A Micron Technology megállapodást kötött az Anthropic vállalattal memória- és tárolóeszközök szállításáról, és stratégiai befektetőként részt vett a mesterségesintelligencia-fejlesztő legutóbbi, tőzsdei bevezetésre készülő finanszírozási körében.
A Micron közlése szerint a két cég közösen vizsgálja majd a memória- és tárolórendszerek teljesítményét különböző mesterségesintelligencia-alapú számítási feladatok során. A vállalat a nagy sávszélességű memóriák (HBM) piacának meghatározó szereplőjeként emelte ki a memória és a tárolás szerepét az AI-modellek, köztük a Claude hatékony betanításában és üzemeltetésében.
Tom Brown, az Anthropic társalapítója és számítástechnikai igazgatója a sajtóinformációk szerint hangsúlyozta, hogy számítási stratégiájuk sikere az architektúra minden rétegének optimalizálásán múlik, így a memória- és tárolóréteg kulcsfontosságú.
Micron belső alkalmazásai és kiterjesztési tervek
A Micron bejelentette, hogy házon belül már bevezette az Anthropic Claude modelljeit, amelyeket kódolási feladatokhoz és ágensalapú folyamatokhoz használ mérnöki, gyártási és vállalati területeken. A vállalat tervezi ezen alkalmazások további kiterjesztését.
Anthropic finanszírozása és tőzsdei lépései
Anthropic az elmúlt hónapokban több jelentős megállapodást kötött számítási kapacitásának bővítésére, többek között a CoreWeave, a Broadcom és a SpaceX vállalatokkal. A társaság június 1-jén bejelentette, hogy bizalmasan benyújtotta az amerikai tőzsdei bevezetéshez szükséges dokumentumokat.
A cég legutóbbi, H-sorozatú finanszírozási körében 65 milliárd dollárnyi tőkét vont be, a kör után a vállalat értékelését a források 965 milliárd dollárra tették.
Miért fontos ez?
A mesterségesintelligencia-modellek és a hozzájuk kapcsolódó adatközponti infrastruktúrák növekvő erőforrásigénye miatt a memóriagyártók, köztük a Micron, igyekeznek kihasználni a nagy sávszélességű memóriák és a nagy teljesítményű tárolóeszközök iránti növekvő keresletet. A gyártók és AI-fejlesztők közötti közvetlen együttműködések segíthetnek az optimalizálásban, amely csökkentheti a tanítási és üzemeltetési költségeket, valamint javíthatja a modellek teljesítményét.
A jelen írás nem minősül befektetési tanácsadásnak vagy befektetési ajánlásnak.
