HBM, NAND, hay HDD: Tuyến Lưu Trữ AI Nào Là Trực Tiếp Nhất? So Sánh Mức Độ Thuần Khiết Về Mặt Kinh Doanh

Nếu bạn chỉ hỏi tuyến đường lưu trữ AI nào trực tiếp nhất, câu trả lời là HBM. Nếu bạn hỏi tuyến đường nào có phạm vi hưởng lợi rộng nhất từ sự tăng trưởng dữ liệu AI, thì NAND/SSD doanh nghiệp và HDD cũng có vai trò rõ ràng. HBM nằm gần nhất với GPU và bộ tăng tốc AI. NAND/SSD hỗ trợ việc tải mô hình, lưu cache và truy cập dữ liệu tốc độ cao. HDD xử lý khối lượng lớn dữ liệu lạnh, nhật ký, sao lưu và lưu trữ dài hạn. Để đánh giá giá trị đầu tư, bạn không thể chỉ hỏi một công ty có được hưởng lợi từ AI hay không. Bạn cũng cần so sánh mức độ thuần khiết của mảng kinh doanh, quyền định giá, cơ cấu khách hàng, ràng buộc nguồn cung và kỳ vọng định giá.

Những điểm chính:

• HBM gần với các nút tính toán AI nhất và là con đường lưu trữ AI trực tiếp nhất.
• NAND/SSD doanh nghiệp nằm ở tầng giữa, nhu cầu rộng nhưng chu kỳ phức tạp hơn.
• HDD được lợi từ việc tích lũy dữ liệu AI và gắn liền hơn với tăng trưởng dung lượng dài hạn.
• Mức độ thuần khiết về kinh doanh phụ thuộc vào nguồn doanh thu, chứ không chỉ dựa vào việc công ty có nhắc đến AI hay không.
• HBM có độ nhạy tăng trưởng mạnh nhất, nhưng cũng đối mặt với rủi ro cao hơn về đóng gói, năng suất và sự tập trung khách hàng.
• Nhà đầu tư nên theo dõi ASP, biên lợi nhuận gộp, hàng tồn kho và đơn hàng từ khách hàng đám mây cùng nhau.

Lưu trữ AI Không Phải Là Một Tuyến Đơn Nhất, Mà Là Một Hệ Thống Phân Tầng

Lưu trữ AI không nên bị quy giản thành "mua ổ cứng" hay "mua bộ nhớ." Một cách nhìn chính xác hơn là trung tâm dữ liệu AI dựa vào một hệ thống phân cấp bộ nhớ hoàn chỉnh. Gần nhất với bộ tính toán là HBM và DDR. Tầng giữa bao gồm SSD NVMe, SSD doanh nghiệp, và bộ nhớ mở rộng CXL. Xa hơn là HDD nearline, lưu trữ đối tượng (object storage), và các hệ thống lưu trữ lưu档. Để so sánh HBM, NAND, và HDD, trước tiên bạn cần hiểu vị trí của từng loại trong quá trình huấn luyện AI, suy luận (inference), và lưu trữ dữ liệu dài hạn.

Vị trí của HBM, NAND, và HDD trong Trung tâm Dữ liệu AI

HBM là viết tắt của High Bandwidth Memory (Bộ nhớ Băng thông Cao). Đây là DRAM băng thông cao, không phải ổ lưu trữ truyền thống. Nó thường hoạt động bên cạnh GPU, bộ tăng tốc AI hoặc ASIC tùy chỉnh, giải quyết nút thắt cổ chai băng thông bộ nhớ trong quá trình huấn luyện và suy luận mô hình. NAND Flash thường xuất hiện dưới dạng SSD, cung cấp khả năng đọc dữ liệu dung lượng lớn hơn với độ trễ thấp hơn, dùng cho việc tải trọng số mô hình, lưu điểm kiểm tra (checkpointing) và bộ nhớ đệm. HDD chậm hơn, nhưng chúng mang lại chi phí thấp trên mỗi terabyte và phù hợp để lưu trữ khối lượng lớn dữ liệu.

Trong phần giải thích kỹ thuật của NVIDIA về GPU Blackwell Ultra, dung lượng và băng thông HBM được trình bày như một phần của khung năng lực AI Factory. Điều này cho thấy HBM không còn chỉ là một linh kiện. Nó là một phần của thiết kế nền tảng tính toán AI. Ngược lại, NAND và HDD thuộc về các tầng khác nhau trong kiến trúc lưu trữ trung tâm dữ liệu rộng lớn hơn.

