Analiza wafli DRAM Kurnal Insights wskazuje, że pamięć ma dziś większą wartość niż krzem TSMC N2
Według Kurnal Insights DRAM przekroczył nietypowy próg: zaawansowana pamięć może dziś osiągać wyższą wartość na milimetr kwadratowy niż układy logiczne TSMC N2. Analiza wafli DRAM Kurnal Insights przypisuje tę zmianę rekordowym cenom pamięci, napiętej podaży i utrzymującemu się popytowi ze strony infrastruktury AI.
Wniosek ten brzmi jak porównanie technologii produkcji, lecz jest przede wszystkim sygnałem rynkowym. DRAM nadal jest mniej złożony w produkcji niż wiodący procesor logiczny. Nabywcy po prostu przypisują wyjątkową wartość pojemności pamięci, którą producenci mogą uzyskać z każdego wafla.
To rozróżnienie jest istotne, ponieważ pierwotne wyliczenie porównuje szacowane opłaty TSMC za wafle z potencjalną wartością sprzedaży kości DRAM. Nie dowodzi ono, że produkcja pamięci kosztuje więcej. Pokazuje, jak niedobór zmienił przychód przypisany jednostce krzemu.
Porównanie wafli DRAM odwraca dawne założenie
Zaskakujące nie jest to, że DRAM stał się trudniejszy w produkcji niż logika, lecz że deficytowa pamięć może generować większą wartość z tej samej powierzchni krzemu.
Kurnal Insights opublikował porównanie 20 września 2026 roku. Analiza wykorzystała raportowane szacunki opłat TSMC za wafle N3 i N2, a następnie podzieliła te kwoty przez powierzchnię 300-milimetrowego wafla.
DRAM przeanalizowano z innej perspektywy. Analityk pomnożył zakładaną wartość sprzedaży za gigabit przez gęstość bitową kilku generacji pamięci. Gęstość bitowa określa, ile pojemności danych mieści się na danej powierzchni kości.
Wynik porównania umieścił starszy DRAM generacji 1y poniżej N2 pod względem nominalnej wartości na jednostkę powierzchni. Gęstszy DRAM 1z zbliżył się do N2, natomiast DRAM 1b zdecydowanie go przewyższył.
Według założeń Kurnal DRAM 1b generował około 54% więcej potencjalnej wartości na milimetr kwadratowy niż nominalna wartość N2. Przewyższał odpowiadający mu szacunek dla N3 o około 131%.
Te wartości procentowe oddają rzeczywistą zmianę opisaną w artykule. Wiodące procesy logiczne historycznie stanowiły najcenniejszą przestrzeń produkcyjną w branży półprzewodników. Wymagają drogiego sprzętu, złożonego wzorcowania oraz ścisłej współpracy między projektantami układów a odlewniami.
Pamięć działa w innym modelu biznesowym. Samsung, SK hynix i Micron zazwyczaj samodzielnie projektują oraz produkują DRAM, a następnie sprzedają układy lub produkty w obudowach na silnie cyklicznych rynkach. Ich wyniki zależą w dużej mierze od dyscypliny w zarządzaniu mocami produkcyjnymi, zapasów, miksu produktów i popytu.
Porównanie wartości na jednostkę powierzchni sugeruje, że cykl osiągnął wyjątkowy punkt. Nabywcy wyceniają obecnie dostępne bity DRAM tak wysoko, że mogą one przewyższać nominalną wartość znacznie bardziej skomplikowanej produkcji układów logicznych.
Współczesna cena spot DDR5 również znalazła się blisko zakładanej przez Kurnal wartości DRAM. Gdy tę cenę zastosowano do gęstości 1b, wynik odbiegał od wyliczenia analityka o mniej niż 3%.
Ta zbieżność wspiera samą arytmetykę, lecz nie każdy wniosek ekonomiczny z niej wyprowadzony. Ceny spot dotyczą komponentów dostępnych od ręki, często sprzedawanych w ograniczonych ilościach. Niekoniecznie odzwierciedlają poufne warunki kontraktowe regulujące większość dostaw.
Porównanie mimo to daje czytelnikom użyteczny obraz sytuacji. Przekłada złożony niedobór pamięci na jednostkę fizyczną, którą można zestawić z zaawansowaną logiką: wartość generowaną przez jeden milimetr kwadratowy powierzchni wafla.
