chủ CPU, máy chủ GPU, các nút suy luận (inference) và hệ thống tiền xử lý dữ liệu đều cần đủ bộ nhớ hệ thống để điều phối tác vụ. So với HBM, DRAM không được đóng gói ngay cạnh GPU, nhưng nó bao phủ phạm vi máy chủ rộng hơn và tiếp xúc nhiều hơn với nhu cầu từ các trung tâm dữ liệu, PC, điện thoại thông minh và các thị trường cuối khác.

Khi suy luận AI chuyển sang giai đoạn vận hành thực tế, ngữ cảnh dài, các yêu cầu đồng thời và quản lý bộ nhớ đệm đều làm tăng yêu cầu về bộ nhớ hệ thống. Đối với nhà đầu tư, các chỉ số DRAM quan trọng là giá bán trung bình (ASP), sản lượng giao hàng theo bit, mức tồn kho, tỷ trọng doanh thu từ trung tâm dữ liệu và biên lợi nhuận gộp—chứ không chỉ là câu chuyện AI.

NAND và SSD Doanh nghiệp: Giải Quyết Truy Cập Độ Trễ Thấp

NAND là thành bộ phận bộ nhớ flash, còn SSD là một sản phẩm được xây dựng từ NAND, bộ điều khiển và phần sụn. Các trung tâm dữ liệu AI sử dụng SSD để tải trọng số mô hình, tiền xử lý dữ liệu huấn luyện, điểm kiểm tra (checkpoints), lưu đệm dữ liệu nóng và đọc độ trễ thấp trong hệ thống suy luận.

Ổ cứng SSD Micron 9650 được thiết kế cho các khối công việc suy luận và huấn luyện AI, đồng thời làm nổi bật hiệu năng của các ổ SSD trung tâm dữ liệu PCIe Gen6. Trong tài liệu COMPUTEX 2026 của mình, Micron 6600 ION đạt dung lượng lên đến 245TB, nhấn mạnh mật độ lưu trữ và hiệu quả năng lượng. Điều này cho thấy SSD trong lưu trữ AI không chỉ đơn thuần là "ổ cứng nhanh hơn." Chúng là một phần của kiến trúc suy luận, huấn luyện và trung tâm dữ liệu có mật độ cao.

HDD và Lưu trữ Nearline: Nền tảng Dung lượng của Hồ dữ liệu AI

Ổ cứng HDD chậm hơn SSD, nhưng chúng vẫn đóng vai trò quan trọng nhờ dung lượng lớn, chi phí thấp hơn và khả năng lưu trữ dài hạn. Việc huấn luyện mô hình AI đòi hỏi các tập dữ liệu thô khổng lồ. Các hệ thống RAG doanh nghiệp cần tích lũy tài liệu và dữ liệu đa phương tiện trong thời gian dài. Dữ liệu phân tích video và dữ liệu robot cũng tiếp tục tích lũy theo thời gian. Không phải tất cả dữ liệu đều cần nằm trên các ổ SSD đắt tiền. Dữ liệu lạnh, dữ liệu ấm, kho lưu trữ và lưu trữ đối tượng quy mô lớn thường vẫn phù hợp với HDD.

Khi thảo luận về mối quan hệ giữa ổ cứng HDD và lưu trữ AI, Western Digital nhấn mạnh rằng HDD vẫn cung cấp nền tảng dung lượng hiệu quả về chi phí. Tài liệu AI Storage Infrastructure của công ty này cũng đặt dung lượng và TCO vào trung tâm của sự tăng trưởng dữ liệu AI dài hạn. Các sản phẩm Seagate 32TB Exos, SkyHawk AI và IronWolf Pro của Seagate cũng phản ánh vai trò của việc nâng cấp HDD dung lượng cao trong sự tăng trưởng dữ liệu AI.

