Hindi lamang ipinapalakas ng Astra ang ideya na “mas maraming chip ang mabibili,” kundi ang tiwala ng merkado na patuloy na magiging mas kumplikado ang mga modelo sa pag-iisip, mahabang konteksto, at mga gawain ng agent; ang mga workload na ito ay magkakaroon ng parehong pagtaas sa pangangailangan para sa computing power, memory bandwidth, server DRAM, at high-speed storage.

May-akda ng artikulo, pinagkukunan: ME News

Live na Ngayon sa KuCoin ang Midnight (NIGHT)!

TL;DR

• Hindi lamang ipinapalakas ng Astra ang ideya na “mas maraming chip ang mabibili,” kundi ang tiwala ng merkado na patuloy na magiging mas kumplikado ang mga modelo sa pag-iisip, mahabang konteksto, at mga gawain ng agent; ang mga workload na ito ay magkakaroon ng parehong pagtaas sa pangangailangan para sa computing power, memory bandwidth, server DRAM, at high-speed storage.
• Una sa mga stock ng pag-iimbak at memorya sa US market noong Setyembre 4, tumataas ang SanDisk ng 11.9% at ang Micron ng 6.1%; noong Setyembre 7, sumunod ang market ng Korea, tumataas ang SK Hynix ng 8.26% at ang Samsung Electronics ng 5.68%. Ito ay nagpapakita na ang mga pondo ay umiiwas sa “bili lang ng GPU” at naghahanap ng mga bottleneck sa AI infrastructure na mayroon pa ring potensyal sa kita.
• Hindi ganap na nilikha ng Astra ang serye ng pagtaas sa pag-iimbak. Ayon sa TrendForce, tumataas ang kita ng global na industriya ng DRAM sa ikalawang kalahati ng 2026 ng 59.5% pababa sa halos $154.7 bilyon, at patuloy na naiiwan ang pagpapalawak ng suplay sa paghinga; ang Astra ay mas tulad ng pagpapabalik sa harap ng mga umiiral na kakulangan, pagtaas ng presyo, at pagpapabuti ng kita.
• Hindi maaaring isama ang "storage trading" sa isang kategorya lamang. Ang HBM ay pinakamalapit na nakabatay sa GPU at AI ASIC, ang server DRAM ay direktang hinahamon ng AI inference at agent load, habang ang NAND ay mas malimit na epekto ng dataset, vector database, checkpoint, at data tiering; ang kanilang pagkakaroon ng kahusayan, teknikal na hadlang, at panganib ng siklo ay iba-iba.
• Hindi dapat i-tracked ang presyo ng mga stocks sa loob ng isang o dalawang araw, kundi ang tatlong variable: kung patuloy ba ang pagtaas ng kapital expenditure sa AI, kung maiiwasan ba ang pagpapalawig ng presyo ng mga kontrata sa memorya at ang kakulangan sa suplay, at kung maayos ba ang mass production at customer certification ng HBM4 at mga susunod na produkto.

Bakit ibinabalik ng Astra ang kanilang pondo sa mga chip ng pag-iimbak?

Ipinahayag ng OpenAI ang GPT-6 Astra noong Setyembre 3, at iginawad ito bilang flagship model para sa mga kumplikado at multistep na propesyonal na gawain, na may pangunahing kakayahan sa pag-iisip, pag-program, pananaliksik, pag-operate ng computer, at pagkumpleto ng end-to-end na mga gawain sa pamamagitan ng iba’t ibang mga tool. Mula sa sariling pagpapahayag ng produkto, hindi ito katumbas ng pahayag ng OpenAI na “kakailanganin namin ang mas maraming memorya,” ngunit ibinigay nito sa mga merkado ng kapital isang mahalagang signal: ang pakikidigma sa mga advanced na model ay hindi pa nasa yugto ng simpleng pagbawas sa gastos—ang industriya ay patuloy na naglalayon ng mas mahabang hanay ng mga gawain, mas kumplikadong pag-iisip, at mas mataas na antas ng awtomatikong pagsasagawa. Para sa imprastruktura, nangangahulugan ito na ang mga hadlang ay hindi na lang magiging nakatuon sa kakayahan ng GPU sa matrix computation; kung paano mabilis maipapadala ang data sa mga computing unit, kung paano mapanatili ang estado sa mahabang konteksto at maraming hakbang na pag-iisip, at kung paano papayagan ang maraming agent na magbasa at mag-write nang sabay-sabay, ay magiging mas mahalaga na.