Ten obraz jest szczególnie uderzający, ponieważ proces N2 TSMC wszedł do produkcji wielkoseryjnej dopiero pod koniec 2025 roku. Dojrzała technologia pamięci nie przewyższa przestarzałego węzła logicznego. Jest porównywana z jedną z najnowszych komercyjnych platform produkcyjnych na świecie.
Popyt ze strony AI uczynił pojemność pamięci wąskim gardłem
Systemy AI potrzebują jednocześnie mocy obliczeniowej i pamięci, lecz ograniczona podaż pamięci determinuje dziś, jak wiele użytecznej mocy obliczeniowej może wdrożyć wielu nabywców.
Współczesne akceleratory AI wykonują ogromną liczbę operacji matematycznych. Operacje te pozostają wydajne tylko wtedy, gdy procesory otrzymują w odpowiednim tempie wagi modeli, dane treningowe i wyniki pośrednie.
Pamięć o wysokiej przepustowości, czyli HBM, rozwiązuje ten problem, układając kości DRAM blisko procesora. Jej szeroki interfejs przesyła znacznie więcej danych na sekundę niż konwencjonalne moduły pamięci.
HBM nie tworzy darmowej pojemności. Zużywa wafle DRAM, zasoby zaawansowanego pakowania i uwagę produkcyjną, które dostawcy mogliby w przeciwnym razie przeznaczyć na produkty serwerowe, PC lub mobilne.
Ten kompromis zaostrzył sytuację na szerszym rynku. Producenci naturalnie kierują moce produkcyjne do produktów o silniejszym popycie i wyższej rentowności. Akceleratory AI otrzymują priorytet, a nabywcy konwencjonalnej pamięci rywalizują o pozostałą produkcję.
Prognoza TrendForce na trzeci kwartał opisywała podaż DRAM jako niezwykle napiętą. Przewidywała, że kontraktowe ceny konwencjonalnego DRAM wzrosną w trzecim kwartale 2026 roku o kolejne 13% do 18% w ujęciu kwartalnym.
Ta sama prognoza wskazywała, że rekordowe ceny kontraktowe zbliżają klientów segmentów PC i smartfonów do granic ich możliwości finansowych. Słaby popyt konsumencki spowolnił tempo wzrostu cen, lecz nie rozwiązał podstawowego problemu niedoboru.
Ta różnica jest ważna. Wolniejszy wzrost nie oznacza automatycznie, że podaż nadrobiła zaległości. Ceny mogą łagodnieć, ponieważ nabywcy opóźniają zakupy, ograniczają specyfikacje produktów lub akceptują niższe wolumeny dostaw.
TrendForce podał również, że dostawcy nadal przesuwali produkcję w stronę zastosowań serwerowych. Decyzja ta ograniczyła ilość pamięci dostępnej dla komputerów PC, nawet gdy popyt konsumencki osłabł.
Jeszcze 23 września biuletyn rynku DRAM firmy opisywał rynek jako niedostatecznie zaopatrzony. Wskazywał na popyt ze strony dostawców usług chmurowych, preferencję dostawców dla HBM i serwerowego DRAM, umowy długoterminowe oraz opóźnione uruchamianie nowych fabryk.
Te dane wzmacniają główny argument stojący za analizą wafli DRAM Kurnal Insights. Wynik w przeliczeniu na powierzchnię nie jest odosobliwą ciekawostką matematyczną. Odzwierciedla rynek, na którym nabywcy konkurują o ograniczoną pulę użytecznych bitów.
Popyt związany z AI wykracza także poza HBM. Serwery ogólnego przeznaczenia obsługujące wnioskowanie, orkiestrację, wyszukiwanie i przygotowanie danych wymagają dużych banków zarejestrowanych modułów DIMM, czyli RDIMM. Moduły te korzystają z konwencjonalnego serwerowego DRAM, a nie ze stosowanego HBM.
Obciążenia AI oparte na agentach mogą dodatkowo nasilać ten popyt. System przedsiębiorstwa może uruchamiać modele, jednocześnie przechowując długie konteksty, utrzymując indeksy wyszukiwania i koordynując kilka procesów. Zwiększa to presję zarówno na pamięć akceleratorów, jak i pamięć hosta.
