Ollama та LM Studio — найпопулярніші інструменти для локального запуску мовних моделей — вимагають щонайменше 16 ГБ оперативної пам'яті навіть для компактної 7-мільярдної Llama 3 чи Mistral. Ноутбук із 8 ГБ, досі поширений у бюджетному сегменті, впирається в цю стелю ще до того, як розробник відкриє редактор коду й пару вкладок браузера.

Проблема загострюється тим, що в переважній більшості моделей 2023–2026 років пам'ять запаяна на платі: Apple MacBook Air, Dell XPS, частина Lenovo ThinkPad і майже всі ультрабуки на Intel Lunar Lake не мають вільного слота SO-DIMM. Апгрейд означає не докупити плашку за 40 доларів, а купити новий ноутбук.

За даними Speka, є низка налаштувань, які прискорюють застарілу чи слабку машину без фізичного втручання в залізо. Ми розібралися, які з них дають реальний приріст для тих, хто щодня ганяє IDE, контейнери й локальні AI-моделі, а які — лише косметика.

Чого насправді бракує ноутбуку, коли він гальмує?

Найчастіше це не брак самої пам'яті, а те, що система починає активно свопити — переносити дані з RAM на диск, коли оперативки не вистачає. На ноутбуці зі старим HDD swap перетворює просту операцію на секунди очікування; на NVMe SSD той самий дефіцит пам'яті майже непомітний. Тому перший діагностичний крок — не Task Manager із запитом «скільки вільно RAM», а вкладка Disk: якщо диск постійно завантажений на 90–100% при помірному навантаженні на процесор, проблема саме в свопінгу.

Другий частий винуватець — фонові процеси, які накопичуються місяцями: агенти оновлень, синхронізація хмарних дисків, телеметрія попередньо встановлених застосунків виробника. Кожен окремо важить небагато, разом — легко забирають 2–3 ГБ і 10–15% процесора без жодної користі для користувача.

Як прискорити ноутбук без купівлі нової пам'яті?

Практичний набір кроків, що дає відчутний ефект за годину роботи:

Що змінюється, якщо на ноутбуці працюють AI-інструменти?

У розробника, який тримає відкритими Docker Desktop, VS Code з розширеннями на кшталт GitHub Copilot і кілька вкладок з ChatGPT, Claude та Gemini водночас, дефіцит пам'яті настає швидше, ніж у звичайного користувача офісних застосунків: Electron-додатки й контейнери самі по собі важать сотні мегабайтів кожен ще до запуску реального проєкту.

Якщо до цього додається локальна модель через Ollama чи LM Studio, варто свідомо керувати квантизацією: версія моделі у форматі GGUF з квантизацією Q4 займає вдвічі менше пам'яті за повноточну FP16 при прийнятній втраті якості для більшості задач розробки. Другий практичний прийом — не тримати Docker-контейнери запущеними «про всяк випадок», а піднімати їх під конкретну задачу й гасити одразу після. Третій — переносити важкі збірки чи навчання невеликих моделей у хмарне середовище розробки (GitHub Codespaces, віддалений SSH-сервер), залишаючи ноутбук лише інтерфейсом.

Висновок AiiN

Наша теза проста: для більшості ноутбуків 2023–2026 років фізичний апгрейд пам'яті вже не є першим важелем — він або неможливий через запаяні чіпи, або дає менший приріст, ніж заміна HDD на SSD і дисципліна щодо фонових процесів. Для AI-білдерів це особливо актуально: локальні LLM і контейнери створюють ілюзію, що бракує саме гігабайтів RAM, тоді як реальний вузол найчастіше — повільний диск під час свопінгу або десяток забутих фонових сервісів. Перш ніж замовляти новий ноутбук під локальні AI-задачі, варто витратити годину на діагностику — це часто закриває 70–80% скарг на «гальмує».

Чи дає SSD більший приріст швидкості, ніж додаткова RAM?

У більшості випадків так, якщо в ноутбуці досі стоїть HDD: заміна на SSD прибирає затримки при свопінгу й завантаженні системи, тоді як докупівля RAM без зміни диска лише відсуває момент, коли свопінг знову почнеться. Якщо в системі вже стоїть SSD, приріст від заміни диска буде мінімальним, і тоді сенс має саме нарощування пам'яті.

Скільки оперативної пам'яті реально потрібно для локальних LLM?

Для комфортної роботи з 7-мільярдними моделями у квантизації Q4 достатньо 16 ГБ загальної пам'яті системи; для моделей від 13 мільярдів параметрів і вище практичний мінімум зростає до 32 ГБ, інакше система активно свопить під час інференсу. Ці цифри стосуються локального запуску через Ollama чи LM Studio — хмарні API такого обмеження не мають.