Producent pamięci komputerowej, którego nazwę wymawia poprawnie zaledwie część programistów, na chwilę przebił na Wall Street wyceną zarówno Mety, jak i Teslę. Według TechCrunch w piątek wartość Microna wróciła już poniżej obu firm, dla obserwatorów rynku AI ten chwilowy układ ma jednak większą wagę niż jednodniowy ruch akcji. Mówi bowiem coś, co inżynierowie w data center powtarzają od kwartału. Najmocniejszym wąskim gardłem epoki AI nie są dziś karty graficzne, lecz pamięć. Szczególnie ten konkretny jej typ, czyli HBM. Skrót ten oznacza High Bandwidth Memory i nie jest to fragment specyfikacji laptopa. To pamięć zintegrowana z chipem obliczeniowym, której dziś łakną serwerownie napędzające modele klasy frontier. Według prognoz cytowanych w ostatnich analizach niedobór HBM, DRAM i NAND może utrzymać się do 2027 roku, a Micron znalazł się akurat tam, gdzie podaż spotyka się z niezaspokojonym popytem.
Co to jest HBM i dlaczego nagle ma znaczenie
HBM to klasa pamięci, w której kości są ułożone pionowo w stos i ściśle związane z jednostką obliczeniową przez bardzo szeroką magistralę. W przekładzie na ludzki – dane lecą znacznie krótszą drogą i znacznie szerszym strumieniem niż w klasycznej pamięci stosowanej w komputerze osobistym. To z kolei kluczowe w trenowaniu oraz uruchamianiu dużych modeli językowych. Karta graficzna potrafi szybko mnożyć liczby, ale jest bezużyteczna, jeśli liczby docierają do niej z opóźnieniem. Z tego powodu właśnie pamięć HBM, a nie sama liczba rdzeni w chipie, decyduje dziś o tym, jak szybko dany model trenuje się i jak tanio można go potem uruchamiać.
Trzy klasy pamięci w trzech zdaniach
W dyskusji o rynku pamięci AI najczęściej powracają trzy klasy. DRAM to klasyczna pamięć ulotna, którą wszyscy mają w komputerach i laptopach. NAND to pamięć trwała, ta sama, która siedzi w dyskach SSD oraz w telefonach. HBM to z kolei specjalistyczna pamięć ulotna, zaprojektowana pod wysoką przepustowość obok jednostki obliczeniowej, na którą popyt urósł nieproporcjonalnie szybko właśnie dlatego, że trenowanie modeli AI bardzo intensywnie pamięta i przesuwa dane.
Dlaczego Micron stał się gwiazdą giełdy
Wyniki Microna i jego krótkotrwałe przebicie wyceną Mety oraz Tesli to nie jest historia jednorazowej zwyżki. To raczej spóźniona reakcja rynku na fakt, że budowa data center pod model klasy frontier wiąże się z dostępem do HBM równie mocno, co z dostępem do GPU. Z tego powodu inwestorzy zaczęli postrzegać Micron, koreańskie SK hynix oraz koreański Samsung jako firmy, które w najbliższych latach mogą faktycznie kontrolować tempo rozwoju AI. Czy chwilowo, czy strukturalnie, zależy od tego, jak szybko nowe fabryki HBM uruchomią się w Azji oraz w Stanach. Tymczasem w krótkiej perspektywie ceny rosną, a efekt rozlewa się szerzej niż na same serwerownie. Dotyczy bowiem także zwykłych komputerów, konsol, a nawet niektórych urządzeń konsumenckich, w których DRAM i NAND są dziś droższe niż jeszcze przed rokiem.
Pięć wąskich gardeł AI, o których mówi się za rzadko
Premiera kolejnego nagłówka o Micronie jest dobrym pretekstem, by rozsupłać szerszy temat. Mit “AI to GPU” w 2026 zaczyna szkodzić, bo prowadzi do złych decyzji budżetowych w organizacjach planujących wdrożenia.
1. Pamięć HBM, DRAM i NAND
To dziś najbardziej widoczne wąskie gardło. Bez HBM w wystarczającej ilości karta graficzna stoi bezczynnie. Bez DRAM i NAND fabryki nie składają nowych komputerów, konsol ani urządzeń embedded. Z tego powodu efekt cenowy odczują nie tylko hyperscalery, ale i zespoły kupujące zwykłe stacje robocze.
