Tại Sao Cần Nhìn Vào HBM và Bộ Nhớ Sau GPU? Phân Tích Chuỗi Đầu Tư Hạ Tầng AI

Chủ đề đầu tư hạ tầng AI đang mở rộng từ “ai có GPU” sang “ai có thể giữ cho GPU chạy hiệu quả.” Bạn không chỉ nên nhìn vào công suất tính toán đỉnh. Bạn cũng cần nhìn vào băng thông HBM, dung lượng bộ nhớ GPU, ổ SSD doanh nghiệp, ổ HDD Nearline, mạng, điện và kiến trúc lưu trữ trung tâm dữ liệu. Đối với nhà đầu tư thông thường, GPU là điểm khởi đầu, trong khi HBM và lưu trữ là những tín hiệu quan trọng để đánh giá xem nhu cầu AI có tiếp tục lan rộng khắp chuỗi hạ tầng hay không.

Những điểm chính cần nắm

• GPU quyết định giới hạn trên của sức mạnh tính toán, trong khi HBM quyết định thông lượng mô hình và hiệu quả di chuyển dữ liệu.
• Huấn luyện AI phụ thuộc vào thông lượng của cụm máy, trong khi suy luận AI dựa nhiều hơn vào bộ nhớ, độ trễ và khả năng đồng thời.
• HBM, DRAM, SSD và HDD tương ứng với các mức nhiệt độ dữ liệu và vị thế chi phí khác nhau.
• Nhu cầu lưu trữ đến từ tập dữ liệu, cơ sở dữ liệu vector, nhật ký, trọng số mô hình và kết quả suy luận.
• Phân tích đầu tư nên tập trung vào đơn hàng, giá cả, biên lợi nhuận gộp, hàng tồn kho và mức độ tập trung khách hàng.
• Chuỗi lưu trữ AI mang lại độ co giãn tăng trưởng, nhưng cũng đối mặt với rủi ro đảo chiều chu kỳ và áp lực định giá.

Tại Sao HBM và Lưu Trữ Đến Sau GPU?

HBM và lưu trữ trở nên quan trọng sau GPU vì điểm nghẽn của hệ thống AI đang chuyển từ “có đủ GPU hay không” sang “GPU có thể liên tục nhận dữ liệu đủ nhanh, đủ gần và đủ lớn hay không.” GPU đảm nhận phần tính toán, nhưng trọng số mô hình, dữ liệu huấn luyện, KV cache, tìm kiếm vector và nhật ký suy luận đều đòi hỏi các lớp bộ nhớ và lưu trữ khác nhau để hỗ trợ.

Bạn có thể hình dung một trung tâm dữ liệu AI như một "nhà máy AI." GPU là dây chuyền sản xuất cốt lõi. HBM là kho vật liệu tốc độ cao gắn liền với dây chuyền sản xuất đó. DRAM là bộ đệm bên trong máy chủ. SSD là kho dữ liệu nóng. HDD và lưu trữ đối tượng (object storage) là hồ dữ liệu dung lượng lớn. Nếu kho hàng quá nhỏ hoặc băng tải quá chậm, thì ngay cả những GPU đắt tiền cũng sẽ phải ngồi chờ dữ liệu.

Nâng cấp sản phẩm của NVIDIA cũng thể hiện xu hướng này. 141GB HBM3e và băng thông 4,8TB/s của NVIDIA H200 cho thấy cuộc cạnh tranh về GPU AI cao cấp không chỉ xoay quanh Tensor Cores, mà còn xoay quanh bộ nhớ GPU lớn hơn và băng thông cao hơn. 1.440GB bộ nhớ GPU và băng thông HBM3e 64TB/s của DGX B200 đẩy xu hướng này lên cấp độ hệ thống: một máy chủ AI hiện là sự kết hợp của GPU, HBM, NVLink, CPU, DRAM, NVMe SSD và thiết bị mạng.

Đối với các nhà đầu tư, điều này có nghĩa là hạ tầng AI không còn là một câu chuyện chỉ xoay quanh GPU đơn lẻ. Bạn cần theo dõi dòng dữ liệu: dữ liệu đến từ đâu, cách nó được đọc, cách nó được lưu vào bộ nhớ đệm, cách nó đi vào GPU, và cách kết quả suy luận được lưu trữ sau đó. Chỉ nhìn vào các đơn đặt hàng GPU có thể khiến bạn bỏ lỡ những thay đổi trong nguồn cung HBM, giá SSD doanh nghiệp, lượng hàng Nearline HDD xuất xưởng, và chi phí vốn dành cho trung tâm dữ liệu.

