SK Hynix ส่งตัวอย่าง HBM4E หนุนมุมมองบวกต่อ Supply Chain

SK Hynix เริ่มส่งตัวอย่าง HBM4E แบบ 12 ชั้นให้ลูกค้ารายใหญ่ ถือเป็นก้าวสำคัญในการรักษาผู้นำตลาดหน่วยความจำ AI โดยชิปรุ่นใหม่ทำความเร็วได้ 16Gbps ต่อขา ประหยัดพลังงานขึ้นกว่า 20% และลดแรงต้านความร้อนลง 17% ด้านผลประกอบการยังแข็งแรงมากจากกระแส AI โดยรายได้และกำไรทำสถิติสูงสุด พร้อมอัตรากำไรจากการดำเนินงาน 72% ภาพรวมเป็นบวกต่อ SK Hynix และกลุ่ม HBM แต่ต้องติดตามการแข่งขันจาก Samsung และ Micron รวมถึงความเสี่ยงหลังราคาหุ้นขึ้นแรงแล้ว

1) ประเด็นหลัก: SK Hynix เดินหน้า HBM รุ่นถัดไป

SK Hynix เริ่มส่งตัวอย่าง HBM4E แบบ 12 ชั้น ให้ลูกค้ารายใหญ่ทดสอบแล้ว โดยเป็นหน่วยความจำรุ่นถัดไปสำหรับงาน AI ที่ต้องใช้การรับส่งข้อมูลจำนวนมาก บริษัทระบุว่าจะทำงานใกล้ชิดกับพันธมิตรเพื่อให้เข้าสู่การผลิตจำนวนมากได้ตามแผน ซึ่งถือเป็นก้าวสำคัญในการรักษาความเป็นผู้นำตลาด HBM

2) จุดเด่นด้านเทคโนโลยี: เร็วขึ้น ประหยัดไฟขึ้น และจัดการความร้อนได้ดีขึ้น

HBM4E รุ่นใหม่นี้ทำความเร็วได้สูงสุด 16Gbps ต่อขา และมีประสิทธิภาพการใช้พลังงานดีขึ้นมากกว่า 20% เมื่อเทียบกับรุ่นก่อนหน้า จุดสำคัญคือใช้เทคโนโลยีบรรจุชิปขั้นสูง Advanced MR-MUF ซึ่งช่วยลดแรงต้านความร้อนลง 17% ทำให้ชิปทำงานได้เสถียรขึ้น เหมาะกับศูนย์ข้อมูล AI ที่ใช้พลังงานสูงและต้องการความน่าเชื่อถือสูง

3) ตลาดตอบรับเชิงบวก เพราะ SK Hynix ยังเป็นผู้เล่นหลักของ Nvidia

หุ้น SK Hynix ปรับขึ้นถึงราว 4.6% ทำระดับสูงสุดใหม่ หลังข่าวส่งตัวอย่าง HBM4E ให้ลูกค้ารายใหญ่ โดยบริษัทเป็นซัพพลายเออร์ HBM หลักของ Nvidia ซึ่งเป็นหัวใจของการลงทุนโครงสร้างพื้นฐาน AI ขณะเดียวกันหุ้น SK Hynix เพิ่มขึ้นมากกว่า 4 เท่าในปี 2026 และมีน้ำหนักในดัชนี Kospi มากกว่า 26% ทำให้การเคลื่อนไหวของหุ้นมีผลต่อตลาดเกาหลีอย่างมาก

4) ผลประกอบการสะท้อนว่า AI ยังหนุนกำไรแรง

แรงหนุนจาก HBM และความต้องการชิป AI ทำให้ SK Hynix ทำรายได้ไตรมาสล่าสุดสูงเป็นประวัติการณ์ที่ 52.58 ล้านล้านวอน เพิ่มขึ้น 198% YoY และ 60% QoQ ขณะที่กำไรจากการดำเนินงานอยู่ที่ 37.6 ล้านล้านวอน เพิ่มขึ้นราว 5 เท่า YoY และมีอัตรากำไรจากการดำเนินงานสูงถึง 72% สะท้อนว่ารอบขาขึ้นของหน่วยความจำ AI ยังทำกำไรสูงมาก