Huấn luyện, suy luận và lưu trữ dài hạn thúc đẩy những nhu cầu khác nhau

Việc huấn luyện AI thúc đẩy trực tiếp nhất nhu cầu HBM vì việc huấn luyện các mô hình lớn thường bị giới hạn bởi băng thông bộ nhớ. Suy luận (inference) cũng phụ thuộc vào HBM, đặc biệt trong các tình huống ngữ cảnh dài, đồng thời cao và thông lượng lớn. Nhưng suy luận cũng làm mở rộng nhu cầu SSD vì trọng số mô hình, chỉ mục vector, dữ liệu RAG và nhật ký đều cần được truy cập hiệu quả. Về lâu dài, AI sẽ tạo ra một khối lượng lớn dữ liệu mới, bao gồm dữ liệu huấn luyện, dữ liệu tổng hợp, nhật ký tương tác người dùng, hình ảnh và video. Phần nhu cầu này có khả năng cao sẽ đổ vào HDD và lưu trữ đối tượng (object storage).

Đó là lý do vì sao "trực tiếp nhất" không có nghĩa là "người thụ hưởng duy nhất". HBM giải quyết vấn đề băng thông bên trong node tính toán. NAND/SSD giải quyết việc truy cập dữ liệu tốc độ cao. HDD giải quyết dung lượng khổng lồ và lưu trữ chi phí thấp.

Tóm tắt: Nếu bạn chỉ dùng một dòng để hiểu về lưu trữ dữ liệu cho AI, bạn rất dễ hiểu sai chuỗi cung ứng. HBM là con đường gần nhất với bộ tăng tốc AI. NAND/SSD doanh nghiệp là tầng trung gian trong luồng di chuyển dữ liệu AI. HDD là nền tảng dung lượng sau khi dữ liệu AI tích lũy. Cả ba đều có thể được lợi từ chi phí đầu tư vào AI, nhưng thông qua các cơ chế khác nhau. HBM phụ thuộc vào sản lượng xuất xưởng GPU/ASIC và cấu hình bộ nhớ băng thông cao. NAND phụ thuộc vào SSD doanh nghiệp, QLC/TLC, việc nạp mô hình và bộ nhớ đệm cho suy luận (inference caching). HDD phụ thuộc vào nhu cầu mua dung lượng nearline từ các hyperscaler, lưu trữ dữ liệu dài hạn và chi phí trên mỗi terabyte. Để so sánh mức độ thuần khiết kinh doanh, câu hỏi đầu tiên không phải là một công ty nhắc đến AI bao nhiêu lần, mà là sản phẩm của công ty đó gần với các nút tính toán AI đến đâu và bao nhiêu phần doanh thu gắn liền với nhu cầu đó.

HBM Là Con Đường Trực Tiếp Nhất, Được Thúc Đẩy Bởi GPU, ASIC và Bộ Nhớ Băng Thông Cao

HBM là lợi ích lưu trữ AI trực tiếp nhất trong ba con đường vì nó được đóng gói xung quanh GPU AI, bộ tăng tốc AI, hoặc ASIC tùy chỉnh. Nó ảnh hưởng trực tiếp đến băng thông bộ nhớ, dung lượng và hiệu suất năng lượng trong quá trình huấn luyện và suy luận mô hình. Bạn có thể hình dung HBM như một bể nhớ tốc độ cao nằm ngay cạnh chip AI. Khi các chip AI tiếp tục tăng mật độ tính toán, dung lượng HBM, chiều cao xếp chồng, băng thông và nhu cầu đóng gói tiên tiến cũng tăng theo.

Tại Sao HBM Gần Nhất Với Năng Lực Tính Toán AI

Các tham số mô hình AI, các giá trị kích hoạt, bộ nhớ đệm KV và kết quả tính toán trung gian đều đòi hỏi khả năng truy cập đọc ghi tốc độ cao. GPU càng mạnh mẽ thì các đơn vị tính toán càng dễ bị nhàn rỗi nếu băng thông bộ nhớ không theo kịp. Đó chính là nơi HBM phát huy vai trò: thông qua xếp chồng 3D, TSV, I/O rộng và đóng gói tiên tiến, nó đặt băng thông cao hơn gần hơn với lõi tính toán.

Mô tả sản phẩm HBM3E của Micron nhấn mạnh băng thông trên 1.2TB/s và các trường hợp sử dụng AI. Tiêu chuẩn JESD270-4 HBM4 của JEDEC cũng xác định băng thông cao hơn, hiệu suất năng lượng cao hơn và dung lượng cao hơn là những nâng cấp then chốt cho AI và HPC. [HBM4](https://news.samsung. của Samsungcom/global/samsung-ships-industry-first-commercial-hbm4-with-ultimate-performance-for-ai-computing) dự kiến doanh số HBM năm 2026 sẽ tăng hơn ba lần so với năm 2025, cho thấy HBM đã phát triển một đường cầu được thúc đẩy bởi AI mạnh mẽ hơn, tách biệt khỏi chu kỳ bộ nhớ truyền thống.