Tóm tắt: Các trung tâm dữ liệu AI không thay thế hoàn toàn HDD bằng SSD, cũng như HBM một mình không thể đảm nhận toàn bộ việc di chuyển dữ liệu. Một khung phân tích tốt hơn là phân tầng: HBM giải quyết băng thông gần GPU, DRAM hỗ trợ điều phối hệ thống, SSD xử lý dữ liệu nóng có độ trễ thấp, và HDD cung cấp dung lượng lớn lâu dài. Khi phân tích ngành lưu trữ AI, trước tiên hãy xác định công ty thuộc tầng nào, sau đó đánh giá động lực cầu và chu kỳ giá của tầng đó. Các phân khúc khác nhau đều có thể được lợi, nhưng thời điểm, độ co giãn của biên lợi nhuận và rủi ro không giống nhau.

Những Công Này và Phân Khúc Chuỗi Cung Ứng Nào Tạo Nên Ngành Lưu Trữ AI?

Ngành lưu trữ AI có thể được hiểu qua ba tầng: chip thượng nguồn, thiết bị và hệ thống trung nguồn, và khách hàng đám mây hạ nguồn. Thượng nguồn bao gồm HBM, DRAM, NAND và đóng gói tiên tiến. Trung nguồn bao gồm SSD, HDD, bộ điều khiển và máy chủ lưu trữ. Hạ nguồn bao gồm các hyperscaler, nền tảng đám mây AI, công ty mô hình lớn và trung tâm dữ liệu doanh nghiệp. Việc một công ty có được lợi hay không phụ thuộc vào vị trí mà nó có quyền mặc cả trong chuỗi.

Thượng nguồn: Chip bộ nhớ và đóng gói tiên tiến

Các phân khúc thượng nguồn được quan sát nhiều nhất là HBM, DRAM và NAND. SK hynix, Samsung và Micron là những đối thủ chủ chốt trong cuộc cạnh tranh về HBM và DRAM, trong khi Kioxia, SanDisk, Micron và Samsung tham gia sâu hơn vào chuỗi cung ứng NAND và SSD. Rào cản của HBM không chỉ nằm ở chính chip bộ nhớ, mà còn ở công nghệ đóng gói tiên tiến, logic base die, kiểm tra, tỷ lệ đạt sản phẩm và xác nhận chung với các nhà sản xuất GPU.

Ưu điểm của tầng này là độ co giãn cao. Khi các bộ tăng tốc AI được nâng cấp, các công ty đám mây cạnh tranh giành năng lực sản xuất và các thỏa thuận cung ứng dài hạn tăng lên, giá cả và biên lợi nhuận có thể cải thiện. Điểm yếu là tính chu kỳ. Nếu năng lực mở rộng quá nhanh, hàng tồn kho tăng lên hoặc khách hàng trì hoãn mua sắm, đòn bẩy lợi nhuận có thể đảo ngược.

Trung nguồn: SSD, HDD, Bộ điều khiển và Máy chủ Lưu trữ

Các công ty trung lưu (midstream) gần hơn với khâu giao sản phẩm. Các nhà cung cấp SSD doanh nghiệp hưởng lợi từ suy luận (inference), huấn luyện (training) và trung tâm dữ liệu mật độ cao. Các nhà cung cấp HDD hưởng lợi từ ổ đĩa nearline, lưu trữ đối tượng (object storage) và hồ dữ liệu khổng lồ. Các công ty chip điều khiển và mạng tham gia vào SSD, máy chủ, chuyển mạch và truyền tải dữ liệu.

Tầng này được đánh giá tốt hơn qua tình huống sử dụng chứ không phải qua khái niệm. Đối với SSD doanh nghiệp, các câu hỏi then chốt là hiệu năng, dung lượng, độ bền và khả năng tương thích nền tảng. Đối với HDD, các câu hỏi then chốt là lộ trình dung lượng, cơ cấu xuất xưởng, chi phí đơn vị và nhu cầu của khách hàng trung tâm dữ liệu. Đối với máy chủ lưu trữ và các công ty hệ thống, các vấn đề then chốt là đơn hàng, biên lợi nhuận gộp, chuỗi cung ứng và mức độ tập trung khách hàng.

