Меняет ли AI inference цикл NAND? Что история Sandisk означает для акций памяти

Ключевые выводы

• AI inference требует не только вычислительной мощности, но и растущих объёмов доступного и экономичного хранения данных.
• NAND постепенно становится capacity layer AI наряду с HBM и DRAM, а не просто традиционным commodity storage.
• Sandisk ожидает, что рынок enterprise data center flash достигнет 1,2 ZB к 2030 году, и разрабатывает High Bandwidth Flash специально для AI inference.
• Более долгосрочные соглашения с клиентами могут повысить visibility спроса и снизить риск чрезмерного расширения мощностей.
• AI не отменяет цикл NAND. Главный вопрос — смогут ли более высокий bit demand и лучшая дисциплина предложения уменьшить волатильность будущих циклов.

На протяжении большей части AI-бума инвестиционная логика полупроводников выглядела довольно просто: больше AI-моделей требовали больше GPU, GPU требовали больше HBM, а более плотные вычислительные кластеры — более быстрых сетей и большего энергоснабжения. Storage оставался важным, но редко получал столько же внимания.

AI inference начинает менять эту иерархию.

По мере перехода AI от обучения крупных моделей к обслуживанию миллиардов запросов, корпоративных AI agents, мультимодальных приложений и workloads в реальном времени инфраструктуре нужно не только выполнять вычисления, но и постоянно хранить и повторно извлекать огромные объёмы данных.

Это создаёт новый вопрос для memory-индустрии: может ли NAND стать следующим крупным capacity bottleneck в AI-инфраструктуре?

Последние шаги Sandisk, Samsung, Kioxia и других производителей памяти показывают, что этот сценарий становится всё более вероятным.

Почему AI inference требует больше storage

AI training и AI inference создают разные требования к инфраструктуре.

Обучение frontier models требует огромных compute clusters и очень высокой bandwidth памяти. Именно поэтому GPU и HBM первыми стали ключевыми bottleneck в цепочке поставок AI.

Inference начинается после развёртывания модели. Каждый раз, когда AI-система отвечает на запрос, ищет информацию, анализирует изображение или выполняет agent-задачу, ей могут потребоваться model parameters, embedding, cached data, user context и всё более крупные мультимодальные datasets.

Чем больше запросов, тем больше данных должно оставаться экономически доступным.

Хранить всё это в HBM непрактично. HBM предлагает огромную bandwidth, но обладает ограниченной capacity и гораздо более высокой стоимостью на bit по сравнению с NAND. NAND находится на противоположной стороне: существенно больше capacity и значительно более низкая стоимость, но более высокая latency и меньшая bandwidth.

Именно между этими уровнями возникает большое архитектурное пространство.

Будущий AI memory stack, скорее всего, будет не выбором между HBM и NAND, а иерархией, где HBM обслуживает наиболее bandwidth-sensitive workloads, DRAM играет роль working memory, а высокопроизводительная NAND хранит гораздо более крупные data pools ближе к compute.

Sandisk делает ставку на NAND как capacity layer для AI

Sandisk является одной из компаний, наиболее открыто продвигающих эту идею. На Investor Day 2026 компания заявила, что рынок enterprise data center flash может достигнуть 1,2 ZB к 2030 году, а её собственная выручка в FY2028–FY2030 может расти в среднем-высоком диапазоне двузначных процентов. Подробнее — в Reuters.

Этот прогноз опирается на уже быстро растущий data center-бизнес Sandisk. Компания всё сильнее связывает свою долгосрочную стратегию с AI-инфраструктурой, а не только с consumer electronics и традиционным enterprise storage.

Изменение важно потому, что AI-системам нужно не просто «более быстрое storage», а больше storage на каждую систему. Более крупные модели, RAG, мультимодальный контент и постоянные AI agents увеличивают объём данных, который должен оставаться доступным.

Если inference станет одним из доминирующих workloads дата-центров, драйвер NAND может сместиться от PC, смартфонов и традиционных cloud storage-циклов к самим данным, которые генерирует и использует AI.

HBF может заполнить разрыв между NAND и HBM

High Bandwidth Flash, или HBF, — одна из наиболее интересных попыток заполнить этот memory gap.