Cách đánh giá mức độ thuần khiết kinh doanh HBM

SK hynix, Micron, và Samsung đều là những nhà cung cấp HBM quan trọng, nhưng mức độ thuần khiết trong hoạt động kinh doanh của họ khác nhau. SK hynix có câu chuyện thị trường tập trung hơn vào HBM, DRAM máy chủ và bộ nhớ AI. Sau khi tăng doanh số bán HBM và DRAM máy chủ dung lượng cao, tác động của nhu cầu AI đối với kết quả kinh doanh của SK hynix dễ được thị trường nhận diện hơn. Exposure AI của Micron đến từ HBM, DRAM và SSD trung tâm dữ liệu, do đó đây không phải là công ty chỉ đi một con đường, nhưng nó mang lại phạm vi bao phủ lưu trữ AI rộng hơn. Samsung lớn hơn nhiều và trải rộng trên các lĩnh vực DRAM, NAND, điện thoại thông minh, màn hình, sản xuất đúc và thiết bị điện tử tiêu dùng, điều này làm giảm độ nhạy của công ty này đối với lưu trữ AI.

Khi đánh giá độ tinh khiết của HBM, cần tập trung vào ba điểm: tỷ trọng doanh thu HBM trong doanh thu DRAM, việc HBM có gắn với NVIDIA, AMD, Google TPU hay các khách hàng ASIC khác hay không, và việc đóng gói tiên tiến, năng suất cũng như chứng nhận nguồn cung có ổn định hay không.

Tóm tắt: HBM là con đường lưu trữ AI trực tiếp nhất vì nó tạo thành một phần của nút tính toán cùng với GPU AI, ASIC và đóng gói nâng cao. Tăng trưởng của nó không đến từ ý niệm mơ hồ rằng "dữ liệu đang tăng lên." Nó đến từ các mô hình lớn hơn, độ đồng thời suy luận cao hơn và yêu cầu mạnh mẽ hơn về băng thông và dung lượng bộ nhớ trong các bộ tăng tốc AI. Nhưng con đường càng trực tiếp thì rủi ro càng tập trung. Việc thẩm định khách hàng, năng lực đóng gói, năng suất, giá cả và kỳ vọng định giá đều có thể khuếch đại biến động. Bạn không chỉ nên tập trung vào độ nhạy cảm tăng giá cao của HBM. Bạn cũng cần nhận thức rằng đây là một phân khúc có rào cản cao, thâm dụng vốn và tập trung vào khách hàng.Đối với các nhà đầu tư, HBM nên được nhìn nhận như một chỉ số quan trọng về đà tăng trưởng của điện toán AI, chứ không đơn thuần là một tài sản lưu trữ có rủi ro thấp.

NAND/SSD Doanh nghiệp là Tầng Trung gian, với Nhu cầu Rộng hơn nhưng Độ Thuần khiết Phức tạp hơn

NAND/SSD doanh nghiệp không phải là con đường lưu trữ AI trực tiếp nhất, nhưng chúng có thể mang lại mức độ tiếp xúc rộng nhất với luồng di chuyển dữ liệu AI. Chúng không nằm ngay cạnh GPU, nhưng lại hỗ trợ việc tải trọng lượng mô hình, đọc dữ liệu huấn luyện, lưu checkpoint, cơ sở dữ liệu vector, bộ nhớ đệm suy luận (inference caching) và lưu trữ ấm (warm storage). Nếu bạn quan tâm đến việc AI chuyển từ huấn luyện sang suy luận quy mô lớn, tầm quan trọng của NAND/SSD tăng lên đáng kể. Tuy nhiên, con đường này vẫn chịu ảnh hưởng từ thiết bị điện tử tiêu dùng, PC, điện thoại thông minh và các chu kỳ IT doanh nghiệp truyền thống.

Những giải pháp NAND mang lại cho trung tâm dữ liệu AI

AI tạo sinh cần nhiều hơn HBM. Nó cũng cần một lượng lớn bộ nhớ không bay hơi có độ trễ thấp. Trong quá trình huấn luyện, SSD hỗ trợ đọc bộ dữ liệu thông lượng cao và lưu trữ điểm kiểm tra. Trong quá trình suy luận, SSD hỗ trợ tải mô hình, bộ nhớ đệm dữ liệu nóng, chỉ mục vector, nhật ký và lưu giữ ngữ cảnh người dùng. Phân tích của McKinsey về SSD doanh nghiệp chỉ ra rằng việc ứng dụng AI tạo sinh đang thúc đẩy nhu cầu về SSD trong máy chủ và đơn vị lưu trữ dữ liệu.

Hiệu suất của Micron cũng cho thấy NAND không còn chỉ là sự mở rộng của chu kỳ điện tử tiêu dùng. Trong Quý tài chính 3 năm 2026, Micron báo cáo doanh thu kỷ lục, và các tài liệu báo cáo lợi nhuận của công ty lưu ý rằng doanh thu SSD cho trung tâm dữ liệu vượt 5 tỷ USD, tăng hơn gấp đôi so với quý trước. SanDisk báo cáo trong quý tài chính thứ hai năm 2026 cho biết doanh thu từ trung tâm dữ liệu đã tăng 64% so với quý trước, được thúc đẩy bởi các nhà xây dựng hạ tầng AI và việc triển khai AI quy mô lớn bởi các khách hàng công nghệ.