Infrastruktura pamięci masowej dodaje kolejną warstwę. Centra danych AI potrzebują korporacyjnych dysków półprzewodnikowych na dane treningowe, punkty kontrolne modeli, dzienniki i systemy wyszukiwania. Dyski te mogą również wymagać DRAM dla kontrolerów i zarządzania wydajnością.
Rezultatem jest łańcuch powiązanych ograniczeń. Więcej akceleratorów wymaga więcej HBM. Więcej serwerów AI wymaga więcej RDIMM. Większe potoki danych wymagają więcej pamięci masowej dla przedsiębiorstw. Dostawcy muszą zdecydować, które rynki otrzymają ograniczoną liczbę wafli i zasobów pakowania.
Dla deweloperów praktyczna lekcja jest taka, że dostępność akceleratorów nie opisuje już całej sytuacji dotyczącej mocy. System może dysponować dużą przepustowością obliczeniową, a mimo to napotykać ograniczenia wynikające z pojemności pamięci, przepustowości lub terminów dostaw.
Dla nabywców korporacyjnych presja jest widoczna w konfiguracjach sprzętowych i harmonogramach dostaw. Dostawcy mogą podnosić ceny systemów, ograniczać standardowe przydziały pamięci lub priorytetowo traktować dużych klientów z dłuższymi zobowiązaniami zakupowymi.
Dla konsumentów te same decyzje alokacyjne mogą przełożyć się na ceny laptopów i smartfonów. Popyt infrastruktury AI nie musi bezpośrednio dotyczyć konsumenckiego DRAM, aby na niego wpływać. Wystarczy, że przekieruje wystarczającą część wspólnych mocy produkcyjnych.
Wartość pamięci podważa ekonomię wiodących procesów logicznych
Rynek tak agresywnie wynagradza dostępny transfer danych, że pamięć podważa dziś wartość zwykle kojarzoną z zaawansowanymi obliczeniami.
Proces N2 TSMC wykorzystuje tranzystory gate-all-around, nowszą strukturę tranzystorową zaprojektowaną w celu poprawy wydajności i efektywności energetycznej. Proces obsługuje zaawansowane procesory dla smartfonów, obliczeń wysokiej wydajności i AI.
Technologia ta wymaga znaczących nakładów kapitałowych. TSMC przekazało inwestorom, że zbudowanie określonej wielkości mocy N2 kosztuje znacznie więcej niż utworzenie takiej samej miesięcznej mocy w N3.
Transkrypcja wyników finansowych spółki również wskazywała, że N2 wszedł do produkcji wielkoseryjnej w czwartym kwartale 2025 roku. TSMC oczekiwało szybszego wzrostu produkcji w 2026 roku.
Plany inwestycyjne ilustrują koszt tej ekspansji. TSMC zakładało, że 70% do 80% budżetu kapitałowego na 2026 rok wesprze zaawansowane technologie procesowe. Kolejne 10% do 20% przeznaczono na obszary obejmujące zaawansowane pakowanie, testowanie i produkcję masek.
Klienci logiki nie płacą wyłącznie za fizyczną powierzchnię krzemu. Cena przetworzonego wafla odzwierciedla dostęp do platformy produkcyjnej, rozwój procesu, własność intelektualną, zarządzanie uzyskiem, wsparcie klienta i moce odlewni.
Klienci DRAM również kupują więcej niż surową powierzchnię. Płacą za przetestowaną pojemność pamięci, szybkość, charakterystykę energetyczną, niezawodność, pakowanie i dostępność. Jednak formuła Kurnal wycenia DRAM głównie przez pryzmat sprzedawalnych bitów.
Tworzy to główne przeciwstawienie artykułu: złożoność produkcji kontra wartość wynikająca z niedoboru.
Logika N2 wyraźnie wygrywa pod względem złożoności procesu. Wykorzystuje bardziej zaawansowane struktury tranzystorów i etapy produkcji niż główny nurt DRAM. Obsługuje także układy, których projekty mogą kosztować ogromne sumy.
DRAM obecnie wygrywa argument niedoboru przy założeniach opartych na rynku spot. Rynek potrzebuje więcej bitów pamięci, niż dostawcy udostępniają, szczególnie w kategoriach AI i serwerowych.
Ta zmiana przesuwa siłę negocjacyjną. Gdy pamięć była dostępna w nadmiarze, nabywcy mogli traktować ją jako stosunkowo wymienny komponent. Dostawcy byli pod silną presją podczas spowolnień, ponieważ niesprzedane zapasy obniżały ceny.
