Чи змінює AI inference цикл NAND? Що Sandisk означає для акцій пам’яті

• AI inference потребує не лише compute, а й дедалі більших обсягів доступного й економічного storage.
• NAND поступово стає capacity layer AI поряд із HBM і DRAM, а не лише традиційним commodity storage.
• Sandisk очікує, що enterprise data center flash досягне 1,2 ZB до 2030 року, і розробляє High Bandwidth Flash для AI inference.
• Довгострокові клієнтські угоди можуть покращити visibility попиту та знизити ризик надмірного розширення потужностей.
• AI не скасовує цикл NAND. Головне питання — чи можуть сильніший bit demand і краща дисципліна пропозиції зробити майбутні cycles менш волатильними.

Протягом більшої частини AI-буму логіка semiconductor investment була відносно простою: більше AI models потребували більше GPU, GPU потребували більше HBM, а щільніші compute clusters — швидших мереж і більшої кількості енергії. Storage залишався важливим, але отримував менше уваги.

AI inference починає змінювати цю ієрархію.

Коли AI переходить від training великих моделей до обслуговування мільярдів queries, enterprise AI agents, multimodal applications і real-time workloads, інфраструктура повинна не лише обчислювати, а й постійно зберігати та повторно отримувати величезні обсяги даних.

Це створює нове питання для memory industry: чи може NAND стати наступним великим capacity bottleneck в AI-інфраструктурі?

Останні кроки Sandisk, Samsung, Kioxia та інших виробників пам’яті показують, що цей сценарій стає дедалі реальнішим.

Чому AI inference потребує більше storage

AI training і AI inference створюють різні вимоги до інфраструктури.

Training frontier models потребує величезних compute clusters і надзвичайно високої memory bandwidth. Саме тому GPU та HBM першими стали ключовими bottleneck у ланцюгу постачання AI.

Inference відбувається після розгортання моделі. Щоразу, коли AI відповідає на запит, шукає інформацію, аналізує зображення або виконує agent task, системі можуть бути потрібні model parameters, embedding, cached data, user context і дедалі більші multimodal datasets.

Чим більше queries, тим більше даних мають залишатися економічно доступними.

Зберігати все це в HBM непрактично. HBM має дуже високу bandwidth, але обмежену capacity й значно вищу вартість на bit, ніж NAND. NAND, навпаки, пропонує значно більшу capacity за нижчої вартості, але з вищою latency та нижчою bandwidth.

Між цими двома рівнями існує великий архітектурний простір.

Майбутній AI memory stack, ймовірно, буде не вибором між HBM і NAND, а ієрархією, де HBM обслуговує найбільш bandwidth-sensitive workloads, DRAM виконує роль working memory, а high-performance NAND зберігає великі data pools ближче до compute.

Sandisk робить ставку на NAND як capacity layer AI

Sandisk є однією з компаній, які найвідвертіше просувають цю тезу. На Investor Day 2026 компанія заявила, що enterprise data center flash може досягти 1,2 ZB до 2030 року, а виторг FY2028–FY2030 може зростати у середньо-високому двозначному діапазоні. Докладніше — у Reuters.

Цей прогноз спирається на швидке зростання data center business Sandisk. Компанія дедалі сильніше пов’язує довгострокову стратегію з AI-інфраструктурою, а не лише з consumer electronics і традиційним enterprise storage.

AI systems потребують не просто «швидшого storage», а більшого storage на кожну систему. Більші моделі, RAG, multimodal content і постійні AI agents збільшують data footprint.

Якщо inference стане домінувальним workload у майбутніх data centers, драйвер NAND може зміститися від PC, smartphone і традиційних cloud-storage cycles до самих даних, які створює та використовує AI.

HBF може заповнити прогалину між NAND і HBM

High Bandwidth Flash, або HBF, є одним із найцікавіших способів заповнити memory gap.

Sandisk позиціонує HBF як NAND architecture, що має доповнювати, а не замінювати HBM. Компанія прагне забезпечити bandwidth, близьку до HBM у певних AI inference configurations, але з набагато більшою capacity.