5) การแข่งขันเริ่มเข้มข้นขึ้น

แม้ SK Hynix ยังนำในตลาด HBM โดยเฉพาะการเป็นซัพพลายเออร์หลักของ Nvidia แต่คู่แข่งอย่าง Samsung Electronics และ Micron ก็กำลังเร่งพัฒนาสินค้า HBM ระดับสูงเช่นกัน โดย Samsung เริ่มส่งตัวอย่างชิป AI memory ระดับบนเช่นกัน ทำให้การแข่งขันรอบถัดไปจะอยู่ที่ความเร็ว การประหยัดพลังงาน ความสามารถในการผลิตจำนวนมาก และการได้รับคำสั่งซื้อจากลูกค้า AI รายใหญ่

ตาราง: HBM4E ต่างจาก HBM รุ่นก่อนหน้าอย่างไร

ประเด็น	HBM3E / รุ่นที่ใช้กันมากใน AI ปัจจุบัน	HBM4	HBM4E รุ่นใหม่	ใช้ทำอะไร
สถานะสินค้า	เริ่มเข้าสู่การผลิตจำนวนมากตั้งแต่ปี 2024 และถูกใช้ในชิป AI รุ่นปัจจุบันจำนวนมาก เช่น GPU สำหรับศูนย์ข้อมูล	เป็นรุ่นถัดไปที่เพิ่มโครงสร้างใหม่ โดยมาตรฐาน HBM4 เพิ่มหน้ากว้างการรับส่งข้อมูลเป็น 2,048-bit จาก HBM3E ที่ 1,024-bit	เป็นรุ่นต่อยอดจาก HBM4 โดย SK Hynix เริ่มส่งตัวอย่าง 12-layer HBM4E ให้ลูกค้ารายใหญ่ทดสอบแล้ว	HBM4E คือสินค้าที่เตรียมใช้กับชิป AI รุ่นถัดไป หลัง HBM3E เริ่มกลายเป็นรุ่นหลักในตลาดปัจจุบัน
ความเร็วต่อขา	โดยทั่วไป HBM3E อยู่ระดับมากกว่า 9.2Gbps ต่อขา และให้แบนด์วิดท์มากกว่า 1.2TB/s ต่อ stack	มาตรฐาน HBM4 เพิ่มหน้ากว้างเป็น 2,048-bit ทำให้รองรับแบนด์วิดท์สูงขึ้นมาก โดย JEDEC HBM4 อยู่ราว 2TB/s ต่อ stack	SK Hynix ระบุว่า HBM4E ทำความเร็วได้สูงสุด 16Gbps ต่อขา	จุดต่างสำคัญคือ HBM4E เพิ่มทั้งความเร็วต่อขาและใช้โครงสร้าง HBM4 ที่กว้างขึ้น ทำให้ส่งข้อมูลเข้า GPU/AI accelerator ได้มากขึ้น เหมาะกับโมเดล AI ขนาดใหญ่
แบนด์วิดท์โดยประมาณ	มากกว่า 1.2TB/s ต่อ stack ใน HBM3E 8/12-high ของ Micron	Samsung ระบุว่า HBM4 ทำแบนด์วิดท์ได้สูงสุดราว 3.3TB/s ต่อ stack ขณะที่มาตรฐาน JEDEC อยู่ราว 2TB/s	หากคิดจากความเร็ว 16Gbps และหน้ากว้าง 2,048-bit ของสถาปัตยกรรม HBM4 จะได้แบนด์วิดท์เชิงทฤษฎีราว 4.1TB/s ต่อ stack	แบนด์วิดท์ที่สูงขึ้นช่วยลด “คอขวดหน่วยความจำ” ซึ่งเป็นข้อจำกัดสำคัญของงาน AI เพราะ GPU เร็วขึ้นมาก แต่ต้องรอข้อมูลจากหน่วยความจำให้ทัน
จำนวนชั้น / ความจุ	HBM3E มีทั้ง 8-layer และ 12-layer เช่น 24GB / 36GB ต่อ stack ในหลายผลิตภัณฑ์	HBM4 รองรับ stack ที่สูงขึ้น และมาตรฐานใหม่รองรับความจุได้มากขึ้น	SK Hynix ระบุ HBM4E ที่ส่งตัวอย่างเป็น 12-layer	จำนวนชั้นมากขึ้นช่วยเพิ่มความจุต่อ stack ทำให้ GPU ใส่ข้อมูลโมเดล AI ได้มากขึ้น ลดการดึงข้อมูลออกไปนอกชิปที่ช้ากว่า
การใช้พลังงาน	HBM3E ถูกออกแบบให้ประหยัดไฟกว่าหน่วยความจำรุ่นเก่า แต่ศูนย์ข้อมูล AI ยังเผชิญต้นทุนไฟสูง	HBM4 เน้นเพิ่มแบนด์วิดท์ต่อวัตต์ หรือส่งข้อมูลได้มากขึ้นต่อพลังงานที่ใช้	SK Hynix ระบุว่า HBM4E มีประสิทธิภาพพลังงานดีขึ้นมากกว่า 20% จากรุ่นก่อนหน้า	สำคัญมากกับศูนย์ข้อมูล AI เพราะช่วยลดค่าไฟและลดความร้อน โดยเฉพาะระบบที่ใช้ GPU จำนวนมากต่อ rack
การจัดการความร้อน	HBM3E ใช้การวางชิปซ้อนกัน ทำให้ความร้อนเป็นข้อจำกัดเมื่อเพิ่มจำนวนชั้น	HBM4 ต้องจัดการความร้อนและไฟฟ้าหนักขึ้น เพราะหน้ากว้างและความเร็วสูงขึ้น	SK Hynix ใช้ Advanced MR-MUF ช่วยลดแรงต้านความร้อนลง 17% และเพิ่มเสถียรภาพ	ทำให้เหมาะกับงาน AI ที่ต้องรันต่อเนื่อง เช่น ฝึกโมเดลขนาดใหญ่ รันบริการ AI เชิงพาณิชย์ และศูนย์ข้อมูลความหนาแน่นสูง
งานหลักที่ใช้	ใช้กับ GPU / AI accelerator รุ่นปัจจุบัน เช่นงานฝึกโมเดล AI, inference, HPC	เตรียมใช้กับ GPU/AI accelerator รุ่นถัดไปที่ต้องการข้อมูลมากขึ้น	ใช้สำหรับแพลตฟอร์ม AI รุ่นใหม่ที่ต้องการทั้งความเร็ว ความจุ และประหยัดไฟ	ใช้ในงานที่ต้องส่งข้อมูลมหาศาลเข้าโปรเซสเซอร์ เช่น AI training, inference ขนาดใหญ่, ซูเปอร์คอมพิวเตอร์ และระบบคลาวด์ AI
ลูกค้า / ผู้ใช้หลัก	ผู้ผลิต GPU และชิป AI เช่น Nvidia, AMD, hyperscaler และผู้ให้บริการคลาวด์	ผู้ผลิตชิป AI รุ่นถัดไป	SK Hynix ส่งตัวอย่างให้ “ลูกค้ารายใหญ่” และ Reuters ระบุว่า SK Hynix เป็นซัพพลายเออร์ HBM หลักของ Nvidia	หากผ่านการรับรองจากลูกค้าหลัก จะช่วยล็อกคำสั่งซื้อใน AI cycle ถัดไป และรักษาความเป็นผู้นำของ SK Hynix
การแข่งขัน	SK Hynix, Samsung, Micron แข่งกันใน HBM3E	HBM4 เป็นสนามแข่งใหม่ของทั้ง 3 ราย	Samsung ก็เริ่มส่งตัวอย่าง HBM4E เช่นกัน ขณะที่ Micron มีข้อมูล HBM3E/HBM4 ที่แข็งแรง	การแข่งขันจะวัดกันที่ “ผ่านรับรองลูกค้าก่อน ผลิตได้จริงก่อน และ yield ดีพอ” ไม่ใช่แค่สเปกบนกระดาษ