Ograniczony rynek odwraca tę relację. Nabywców mniej interesuje teoretyczny koszt wyprodukowania bitu, a bardziej to, czy wystarczająca kwalifikowana podaż istnieje w momencie, gdy systemy muszą zostać dostarczone.
HBM wzmacnia tę zmianę, ponieważ nie jest jedynie szybszym towarowym układem DRAM. Dostawcy muszą układać kości w stosy, łączyć je pionowymi ścieżkami, integrować kość bazową oraz koordynować zaawansowane pakowanie z dostawcami akceleratorów.
Produkcja HBM4 firmy Samsung ilustruje tę konwergencję. Jej HBM4 łączy DRAM klasy 10-nanometrowej szóstej generacji z logiczną kością bazową 4 nm.
Samsung rozpoczął komercyjne dostawy HBM4 w lutym 2026 roku. Firma podała, że produkt utrzymuje transfer na poziomie 11,7 gigabita na sekundę i może osiągać 13 gigabitów na sekundę.
Są to deklaracje firmy, a wydajność dla konkretnego klienta zależy od wdrożenia. Mimo to produkt pokazuje, dlaczego granica między ekonomiką pamięci a logiki staje się coraz mniej wyraźna.
Stos HBM obejmuje gęsto upakowaną pamięć DRAM, układy logiczne, złożone obudowy, ograniczenia termiczne i wymagającą kwalifikację. Jego wartość handlowa wynika z całego systemu, a nie z jednego węzła produkcyjnego.
SK hynix realizuje tę samą szansę. W swojej prognozie rynku pamięci na 2026 rok firma opisała przejście od HBM3E do HBM4, przy jednoczesnej dalszej rozbudowie infrastruktury AI.
Micron również ostrzegał inwestorów, że nowsze generacje HBM zużywają stopniowo więcej mocy produkcyjnych wafli w porównaniu z konwencjonalną pamięcią DRAM. Wolniejszy wzrost liczby bitów wynikający z przejść procesowych dodatkowo zwiększa presję podażową.
Wszyscy trzej czołowi dostawcy stoją więc przed tym samym pytaniem o alokację. Mogą przeznaczać moce na produkty obsługujące systemy AI albo wykorzystywać je na rynkach konwencjonalnych, gdzie ceny są słabsze.
Ich decyzje przesądzą o tym, czy obecne porównanie się utrzyma. Jeśli nowe moce, lepsze uzyski i gęstsze procesy zwiększą podaż bitów szybciej niż popyt, wartość DRAM w przeliczeniu na powierzchnię powinna spaść.
Jeśli wdrażanie AI nadal będzie pochłaniać każdy dodatkowy bit, pamięć może zachować wyjątkową siłę cenową nawet przy zwiększaniu produkcji przez producentów.
Czego analiza wafli DRAM nie dowodzi
Główne porównanie jest użyteczne, ale nie dowodzi, że produkcja DRAM dosłownie kosztuje więcej niż wytwarzanie układów logicznych N2 lub N3.
Pierwsze ograniczenie dotyczy dwóch różnych stron transakcji. Dane Kurnal dotyczące układów logicznych przedstawiają szacowane opłaty za przetwarzanie wafli w TSMC. Dane DRAM przedstawiają szacowane przychody z pojemności pamięci zawartej na danym obszarze.
Opłata produkcyjna nie jest tym samym co ostateczna wartość sprzedaży produktu. Wafel logiczny nadal musi zostać pocięty, przetestowany, zapakowany i przekształcony w gotowe procesory. Niektóre produkty logiczne osiągają znacznie wyższe przychody po wykonaniu tych etapów.
Drugim ograniczeniem jest uzysk. Nie każdy milimetr kwadratowy okrągłego wafla staje się chipem możliwym do sprzedaży. Krawędzie wafla nie mogą być wykorzystywane efektywnie, a struktury testowe zajmują część powierzchni.
Defekty również sprawiają, że niektóre układy są bezużyteczne. Duże układy logiczne i mniejsze układy pamięci mogą charakteryzować się odmiennym zachowaniem uzysku, dlatego podzielenie ceny wafla przez całkowitą powierzchnię geometryczną nadmiernie upraszcza ekonomikę użytecznej powierzchni.