Sandisk також співпрацює зі SK hynix щодо стандартизації HBF. Докладніше — в описі HBF від Sandisk.

Логіка проста: inference потребує тримати великі models і datasets достатньо близько до accelerators, інакше data movement із traditional storage стає performance bottleneck.

Безмежне масштабування HBM розв’язує проблему bandwidth, але створює величезну проблему вартості та capacity.

HBF намагається зайняти проміжну позицію — значно більшу capacity, ніж HBM, і набагато вищу performance, ніж conventional flash.

QLC NAND може вплинути раніше, ніж HBF

HBF привертає більше уваги через новизну, але еволюція traditional NAND може мати більший короткостроковий ефект.

QLC NAND зберігає чотири bits у кожній cell, що дозволяє отримувати більшу capacity на тій самій physical area порівняно з TLC NAND. Для hyperscale data centers, де важливі величезні обсяги й низька cost per bit, це особливо привабливо.

Компроміс полягає в тому, що більша кількість bits на cell може впливати на endurance і performance. Проте вдосконалення controllers, error correction і NAND architecture постійно розширюють перелік workloads, для яких QLC підходить.

AI може прискорити цей перехід, оскільки inference особливо чутливий до capacity, energy efficiency і total cost.

Sandisk розвиває більш щільні QLC products, а Samsung і Kioxia також використовують wafer bonding і next-generation NAND для підвищення density та performance.

Чому цикл NAND історично настільки волатильний

Головне інвестиційне питання полягає в тому, чи може AI справді змінити знамениту циклічність NAND.

Історично проблема полягала не просто в слабкому попиті, а у взаємодії попиту й пропозиції.

Коли NAND стає дефіцитною, ціни швидко зростають, а виробники отримують високу маржу. Це стимулює capacity expansion. Але fabs потребують тривалого planning, і нова пропозиція часто виходить на ринок уже після того, як початковий дефіцит зменшився.

Ціни падають, маржа стискається, investment скорочується.

Потім починається новий cycle.

AI автоматично не скасовує цей механізм. Навіть дуже сильний end demand може бути перекритий надмірним expansion capacity.

Потенційно змінюється інше: скільки demand visibility мають suppliers до ухвалення інвестиційних рішень.

Довгострокові контракти можуть змінити supply discipline

Sandisk поступово переводить клієнтів на багаторічні угоди замість короткострокових транзакцій.

За даними Reuters, Sandisk уклала вісім довгострокових угод із шістьма клієнтами загальною вартістю близько 93,9 млрд доларів, із середнім строком приблизно чотири роки. Близько половини output FY2027 має бути покрито цими угодами, а у FY2028 — приблизно дві третини.

Ця модель покращує visibility і для supplier, і для customer.

Hyperscaler може заздалегідь зафіксувати майбутню storage capacity, а Sandisk отримує більше committed demand до розширення production.

Sandisk не єдина компанія, яка рухається в цьому напрямку. Samsung також зазначала, що long-term customer agreements з часом можуть становити 60–70% memory sales.

Якщо suppliers дедалі більше розширюватимуть capacity під уже законтрактований demand, а не лише у відповідь на зростання spot prices, memory industry може стати менш схильною до extreme oversupply.

Що це означає для Sandisk, Micron та інших memory stocks

Зростання AI storage не приносить однакову вигоду всім компаніям.

Sandisk має одну з найпряміших експозицій до NAND і enterprise flash. Її стратегія поєднує AI-driven bit demand, багаторічні agreements, QLC і HBF, тому SNDK особливо чутлива до того, чи вірить ринок у стійкість нинішньої високої profitability NAND.

Micron має ширшу експозицію через DRAM, HBM і NAND та бере участь у двох частинах AI memory hierarchy — premium high-bandwidth memory біля accelerators і великих flash pools.

SK hynix найбільше відома завдяки HBM, однак співпраця з Sandisk щодо HBF показує, що leading HBM supplier також бачить місце для NAND-based inference layer.