Hạ nguồn (Downstream): Các Nhà cung cấp Đám mây và Công ty AI Quyết định Thời điểm Nhu cầu

Nhu cầu lưu trữ phục vụ AI cuối cùng được trả tiền bởi các khách hàng ở hạ nguồn. Chi tiêu vốn của các nhà cung cấp dịch vụ đám mây, sự mở rộng của các đám mây AI, nhu cầu huấn luyện và suy luận các mô hình lớn, cũng như việc doanh nghiệp triển khai AI riêng tư, tất cả đều ảnh hưởng đến các đơn hàng ở thượng nguồn. Thỏa thuận chiến lược của Micron với Anthropic bao gồm bộ nhớ, kiến trúc lưu trữ, hợp tác chuỗi cung ứng và các ứng dụng AI doanh nghiệp, cho thấy các công ty mô hình lớn đang ngày càng tham gia trực tiếp hơn vào việc lựa chọn kiến trúc lưu trữ nền tảng.

Nếu bạn theo dõi các công ty lưu trữ AI trong nhóm cổ phiếu Mỹ, bạn có thể thêm các mã như MU, WDC, STX, MRVL, AVGO, PSTG và NTAP vào danh sách theo dõi, sau đó sử dụng các báo cáo tài chính để phân biệt giữa mức độ liên quan thực tế đến hoạt động kinh doanh với câu chuyện thị trường. Khi dùng công cụ tra cứu cổ phiếu Mỹ để theo dõi các mã này, đừng chỉ nhìn vào biến động giá. Hãy so sánh các mảng kinh doanh, chỉ số tài chính và định giá trong cùng một khung phân tích.

Tóm tắt: Ngành lưu trữ AI không phải là một nhóm cổ phiếu đồng nhất. Đây là một chuỗi cung ứng nhiều tầng. Các công ty chip ở thượng nguồn chịu ảnh hưởng nhiều hơn từ giá cả, công suất và công nghệ đóng gói tiên tiến. Các công ty SSD, HDD và bộ điều khiển ở trung lưu chịu ảnh hưởng nhiều hơn từ đơn hàng trung tâm dữ liệu và cơ cấu sản phẩm. Các công ty cloud và mô hình lớn ở hạ nguồn quyết định thời điểm mua hàng. Khi phân tích các công ty trong ngành này, hãy đặt ba câu hỏi trước tiên: Công ty bán vào tầng lưu trữ nào? Khách hàng của công ty là ai? Sự cải thiện doanh thu đến từ đơn hàng thực tế hay kỳ vọng thị trường? Điều này đáng tin cậy hơn so với việc đơn thuần săn đuổi nhãn AI.

Tại Sao Ngành Lưu Trữ AI Thu Hút Sự Chú Ý Của Thị Trường Vốn?

Lĩnh vực lưu trữ cho AI đang thu hút sự chú ý vì thị trường đã nhận ra rằng các điểm nghẽn hạ tầng AI đang lan rộng từ GPU sang bộ nhớ, mạng, lưu trữ, điện năng và trung tâm dữ liệu. Việc huấn luyện và suy luận càng mở rộng quy mô thì dữ liệu được tạo ra càng nhiều và nhu cầu lưu trữ càng trở nên phức tạp. Thị trường vốn không đơn thuần đang mua “ổ cứng.” Họ đang định giá cho sự tăng trưởng dữ liệu AI dài hạn, tình trạng khan hiếm cung-cầu, và sự định giá lại điểm nghẽn hạ tầng.

Động lực thứ nhất: Sự mở rộng của trung tâm dữ liệu AI tạo ra nhu cầu thực tế

Việc huấn luyện mô hình AI đòi hỏi bộ dữ liệu lớn, các điểm kiểm tra (checkpoint) và quá trình đọc liên tục. Suy luận (inference) đòi hỏi độ trễ thấp, tải mô hình, bộ nhớ đệm KV và truy cập dữ liệu nóng. RAG đòi hỏi cơ sở dữ liệu vector, thư viện tài liệu doanh nghiệp và phân tầng dữ liệu nóng-lạnh. Khi AI chuyển từ giai đoạn thử nghiệm sang triển khai thực tế, dữ liệu không hề biến mất. Nó tích lũy dần, và nhu cầu lưu trữ chuyển từ mua sắm một lần sang mở rộng liên tục.