Trzecim ograniczeniem jest obudowa. Zaawansowane procesory często wymagają drogich substratów, chipletów, interposerów i zaawansowanych rozwiązań chłodzących. Koszty te nie są uwzględnione w podstawowym porównaniu powierzchni wafla.
HBM wprowadza własne istotne obciążenie związane z obudową. Wiele układów DRAM musi zostać pocienionych, ułożonych w stos, połączonych, przetestowanych i zintegrowanych obok procesora. Słaby uzysk na jednym etapie może wpłynąć na wartość całego stosu.
Czwartym ograniczeniem jest wykorzystanie szacowanych cen TSMC. Umowy z foundry są poufne i różnią się zależnie od klienta, wolumenu, projektu, opcji procesowej i relacji handlowej.
TSMC deklaruje, że jego polityka cenowa pozostaje strategiczna. To stwierdzenie nie ujawnia, ile płaci każdy indywidualny klient korzystający z N2 lub N3.
Piątym ograniczeniem jest rynek spot DRAM. Transakcje spot obejmują pamięć dostępą natychmiast, sprzedawaną poza dużymi kontraktami regulującymi znaczną część branży.
TrendForce opisywał aktywność spot DDR5 jako ograniczoną i sporadyczną. Wysoka cena na płytkim rynku może wskazywać na niedobór, nie odzwierciedlając jednak średnich przychodów uzyskiwanych w dostawach Samsung, SK hynix czy Micron.
Lepsze porównanie zapewniłyby ceny kontraktowe. Uwzględniałyby warunki, na których główni producenci serwerów, producenci modułów i firmy produkujące urządzenia kupują większość pamięci.
Te dane pozostają w dużej mierze prywatne. Bez nich żadna analiza zewnętrzna nie może definitywnie stwierdzić, że producenci DRAM uzyskują większe przychody z wafla niż TSMC za wiodące wafle logiczne.
Istnieje też problem czasowy. Wartości pamięci na rynku spot mogą szybko się zmieniać, podczas gdy kontrakty foundry mogą pozostawać stabilne przez dłuższy czas. Porównanie dokonane we wrześniu opisuje warunki wrześniowe, a nie trwałą hierarchię.
Rynki pamięci mają długą historię gwałtownych cykli. Niedobory zachęcają do inwestycji, gromadzenia zapasów i zwiększania mocy produkcyjnych. Gdy podaż w końcu przewyższa popyt, ceny mogą szybko spaść.
Obecny cykl ma cechy, które mogą go wydłużyć. Budowa nowych fabryk trwa latami, HBM zużywa istotną część mocy waflowych, a klienci AI nadal składają duże zamówienia.
Jednak kupujący mają swoje ograniczenia. TrendForce odnotował już słabszą tolerancję konsumentów, a część producentów komputerów PC i smartfonów ogranicza popyt zamiast akceptować każdą podwyżkę.
Wyważona interpretacja łączy więc dwie idee. Analiza wafli DRAM Kurnal Insights wychwytuje rzeczywisty sygnał niedoboru, ale jej uproszczona metodologia nie może udowodnić pełnego porównania kosztów ani rentowności.
To zastrzeżenie nie czyni obliczenia bezużytecznym. Określa, do czego jest ono faktycznie przydatne: do mierzenia, jak daleko rynek pamięci odszedł od standardowych założeń dotyczących towarów masowych.
Presja przenosi się z producentów chipów na nabywców systemów
Niedobór pamięci zmusza obecnie operatorów chmur, producentów serwerów, marki PC i zespoły AI do przeprojektowania planów zakupowych wokół dostępności mocy, a nie wyłącznie mocy obliczeniowej.
Dostawcy chmurowi są najbardziej widocznym źródłem presji. Ich klastry AI wymagają ogromnych ilości HBM, serwerowej pamięci DRAM i pamięci masowej, często dostarczanych zgodnie ze starannie zaplanowanymi harmonogramami wdrożeń.
Firmy te mogą wykorzystywać umowy długoterminowe, aby zabezpieczyć dostawy. Takie podejście poprawia dostępność, ale jednocześnie ogranicza wolumen pamięci dostępny dla mniejszych lub bardziej wrażliwych cenowo klientów.
Producenci serwerów stoją przed powiązanym problemem. Platforma nie może zostać dostarczona w zakładanej specyfikacji, jeśli kwalifikowane RDIMM pozostają niedostępne. Zastąpienie ich innym dostawcą lub inną gęstością może wymagać walidacji i prac nad firmware.