Kiến trúc Blackwell với 208 tỷ transistor và kết nối giữa các chip tốc độ 10TB/s cũng cho thấy các chip AI đang bước vào giai đoạn kỹ thuật hệ thống. Kết nối nội bộ trong chip, đóng gói, HBM, bộ nhớ máy chủ và mạng cấp rack cùng nhau quyết định sức mạnh tính toán hữu dụng, thay vì bất kỳ thành phần đơn lẻ nào tự quyết định kết quả.

Tóm tắt: GPU là điểm khởi đầu cho đầu tư hạ tầng AI, nhưng chúng không phải là điểm kết thúc. Điều bạn thực sự cần quan sát là liệu compute có thể được liên tục cung cấp dữ liệu hay không. HBM giải quyết các vấn đề băng thông và dung lượng liền kề GPU. DRAM và SSD giải quyết việc caching phía server và truy cập dữ liệu nóng. HDD và object storage giải quyết việc tích lũy dữ liệu khổng lồ. Nhìn vào HBM và lưu trữ sau GPU về bản chất là theo dõi AI chuyển từ mua sắm chip sang triển khai hệ thống, từ huấn luyện sang suy luận (inference), và từ xây dựng một lần sang vận hành dữ liệu dài hạn.

Tại Sao HBM Trở Thành Nút Thắt Chính Cho GPU AI?

HBM đã trở thành một điểm nghẽn then chốt vì các mô hình lớn không chỉ cần tính toán, mà còn cần di chuyển dữ liệu tốc độ cao. Các tham số mô hình, activations và KV cache đều cần được chuyển vào và ra khỏi bộ nhớ liền kề GPU một cách thường xuyên. DRAM thông thường nằm xa GPU hơn, và băng thông cùng độ trễ của nó khó đáp ứng được nhu cầu của các bộ tăng tốc AI hàng đầu. HBM sử dụng phương pháp xếp chồng và đóng gói tiên tiến để đặt bộ nhớ băng thông cao gần GPU.

HBM Giải Quyết Các Vấn Đề Về Băng Thông Và Dung Lượng Gần Bộ Nhớ

HBM không chỉ đơn thuần là một phiên bản nâng cấp của mô-đun bộ nhớ tiêu chuẩn. Đây là công nghệ bộ nhớ băng thông cao được thiết kế xoay quanh GPU và bộ tăng tốc AI. Thông qua các die DRAM xếp chồng, TSV, interposer và công nghệ đóng gói tiên tiến, HBM đặt các kênh dữ liệu rộng hơn gần hơn với đơn vị tính toán. Mục tiêu không đơn giản là tăng dung lượng, mà là giảm thời gian di chuyển dữ liệu để GPU dành ít thời gian chờ đợi hơn trong quá trình huấn luyện và suy luận.

HBM3E của Micron với khối 8-tầng 24GB và băng thông hơn 1,2TB/s phản ánh giá trị cốt lõi của HBM: mỗi ngăn xếp HBM cung cấp băng thông cực kỳ cao, và nhiều ngăn xếp xung quanh một GPU tạo thành hệ thống bộ nhớ có thông lượng cao. Với Blackwell Ultra, blog kỹ thuật của NVIDIA đề cập đến 288GB HBM3e và băng thông 8TB/s trên mỗi GPU, với mục tiêu rõ ràng là cho phép các mô hình lớn hơn, cửa sổ ngữ cảnh dài hơn và suy luận đồng thời cao hơn chạy trong bộ nhớ nằm liền kề GPU.

Tại Sao HBM Lại Gần Với Chuỗi Giá Trị GPU Hơn?

HBM là lớp bộ nhớ gần GPU nhất, do đó giá của nó chịu tác động trực tiếp hơn từ nhu cầu về bộ tăng tốc AI. Nó không phải là một linh kiện tiêu chuẩn được bán chủ yếu vào các thiết bị điện tử tiêu dùng thông thường. Thay vào đó, nó gắn liền chặt chẽ với GPU AI, đóng gói tiên tiến, nhà máy đúc wafer, đế nền, kiểm thử và kế hoạch mua sắm của các nhà cung cấp đám mây. Nói cách khác, những thay đổi trong nhu cầu HBM phản ánh trực tiếp hơn nhịp độ xây dựng thực tế của các máy chủ AI cao cấp.