Vì Sao Độ Thuần Khiết Kinh Doanh NAND Phức Tạp Hơn

Các công ty NAND cũng có thể hưởng lợi từ AI, nhưng độ thuần khiết của họ kém rõ ràng hơn HBM. NAND được sử dụng trong nhiều thị trường: điện thoại thông minh, PC, SSD tiêu dùng, thẻ lưu trữ, SSD doanh nghiệp và lưu trữ trung tâm dữ liệu. Điều này có nghĩa là tổng doanh thu và ASP chịu ảnh hưởng từ nhiều yếu tố hơn là chỉ có AI. SanDisk gần hơn với một công ty Flash/NAND có độ thuần khiết cao. Micron và Samsung là các công ty hỗn hợp DRAM, HBM và NAND. Khi bạn thấy kết quả cải thiện tại một công ty NAND, bạn cần phân biệt xem SSD trung tâm dữ liệu có phải là động lực thực sự hay không, hay mức cải thiện chủ yếu là do giá NAND hồi phục.

NAND nằm giữa HBM và HDD. Nó rẻ hơn và có dung lượng lớn hơn HBM, nhưng không thể thay thế băng thông của HBM. Nó nhanh hơn nhiều so với HDD, nhưng chi phí trên mỗi terabyte lại cao hơn. Khi suy luận AI mở rộng quy mô và các dịch vụ mô hình đi sâu hơn vào giai đoạn vận hành thực tế, giá trị của SSD trở nên rõ ràng hơn.

Tóm tắt: NAND/SSD doanh nghiệp là tầng trung gian trong ba hướng lưu trữ AI. Chúng không gần lõi tính toán như HBM, nhưng trở nên quan trọng khi AI chuyển từ giai đoạn thí nghiệm huấn luyện sang triển khai production. Việc tải mô hình, cơ sở dữ liệu vector, caching, checkpointing, logs và lưu trữ ấm đều phụ thuộc vào bộ nhớ không bay hơi tốc độ cao. Để đánh giá hướng đi NAND, bạn không thể chỉ nói “nhu cầu AI rất mạnh.” Bạn cần xem xét tỷ trọng SSD doanh nghiệp, tăng trưởng khách hàng trung tâm dữ liệu, cơ cấu sản phẩm QLC/TLC, xu hướng ASP của NAND, và sức kéo từ thiết bị điện tử tiêu dùng. Điểm mạnh của NAND là tính ứng dụng rộng. Rủi ro của nó cũng nằm ở chính tính ứng dụng rộng đó: nó có thể hưởng lợi từ tăng trưởng trung tâm dữ liệu AI, nhưng vẫn chịu ảnh hưởng từ chu kỳ của các thị trường cuối truyền thống.

HDD Gắn Liền Với Việc Tích Lũy Dữ Liệu Dài Hạn, Khách Hàng Đám Mây Và Dữ Liệu Lạnh

HDD không phải là con đường lưu trữ AI trực tiếp nhất, nhưng chúng vẫn có thể là người hưởng lợi lâu dài từ sự tăng trưởng dữ liệu AI. Lý do rất đơn giản: AI không chỉ tiêu thụ dữ liệu huấn luyện. Nó liên tục tạo ra dữ liệu mới, bao gồm nhật ký suy luận (inference logs), hình ảnh, video, tập dữ liệu tổng hợp, hồ sơ kinh doanh, bản sao lưu và lưu trữ tuân thủ. HDD không phải về tốc độ. Lợi thế cốt lõi của chúng là chi phí trên mỗi terabyte, mật độ dung tích và tính kinh tế khi triển khai quy mô lớn. Chúng nên được hiểu là nền tảng dung tích lâu dài của các trung tâm dữ liệu AI.

Tại Sao HDD Vẫn Quan Trọng

Cơ sở hạ tầng AI càng lớn thì càng phải phân tầng nhiều dữ liệu. Dữ liệu nóng và dữ liệu được truy cập thường xuyên nằm trên HBM, DRAM, SSD hoặc lưu trữ đối tượng hiệu suất cao. Dữ liệu có tần suất truy cập thấp, thời gian lưu trữ dài và nhạy cảm về chi phí phù hợp hơn với HDD. Khung AI Data Cycle của Western Digital nhấn mạnh rằng các workload AI đòi hỏi sự kết hợp của nhiều loại phương tiện lưu trữ khác nhau thay vì một phương tiện duy nhất giải quyết mọi vấn đề.

Sau khi hoàn tất việc tách doanh nghiệp Flash theo kế hoạch, ranh giới kinh doanh của Western Digital trở nên tập trung hơn vào HDD và hạ tầng trung tâm dữ liệu. Trong phần thảo luận về lưu trữ phân tầng, WD lưu ý rằng lưu trữ phân tầng đã trở thành một kiến trúc thực tiễn cho hạ tầng hyperscale và AI. Seagate là đại diện tiêu biểu hơn cho lưu trữ dung lượng lớn. Kết quả Quý tài chính 3 năm 2026 của công ty cho thấy doanh thu đạt 3 đô la.11 tỷ và biên lợi nhuận gộp GAAP là 46,5%, phản ánh việc chu kỳ ổ cứng nearline HDD đang cải thiện có thể khuếch đại khả năng sinh lời.

