เจาะลึก 'Memory Stack' ของ AI: โอกาสการลงทุนใหม่ที่นักลงทุนต้องจับตา

นักวิเคราะห์จาก Bernstein ระบุว่า ปัญญาประดิษฐ์ (AI) กำลังสร้างปัญหาคอขวดด้านหน่วยความจำที่ขยายตัวขึ้นอย่างรวดเร็ว โดยความต้องการไม่ได้จำกัดอยู่แค่หน่วยความจำแบนด์วิดท์สูง (HBM) อีกต่อไป แต่ได้แพร่กระจายไปยังหน่วยความจำประเภทอื่น ๆ ทั้ง DRAM, NAND flash และหน่วยจัดเก็บข้อมูล (Storage) ทั่วไป

บทวิเคราะห์ชี้ว่าโอกาสการลงทุนในกลุ่มอุตสาหกรรมหน่วยความจำจะขึ้นอยู่กับประเภทของเวิร์คโหลด AI มากขึ้น เนื่องจากกระบวนการต่าง ๆ เช่น การฝึกฝน (Training), การอนุมาน (Inference), การสร้างเนื้อหาแบบเสริมการดึงข้อมูล (RAG) และ AI แบบเอเจนต์ (Agentic AI) ล้วนมีความต้องการหน่วยความจำในรูปแบบที่แตกต่างกัน

ความต้องการที่แตกต่างกันในแต่ละเวิร์คโหลด

กระบวนการ Training ยังคงต้องใช้พลังการประมวลผลมหาศาล โดยมีแบนด์วิดท์ของหน่วยความจำเป็นปัจจัยจำกัดขนาดของโมเดลและความเร็วในการประมวลผล แม้ว่า HBM จะมีบทบาทสำคัญ แต่การฝึกฝนโมเดลขนาดใหญ่ยังต้องการ System DRAM, SSD ในเครื่อง และสตอเรจบนเครือข่ายสำหรับชุดข้อมูลและการสำรองข้อมูล

ในทางกลับกัน Inference มีความท้าทายที่แตกต่างออกไป ขั้นตอนแรกที่เรียกว่า "prefill" ซึ่งโมเดล AI ประมวลผลคำสั่งและสร้างโทเคนแรกออกมา จะขึ้นอยู่กับพลังการประมวลผลเป็นหลัก ทำให้ GPU และ HBM มีความสำคัญ แต่ขั้นตอนถัดมาที่เรียกว่า "decode" จะถูกจำกัดด้วยหน่วยความจำ เนื่องจากโมเดลต้องเก็บโทเคนที่สร้างขึ้นก่อนหน้าไว้ใน KV cache ซึ่งความต้องการหน่วยความจำส่วนนี้จะเพิ่มขึ้นตามความยาวของบริบทและจำนวนผู้ใช้งานพร้อมกัน

Bernstein ระบุว่า KV cache อาจต้องการหน่วยความจำมากกว่าน้ำหนักของโมเดล (model weights) ในการใช้งานขนาดใหญ่ ซึ่งอาจกลายเป็นข้อจำกัดว่าบริการ AI หนึ่งจะสามารถรองรับผู้ใช้งานได้มากน้อยเพียงใด แรงกดดันนี้กำลังผลักดันให้เกิดหน่วยความจำระดับใหม่ๆ เช่น CXL memory และ CMX context storage

Ad

เทคโนโลยีใหม่และมุมมองต่อผู้ผลิต

เวิร์คโหลดที่ใหม่ขึ้นอย่าง Retrieval-Augmented Generation (RAG) อาจขยายความต้องการหน่วยความจำให้กว้างขึ้นไปอีก Bernstein กล่าวว่า การสร้างฐานข้อมูลสำหรับ RAG ต้องใช้ความจุของ SSD หรือ HDD จำนวนมากควบคู่ไปกับ System DRAM ขณะที่ Agentic AI อาจทำให้ความต้องการเพิ่มสูงขึ้นไปอีกขั้นจากการที่ระบบต้องจดจำผลลัพธ์ระหว่างการทำงาน

สถานการณ์ดังกล่าวผลักดันให้ผู้ผลิตหน่วยความจำพัฒนาเทคโนโลยีใหม่ๆ เช่น high-bandwidth flash ซึ่งพยายามรวมแบนด์วิดท์ที่ใกล้เคียง HBM เข้ากับความจุที่มากกว่าและต้นทุนที่ต่ำกว่าของ NAND อย่างไรก็ตาม Bernstein ตั้งข้อสังเกตว่าอุปสรรคทางเทคนิคยังคงสูงมาก

สำหรับมุมมองการลงทุน Bernstein ได้ให้คำแนะนำดังนี้:

• Outperform (ดีกว่าตลาด): Samsung Electronics, SK hynix, Micron, SanDisk, Seagate และ Western Digital
• Underperform (ต่ำกว่าตลาด): Kioxia