Dostawcy akceleratorów AI potrzebują jeszcze głębszej koordynacji. Stosy HBM muszą spełniać wymagania dotyczące przepustowości, temperatury, poboru mocy, obudowy i niezawodności. Kwalifikowanych dostaw nie można zastąpić tak swobodnie jak standardowego urządzenia peryferyjnego.
Daje to dostawcom pamięci przewagę, ale stwarza również ryzyko wykonawcze. Zbyt wolne zwiększanie produkcji może ograniczać klientów. Zbyt agresywna ekspansja może pozostawić kosztowne obiekty niewykorzystane, jeśli popyt się zmieni.
Producenci komputerów PC mają mniej sposobów na absorpcję tej presji. Mogą podnieść ceny detaliczne, instalować mniej pamięci, zmieniać strukturę oferty produktowej albo zaakceptować niższe marże.
TrendForce oczekiwał, że wyższe koszty komponentów przełożą się na ceny notebooków i obciążą dostawy w 2026 roku. Dostawcy smartfonów stanęli przed podobnym wyborem, gdy podwyższone koszty LPDRAM spotkały się ze słabszym popytem konsumenckim.
Dla zespołów programistycznych efekt jest mniej bezpośredni. Instancje chmurowe z dużymi pulami pamięci mogą być trudniejsze do zarezerwowania lub mniej atrakcyjne ekonomicznie. Organizacje mogą potrzebować zmniejszać rozmiary modeli albo ostrożniej zarządzać stanem inferencji.
Taka odpowiedź zwiększa wartość efektywności pamięciowej. Techniki takie jak kwantyzacja, mniejsze modele, retrieval, zarządzanie kontekstem i optymalizacja pamięci podręcznej mogą zmniejszyć ilość pamięci wymaganą przez każde obciążenie.
Techniki te nie eliminują popytu na infrastrukturę. Efektywność często sprawia, że więcej zastosowań staje się opłacalnych, co może zwiększać ogólne wykorzystanie. Mimo to pomaga poszczególnym zespołom działać w ramach ograniczonych przydziałów.
Nabywcy korporacyjni powinni również rozróżniać HBM i zwykłą pamięć serwerową. Obie wspierają AI, lecz rozwiązują odmienne problemy.
HBM znajduje się blisko akceleratorów i zasila obliczenia przy bardzo wysokiej przepustowości. RDIMM zapewniają duże pule pamięci hosta dla procesorów, usług danych, potoków retrieval i stanu aplikacji.
Wąskie gardło w którejkolwiek kategorii może opóźnić wdrożenie. Zakup większej liczby akceleratorów nie rozwiąże niedoboru pamięci hosta, podobnie jak dodanie RDIMM nie zastąpi niewystarczającej przepustowości HBM.
Porównanie w przeliczeniu na powierzchnię uwidacznia tę zależność. Krzem obliczeniowy przyciąga uwagę, ponieważ wydajność akceleratorów łatwo promować i porównywać w benchmarkach. Pamięć decyduje o tym, czy te zasoby obliczeniowe mogą pozostawać zajęte.
Przepływ danych również wpływa na zużycie energii. Pobieranie informacji ze zdalnej pamięci masowej lub przez ograniczone interfejsy zużywa czas i energię. Utrzymywanie istotnych danych blisko procesorów może poprawiać wykorzystanie, ale wymaga bardziej wartościowej pojemności pamięci.
Konsekwencje wykraczają poza centra danych. Moce przekierowane na produkty AI mogą ograniczać podaż dla sprzętu przemysłowego, urządzeń sieciowych, pojazdów i elektroniki konsumenckiej.
Nie każdy segment doświadcza tego samego niedoboru w tym samym czasie. Dostawcy mogą dostosowywać miks produktów, a popyt zmienia się między regionami i kategoriami urządzeń.
Mimo to wspólne źródło presji pozostaje jasne. Infrastruktura AI jest gotowa płacić za wydajność, pojemność i pewność dostaw. Ta gotowość odciąga zasoby produkcyjne od nabywców dysponujących mniejszą siłą cenową.
Trzy sygnały pokażą, czy DRAM pozostanie powyżej układów logicznych
Ceny kontraktowe, zużycie mocy produkcyjnych przez HBM oraz nowa produkcja wafli określą, czy odwrócenie utrzyma się poza obecnym niedoborem.
