# Anthropic та Micron хочуть переосмислити пам'ять для AI > Партнерство виробника чіпів і AI-лабораторії може змінити economics inference для всіх розробників - Опубліковано: 22 червня 2026 р. (2026-06-22T18:01:23.389029+00:00) - Розділ: AI-дослідження - На основі публікації: [The Decoder](https://the-decoder.com/anthropic-and-micron-want-to-co-design-ai-memory-architecture/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=anthropic-%D1%82%D0%B0-micron-%D1%85%D0%BE%D1%87%D1%83%D1%82%D1%8C-%D0%BF%D0%B5%D1%80%D0%B5%D0%BE%D1%81%D0%BC%D0%B8%D1%81%D0%BB%D0%B8%D1%82%D0%B8-%D0%BF%D0%B0%D0%BC-%D1%8F%D1%82%D1%8C-%D0%B4%D0%BB%D1%8F-ai --- Поки весь світ стежить за гонитвою за потужнішими GPU, справжнє вузьке місце сучасного AI тихо залишається в тіні — пам'ять. Не обчислювальна потужність, не архітектура трансформера: саме швидкість і структура доступу до пам'яті визначають, наскільки ефективно великий мовний модель працює в режимі inference. Anthropic, схоже, нарешті зробила крок, якого давно очікували інсайдери галузі. [За даними The Decoder](https://the-decoder.com/anthropic-and-micron-want-to-co-design-ai-memory-architecture/), Anthropic і Micron Technology ведуть переговори про спільне проектування архітектури пам'яті, оптимізованої під AI-навантаження. Це не типова угода постачальника з клієнтом — мова йде про глибоку технічну співпрацю, де одна сторона розуміє навантаження на рівні моделей, а інша — на рівні кремнію. ## Чому пам'ять важливіша за обчислення У середовищі AI-інфраструктури існує поняття «memory wall» — ситуація, коли процесор чекає на дані з пам'яті довше, ніж витрачає на самі обчислення. Для LLM під час inference це критично: кожен токен генерується послідовно, і модель постійно звертається до KV-кешу, який зберігає контекст усього діалогу. При context window у 128K або 1M токенів цей кеш стає величезним і вимогливим до пропускної здатності. Сучасні AI-акселератори — NVIDIA H100, GB200 — використовують HBM (High Bandwidth Memory), яку виробляють SK Hynix, Samsung і Micron. Але навіть HBM3e має фізичні обмеження. Будь-який, хто розгортав vLLM або TensorRT-LLM у production, знає: при великому batch size або довгому контексті throughput впирається не в TFLOPS, а в GB/s. Обчислень вистачає — пам'ять не встигає. ## Що означає «co-design» на практиці Коли компанії говорять про co-design апаратного та програмного забезпечення, це зазвичай означає одне з двох: - **Програмна адаптація під існуюче залізо** — оптимізація моделей і runtime під конкретні характеристики чіпів: кількість HBM-стеків, latency profiling, prefetching. - **Апаратна адаптація під конкретні навантаження** — зміна дизайну мікросхем з урахуванням специфіки AI inference, включно з тим, як LLM звертається до пам'яті та які патерни доступу є типовими. Партнерство Anthropic із Micron, схоже, претендує на другий, більш амбітний варіант. Якщо Anthropic надає Micron детальний профіль того, як Claude звертається до пам'яті — які патерни доступу, яка локальність даних, які операції найчастіші — Micron теоретично може адаптувати архітектуру HBM або розробити нові типи пам'яті з меншою latency для цих конкретних patterns. Це схоже на те, що Google зробила з TPU: замість адаптуватися під GPU, вони спроектували апаратне забезпечення під свої матричні операції. Anthropic застосовує ту саму логіку, але до рівня пам'яті. ## Стратегічний контекст: AI-компанії будують власний стек Партнерство з Micron — частина ширшої тенденції. Anthropic вже заявляла про плани інвестувати мільярди доларів у власну AI-інфраструктуру. Microsoft, Google, Meta — всі великі AI-гравці поступово рухаються до вертикальної інтеграції, прагнучи зменшити залежність від NVIDIA як єдиного постачальника AI-заліза. Micron, зі свого боку, зацікавлена у довгострокових технічних специфікаціях від провідних AI-лабораторій. Поки SK Hynix домінує у постачанні HBM для NVIDIA, Micron шукає диференціацію — і доступ до реальних production AI-навантажень є саме тим, чого не має жоден інший виробник пам'яті. Для Anthropic це ще й питання economics: вартість inference є однією з головних операційних витрат. Краща архітектура пам'яті — більше запитів при тому самому залізі — прямий вплив на unit economics Claude API. ## Висновок AiiN: що це означає для AI-білдерів Якщо ця ініціатива матеріалізується у реальні продукти, наслідки для розробників будуть відчутними: - **Нижча latency для довгого контексту** — якщо KV-кеш отримає кращу апаратну підтримку, inference з 200K+ токенів стане швидшим і дешевшим. - **Вища щільність обслуговування** — більший batch size при тому самому залізі означає нижчу ціну за токен для кінцевих розробників. - **Нові можливості для edge inference** — якщо Micron розробить компактнішу AI-оптимізовану пам'ять, це може вплинути і на on-device сценарії. Реальні продукти можуть з'явитися не раніше ніж за кілька років. Але сам факт того, що провідна AI-лабораторія починає впливати на дизайн апаратного забезпечення нижче рівня GPU, є структурною зміною у тому, як будується AI-інфраструктура. Стек, на якому ви будуєте сьогодні, не є кінцевою точкою — і наступне покоління AI-заліза вже проектується під реальні inference patterns. Це буде помітно у throughput, latency та cost-per-token вже в найближчі роки. --- Теги: Anthropic, Micron, AIінфраструктура, HBM, inference, AIчіпи Джерело: AiiN — https://aiin.news/article?slug=anthropic-%D1%82%D0%B0-micron-%D1%85%D0%BE%D1%87%D1%83%D1%82%D1%8C-%D0%BF%D0%B5%D1%80%D0%B5%D0%BE%D1%81%D0%BC%D0%B8%D1%81%D0%BB%D0%B8%D1%82%D0%B8-%D0%BF%D0%B0%D0%BC-%D1%8F%D1%82%D1%8C-%D0%B4%D0%BB%D1%8F-ai. Цитуючи, посилайтесь на канонічний URL.