Trong quý ba của năm tài chính 2025, Micron đã đề cập rằng doanh thu HBM tăng gần 50% theo quý và doanh thu từ trung tâm dữ liệu tăng hơn gấp đôi so với cùng kỳ năm trước. Điều này cho thấy AI đang thúc đẩy một số sản phẩm thuộc chu kỳ bộ nhớ hướng tới các kịch bản máy chủ và trung tâm dữ liệu có giá trị cao hơn. SK hynix cũng tuyên bố rằng mẫu HBM4 12 lớp đã được chuyển giao cho các khách hàng lớn và việc chuẩn bị sản xuất hàng loạt sẽ được tiến hành sau khi hoàn tất đánh giá chất lượng, cho thấy cuộc cạnh tranh về HBM đã chuyển từ HBM3E sang HBM4.

Nhu cầu HBM thường tăng lên vì năm lý do sau:

1. Số lượng tham số mô hình lớn hơn đòi hỏi dung lượng near-memory nhiều hơn.
2. Cửa sổ ngữ cảnh dài hơn làm nhanh chóng tăng mức sử dụng KV cache.
3. Mức độ đồng thời suy luận cao hơn khiến bộ nhớ GPU trở thành ràng buộc về năng lực dịch vụ.
4. MoE, RAG và AI tác tử làm tăng áp lực truy cập dữ liệu.
5. Khi sức mạnh tính toán GPU tăng, băng thông bộ nhớ cũng phải tăng lên cùng lúc.

Tóm tắt: HBM là khu vực đầu tiên cần theo dõi sau GPU vì nó trực tiếp quyết định liệu các GPU AI cao cấp có thể phát huy hiệu năng của mình hay không. Đỉnh tính toán càng cao, áp lực di chuyển dữ liệu càng lớn. Mô hình càng lớn, ngữ cảnh càng dài và độ đồng thời suy luận càng cao, thì dung lượng và băng thông HBM càng trở nên quan trọng. Nhưng HBM không phải là tài sản tăng trưởng một chiều không có rủi ro. Bạn cũng cần theo dõi mức độ tập trung khách hàng, năng lực đóng gói tiên tiến, sản lượng, giá hợp đồng, chu kỳ công nghệ và tốc độ mở rộng. Triển vọng tăng trưởng của HBM đến từ GPU AI, và rủi ro của nó cũng đến từ chu kỳ mua sắm GPU AI và việc mở rộng nguồn cung.

AI Huấn Luyện và AI Suy Luận Cần Loại Bộ Nhớ Nào?

Huấn luyện AI đòi hỏi thông lượng cao và dung lượng lớn, trong khi suy luận AI cần độ trễ thấp, khả năng đồng thời và truy cập dữ liệu nóng. Giai đoạn huấn luyện liên tục đọc các tập dữ liệu khổng lồ, lưu checkpoint và tạo ra các kết quả trung gian. Giai đoạn suy luận xử lý các yêu cầu của người dùng, ngữ cảnh, KV cache, embeddings, cơ sở dữ liệu vector và truy xuất tài liệu RAG.

Huấn luyện AI Phụ thuộc vào Thông lượng, Dung lượng và Nguồn Cung Dữ liệu Ổn định

Việc huấn luyện không kết thúc sau khi dữ liệu được đưa vào GPU một lần. Huấn luyện trước (pretraining) đòi hỏi kho văn bản khổng lồ, dữ liệu đa phương thức và hệ thống tệp phân tán. Tinh chỉnh (fine-tuning) đòi hỏi các bộ dữ liệu chuyên ngành và các thí nghiệm lặp đi lặp lại. Trong quá trình huấn luyện mô hình lớn, cũng cần lưu các checkpoint để khôi phục khi xảy ra lỗi và quay về phiên bản cũ. Chỉ số quan trọng ở đây không phải là một ổ đĩa đơn lẻ có nhanh hay không, mà là toàn bộ hệ thống lưu trữ có thể liên tục cấp dữ liệu cho cụm GPU hay không.