Logic đầu tư vào HDD ngày càng giống một chu kỳ công suất

HBM đi theo lượng xuất xưởng của bộ tăng tốc AI. NAND/SSD đi theo nhu cầu truy cập dữ liệu tốc độ cao. HDD đi theo chu kỳ mua sắm công suất của điện toán đám mây và lưu trữ dữ liệu dài hạn. Câu hỏi then chốt đối với Seagate và WD không phải là liệu một chiếc ổ cứng đơn lẻ có "AI hơn" hay không. Mà là liệu các nhà cung cấp siêu quy mô (hyperscaler) có tiếp tục tăng mua ổ HDD nearline hay không, liệu các ổ dung lượng cao có chiếm tỷ trọng lớn hơn không, liệu kỷ luật giá có được duy trì hay không, và liệu khả năng nhìn thấy đơn hàng có được cải thiện hay không.

Kết quả tài chính quý 3 năm 2026 của WD báo cáo doanh thu 3,337 tỷ USD, tăng 45% so với cùng kỳ năm trước, với biên lợi nhuận gộp GAAP là 50,2%. Loại dữ liệu này cho thấy HDD không phải là một công nghệ lỗi thời. Nó vẫn tiếp tục đóng vai trò trong tầng dung lượng của các trung tâm dữ liệu đám mây. Tuy nhiên, rủi ro của HDD cũng rất rõ ràng: mức độ tập trung khách hàng đám mây cao, tốc độ nâng cấp công nghệ chậm hơn so với bán dẫn, độ nhạy cảm về nhu cầu thấp hơn HBM, và biến động giá cổ phiếu xoay quanh đơn hàng, biên lợi nhuận và định giá.

Tóm tắt: HDD là lộ trình lưu trữ AI kém hấp dẫn nhất trong ba lộ trình, nhưng điều đó không có nghĩa là nó không quan trọng. Càng nhiều dữ liệu mà AI tạo ra, nhu cầu lưu trữ dài hạn, sao lưu, lưu trữ dữ liệu và dung lượng chi phí thấp càng lớn. Điều đó hỗ trợ cho nhu cầu HDD nearline. Điểm yếu của nó là ở xa các nút tính toán AI hơn, do đó độ nhạy cảm của giá cổ phiếu thường thấp hơn HBM. Điểm mạnh của nó là mô hình kinh doanh tập trung hơn, khả năng cạnh tranh mạnh về chi phí trên mỗi terabyte, và tiềm năng phục hồi biên lợi nhuận từ việc mua sắm quy mô lớn của các nhà cung cấp đám mây. Khi đánh giá lộ trình HDD, bạn không nên so sánh băng thông của nó với HBM. Bạn nên xem xét khối lượng xuất khẩu tính theo exabyte, tỷ trọng ổ đĩa dung lượng cao, các thỏa thuận dài hạn với hyperscaler, biên lợi nhuận gộp, và kỷ luật cung ứng.

So sánh độ thuần khiết kinh doanh AI: Ai trông giống cổ phiếu lưu trữ AI thực thụ, và ai chỉ đang bị kéo theo chu kỳ AI?

Để quyết định xem một công ty lưu trữ có phải là "cổ phiếu lưu trữ AI thực thụ" hay không, đừng chỉ nhìn vào việc công ty có công bố tin tức liên quan đến AI hay không. Một phương pháp hữu ích hơn là xem xét năm yếu tố: sản phẩm của công ty có được đưa vào các nút tính toán AI hay không, tỷ trọng doanh thu từ trung tâm dữ liệu cao đến đâu, khách hàng AI có mua trực tiếp hay không, giá cả có chủ yếu bị chi phối bởi cung-cầu của AI hay không, và công ty có bị pha loãng bởi điện tử tiêu dùng, điện thoại thông minh, PC hay chu kỳ CNTT doanh nghiệp truyền thống hay không. Xét theo mức độ trực tiếp, thứ tự là HBM > NAND/SSD doanh nghiệp > HDD. Xét theo mức độ tiếp xúc với quy mô dữ liệu dài hạn, cả ba con đường đều có vai trò của riêng mình.