Sandisk позиционирует HBF как NAND-архитектуру, предназначенную дополнять, а не заменять HBM. Компания заявляет, что в некоторых AI inference-конфигурациях HBF может предоставить bandwidth, близкую к HBM, и при этом до восьми раз больше capacity при сопоставимой стоимости.

Sandisk также работает со SK hynix над стандартизацией HBF. Подробнее — в описании технологии HBF.

Логика проста: inference требует держать очень крупные модели и datasets достаточно близко к accelerators, иначе перемещение информации из традиционного storage превращается в performance bottleneck.

Бесконечное расширение HBM решает bandwidth-проблему, но создаёт огромную проблему стоимости и capacity.

HBF пытается занять среднюю позицию: намного больше capacity, чем HBM, и существенно более высокая производительность, чем обычная flash.

QLC NAND может оказать влияние раньше HBF

HBF привлекает внимание благодаря новизне, но продолжающаяся эволюция традиционной NAND может иметь более значимый краткосрочный эффект.

QLC NAND хранит четыре bits в одной cell, что позволяет обеспечить более высокую capacity на той же физической площади по сравнению с TLC NAND. Для hyperscale data centers, где важны огромные объёмы и стоимость на bit, это особенно привлекательно.

Компромисс заключается в том, что увеличение числа bits на cell может влиять на endurance и performance, поэтому QLC подходит не для каждого workload. Однако улучшения controllers, error correction и NAND architecture постоянно расширяют число сценариев использования.

AI может ускорить этот переход, потому что inference особенно чувствителен к capacity, энергоэффективности и общей стоимости.

Sandisk продолжает развивать более плотные QLC products, а Samsung и Kioxia также используют wafer bonding и новые NAND architectures для повышения density и performance.

Почему цикл NAND исторически настолько волатилен

Главный инвестиционный вопрос заключается в том, сможет ли AI действительно изменить знаменитую цикличность NAND.

Исторически проблема заключалась не просто в слабом спросе, а во взаимодействии спроса и предложения.

Когда NAND становится дефицитной, цены быстро растут, а производители получают высокую маржу. Это стимулирует новые инвестиции в capacity. Но semiconductor fabs требуют долгого планирования, и новая мощность часто появляется уже после того, как первоначальный дефицит ослаб.

Цены падают, маржа сжимается, производители сокращают инвестиции.

Затем начинается новый цикл.

AI не устраняет этот механизм автоматически. Даже очень сильный конечный спрос может быть перегружен избыточным расширением production capacity.

Потенциально меняется другое: сколько visibility поставщики получают до принятия инвестиционных решений.

Долгосрочные контракты могут изменить дисциплину предложения

Sandisk постепенно переводит клиентов на многолетние соглашения вместо краткосрочных сделок.

По данным Reuters, Sandisk заключила восемь долгосрочных соглашений с шестью клиентами общей стоимостью около 93,9 млрд долларов, со средним сроком приблизительно четыре года. Около половины выпуска FY2027 должно быть покрыто этими соглашениями, а в FY2028 — примерно две трети.

Эта модель улучшает visibility и для поставщика, и для клиента.

Hyperscaler может заранее закрепить будущую storage capacity, а Sandisk получает больше информации о committed demand перед расширением производства.

Sandisk не единственная компания, которая движется в этом направлении. Samsung также указывала, что долгосрочные customer agreements со временем могут составлять 60–70% memory sales.

Если производители начнут расширять capacity в большей степени под уже законтрактованный спрос, а не просто реагировать на рост spot prices, memory-индустрия может стать менее склонной к экстремальной oversupply.

Цикличность не исчезнет, но амплитуда может снизиться.

Что это означает для Sandisk, Micron и других memory stocks

Рост AI storage не приносит одинаковую выгоду всем компаниям.

Sandisk имеет одну из наиболее прямых экспозиций к NAND и enterprise flash. Её стратегия объединяет AI-driven bit demand, многолетние agreements, QLC и HBF. Поэтому SNDK особенно чувствительна к тому, верит ли рынок в устойчивость текущей высокой прибыльности NAND.

Micron имеет более широкую экспозицию через DRAM, HBM и NAND. Компания участвует сразу в двух частях AI memory hierarchy: premium high-bandwidth memory возле accelerators и более крупных flash pools.

SK hynix наиболее известна благодаря HBM, однако сотрудничество с Sandisk по HBF показывает, что ведущий производитель HBM также видит место для NAND-based inference layer.