Các nhu cầu lưu trữ phổ biến trong huấn luyện bao gồm:

Suy luận AI phụ thuộc vào độ trễ thấp, khả năng xử lý đồng thời và dữ liệu nóng

Khi suy luận bước vào giai đoạn triển khai thương mại, áp lực lưu trữ chuyển từ "chuẩn bị dữ liệu trước khi huấn luyện" sang "liên tục đọc và ghi dữ liệu trong quá trình vận hành." RAG cần truy xuất tài liệu doanh nghiệp, agent cần đọc và ghi kết quả công cụ, các mô hình ngữ cảnh dài tạo ra lượng lớn KV cache, và các yêu cầu cũng như kết quả đầu ra của người dùng cũng trở thành nhật ký. Giải thích của WEKA về bức tường bộ nhớ AI đã nắm bắt được vấn đề cốt lõi: khi bộ nhớ cần thiết cho suy luận vượt quá bộ nhớ GPU vật lý khả dụng, cả độ trễ và khả năng xử lý đồng thời đều bị ảnh hưởng.

Trong các kịch bản suy luận (inference), HBM, DRAM, SSD và lưu trữ đối tượng (object storage) tạo thành một cấu trúc phân tầng. HBM lưu trữ dữ liệu vận hành mô hình khẩn cấp nhất. DRAM đảm nhận việc cache của hệ thống. SSD NVMe hỗ trợ cơ sở dữ liệu vector và dữ liệu nóng. HDD và lưu trữ đối tượng lưu trữ dữ liệu dài hạn. Khi bạn thấy "nhiều ứng dụng AI hơn", điều thực sự đang tăng trưởng phía sau hậu trường là token, embedding, nhật ký người dùng, các phiên bản mô hình và hồ sơ kiểm toán cùng tăng lên đồng thời.

Tóm tắt: Huấn luyện và suy luận có những yêu cầu lưu trữ khác nhau. Huấn luyện giống như một dự án kỹ thuật quy mô lớn, đòi hỏi nguồn cung dữ liệu liên tục, thông lượng cao và có khả năng khôi phục. Suy luận giống như một dịch vụ trực tuyến, đòi hỏi độ trễ thấp, đồng thời cao và khả năng truy cập dữ liệu nóng. Sau khi AI chuyển từ phòng thí nghiệm vào môi trường sản xuất doanh nghiệp, nhu cầu lưu trữ không còn bó hẹp trong các bộ dữ liệu huấn luyện. Nó mở rộng sang cơ sở dữ liệu vectơ, thư viện tài liệu RAG, nhật ký tương tác người dùng, các phiên bản mô hình, hồ sơ kiểm toán và hồ dữ liệu dài hạn. Phân tích đầu tư cần phân biệt giữa nhu cầu do huấn luyện thúc đẩy và nhu cầu do suy luận thúc đẩy, thay vì coi tất cả "lưu trữ AI" đều như nhau.

Từ HBM đến HDD: Chuỗi lưu trữ AI được phân lớp như thế nào?

Chuỗi lưu trữ AI có thể được phân tầng theo "khoảng cách đến GPU." Càng gần GPU, tầng đó càng phụ thuộc vào tốc độ, băng thông và độ trễ. Càng xa GPU, tầng đó càng phụ thuộc vào dung lượng, chi phí và độ tin cậy. HBM là phân khúc giá trị cao gần GPU nhất. DRAM và SSD hỗ trợ dữ liệu nóng bên trong máy chủ. HDD Nearline và lưu trữ đối tượng (object storage) hỗ trợ các kho dung lượng của trung tâm dữ liệu.

Tầng đầu tiên là HBM nằm sát GPU. Nó xử lý trọng số mô hình, các kích hoạt, bộ nhớ đệm KV và việc truy cập dữ liệu tần suất cao, ảnh hưởng trực tiếp đến thông lượng token, độ dài ngữ cảnh và suy luận đồng thời. Tầng thứ hai là DRAM phía máy chủ và SSD doanh nghiệp, đảm nhận việc cache hệ thống, tiền xử lý dữ liệu, truy xuất vector và IOPS cao. Tầng thứ ba là kho lưu trữ dung lượng của trung tâm dữ liệu, nơi các ổ HDD Nearline, lưu trữ đối tượng và hệ thống sao lưu lưu trữ dữ liệu huấn luyện, nhật ký, lưu trữ dài hạn và dữ liệu lâu dài.