Kioxia є ще одним прямим способом спостерігати за NAND. Компанія прискорює next-generation flash production на тлі зростання high-capacity storage demand.

Western Digital після відокремлення Sandisk зосереджена переважно на HDD. Водночас різке зростання AI-generated data може підтримувати кілька storage tiers одночасно.

Головний висновок: AI storage — це не ставка на один продукт.

AI-data може одночасно підтримувати HBM, DRAM, NAND, enterprise SSD і high-capacity HDD.

AI може змінити цикл NAND, але не скасувати його

Було б надто оптимістично стверджувати, що нинішній memory boom означає кінець історичної циклічності.

NAND залишається капіталомістким бізнесом. Technology transitions можуть збільшувати bits per wafer навіть без нових fabs, конкуренти можуть реагувати на високі margins додатковою пропозицією, а AI capex не зростатиме з однаковою швидкістю вічно.

Тому більш обґрунтована структурна теза така:

AI може зробити довгостроковий bit demand NAND сильнішим і передбачуванішим, а багаторічні customer agreements і краща дисципліна пропозиції можуть зробити майбутні memory cycles менш різкими.

Ця різниця важлива.

Для менш волатильного NAND cycle ціни не повинні зростати безкінечно. Достатньо, щоб suppliers могли зберігати прийнятну profitability під час нормалізації pricing, не переходячи щоразу від shortage до severe oversupply.

Доступ до ринків SNDK на MEXC

Користувачі, які стежать за AI storage і NAND через Sandisk, можуть отримати кілька видів market exposure на MEXC.

Безстроковий контракт SNDKSTOCK_USDT дозволяє використовувати кредитне плече для довгої або короткої позиції на рух SNDK. Для доступу до реальних американських акцій можна ознайомитися з MEXC RealStocks.

MEXC також пропонує SNDKON/USDT — токенізований актив Ondo Finance, пов’язаний з економічною динамікою Sandisk. Володіння SNDKON не означає прямого володіння звичайними акціями Sandisk.

Для додаткового дослідження доступний гайд MEXC про акції Sandisk.

Безстрокові контракти несуть ризики кредитного плеча, funding і ліквідації, а токенізовані assets додатково пов’язані з ризиками емітента, ліквідності, блокчейну й регулювання.

FAQ

Чи використовується NAND flash в AI inference?

Так. Enterprise SSD на основі NAND можуть зберігати model data, embedding, cached information і великі datasets, які не потрібно постійно тримати в дорогій HBM або DRAM.

Чи може NAND замінити HBM в AI?

Не напряму. HBM забезпечує надзвичайно високу bandwidth і низьку latency біля AI accelerators, тоді як NAND дає набагато більшу capacity за значно нижчої cost per bit. HBF розробляється радше як доповнення до HBM.

Що таке High Bandwidth Flash?

High Bandwidth Flash, або HBF, — це нова NAND-based memory architecture для AI inference. Вона прагне забезпечити значно вищу bandwidth, ніж conventional NAND, зберігаючи набагато більшу capacity порівняно з HBM.

Чи закінчився цикл NAND через AI?

Ні. NAND залишається циклічною та капіталомісткою галуззю. AI може підтримувати long-term bit demand, а багаторічні agreements — покращувати supply discipline, але pricing, capacity expansion і technology transitions усе ще можуть призводити до oversupply та зниження margins.

Більша зміна: AI потрібен не лише compute, а й capacity

Перша стадія AI infrastructure boom визначалася дефіцитом compute. GPU, HBM і networking дорожчали через нестачу performance.

Inference створює інше обмеження: capacity.

Щоб AI працював у глобальному масштабі, величезні обсяги даних мають залишатися доступними, але їх неможливо постійно тримати в найдорожчих типах пам’яті.

Це створює простір для просування NAND вище в AI memory hierarchy через enterprise SSD, QLC і потенційно HBF.

Якщо AI inference продовжить підвищувати storage intensity, а memory suppliers збережуть capacity discipline, наступний NAND cycle усе одно залишиться циклом — але може суттєво відрізнятися від тих cycles, до яких інвестори звикли раніше.