Ito ang pinakamalaking pagkakaiba sa pagitan ng kasalukuyang market cycle at ang “bumili ng GPU ay bumili ng AI” noong 2023 hanggang 2024. Sa mga unang yugto, mas madaling masukat ang pag-invest sa generative AI sa pamamagitan ng bilang ng GPU; ang pamilihan ay nakatuon sa kung gaano karaming acceleration card ang maaaring ipagkaloob ng NVIDIA at kung gaano karaming training cluster ang maaaring itayo ng mga cloud provider. Ngunit noong 2026, habang patuloy na mahalaga ang model training, ang timbang ng inference, agents, at enterprise-grade workflows ay patuloy na tumataas, at ang system efficiency ay lalo na nakadepende sa kung kaya ba ng compute, memory, network, at storage na magtrabaho nang magkasama. Kahit gaano pa kalakas ang GPU, kung kulang ang memory bandwidth, ang mga compute unit ay maghihintay sa data; habang mas mahaba ang context window at mas marami ang concurrent tasks, mas marami rin ang KV Cache, parameters, at intermediate states na kailangang i-save at i-schedule sa server side. Kaya, ang lohika ng pag-invest sa AI infrastructure ay nagsimulang lumipat mula sa “kakulangan ng compute chip” patungo sa “maaaring kulang ang buong data pathway.”

Ang reaksyon ng merkado ay diretso. Noong Setyembre 4, tumaas ang SanDisk ng 11.9%, ang Micron ng 6.1%, habang ang S&P 500 ay bumaba sa parehong araw; noong Setyembre 7, sinunod ng Asian market, tumaas ang Samsung Electronics ng 5.68%, ang SK Hynix ng 8.26%, at ang Japan Kioxia ay naging malakas din. Ang Astra ay kahalintulad ng katalis, ngunit kung ang isang paglalabas ng modelo lamang ang nagdudulot ng pare-parehong pagtaas ng mga share ng storage sa iba’t ibang merkado, kailangan na mayroon nang mga基本面 na makakatanggap nito.

Ang pag-iimbak ay hindi “sambahayan ng GPU,” kundi ang bagong bottleneck na inilalabas ng mga AI system

Upang maunawaan ito, kailangan muna nating hiwalayin ang HBM, DRAM, at NAND. Ang HBM ay lubos na naglulutas ng problema ng “sapat na malapit sa GPU, sapat na mataas na bandwidth”—ito ay gumagana kasama ang GPU o AI ASIC sa pamamagitan ng advanced packaging, at diretso itong nakakaapekto sa kakayahan ng mga mataas na klaseng accelerator na magamit nang buo ang kanilang computing power; ang server DRAM ay nagsisilbing mas malawak na memorya para sa mga gawain, na naglilingkod sa CPU at nagtatampok din ng cache at scheduling needs sa proseso ng inference; ang NAND at enterprise SSD naman ay nagsisilbing persistent storage para sa mas malaking volumen ng data, kabilang ang training data, vector databases, model checkpoints, at layered storage. Habang lumalago ang AI mula sa isang beses na tanong-sagot patungo sa isang patuloy na gumagana na intelligent agent, mas malinaw ang pangangailangan para sa koordinasyon ng mga ito.