Phân tầng này cũng giải thích tại sao HDD chưa bị SSD thay thế hoàn toàn. Các trung tâm dữ liệu AI cần lượng lớn dữ liệu nóng, nhưng chúng còn cần nhiều hơn nữa lượng dữ liệu ấm và dữ liệu lạnh khổng lồ. Các kho dữ liệu huấn luyện, video, hình ảnh, các phiên bản mô hình, nhật ký và bản sao lưu không thể tất cả đều được lưu trữ trong HBM hay SSD dành cho doanh nghiệp. Trong quý ba của năm tài chính 2026, Seagate đã công bố doanh thu 3,112 tỷ USD và biên lợi nhuận gộp GAAP là 46,5%, cho thấy nhu cầu lưu trữ dung lượng cao đang được phản ánh trong kết quả tài chính của các nhà sản xuất ổ cứng. Western Digital cũng đã công bố doanh thu 3,337 tỷ USD và biên lợi nhuận gộp GAAP là 50,2% trong quý thứ ba của năm tài chính 2026, cho thấy sự cải thiện rõ rệt trong chu kỳ lưu trữ dữ liệu đám mây và trung tâm dữ liệu.

Câu hỏi mấu chốt ở đây không phải là “SSD có thay thế HDD hay không,” mà là “dữ liệu nào nên được đặt ở đâu.” Khi dữ liệu AI tăng lên, dữ liệu nóng, ấm và lạnh đều tăng theo. SSD phù hợp hơn cho việc truy cập đọc/ghi thường xuyên, truy cập độ trễ thấp và truy xuất vector. HDD phù hợp hơn cho việc lưu trữ dung lượng lớn với chi phí thấp. Trong hầu hết các trường hợp, hai loại này có xu hướng cùng tồn tại theo từng tầng thay vì thay thế nhau trực tiếp.

Tóm tắt: Quy tắc cốt lõi của chuỗi lưu trữ AI rất đơn giản: dữ liệu càng gần GPU thì tốc độ càng quan trọng; dữ liệu càng xa GPU thì dung lượng và chi phí càng quan trọng. Độ co giãn đầu tư của HBM đến từ việc giải phóng hiệu năng của GPU AI. Độ co giãn của SSD doanh nghiệp đến từ suy luận (inference), RAG và truy cập dữ liệu nóng. Độ co giãn của HDD nearline đến từ hồ dữ liệu (data lake), sao lưu, nhật ký và việc mở rộng dung lượng của các nhà cung cấp đám mây. Khi phân tích các công ty khác nhau, bạn không nên chỉ hỏi liệu họ có phải là "cổ phiếu lưu trữ AI" hay không. Bạn cũng nên hỏi họ chiếm lĩnh tầng lưu trữ nào, doanh thu của họ phụ thuộc vào giá cả ở mức độ nào, khách hàng của họ là ai, và tình trạng nguồn cung khan hiếm có thể kéo dài hay không.

Những Chỉ Số Nào Bạn Nên Theo Dõi Trong Chuỗi Đầu Tư Hạ Tầng AI?

Để đánh giá chuỗi hạ tầng AI, bạn không thể chỉ nhìn vào các tiêu đề đưa tin rằng “nhu cầu AI đang mạnh mẽ.” Một cách tiếp cận thực tế hơn là theo dõi ba nhóm chỉ số: về phía cầu, chi tiêu vốn của các nhà cung cấp dịch vụ đám mây và khối lượng công việc AI; về phía cung, sản lượng và năng suất của HBM, NAND và HDD; về phía tài chính, tăng trưởng doanh thu, biên lợi nhuận gộp, hàng tồn kho, dòng tiền và mức độ tập trung khách hàng.

Chỉ báo quan trọng nhất phía cầu là chi phí đầu tư của các hyperscaler. Việc các nhà cung cấp dịch vụ đám mây có tiếp tục mở rộng trung tâm dữ liệu AI hay không sẽ quyết định tổng nhu cầu đối với GPU, HBM, máy chủ, SSD, HDD và thiết bị mạng. Chi tiêu liên quan đến huấn luyện tập trung nhiều hơn vào các cụm GPU và lưu trữ thông lượng cao. Chi tiêu liên quan đến suy luận (inference) đặt nhiều trọng tâm hơn vào chi phí, độ trễ, dữ liệu nóng và hiệu suất dịch vụ trực tuyến. Bạn không chỉ nên nhìn vào việc một công ty có nói "nhu cầu AI rất mạnh" hay không. Bạn cũng cần xem xét liệu các đơn hàng có thực sự chuyển thành lô hàng xuất kho, giá bán và biên lợi nhuận gộp hay không.

