Bernstein: cały łańcuch pamięci AI wart uwagi inwestorów, Kioxia wyjątkiem

Analitycy banku inwestycyjnego Bernstein opublikowali notę, w której tłumaczą inwestorom, że boom na pamięci napędzany przez sztuczną inteligencję nie jest już jednorodnym zakładem na jedną technologię. Zamiast tego zalecają patrzeć na cały łańcuch pamięci, od HBM przez DRAM po dyski SSD i HDD, bo to rodzaj obciążenia AI decyduje dziś, który segment rośnie najszybciej.

Cztery rodzaje głodu pamięci

Nota Bernstein rozbija zapotrzebowanie na pamięć według etapu pracy modelu AI, a nie według typu klienta. Trenowanie dużych modeli wymaga przede wszystkim przepustowości, która ogranicza możliwy rozmiar modelu, dlatego liczy się tu pamięć HBM połączona bezpośrednio z układami graficznymi, ale też systemowa pamięć DRAM oraz lokalne dyski SSD i zasoby pamięci masowej wspierające cały proces.

Wnioskowanie, czyli faktyczne generowanie odpowiedzi przez wdrożony model, dzieli się z kolei na dwa etapy o zupełnie różnej charakterystyce. Etap wstępny, tak zwany prefill, jest ograniczony mocą obliczeniową, więc kluczowe są tu HBM i same procesory graficzne. Etap generowania odpowiedzi, decode, jest natomiast ograniczony pojemnością pamięci, bo to właśnie w tym momencie system musi przechowywać rosnącą pamięć podręczną KV cache.

KV cache większy niż sam model

Najbardziej praktyczny wniosek z noty dotyczy właśnie KV cache. Bernstein zwraca uwagę, że przy dużej skali wdrożenia ta pamięć podręczna, przechowująca stan rozmowy i kontekst przetwarzany przez model, może zająć więcej miejsca niż same wagi modelu. To zjawisko szczególnie mocno uderza w systemy agentyczne, które zapisują wyniki pośrednie i komunikują się z zewnętrznymi narzędziami, gwałtownie zwiększając zapotrzebowanie na pamięć.

Generowanie wspomagane wyszukiwaniem, czyli RAG, dokłada do tego kolejny front zapotrzebowania: znaczną pojemność dysków SSD i HDD do przechowywania baz wiedzy oraz rosnącą rolę systemowej pamięci DRAM przy indeksowaniu i przeszukiwaniu danych. W praktyce oznacza to, że popyt generowany przez AI wykracza dziś daleko poza samą pamięć HBM, na której skupiała się dotąd uwaga rynku.

Nowe warstwy technologii

W odpowiedzi na to rozproszone zapotrzebowanie producenci rozwijają nowe warstwy technologii pamięciowej. Bernstein wymienia pamięć CXL, inicjatywę Nvidii określaną jako Storage Next, pamięć kontekstową CMX oraz wysokoprzepustową pamięć flash. Celem tych rozwiązań jest znalezienie równowagi między wydajnością, pojemnością i kosztem, bo żadna pojedyncza technologia nie spełnia dziś wszystkich czterech typów obciążeń jednocześnie.

Bariery techniczne pozostają wysokie - analitycy Bernstein, o wysokoprzepustowej pamięci flash

Zwycięzcy i jeden przegrany

Z tej analizy Bernstein wyprowadza konkretne rekomendacje inwestycyjne. Ocenę Outperform, czyli zalecenie kupna z oczekiwaniem zachowania lepszego niż rynek, dostały Samsung Electronics, SK hynix, Micron, SanDisk, Seagate i Western Digital. Jedynym wyjątkiem jest japońska Kioxia, która dostała ocenę Underperform, bo w przeciwieństwie do konkurentów nie ma własnego biznesu HBM, a dodatkowo mierzy się z rosnącą presją konkurencyjną ze strony chińskich producentów pamięci NAND.

To rozróżnienie jest istotne, bo pokazuje, że sam fakt bycia producentem pamięci nie wystarczy już, by zyskać uznanie analityków. Ekspozycja na HBM oraz zdolność do obsługi nowych warstw pamięci potrzebnych przy wdrożeniach agentycznej AI stają się głównym kryterium podziału na zwycięzców i przegranych tego cyklu.

Co to znaczy dla portfeli

Dla inwestorów śledzących spółki takie jak Samsung, SK hynix czy Micron nota Bernstein jest sygnałem, by nie traktować sektora pamięci jako jednolitego zakładu na boom AI. Ekspozycja na HBM, DRAM, NAND i dyski twarde reaguje na różne fazy cyklu wdrażania modeli, a rosnące znaczenie KV cache przy agentycznej AI może w kolejnych kwartałach przesuwać popyt w stronę segmentów, które dotąd nie były w centrum uwagi rynku, jak systemowa pamięć DRAM czy pojemna pamięć masowa.

Nota nie zawiera nowych cen docelowych, lecz porządkuje sposób myślenia o całym łańcuchu pamięci w kontekście różnych zastosowań AI, co czyni ją punktem odniesienia przy ocenie kolejnych wyników finansowych producentów pamięci publikowanych w najbliższych miesiącach.