SanDisk, Western Digital và Seagate đều nhận được sự chú ý của thị trường trong năm 2026 do nhu cầu lưu trữ cho AI. Bài đưa tin của Reuters về SanDisk cũng lưu ý rằng nhu cầu lưu trữ dữ liệu của các hệ thống AI đang khiến cung cầu bộ nhớ flash trở nên khan hiếm hơn.

Động lực thứ hai: Thị trường đang chuyển từ “Mua năng lực tính toán” sang “Mua điểm nghẽn”

Chủ đề đầu tư AI thời kỳ đầu tập trung vào GPU và năng lực tính toán đám mây. Sau đó chủ đề này mở rộng sang mạng, làm mát bằng chất lỏng, điện năng, rồi tiếp tục mở rộng sang HBM, SSD doanh nghiệp, HDD nearline và hệ thống lưu trữ trung tâm dữ liệu. Sự mở rộng này là hợp lý: khi một bộ phận trong chuỗi trở nên khan hiếm, dòng vốn sẽ tìm đến điểm nghẽn tiếp theo.

Để đánh giá liệu một đợt tăng giá cổ phiếu lưu trữ AI có lành mạnh hay không, hãy theo dõi các tín hiệu sau:

• Việc chi tiêu vốn của các hyperscaler có tiếp tục tăng trưởng hay không;
• Việc HBM có các thỏa thuận cung ứng dài hạn và kế hoạch sản xuất rõ ràng hay không;
• Việc giá DRAM và NAND có đang trong chu kỳ tăng hay không;
• Việc lượng hàng SSD doanh nghiệp xuất xưởng và cơ cấu dung lượng có đang cải thiện hay không;
• Việc dung lượng trung bình của ổ HDD nearline và doanh thu từ trung tâm dữ liệu có đang tăng hay không;
• Việc tồn kho, biên lợi nhuận gộp và dòng tiền có đang cải thiện cùng lúc hay không.

Yếu Tố Thứ Ba: Ngành Lưu Trữ Vẫn Là Một Ngành Có Tính Chu Kỳ Rất Cao

Nhu cầu AI mạnh mẽ không có nghĩa là ngành lưu trữ sẽ tăng vọt mãi mãi. DRAM, NAND và HDD đều có đặc tính chu kỳ rõ rệt. Chu kỳ tăng thường đặc trưng bởi nhu cầu mạnh, tồn kho thấp, giá cả tăng lên và biên lợi nhuận cải thiện. Chu kỳ giảm có thể mang lại việc giải phóng công suất, cung vượt cầu, giá giảm và áp lực lên lợi nhuận.

Đây là lý do tại sao cổ phiếu lưu trữ AI thường biến động mạnh. Thị trường định giá sớm các đơn hàng trong tương lai và việc tăng giá. Nhưng một khi tồn kho, chi phí vốn, hoặc nhu cầu khách hàng thay đổi, giá cổ phiếu cũng có thể điều chỉnh nhanh chóng.

Tóm tắt: Lĩnh vực lưu trữ AI đang thu hút sự chú ý vì việc mở rộng trung tâm dữ liệu AI tạo ra nhu cầu thực sự về dung lượng, băng thông và độ trễ thấp, đồng thời thị trường cũng đang đánh giá lại các điểm nghẽn hạ tầng ngoài GPU. Nhưng lưu trữ chưa bao giờ là một ngành có tăng trưởng tuyến tính. Ngành này chịu ảnh hưởng của chu kỳ giá, hàng tồn kho, mở rộng công suất, đơn hàng của khách hàng và kỳ vọng định giá. Khi theo dõi chủ đề này, cần thừa nhận cả tính chắc chắn dài hạn của sự tăng trưởng dữ liệu lẫn tính bất định ngắn hạn của biến động cổ phiếu. Nhu cầu AI không nên được xem là một con đường tăng trưởng không rủi ro.