Xây dựng khung đánh giá độ thuần khiết lưu trữ AI

Độ thuần khiết lưu trữ AI có thể được chia thành độ thuần khiết kỹ thuật và độ thuần khiết doanh thu. Độ thuần khiết kỹ thuật đo lường mức độ gần của sản phẩm với lõi tính toán AI. Độ thuần khiết doanh thu đo lường mức độ đóng góp của các sản phẩm liên quan đến AI vào tổng doanh thu và lợi nhuận. Ví dụ, HBM có độ thuần khiết kỹ thuật cao nhất. Nhưng nếu một công ty có nhiều ngành kinh doanh không phải lưu trữ, nhà đầu tư có thể cảm thấy mức độ tiếp xúc trực tiếp với AI ít hơn. Ngược lại, ổ cứng HDD của Seagate không nằm gần GPU, nhưng hoạt động kinh doanh của công ty này tập trung, do đó chu kỳ công suất điện toán đám mây có tác động rõ ràng hơn đến kết quả kinh doanh của công ty.

Con Đường Thuần Khiết Nhất Không Phải Luôn Là Món Mua Tốt Nhất

Thị trường giao dịch dựa trên khoảng cách kỳ vọng, chứ không chỉ dựa trên tính thuần khiết của doanh nghiệp. HBM là con đường trực tiếp nhất, nhưng định giá có thể đã phản ánh phần lớn tiềm năng tăng giá. NAND/SSD có mức độ tiếp cận rộng, nhưng sự yếu kém của điện tử tiêu dùng vẫn có thể gây áp lực lên kết quả kinh doanh. HDD có hoạt động kinh doanh tập trung, nhưng cổ phiếu của chúng thường phụ thuộc vào đơn hàng từ khách hàng điện toán đám mây, biên lợi nhuận gộp và vị trí chu kỳ. Những lo ngại gần đây của thị trường xung quanh giá AI và bộ nhớ trong các cổ phiếu chip Hàn Quốc cũng cho thấy kết quả kinh doanh mạnh không phải lúc nào cũng dẫn đến mức tăng giá cổ phiếu tiếp theo. Câu hỏi then chốt là liệu thị trường có tin rằng chu kỳ giá và chi tiêu vốn AI có thể tiếp tục hay không.

Một cách thực tế để khung hoá ba con đường:

• Con đường trực tiếp nhất: HBM, hữu ích để theo dõi động lực của bộ tăng tốc AI.
• Con đường rộng nhất: NAND/SSD doanh nghiệp, hữu ích để theo dõi việc triển khai sản xuất AI và mở rộng suy luận.
• Con đường công suất: HDD, hữu ích để theo dõi việc tích luỹ dữ liệu của các nhà cung cấp hạ tầng quy mô lớn và lưu trữ dài hạn.
• Độ thuần khiết cao nhất không đồng nghĩa với rủi ro thấp nhất: Định giá, khách hàng, nguồn cung và chu kỳ giá cả vẫn rất quan trọng.
• Lưu trữ AI không phải là thị trường một nhà thắng lớn: Các tầng khác nhau giải quyết các vấn đề khác nhau.

Tóm tắt: Độ thuần khiết về mặt kinh doanh không đơn thuần là вопрос về công ty nào “trông có vẻ AI nhất.” Đó là kết quả của định vị sản phẩm, cơ cấu doanh thu, cơ cấu khách hàng, và yếu tố định giá. HBM thuần khiết nhất về mặt kỹ thuật vì nó trực tiếp phục vụ GPU và ASIC. NAND/SSD doanh nghiệp có phạm vi ứng dụng rộng hơn vì chúng hỗ trợ việc di chuyển dữ liệu AI. HDD có thể tập trung hơn ở cấp độ kinh doanh vì việc mua sắm dung lượng của các nhà cung cấp dịch vụ đám mây có tác động rõ ràng hơn đến doanh thu. Đối với quyết định đầu tư, bạn không nên xếp hạng ba con đường này một cách tuyệt đối là tốt hay xấu. Thay vào đó, hãy tự hỏi: kỳ vọng về AI đã được phản ánh bao nhiêu vào giá cổ phiếu? Doanh thu đã thực sự được thúc đẩy đáng kể bởi khách hàng AI chưa? Việc cải thiện biên lợi nhuận có bền vững không? Việc mở rộng nguồn cung có thể làm suy yếu giá cả không?Những câu hỏi này quan trọng hơn việc chỉ đơn giản dán nhãn một công ty là cổ phiếu lưu trữ AI.

Cách Nhà đầu tư Xây dựng Danh sách Theo dõi trên Cả Ba Con đường

Nhà đầu tư cá nhân khi so sánh HBM, NAND và HDD không cần phải trở thành kỹ sư bán dẫn trước. Điều họ cần là một danh sách theo dõi có cấu trúc. Đối với HBM, hãy theo dõi tỷ lệ gắn chip AI, sản lượng giao hàng HBM3E/HBM4, đóng gói tiên tiến và chứng nhận của khách hàng. Đối với NAND/SSD, hãy theo dõi SSD trung tâm dữ liệu, giá bán trung bình NAND, tỷ lệ QLC/TLC và nhu cầu suy luận. Đối với HDD, hãy theo dõi HDD nearline, sản lượng tính theo exabyte, tỷ lệ ổ dung lượng cao và các thỏa thuận dài hạn với hyperscaler. Sau đó, bổ sung định giá, chi phí giao dịch và rủi ro thực thi.