Kioxia предоставляет ещё один прямой способ наблюдать за NAND. Компания ускоряет выпуск next-generation flash на фоне роста high-capacity storage demand.

Western Digital после отделения Sandisk сосредоточена прежде всего на HDD. Тем не менее резкий рост AI-generated data способен поддерживать несколько storage tiers одновременно: flash — для performance-sensitive workloads, HDD — для огромных объёмов colder data.

Главный вывод: AI storage — это не ставка на один продукт.

Рост AI-data способен одновременно поддерживать HBM, DRAM, NAND, enterprise SSD и high-capacity HDD.

AI может изменить цикл NAND, но не отменить его

Было бы слишком оптимистично утверждать, что нынешний memory boom означает конец исторической цикличности.

NAND остаётся капиталоёмким бизнесом. Technology transitions могут увеличивать bits per wafer даже без строительства новых fabs, конкуренты могут реагировать на высокую прибыльность дополнительным предложением, а рост AI capex не будет бесконечно сохранять нынешние темпы.

Поэтому более защитимая структурная идея выглядит так:

AI может сделать долгосрочный bit demand NAND более сильным и предсказуемым, а долгосрочные customer agreements и более строгая дисциплина предложения способны сделать будущие memory cycles менее экстремальными.

Это важное различие.

Для менее волатильного цикла цены NAND не должны расти бесконечно. Достаточно, чтобы производители могли сохранять приемлемую прибыль даже во время нормализации цен, не переходя каждый раз от дефицита к тяжёлой oversupply.

Доступ к рынкам SNDK на MEXC

Для пользователей, которые следят за AI storage и NAND через Sandisk, MEXC предлагает несколько вариантов экспозиции.

Бессрочный контракт SNDKSTOCK_USDT позволяет использовать кредитное плечо для длинной или короткой позиции на движение SNDK. Для доступа к реальным американским акциям можно ознакомиться с MEXC RealStocks.

MEXC также предлагает SNDKON/USDT — токенизированный инструмент Ondo Finance, связанный с экономической динамикой Sandisk. Владение SNDKON не означает прямого владения обыкновенными акциями Sandisk.

Для дополнительного исследования доступен гайд MEXC по акциям Sandisk.

Бессрочные контракты несут риски кредитного плеча, funding rate и ликвидации, а токенизированные assets дополнительно связаны с рисками эмитента, ликвидности, блокчейна и регулирования.

FAQ

Используется ли NAND flash в AI inference?

Да. Enterprise SSD на базе NAND могут хранить model data, embedding, cached information и крупные datasets, которым не обязательно постоянно находиться в дорогой HBM или DRAM.

Может ли NAND заменить HBM в AI?

Не напрямую. HBM предлагает экстремальную bandwidth и низкую latency рядом с AI accelerators, тогда как NAND предоставляет гораздо больше capacity при значительно более низкой стоимости на bit. HBF предназначена скорее для дополнения HBM, чем для полной замены.

Что такое High Bandwidth Flash?

High Bandwidth Flash, или HBF, — развивающаяся NAND-based memory architecture для AI inference. Она стремится обеспечить значительно более высокую bandwidth, чем обычная NAND, при сохранении гораздо большей capacity по сравнению с HBM.

Закончился ли цикл NAND из-за AI?

Нет. NAND остаётся циклической и капиталоёмкой отраслью. AI может поддерживать долгосрочный bit demand, а многолетние agreements способны улучшить supply discipline, но цены, capacity expansion и technology transitions всё ещё могут приводить к oversupply и снижению маржи.

Более крупный сдвиг: AI нужна не только compute, но и capacity

Первая стадия AI infrastructure boom определялась дефицитом вычислительной мощности. GPU, HBM и networking росли в цене потому, что индустрии не хватало performance.

Inference создаёт другое ограничение: capacity.

Для работы AI в глобальном масштабе огромные объёмы информации должны оставаться доступными, но их невозможно постоянно держать в самых дорогих типах памяти.

Это создаёт пространство для продвижения NAND выше в AI memory hierarchy через enterprise SSD, QLC и потенциально HBF.

Если AI inference продолжит увеличивать storage intensity, а производители сохранят дисциплину capacity, следующий цикл NAND всё равно останется циклом — но он может заметно отличаться от тех циклов, к которым инвесторы привыкли раньше.