Ang data na inilabas ni TrendForce noong Setyembre 7 ay may kahalagahan: Noong ikalawang kuartal ng 2026, tumataas ang kita ng global na industriya ng DRAM ng 59.5% mula sa nakaraang kuartal, patungo sa halos $154.73 bilyon, na may suporta mula sa malaking pagtaas ng presyo ng kontrata ng tradisyonal na DRAM, pati na rin sa pagdami ng demand para sa HBM3E, LPDDR5X, at mataas na kapasidad na RDIMM; inaasahan din ng organisasyon na maaaring tumaas pa ang presyo ng tradisyonal na DRAM sa ikatlong kuartal ng 13% hanggang 18% mula sa nakaraang kuartal. Mas mahalaga pa, ang inventory ng mga supplier ay nananatili sa historical na mababang antas, at ang dagdag na suplay ay malinaw na nakatuon sa server market. Ibig sabihin nito na ang pagpapabuti ng kita sa kasalukuyang industriya ng memorya ay hindi lamang batay sa “valuation na batay sa AI concept,” kundi ito ay ipinapakita sa pamamagitan ng presyo, kita, at istruktura ng produkto upang tugunan ang diskrepansya sa suplay at demand.

Ito ang eksaktong punto kung saan dapat ibigay ang pagkakaiba sa pagitan ng mga chip na imbakan at mga karaniwang aksyon ng AI. Kapag ang mga manufacturer ay nagpapalitan ng higit pang advanced DRAM capacity patungo sa HBM at server products, ang suplay ng tradisyonal na DRAM ay maaaring mabawasan; kapag ang AI servers ay nangangailangan ng mas malaking memory capacity, ang HBM at karaniwang server DRAM ay magkakaroon ng parehong pagkakataon na makipagkumpitensya para sa wafers, advanced process, at mga sumusunod na manufacturing resources. Kaya, ang AI ay hindi lamang nagdudulot ng pagtaas sa demand para sa isang uri ng mataas na kalidad na produkto, kundi maaari ring maglikha ng “chain effect” kung saan ang pagtaas sa mataas na demand ay nagdudulot ng pagbabawas sa capacity, na nagdudulot din ng pagkakaroon ng mas maliit na suplay sa iba pang server memory. Para sa mga investor, mas mahalaga ang pagsubaybay nito kaysa sa pagtatakas lamang kung aling kumpanya ang nakakuha ng order para sa isang generasyon ng HBM, dahil ang una ay nagpapasya kung ang buong industriya ay magpapatuloy na magpapataas ng kanilang profit pool.

Bakit mas elastic ang "storage trading" kaysa sa simpleng "hashrate trading" ngayon?

Una, ang merkado ay naghahanap ng mga bahagi sa kapital expenditure ng AI na may mas malaking elastisidad sa kita. Ang GPU ay patuloy na pangunahing asset, ngunit ang paglalakbay ng paglago ng mga lider sa GPU ay napanood na nang buo, at ang mga pagkakataong nagdudulot ng pagpapalakas ay nagsisimula na ring depende sa mas mataas na volume ng paglalabas at mas malakas na siklo ng mga bagong produkto. Sa kabilang banda, ang industriya ng memorya ay nakaranas na ng maraming siklo ng sobrang suplay, at ang mga pangunahing tagapagprodyus ay likas na mas mapagbantay sa malawakang pagpapalawak ng produksyon; kung biglang tumaas ang demand, mas maliit ang suplay na elastisidad sa maikling panahon, at mas mataas ang sensitivity ng presyo at kita sa pagbabago ng demand. Ang malaking pagtaas ng presyo ng DRAM at kita ng industriya mula 2026 ay isang pagpapakita ng ganitong elastisidad sa siklo.

Pangalawa, ang “pangangailangan sa memorya ng unit ng computing” para sa AI workloads ay hindi bumababa nang linyar dahil sa pagpapabuti ng efficiency ng model. Maaaring mabawasan ng mas epektibong mga model ang dami ng computing na kailangan para sa isang tao, ngunit kung ang pagbaba ng gastos ay nagdudulot ng higit pang pagtawag, mas mahabang konteksto, mas mataas na concurrency, at higit pang mga agent, maaaring tumataas pa rin ang kabuuang dami ng memorya at data movement na nasasakop. Ito ang dahilan kung bakit hindi maaaring simple na iintindihin ang “patuloy na pagiging epektibo ng model” bilang “pagtatapos ng pangangailangan sa hardware.” Sa panahon ng pagbuo ng AI infrastructure, ang pagpapabuti ng efficiency ay karaniwang nangangahulugan na mas maraming mga aplikasyon na dati ay hindi ekonomiko ay naging posible, at ang huling pangangailangan ay nakadepende kung sino ang mas mabilis: ang pagbaba ng unit cost o ang pagtaas ng paggamit.