Các chỉ số về phía cung cần được phân tách theo từng danh mục. HBM chịu ràng buộc bởi các die DRAM, TSV, công nghệ đóng gói tiên tiến, năng suất và quá trình thẩm định của khách hàng. NAND chịu ảnh hưởng từ chu kỳ giá và nhu cầu SSD doanh nghiệp. HDD đòi hỏi phải chú ý đến HAMR, mật độ bề mặt, sản lượng exabyte nearline và các thỏa thuận cung ứng dài hạn. Trong quý IV của năm tài chính 2025, doanh thu của Cloud Memory Business Unit của Micron đạt 4,543 tỷ USD với biên lợi nhuận gộp 59% cho thấy khi nhu cầu từ trung tâm dữ liệu AI lan tỏa vào cơ cấu sản phẩm và giá cả, độ co giãn của lợi nhuận có thể rất đáng kể.

Có một khía cạnh khác dễ bị bỏ qua: chi phí giao dịch. Khi bạn tìm hiểu về các cổ phiếu hạ tầng AI, ngoài việc đánh giá tình hình cơ bản của công ty, bạn cũng cần hiểu rằng chi phí giao dịch thực tế có thể ảnh hưởng đến trải nghiệm nắm giữ và cân bằng lại danh mục của bạn. Chi phí giao dịch cổ phiếu Mỹ thường 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 khoản phí khác. Biya miễn phí hoa hồng cho giao dịch cổ phiếu Mỹ, trong khi phí nền tảng, phí đại lý bên ngoài và các khoản phí khác tuân theo thông tin hiển thị tại Phí giao dịch cổ phiếu Mỹ và trên trang đặt lệnh.Việc các dịch vụ liên quan có khả dụng hay không 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.

Nếu bạn cần theo dõi cổ phiếu Mỹ và cổ phiếu Hồng Kông trong chuỗi lưu trữ AI, bạn có thể sử dụng Biya để theo dõi biến động thị trường, các loại tài sản khả dụng và chi phí tài khoản. Bạn cũng có thể sử dụng tra cứu thông tin cổ phiếu Mỹ để sắp xếp các tên liên quan. Phí không phải là yếu tố quyết định lợi nhuận đầu tư, nhưng trong những tình huống biến động cao, tái cân bằng danh mục thường xuyên hoặc mua lẻ số lượng nhỏ, chúng có thể ảnh hưởng đến trải nghiệm giao dịch thực tế.

Tóm tắt: Đầu tư vào hạ tầng AI cần chuyển từ “phán đoán khái niệm” sang “kiểm chứng bằng chỉ số.” Về phía cầu, hãy nhìn vào chi tiêu vốn (capex) của các nhà cung cấp dịch vụ đám mây, sản lượng máy chủ AI, mức đồng thời xử lý suy luận (inference concurrency) và mức độ triển khai AI của doanh nghiệp. Về phía cung, hãy nhìn vào tỷ lệ năng suất của HBM, công nghệ đóng gói tiên tiến, giá NAND và kỷ luật cung ứng của ổ cứng HDD. Về phía tài chính, hãy nhìn vào doanh thu, biên lợi nhuận gộp, hàng tồn kho, dòng tiền và cơ cấu khách hàng. Chỉ khi nhu cầu thực sự chuyển hóa thành đơn hàng, giá cả và lợi nhuận, logic đầu tư của chuỗi lưu trữ AI mới trở nên vững chắc hơn.

Bạn Nên Nhìn Thấy Rủi Ro Gì Trong Khi Tích Cực Về Chuỗi Lưu Trữ AI?

Tích cực về chuỗi lưu trữ AI không có nghĩa là bỏ qua chu kỳ và định giá. Các rủi ro chính rơi vào ba nhóm: chi tiêu vốn của các nhà cung cấp dịch vụ đám mây chậm lại, việc mở rộng nguồn cung khiến giá lưu trữ giảm, và những thay đổi về kiến trúc công nghệ làm thay đổi cơ cấu nhu cầu. Nhu cầu AI mạnh mẽ, nhưng DRAM, NAND và HDD vẫn mang đặc điểm chu kỳ.

Rủi ro đầu tiên là sự chậm lại của chi tiêu vốn vào AI. Nếu các nhà cung cấp dịch vụ đám mây nhận thấy doanh thu từ suy luận (inference), mức độ sử dụng sức mạnh tính toán hoặc khả năng cung cấp điện không đạt kỳ vọng, chi tiêu vốn có thể tạm thời thu hẹp. GPU, HBM, máy chủ, SSD và HDD đều là những mắt xích trong cùng một chuỗi ngân sách hạ tầng, và sức mạnh hay sự suy yếu của nhu cầu có thể lan truyền qua nhiều phân khúc. Tình trạng khan hiếm trong ngắn hạn không nên được coi trực tiếp là sự thịnh vượng cao kéo dài, đặc biệt trong giai đoạn định giá cao, khi bất kỳ thay đổi nào về thời điểm đặt hàng đều có thể gây ra biến động giá cổ phiếu.