2. Energia i moc przyłączeniowa
Dla każdego nowego data center kluczowe pytanie brzmi nie “ile GPU”, lecz “ile megawatów dostępnych w tej lokalizacji”. W Polsce ta sama dyskusja toczy się przy okazji planowanej gigafabryki AI, a we Francji Mistral z Nvidią uruchamia 1,4-gigawatowe centrum pod Paryżem.
3. Chłodzenie
Nowoczesne klastery treningowe coraz częściej idą w chłodzenie cieczą, ponieważ powietrze przestaje sobie radzić z gęstością mocy w szafach serwerowych. Z tego wynika cała branża infrastruktury wodnej obok data center oraz rosnący konflikt z samorządami o dostęp do zasobów.
4. Sieci i interconnect
Każdy poważny model treningowy to dziś tysiące akceleratorów łączonych szybkimi linkami. Wąskim gardłem bywają już nie same chipy, lecz dostępność szybkich kart sieciowych oraz przełączników. Z tego powodu Nvidia od przejęcia Mellanoxa ma własny silny ekosystem sieciowy, a rywale budują własne odpowiedniki.
5. Talent inżynierski
Najmniej widoczne, najbardziej decydujące. Polski rynek pracy IT już mówi tym językiem – inżynier od systemów GPU, dystrybucji modeli, oszczędnego inferencingu jest dziś dobrem rzadkim, na którego polują największe firmy świata.
Co znaczy to dla polskich firm i polskich modeli
W krótkim horyzoncie polskie firmy odczują efekt na fakturze za sprzęt. Stacje robocze, laptopy deweloperskie, a także serwery i urządzenia konsumenckie mogą podrożeć o zauważalny procent w ciągu kolejnych kwartałów. W średnim horyzoncie zmiana niesie jednak ciekawszy wniosek. Skoro pamięć i energia stają się dziś najmocniejszym ograniczeniem AI, modele optymalizowane pod ten układ zyskują nieproporcjonalnie wysoko. Oznacza to, że małe modele lokalne, takie jak otwarty szwajcarski Apertus albo chiński GLM-5.2 odpalany lokalnie, zaczynają mieć sens nie tylko geopolitycznie, lecz także po prostu kosztowo. Dla polskiego CIO oznacza to konkretną decyzję inwestycyjną. Zamiast budować całą architekturę na pojedynczym wywołaniu API do najmocniejszego flagowca, warto zaplanować architekturę dwupoziomową. W niej proste i średnie zadania jadą tańszym modelem lokalnym, a tylko najtrudniejsze trafiają do flagowca w chmurze.
Kurs n8n 2.0 · Kodożercy
n8n + AI = automatyzacje, które naprawdę myślą
n8n pozwala podłączyć modele AI do swoich workflow – wysyłać dane do ChatGPT, analizować wyniki, reagować automatycznie. Kurs n8n 2.0 na Kodożercach pokaże Ci jak to połączyć.
Sprawdź jak to działa →
Podsumowanie
Krótkotrwały skok Microna ponad wyceny Mety i Tesli jest mniej anegdotą giełdową, a bardziej sygnałem strukturalnej zmiany na rynku AI. Najmocniejszym ograniczeniem przestaje być układ graficzny, a staje się skomplikowany splot pamięci, energii, chłodzenia, sieci oraz inżynierskiego talentu. Dla każdego, kto planuje budżet na AI w kolejnym roku, oznacza to konieczność zrewidowania prostych założeń o tym, że “więcej GPU rozwiąże problem”. W polskich realiach najbardziej praktyczna konkluzja jest jednak inna. Małe, lokalne modele zaczynają wygrywać, dlatego, że rachunek za pamięć i energię w chmurze coraz mocniej kąsa. W rezultacie warto już dziś zaprojektować w swoim systemie miejsce dla pierwszego takiego modelu, zanim faktura na koniec kwartału zmusi nas do tego znacznie szybciej.
Newsletter · DevstockAcademy & Kodożercy
Bądź na bieżąco ze światem IT, AI i automatyzacji
Co wtorek: newsy z branży, praktyczne tipy i narzędzia które warto znać. Zero spamu.