มุมมองของ InnovestX

ประเด็นนี้เป็นบวกต่อ SK Hynix และห่วงโซ่หน่วยความจำ AI เพราะยืนยันว่าความต้องการ HBM ยังแข็งแรง และบริษัทกำลังรักษาระยะห่างจากคู่แข่งด้วยสินค้า HBM4E รุ่นใหม่ นอกจากนี้ Supplier ของ SK Hynix ที่น่าจะได้ประโยชน์จากการเร่งผลิต HBM4E คือ
1) เครื่องจักรผลิตชิป Lam Research, Applied Materials, KLA, Onto Innovation, ASML Holding จาก ความต้องการเครื่องจักรและระบบตรวจสอบคุณภาพเพิ่มฃ
2) อุปกรณ์/กระบวนการหลังการผลิต DISCO, FormFactor, TES, Jusung Engineering, Eugene Technology, D.I Corp จาก HBM ต้องผ่านการตัดเวเฟอร์ ทดสอบ และประกอบที่ซับซ้อนขึ้น
3) แผงวงจร/วัสดุบรรจุชิป SIMTECH, Daeduck Electronics, Ibiden, Shinko Electric, Amkor จาก HBM4E ใช้การบรรจุชิปหลายชั้นและเชื่อมต่อกับชิป AI จึงหนุนความต้องการวัสดุและแผงวงจรขั้นสูง