Nhà Đầu Tư Cá Nhân Có Thể Hiểu Như Thế Nào Về Cơ Hội và Rủi Ro Của Lưu Trữ AI?

Đối với nhà đầu tư cá nhân, cách tiếp cận thực tế nhất là chia các khoản đầu tư vào lưu trữ AI thành ba nhóm: các công ty HBM/DRAM có độ biến động cao (high-beta), các công ty SSD/HDD cho trung tâm dữ liệu, và các ETF về bán dẫn hoặc hạ tầng AI. Sau đó sử dụng báo cáo tài chính để kiểm chứng câu chuyện, bao gồm doanh thu trung tâm dữ liệu, ASP, biên lợi nhuận, hàng tồn kho, chi phí vốn (capex) và mức độ tập trung khách hàng, thay vì chỉ dựa vào cảm hứng dựa trên khái niệm.

Trước Tiên, Phân Biệt Ba Loại Hình Thức Đầu Tư

Nếu bạn mới bước vào lĩnh vực này, bạn không cần phải nghiên cứu từng công ty ngay từ đầu. Một trình tự hợp lý hơn là trước tiên hiểu khung hạ tầng AI, sau đó chọn những phân khúc mà bạn có thể hiểu được, rồi theo dõi lợi nhuận và định giá. Đối với các danh mục nhỏ hơn, ETF hoặc danh sách theo dõi đa dạng hóa thường dễ kiểm soát rủi ro hơn là tập trung vào một chủ đề duy nhất.

Chỉ Số Tài Chính Nào Quan Trọng Nhất?

Đối với các công ty lưu trữ AI, chỉ riêng tổng doanh thu là chưa đủ. Câu hỏi then chốt là cơ cấu kinh doanh có thực sự đang chuyển dịch sang trung tâm dữ liệu và AI hay không:

• Doanh thu trung tâm dữ liệu có đang tăng trưởng không?
• Doanh thu HBM hoặc tỷ trọng DRAM cao cấp có đang tăng không?
• ASP của DRAM và ASP của NAND có đang cải thiện không?
• Biên lợi nhuận gộp có đang phục hồi cùng chu kỳ giá không?
• Chi tiêu vốn (capex) có đang mở rộng quá nhanh không?
• Số ngày tồn kho có đang giảm không?
• Mức độ tập trung khách hàng có quá cao không?
• Các thỏa thuận cung ứng dài hạn có rõ ràng không?
• Lượng xuất khẩu SSD doanh nghiệp hoặc HDD nearline có đang cải thiện không?

Các chỉ số này giúp phân biệt một "câu chuyện AI" với kết quả tài chính thực tế. Nếu một cổ phiếu đã tăng mạnh nhưng doanh thu và biên lợi nhuận chưa cải thiện đáng kể, kỳ vọng có thể đang bị quá nhiệt.

Ngoài logic công nghệ, cần chú ý đến chi phí giao dịch thực tế

Nếu bạn theo dõi các công ty lưu trữ AI trong thị trường chứng khoán Mỹ, các quyết định giao dịch không chỉ liên quan đến hướng đi của ngành mà còn đến chi phí, các loại lệnh và quy tắc tài khoản. Chi phí giao dịch cổ phiếu Mỹ có thể bao gồm nhiều hơn là hoa hồng. Chúng còn có thể bao gồm phí nền tảng, phí đại lý bên ngoài, phí hoạt động giao dịch và các phí liên quan đến cổ phiếu lẻ.