Ikatlo, ang pagkakonsentrasyon sa panig ng suplay ay nagpapadali sa pagkakaroon ng disiplinang presyo sa mataas-end na imbakan. Ang global na advanced DRAM ay mahigit sa pagpapangulo ng Samsung, SK Hynix, at Micron, habang ang HBM ay nagdaragdag ng mga hadlang tulad ng advanced packaging, yield, thermal design, at customer certification. Ang Samsung ay naghayag na nagsisimula na ang HBM4 sa produksyon at komersyal na paglalabas noong Pebrero 2026, samantalang ang SK Hynix ay kumpirmado rin sa kanilang ikalawang kwartal na resulta na nagsisimula na ang HBM4 sa malaking paglalabas. Ang teknolohikal na kompetisyon ay magpapatuloy na magiging mas matinding, ngunit sa maikling panahon, ang mga supplier na makakapagbigay ng parehong performance, yield, at customer certification para sa malalaking kliyente ay limitado pa rin, na nagpapakita na ang supply logic ng HBM ay iba sa karaniwang matatandang proseso ng chip.

May isa pang pagbabagong madalas na pinapabayaan: Ang pangangailangan sa AI ay hindi na ganap na tinutukoy ng mga GPU ng NVIDIA. Habang patuloy na lumalago ang mga Google TPU at mga self-developed ASIC ng mga malaking cloud provider, ang high-bandwidth memory ay nagsisimulang maging isang pangkalahatang komponente para sa mga advanced AI accelerator, hindi na lamang isang kasamang produkto ng NVIDIA. Sa ibang salita, kahit magbago ang bahagdan ng merkado ng GPU sa hinaharap, kung patuloy na lumalawak ang kabuuang AI computing power at tumataas ang kapasidad ng memorya sa bawat AI chip, ang pangangailangan sa HBM ay maaari pa ring suportahan ng mas maraming uri ng accelerator. Para sa mga tagagawa ng memorya, nangangahulugan ito na mas marami at mas iba-iba ang mga pinagmumulan ng pangangailangan kumpara sa nakaraan.

Ngunit kailangan ng mas mabuting pag-unawa sa pahayag na “higit sa kalahati ng pagkakalaan sa AI noong 2027 ay patungo sa memorya”.

Kamakalauan ay mayroong isang nakakahulugang numero na malawakang ipinapalaganap sa merkado: inaasahan ng Goldman Sachs at Morgan Stanley na ang pambansang gastusin sa AI sa buong mundo ay magiging $1.3 hanggang $1.5 trilyon noong 2027, kung saan higit sa kalahati ay ipapasa sa infrastraktura ng memorya. Ang pahayag na ito ay mabuting naglalarawan sa kasalukuyang emosyon ng merkado, at may ilang mga ulat sa merkado na gumagamit nga ng ganitong pananaw; ngunit kung susuriin nang maayos batay sa orihinal na pampublikong materyales, hindi ito dapat tanggapin nang walang pag-aalinlangan bilang tiyak na katotohanan.

Ang mga pampublikong materyales ng Morgan Stanley ay nagpapakita na ang kanilang research team ay maraming beses ay itinataas ang kanilang mga proyeksiyon para sa kapital expenditure ng AI at mga malaking cloud provider noong 2026. Sa opisyal na podcast na inilabas noong Agosto, binanggit ng Morgan Stanley na ang estima para sa kapital expenditure sa 2027 ay tumataas patungo sa halos $1.2 hanggang $1.3 trilyon, habang ang kanilang dating proyeksiyon ay maliban sa antas na ito; ang kanilang pangunahing pagpapasiya ay ang paghinga ng computing ay patuloy na hihigit sa kasalukuyang suplay, at ang sukat at bilis ng cycle ng kapital expenditure ay patuloy na lalampas sa mga inaasahan. Ang trend na ito ay sapat na mahalaga, ngunit hindi ito direktang nagpapahiwatig na “higit sa kalahati ay memorya.”