Điều Cần Theo dõi cho Mỗi Con đường

Với tuyến HBM, hãy tập trung vào bốn chỉ số: sản lượng giao hàng HBM, tỷ trọng doanh thu HBM trong DRAM, việc được khách hàng chứng nhận, và năng lực đóng gói tiên tiến. Với tuyến NAND, hãy theo dõi doanh thu SSD doanh nghiệp, tỷ trọng khách hàng trung tâm dữ liệu, giá bán trung bình NAND, và nhu cầu thiết bị điện tử tiêu dùng. Với tuyến HDD, hãy theo dõi sản lượng giao hàng HDD gần tuyến, giá theo dung lượng đơn vị, mức độ phổ biến của ổ đĩa dung lượng cao, đơn hàng từ khách hàng điện toán đám mây, và kỷ luật nguồn cung.

Chi phí giao dịch và quy tắc giao dịch cũng quan trọng

Khi bạn thêm SK hynix, Micron, Samsung, SanDisk, Seagate, Western Digital hoặc các ETF liên quan vào danh sách theo dõi, đừng chỉ nhìn vào biến động giá. Bạn cũng cần cân nhắc đến chi phí giao dịch thực tế. Chi phí giao dịch cổ phiếu Mỹ có thể bao gồm nhiều hơn là hoa hồng. Chúng cũng có thể bao gồm phí nền tảng, phí tổ chức bên ngoài, phí hoạt động giao dịch và các khoản phí khác. Biya thu phí hoa hồng $0 cho giao dịch cổ phiếu Mỹ, trong khi phí nền tảng, phí tổ chức bên ngoài và các chi phí khác tuân theo cấu trúc phí giao dịch cổ phiếu Mỹ và trang đặt lệnh. Việc cung cấp dịch vụ phụ thuộc vào vị trí của người dùng, kết quả xác minh danh tính, quy định của nền tảng và các luật, quy định hiện hành.

Nếu bạn quen với việc theo dõi cùng lúc cổ phiếu Mỹ, cổ phiếu Hồng Kông và thị trường tiền mã hóa, Biya có thể giúp bạn giữ các công ty liên quan đến bộ nhớ AI, ETF bán dẫn và tin tức thị trường trong cùng một giao diện giao dịch. Nhưng cổ phiếu bộ nhớ có tính biến động cao, đặc biệt là xung quanh các báo cáo tài chính, đơn hàng của khách hàng, giá bộ nhớ và những thay đổi trong kỳ vọng về chi phí đầu tư AI.

Tóm tắt: Khi xây dựng danh mục theo dõi cổ phiếu lưu trữ AI, tốt hơn là phân tách các công ty theo từng tuyến đường thay vì gộp tất cả mọi cái tên vào một rổ "cổ phiếu khái niệm lưu trữ AI". HBM bám theo các bộ tăng tốc AI và bộ nhớ băng thông cao. NAND/SSD bám theo suy luận (inference), caching và truy cập dữ liệu tốc độ cao. HDD bám theo hoạt động mua sắm công suất dài hạn của các nhà cung cấp dịch vụ đám mây. Mỗi tuyến đường nên được xem xét từ phía cầu, phía cung, phía giá cả và phía tài chính. Ở cấp độ giao dịch, cơ chế phí, quy trình đặt lệnh, yêu cầu quy định tại địa phương và khả năng chịu rủi ro cá nhân cũng rất quan trọng. Ngành lưu trữ là một ngành có chu kỳ sâu sắc. AI có thể thay đổi độ dốc của đường cầu, nhưng không thể loại bỏ biến động chu kỳ.Mục tiêu không phải là đặt cược vào một câu trả lời tuyệt đối, mà là liên tục xác minh xem động lượng trong mỗi lộ trình có còn đang cải thiện hay không.

Nếu bạn theo dõi chuỗi cung ứng lưu trữ AI, bạn không cần chỉ tập trung vào một công ty dẫn đầu hay một thuật ngữ kỹ thuật duy nhất. Một cách tiếp cận cân bằng hơn là đặt HBM, NAND/SSD doanh nghiệp và HDD trên cùng một bản đồ ngành: trước tiên xác định lộ trình nào là trực tiếp nhất, sau đó so sánh công ty nào có mức độ phơi sáng doanh thu thuần khiết nhất, và cuối cùng đánh giá xem định giá đã phản ánh kỳ vọng hay chưa. Người dùng đáp ứng các điều kiện dịch vụ liên quan có thể đăng ký tài khoản để theo dõi cổ phiếu Mỹ, cổ phiếu Hồng Kông và các ETF liên quan, hoặc tải xuống ứng dụng để kiểm tra quyền truy cập giao dịch và tính năng tài khoản. Thông tin thị trường công khai, quy tắc giao dịch và cấu trúc phí chỉ nhằm mục đích nghiên cứu và không cấu thành lời khuyên đầu tư.Trước khi đặt bất kỳ giao dịch nào, bạn nên xem lại trang đặt lệnh, chi tiết sao kê, quy tắc của nền tảng và các yêu cầu quy định tại địa phương.