Biya không tính hoa hồng cho giao dịch cổ phiếu Mỹ. Phí nền tảng, phí đại lý bên ngoài và các chi phí khác tuân theo phí giao dịch cổ phiếu Mỹ và hiển thị trên trang đặt lệnh. Tính khả dụng của dịch vụ phụ thuộc vào vị trí của người dùng, kết quả xác minh danh tính, quy tắc của nền tảng cũng như các luật và quy định hiện hành. Các cổ phiếu AI phổ biến có thể biến động mạnh, vì vậy trước khi giao dịch, hãy xem xét các loại lệnh, cơ cấu phí, quy tắc thực hiện lệnh và mức độ chấp nhận rủi ro của bản thân.

Các rủi ro chính trong lĩnh vực lưu trữ AI

Các rủi ro phổ biến nhất trong lưu trữ AI bao gồm:

• Suy thoái trong chu kỳ giá bộ nhớ;
• Chi tiêu vốn cho AI chậm lại;
• Việc mua hàng bị trì hoãn hoặc cắt giảm đơn hàng từ các khách hàng lớn;
• Công suất HBM hoặc SSD được tung ra nhanh hơn;
• Thay đổi trong lộ trình công nghệ;
• Chính sách địa chính trị và kiểm soát xuất khẩu;
• Định giá đã phản ánh quá nhiều lạc quan từ trước.

Đối với nhà đầu tư cá nhân, sai lầm dễ gặp nhất là đồng nhất "xu hướng ngành đúng đắn" với "đáng mua ở bất kỳ mức giá nào." Xu hướng ngành và giá điểm vào là hai chuyện khác nhau. Nhu cầu lưu trữ cho AI về lâu dài có thể mạnh mẽ, nhưng giá cổ phiếu ngắn hạn vẫn có thể biến động mạnh do định giá, lợi nhuận và thanh khoản của thị trường.

Tóm tắt: Hiểu về ngành lưu trữ AI không phải là việc dự đoán cổ phiếu nào chắc chắn sẽ tăng. Mà là việc xây dựng một khung theo dõi. Thứ nhất, hiểu xem HBM, DRAM, SSD, HDD và lưu trữ cấp hệ thống mỗi loại giải quyết vấn đề gì. Thứ hai, kiểm tra xem báo cáo lợi nhuận có xác nhận doanh thu, biên lợi nhuận và tăng trưởng đơn hàng từ trung tâm dữ liệu hay không. Thứ ba, đánh giá xem định giá đã phản ánh quá nhiều về tương lai hay chưa. Thứ tư, đưa chi phí giao dịch, quy tắc tài khoản và quy mô vị thế vào quyết định của bạn. Điều này giúp bạn tránh bị cuốn hút bởi khái niệm AI trong khi bỏ qua chu kỳ lưu trữ và biến động thị trường.

Nếu bạn đồng thời theo dõi AI lưu trữ, GPU, ETF bán dẫn, cổ phiếu công nghệ Mỹ và phân bổ quỹ xuyên thị trường, bạn có thể sử dụng Ứng dụng Biya để ghi lại danh sách theo dõi, biên lai giao dịch, chi phí tỷ giá và các thay đổi phân bổ đa tài sản. Biya là ví giao dịch đa tài sản toàn cầu hỗ trợ các kịch bản giao dịch cổ phiếu Mỹ, cổ phiếu Hồng Kông và tài sản số. Nếu bạn cần theo dõi MU, WDC, STX, NVDA, AMD hoặc các ETF liên quan từ một điểm truy cập duy nhất, bạn cũng có thể sử dụng Biya để so sánh giá cả, biên lai và chi phí tài khoản. Nội dung trên chỉ giới thiệu thông tin thị trường công khai, logic chuỗi ngành và cơ cấu phí, không cấu thành lời khuyên đầu tư.Trước khi thực hiện bất kỳ giao dịch nào, hãy cân nhắc các yêu cầu quy định tại địa phương, quy tắc của nền tảng, chi tiết về phí và mức độ chấp nhận rủi ro cá nhân của bạn.

Câu hỏi thường gặp

Sự khác biệt giữa lĩnh vực lưu trữ AI và lĩnh vực bộ nhớ bán dẫn là gì?