Rủi ro thứ hai là việc mở rộng nguồn cung. Giá HBM cao khuyến khích các nhà sản xuất mở rộng công suất. Giá NAND và HDD cao hơn cũng cải thiện ý muốn cung ứng nhiều hơn của ngành. Hàn Quốc đã khởi động các kế hoạch đầu tư quy mô lớn xoay quanh bán dẫn, HBM và các trung tâm dữ liệu AI. Bài đưa tin của Reuters về kế hoạch đầu tư AI và chip của Hàn Quốc cho thấy tầm quan trọng chiến lược ở một mặt, nhưng cũng nhắc bạn chú ý đến áp lực chu kỳ trong tương lai sau khi nguồn cung được mở rộng.

Rủi ro thứ ba là sự thay đổi lộ trình công nghệ. Lượng hóa mô hình, thưa hóa (sparsity), MoE, gộp bộ nhớ CXL, dỡ KV cache ra ngoài, và xử lý gần dữ liệu đều có thể thay đổi nhu cầu tương đối đối với HBM, DRAM, SSD và HDD. Tối ưu hóa phần mềm có thể cải thiện hiệu suất sử dụng phần cứng, đồng thời cũng có thể làm giảm nhu cầu phần cứng trên mỗi đơn vị suy luận. SSD và HDD không nằm trong mối quan hệ thay thế đơn giản. Trong tương lai, chúng nhiều khả năng sẽ được phân tầng theo nhiệt độ dữ liệu và chi phí.

Nhà đầu tư nên tránh những sai lầm sau:

1. Coi tất cả các công ty lưu trữ đều là những bên hưởng lợi từ HBM.
2. Chỉ nhìn vào tăng trưởng doanh thu mà bỏ qua biên lợi nhuận gộp và hàng tồn kho.
3. Chỉ nhìn vào huấn luyện AI mà bỏ qua việc thương mại hóa suy luận (inference).
4. Bỏ qua mức độ tập trung khách hàng và định giá hợp đồng dài hạn.
5. Coi biến động giá theo chu kỳ là logic tăng trưởng vĩnh viễn của cổ phần tăng trưởng.
6. Chỉ nhìn vào các công ty nổi tiếng mà bỏ qua định giá và dòng tiền.

Tóm tắt: Chuỗi lưu trữ AI kết hợp logic tăng trưởng và logic chu kỳ. Đây không phải là một lĩnh vực một chiều có rủi ro thấp. HBM gần với logic tăng trưởng của GPU AI hơn, nhưng cũng có rủi ro lớn hơn về mức độ tập trung khách hàng, năng lượng đóng gói và vòng lặp công nghệ. SSD và HDD chịu ảnh hưởng nhiều hơn từ chu kỳ giá cả, hàng tồn kho và kỷ luật cung ứng. Cách tiếp cận thận trọng hơn là nhìn đồng thời vào động lực ngành, cung cầu, định giá và kiểm chứng tài chính. Trước khi giao dịch, bạn cũng nên hiểu rõ quy tắc của nền tảng, cấu trúc phí và mức độ chấp nhận rủi ro của bản thân. Thông tin thị trường công khai không cấu thành lời khuyên đầu tư.

Nếu bạn tập trung đầu tư vào hạ tầng AI, bạn không nhất thiết chỉ phải nhìn vào các ông trùm GPU. Một khung quan sát toàn diện hơn là xem xét cùng lúc HBM, DRAM, NAND, SSD doanh nghiệp, HDD Nearline, thiết bị trung tâm dữ liệu, chi tiêu vốn (capex) của nhà cung cấp dịch vụ đám mây và chi phí giao dịch. Bạn có thể trước tiên dùng logic chuỗi ngành để sàng lọc các hướng đi, sau đó dùng doanh thu, biên lợi nhuận gộp, hàng tồn kho và dòng tiền để xác minh chu kỳ. Nếu các dịch vụ liên quan có sẵn tại khu vực của bạn, bạn cũng có thể đăng ký tài khoản để khám phá thêm hỗ trợ giao dịch đa tài sản của Biya. Việc các dịch vụ như cổ phiếu Mỹ, cổ phiếu Hồng Kông và tài sản số có sẵn hay không phụ thuộc vào vị trí của người dùng, kết quả xác minh danh tính, quy tắc của nền tảng và các luật, quy định hiện hành.Mọi quyết định giao dịch nên dựa trên mục tiêu cá nhân, mức độ chấp nhận rủi ro và thông tin phí đầy đủ.