Pierwszym sygnałem jest różnica między cenami spot i kontraktowymi DRAM. Ceny spot stworzyły dramatyczny wynik w przeliczeniu na powierzchnię, ale kontrakty obejmują większość transakcji o dużym wolumenie.
Zmniejszająca się różnica przy utrzymujących się wysokich poziomach wzmocniłaby argument, że nowa wartość pamięci jest szeroka i trwała. Gwałtowny spadek cen spot osłabiłby go, zwłaszcza jeśli wzrosty cen kontraktowych również zwolnią.
Obserwatorzy rynku powinni koncentrować się na raportowanych trendach kontraktowych, a nie na pojedynczych ofertach detalicznych. Powinni też rozdzielać pamięć DRAM do PC, serwerową DRAM, LPDRAM, pamięć graficzną i HBM.
Drugim sygnałem jest obciążenie mocy waflowych przez HBM4 i HBM4E. Każda generacja ma zapewniać większą przepustowość i pojemność, jednak coraz bardziej wymagające projekty mogą zużywać więcej zasobów produkcyjnych.
Samsung i SK hynix dostarczyły próbki HBM4E w 2026 roku, podczas gdy dostawcy akceleratorów przygotowywali swoje kolejne platformy. Wyniki kwalifikacji i uzyski produkcyjne określą, ile mocy dla konwencjonalnej DRAM pozostanie dostępne.
Jeśli produkcja HBM wzrośnie bez dalszego ograniczania innych kategorii, dostawcy poprawią produktywność na tyle, by złagodzić niedobór. Jeśli pamięć serwerowa i PC pozostanie ograniczona, alokacja dla AI nadal będzie dominować na rynku.
Trzecim sygnałem jest faktyczna produkcja z nowych lub rozbudowanych fabryk. Ogłoszone inwestycje nie tworzą natychmiast pamięci nadającej się do sprzedaży. Budowa, instalacja wyposażenia, kwalifikacja procesu i poprawa uzysku wymagają czasu.
Micron oczekiwał pierwszej produkcji wafli ze swojego pierwszego zakładu w Idaho w połowie 2027 roku. Samsung i SK hynix również rozbudowują infrastrukturę produkcyjną oraz infrastrukturalną dla obudów.
Projekty te mają znaczenie, lecz podaż w krótkim terminie zależy bardziej od istniejących cleanroomów, przejść procesowych, uzysków i alokacji produktów. Kolejne kilka kwartałów pokaże, czy usprawnienia operacyjne zdołają dodać wystarczającą liczbę bitów, zanim pojawią się znaczące nowe moce.
Nabywcy powinni również obserwować zachowanie zapasów. Gromadzenie zapasów może wzmacniać niedobór, ponieważ klienci zamawiają defensywnie, obawiając się przyszłej niedostępności. Spadające zapasy mogą ujawnić, czy popyt końcowy pozostaje silny po tych zakupach.
Analiza wafli DRAM Kurnal Insights zostanie potwierdzona, jeśli wartości kontraktowe pozostaną wysokie, podczas gdy HBM będzie zużywać rosnącą część ograniczonych mocy. Będzie wyglądać bardziej jak tymczasowy szczyt, jeśli ceny spot spadną wraz z pojawieniem się nowej produkcji.
Każdy z tych wyników pozostawia ważną lekcję. Infrastruktura AI nie powstaje wyłącznie z chipów obliczeniowych. Jej ekonomika zależy od równoległego rozwoju pamięci, obudów, zasilania, sieci i pamięci masowej.
Dla programistów i liderów technologicznych w przedsiębiorstwach kolejny krok jest praktyczny: mierzyć wymagania pamięciowe równie uważnie jak wymagania obliczeniowe. Przed zobowiązaniem się do planów sprzętowych należy śledzić rozmiar modeli, wzrost kontekstu, wykorzystanie pamięci podręcznej, potrzeby pamięci hosta i dostępność wdrożeniową.
Najbardziej wymowne pytanie na następny kwartał nie brzmi, czy popyt na AI pozostanie wysoki. Chodzi o to, czy dostawcy będą w stanie wyprodukować wystarczająco dużo kwalifikowanej pamięci, aby niedobór nie nadawał DRAM większej wartości na jednostkę powierzchni niż najnowszemu krzemowi logicznemu w branży.