Lĩnh vực lưu trữ AI tập trung nhiều hơn vào nhu cầu từ việc huấn luyện AI, suy luận (inference), trung tâm dữ liệu đám mây và các ứng dụng mô hình lớn. Lĩnh vực bộ nhớ bán dẫn rộng hơn và còn bao gồm điện thoại thông minh, máy tính cá nhân, ô tô và thiết bị điện tử tiêu dùng. Hai lĩnh vực này có sự trùng lặp, nhưng lưu trữ AI tập trung nhiều hơn vào HBM, SSD doanh nghiệp, HDD nearline và các hệ thống lưu trữ trung tâm dữ liệu.

Tại sao HBM nhận được sự chú ý nhiều hơn từ thị trường AI so với DRAM thông thường?

HBM nằm gần GPU hơn, có băng thông cao hơn và phù hợp hơn cho việc huấn luyện mô hình lớn cũng như suy luận thông lượng cao. DRAM thông thường chủ yếu đóng vai trò là bộ nhớ hệ thống và bao phủ phạm vi trường hợp sử dụng rộng hơn. HBM có rào cản kỹ thuật và giá trị đơn vị cao hơn, nhưng cũng tiềm ẩn rủi ro lớn hơn về năng lực sản xuất, đóng gói, mức độ tập trung khách hàng và biến động định giá.

Vì Sao Trung Tâm Dữ Liệu AI Vẫn Cần HDD?

Trung tâm dữ liệu AI vẫn cần HDD vì lượng lớn dữ liệu huấn luyện, dữ liệu video, nhật ký, kho lưu trữ và lưu trữ đối tượng quan tâm nhiều hơn đến chi phí dung lượng. SSD phù hợp hơn cho dữ liệu nóng và các tác vụ độ trễ thấp, trong khi HDD phù hợp hơn cho lưu trữ dài hạn và các hồ dữ liệu quy mô lớn. Hai loại này thường là các tầng bổ sung cho nhau, không phải là sự thay thế đơn thuần.

Nhà đầu tư có nên chỉ nhìn vào cổ phiếu Mỹ để tiếp cận lưu trữ AI?

Việc tiếp cận chủ đề lưu trữ AI không giới hạn ở cổ phiếu Mỹ. Các công ty HBM, DRAM, NAND, SSD, HDD, đóng gói, thiết bị và vật liệu được phân bố khắp Hoa Kỳ, Hàn Quốc, Nhật Bản, Đài Loan và các thị trường khác. Nhà đầu tư cá nhân cũng có thể theo dõi chủ đề này thông qua các ETF bán dẫn, ETF hạ tầng AI hoặc ETF điện toán đám mây, nhưng cần kiểm tra kỹ danh mục đầu tư, tỷ trọng và tỷ lệ phí.

Người mới bắt đầu có thể nhận biết sector lưu trữ AI có đang quá nóng hay không như thế nào?

Người mới bắt đầu có thể xem xét sự gia tăng định giá, kết quả kinh doanh, mức tồn kho, biên lợi nhuận gộp, giá DRAM/NAND, đơn hàng của khách hàng và chi tiêu vốn. Nếu giá cổ phiếu tăng nhanh hơn nhiều so với sự cải thiện doanh thu và lợi nhuận, thị trường có thể đã phản ánh quá nhiều lạc quan, làm tăng rủi ro biến động.

Ngành Lưu trữ AI Phù hợp Hơn với Nắm Giữ Dài Hạn hay Giao Dịch Chiến Thuật?

Liệu ngành lưu trữ AI có phù hợp để nắm giữ dài hạn hay không phụ thuộc vào khả năng chịu rủi ro, độ sâu nghiên cứu và giá điểm vào của nhà đầu tư. Sự tăng trưởng dữ liệu AI là một xu hướng dài hạn, nhưng lưu trữ có tính chu kỳ cao. Nhà đầu tư dài hạn vẫn cần theo dõi cung cầu, giá cả, chi tiêu vốn của khách hàng, cơ cấu phí và các yêu cầu pháp lý địa phương.