Dapat hiwalayin ang mga konsepto ng “computer at peripheral devices,” “server hardware,” at “memory infrastructure.” Ang GPU, CPU, network devices, complete server units, storage systems, at memory ay lahat bahagi ng capital expenditure ng data center; ang pagtutumbas ng buong budget para sa equipment sa gastos sa storage ay magdudulot ng malaking overestimation sa proporsyon ng memory. Kaya, ang pagtataya kung ang storage主线 ay tama ay hindi nangangailangan ng isang proporsyon na maaaring mapalaki sa pangalawang pagpapalaganap. Ang mas matibay na ebidensya ay nasa datos ng industriya: ang pagtaas ng kita mula sa DRAM, patuloy na pagtaas ng contract price, mababang inventory, priority allocation ng servers, at ang pagpasok ng HBM4 sa mass production, kasama ang patuloy na pagtaas ng capital expenditure ng cloud providers. Mas maaasahan ang pagbuo ng lohika gamit ang mga variable na ito kaysa sa pagbanggit sa isang magandangunit malabo ang depinisyon.

Ang totoong pangunahing direksyon ay hindi ang "pagtaas ng lahat ng mga stock sa pag-iimbak"

Ang pinakakaraniwang maling pagkaunawa sa kasalukuyang pagtaas ay ang pagkakakilanlan ng lahat ng mga tagagawa ng HBM, DRAM, NAND, at hard drive bilang isang magkakaparehong konsepto ng “AI storage.” Sa katotohanan, ang HBM ay direktang dinadala ng paglabas ng GPU at AI ASIC, at ang mga teknikal na hadlang at pagpapatibay ng mga kliyente ang nagtatakda ng kakayahan ng mga lider sa pagtawag ng presyo; ang server DRAM ay mas malaki ang epekto ng pagpapalawak ng data center, bilang ng CPU, at paggamit ng memory sa pagpapaliwanag; habang ang NAND, bagaman dinadala rin ng pagtaas ng dami ng AI data, ay may mas malakas na pagkakaiba-iba dahil sa bilis ng pagpapalawak ng suplay, antas ng paggamit ng enterprise SSD, at cycle ng presyo. Ang malaking pagtaas ng SanDisk at Kioxia ay nagpapakita na ang merkado ay nagpapalawak ang AI narrative mula sa HBM patungo sa NAND, ngunit ang kanilang mga landas ng pagkamit sa performance ay hindi pareho sa HBM.

Ito ang dahilan kung bakit ang “storage bilang bagong pangunahing tren” ay hindi dapat maintindihin bilang paglipat ng pondo mula sa GPU, kundi bilang pagbabago sa paraan ng pagpapresyo ng AI infrastructure. Noon, ang merkado ay kailangan lang magtanong: Gaano karami ang GPU? Ngayon, kailangan pang itanong: Ilan ang HBM na kasama ng GPU, ilan ang DRAM na kailangan ng server, gaano kalaki ang SSD na kailangan ng data center, kayang konektahin ng network ang mga node na ito, at kayang suportahan ng kuryente ang buong server room? Kapag tumataas ang kumplikadong kalikasan ng AI model, anumang kakulangan sa anumang bahagi ay maaaring magdulot ng hindi pagkamit ng optimal na pagganap ng iba pang mahal na kagamitan, at ang bahaging may bottleneck ay natural na may mas malakas na kapangyarihan sa pagpapresyo.

Tiyak na ang memory ay isa sa mga pinakakaraniwang siklikal na produkto sa industriya ng semiconductor. Ang kakulangan ngayon ay tiyak na magpapabilis sa kapital expenditure sa hinaharap; kapag ang mga bagong kapasidad na idinagdag noong 2027 hanggang 2028 ay magsisimulang maipaglabas nang malaki, samantalang ang pagtaas ng kapital expenditure para sa AI ay nagsisimulang magpabagal, maaaring mabilis na magbalik ang price elasticity. Samantala, patuloy pa ring umuunlad ang mga lokal na manufacturer ng memory sa China; bagaman mayroon silang malinaw na teknikal na paghihirap sa advanced equipment at high-end HBM, ang kompetisyon sa tradisyonal na DRAM at NAND ay magiging mas malakas. Pagkatapos ng malaking pagtaas noong 2026, ang ilang海外 memory stocks ay nangalap na ng malaking optimismo sa presyo at kita; ang pagtaas ng contract price na mas mababa kaysa sa inaasahan, ang pagkakalat ng HBM customer certification, o ang pagbabawas ng capital expenditure ng cloud providers ay sapat upang mag-trigger ng malalim na pagbaba.