Câu hỏi thường gặp

HBM Có Phải Là Con Đường Lưu Trữ AI Trực Tiếp Nhất?

Có. Dựa trên khoảng cách gần với các nút tính toán AI, HBM là con đường trực tiếp nhất. Nó thường hoạt động cùng với GPU, bộ tăng tốc AI hoặc ASIC tùy chỉnh để giải quyết nút thắt băng thông bộ nhớ trong quá trình huấn luyện và suy luận mô hình. Tuy nhiên, HBM là DRAM băng thông cao, không phải ổ cứng truyền thống, vì vậy không nên so sánh nó với SSD hoặc HDD bằng các chỉ số hiệu suất giống nhau.

Tại Sao SSD Doanh Nghiệp NAND Lại Hưởng Lợi Từ Nhu Cầu Lưu Trữ AI?

SSD doanh nghiệp NAND được hưởng lợi từ AI vì việc huấn luyện AI, suy luận (inference) và triển khai mô hình đều đòi hỏi bộ nhớ lưu trữ không bay hơi tốc độ cao, độ trễ thấp. SSD thường được dùng để tải trọng số mô hình, lưu điểm kiểm tra (checkpointing), cơ sở dữ liệu vector, bộ nhớ đệm suy luận và lưu trữ ấm. Tuy nhiên, NAND cũng chịu ảnh hưởng từ chu kỳ của điện thoại thông minh, PC và thiết bị điện tử tiêu dùng, nên độ "thuần AI" của nó không rõ ràng bằng HBM.

Tại Sao HDD Vẫn Cần Thiết Trong Trung Tâm Dữ Liệu AI?

HDD vẫn còn cần thiết trong các trung tâm dữ liệu AI vì AI liên tục tạo ra lượng dữ liệu khổng lồ, và không phải tất cả dữ liệu đều cần được lưu trữ trên thiết bị tốc độ cao. Nhật ký suy luận (inference logs), sao lưu, lưu trữ, hồ sơ tuân thủ, dữ liệu lạnh và lưu trữ đối tượng (object storage) nhạy cảm hơn với chi phí trên mỗi terabyte và quy mô dung lượng. HDD không thể thay thế HBM hay SSD, nhưng chúng vẫn hữu ích như một tầng dung lượng dài hạn.

Nhà Đầu Tư Cá Nhân Có Thể So Sánh Mức Độ Thuần Khiết Kinh Doanh HBM, NAND và HDD Như Thế Nào?

Nhà đầu tư cá nhân có thể so sánh bốn khía cạnh: liệu sản phẩm có đi vào các nút tính toán AI hay không, liệu doanh thu từ trung tâm dữ liệu có tăng lên dưới dạng tỷ trọng trong tổng doanh thu hay không, liệu khách hàng AI có mua trực tiếp hay không, và liệu giá cả có chủ yếu được dẫn dắt bởi nhu cầu AI hay không. HBM có độ thuần khiết kỹ thuật cao nhất, NAND/SSD có phạm vi ứng dụng rộng hơn, còn HDD có thể mang lại mức độ tiếp xúc với chu kỳ dung lượng tập trung hơn trong khi nằm xa hơn với tính toán.

Rủi ro lớn nhất đối với cổ phiếu lưu trữ AI là gì?

Rủi ro lớn nhất đối với các cổ phiếu lưu trữ AI là kỳ vọng quá mức và chu kỳ đảo chiều. Ngay cả khi nhu cầu AI vẫn duy trì mạnh mẽ, giá cổ phiếu vẫn có thể giảm nếu tốc độ tăng giá bộ nhớ chậm lại, chi tiêu vốn của điện toán đám mây suy yếu, nguồn cung mở rộng quá nhanh, hoặc lợi nhuận không đạt kỳ vọng của thị trường. Ngành lưu trữ mang tính chu kỳ, vì vậy nhà đầu tư nên theo dõi định giá, biên lợi nhuận gộp, hàng tồn kho và mức độ tập trung khách hàng.

ETF lưu trữ có thể thay thế một cổ phiếu lưu trữ AI đơn lẻ không?

ETF lưu trữ có thể giảm rủi ro tập trung vào một công ty, nhưng không thể hoàn toàn thay thế việc nghiên cứu cổ phiếu riêng lẻ. ETF có thể nắm giữ hỗn hợp các cổ phiếu HBM, NAND, HDD, thiết bị, máy chủ và các tên tuổi trong chỉ số bán dẫn, điều này có thể làm pha loãng độ thuần khiết về mảng kinh doanh. Trước khi đầu tư, hãy xem xét danh mục nắm giữ của ETF, tỷ lệ phí, chỉ số cơ sở và khẩu vị rủi ro của chính bạn.