Câu hỏi thường gặp

Tại Sao Nhà Đầu Tư Hạ Tầng AI Không Chỉ Nên Nhìn Vào GPU?

Nhà đầu tư hạ tầng AI không chỉ nên nhìn vào GPU vì GPU cần HBM, bộ lưu trữ, mạng, điện năng và làm mát để hoạt động hiệu quả. GPU quyết định giới hạn trên của sức mạnh tính toán, nhưng HBM quyết định việc dữ liệu có thể nhanh chóng đi vào đơn vị tính toán hay không, trong khi SSD và HDD quyết định việc dữ liệu huấn luyện, cơ sở dữ liệu vector và nhật ký có thể được lưu trữ và truy cập hiệu quả hay không.

Sự Khác Biệt Giữa HBM và DRAM Thông Thường Trong AI Là Gì?

HBM nằm gần GPU hơn và tập trung vào băng thông cao, độ trễ thấp và đóng gói mật độ cao. DRAM thông thường chủ yếu đóng vai trò là bộ nhớ hệ thống bên trong máy chủ. Huấn luyện và suy luận AI liên quan đến việc di chuyển dữ liệu cường độ cao, vì vậy HBM ảnh hưởng trực tiếp hơn đến thông lượng GPU cao cấp, độ dài ngữ cảnh và khả năng suy luận đồng thời.

Sự Tăng Trưởng Của Suy Luận AI Thúc Đẩy Nhu Cầu Lưu Trữ Như Thế Nào?

Sự tăng trưởng của suy luận AI thúc đẩy nhu cầu về KV cache, cơ sở dữ liệu vector, thư viện tài liệu RAG, nhật ký người dùng và truy cập dữ liệu nóng. HBM và DRAM xử lý bộ nhớ gần (near-memory) và bộ nhớ đệm hệ thống, SSD doanh nghiệp hỗ trợ truy xuất độ trễ thấp, còn HDD và lưu trữ đối tượng (object storage) đảm nhận việc lưu trữ dữ liệu dài hạn.

Tại Sao HDD Gần Tuyến (Nearline) Vẫn Quan Trọng Đối Với Trung Tâm Dữ Liệu AI?

HDD Nearline vẫn quan trọng vì chúng mang lại lợi thế về dung lượng lớn và chi phí lưu trữ trên mỗi đơn vị thấp hơn. Các trung tâm dữ liệu AI không chỉ cần dữ liệu nóng có tốc độ cao, mà còn cần lưu trữ dài hạn cho kho ngữ liệu huấn luyện, nhật ký, sao lưu, lưu trữ và các phiên bản mô hình. Đối với dữ liệu lạnh và ấm, HDD vẫn là nền tảng dung lượng quan trọng.

Nhà đầu tư phổ thông có thể đánh giá rủi ro của cổ phiếu lưu trữ AI như thế nào?

Nhà đầu tư phổ thông nên xem xét nhu cầu, giá cả, hàng tồn kho, biên lợi nhuận gộp, mức độ tập trung khách hàng và định giá. Ngành lưu trữ có tính chu kỳ cao, và sự tăng giá ngắn hạn không đồng nghĩa với sự chắc chắn dài hạn. Khi có giao dịch mua bán, cũng cần cân nhắc quy tắc của nền tảng, chi tiết hóa đơn và các yêu cầu giám sát tại địa phương.

Chuỗi lưu trữ AI phù hợp hơn với đầu tư dài hạn hay giao dịch theo chu kỳ?

Việc chuỗi lưu trữ AI có phù hợp với đầu tư dài hạn hay không phụ thuộc vào định vị của công ty và mức độ chấp nhận rủi ro cá nhân. HBM gắn liền hơn với tăng trưởng của GPU AI, trong khi SSD và HDD chịu ảnh hưởng nhiều hơn từ chu kỳ giá. Trước khi thực hiện bất kỳ giao dịch nào, nhà đầu tư nên cân nhắc cùng lúc dữ liệu tài chính, định giá, cấu trúc phí và các yêu cầu tuân thủ.