Kaya mas gusto kong tukuyin ang paggalaw pagkatapos ng Astra bilang “pagsisikap na mapuno ang mga kulang sa AI infrastructure trading,” kaysa sa simpleng pagsasabi na “bumaba na ang GPU, sumisigla ang storage.” Ang GPU ay patuloy na sentro ng computing, ang network ang nagdedesisyon sa efficiency ng cluster, at ang enerhiya at data center ay patuloy na mga pisikal na limitasyon; ang tanging pagbabago ay, nang magsimula nang umembargo ang mga modelo mula sa mga chat tool patungo sa mas kumplikadong mga intelligent agent, nagsimula ang pamilihan na maunawaan na ang computing power ay hindi lamang kuwento ng isang chip, kundi isang buong serye mula sa computing, memorya, connectivity, hanggang sa storage. Kung alin sa mga bahaging ito ang pinakamalakas, doon din magkakaroon ng unang pagkakataon para sa kapital at kita.

Kung tama ang pagtataya na ito, ang hindi dapat paniwalaan sa susunod ay kung ilang araw pa ang maaaring dala ng Astra ang pagtaas ng presyo ng mga bahagi, kundi kung ang industriya ng pag-iimbak ay kayang patuloy na patunayan ang tatlong bagay sa loob ng ilang kuwarter: patuloy na mas mabilis ang paglago ng demand kaysa sa paglalawak ng suplay, patuloy na maaaring isalin ang pagtaas ng presyo sa cash flow at return sa kapital, at patuloy na nasa kamay ng ilang kaunting kumpanya na may teknolohiya at mga hadlang sa kliyente ang suplay ng susunod na henerasyon ng HBM at mataas na kapasidad na memorya ng server. Tanging kung patuloy na tama ang tatlong bagay na ito, ang “pangunahing tema ng pag-iimbak” ay maaaring maging isang mas matagal na pagbabahagi ng kita sa loob ng siklo ng kapital na gastos para sa AI, hindi lamang isang transaksyon na nagsimula sa paglunsad ng bagong produkto.

Mga sanggunian

1. OpenAI, “Mga Tala sa Paglabas: Pagkakaintroduce ng GPT-6 Astra”, Setyembre 3, 2026.
2. Barron’s, “Micron Stock Closes Above $1,000. Why It’s Not What It Seems”, Setyembre 4, 2026.
3. Yonhap News Agency, “Ang OpenAI boom ay nagdudulot ng malaking pagtaas sa Samsung Electronics at SK Hynix”, 7 Setyembre 2026.
4. MarketWatch, “Bakit binago ng paglunsad ng pinakabagong Astra model ng OpenAI ang pagtatakbo ng chip ng memorya”, 2026年9月8日。
5. TrendForce, “Bumagsak ang kita ng industriya ng DRAM ng 59.5% QoQ sa 2Q26 habang patuloy na nagiging mas mabagal ang pagpapalawak ng suplay kaysa sa paglago ng demand”, 2026年9月7日。
6. Samsung Global Newsroom, “Nagpadala ang Samsung ng Unang Komersyal na HBM4 sa Industriya na may Pinakamataas na Paggana para sa AI Computing”, 12 Pebrero 2026.
7. SK hynix Newsroom, “Ikinahayag ni SK hynix ang Mga Resultang Pampananalapi ng Q226”, 2026年7月29日。
8. Morgan Stanley, “Mga Isipin sa Merkado: Pagsasapalaran ng AI at ang Pag-unlad ng mga Merkado ng Kredito”, 2026年8月21日。