随着三级单元(简称TLC)NAND普及程度的稳步提高,Silicon Motion公司正积极图谋利用其于本周闪存存储峰会上发布的最新SSD控制器进一步加快上述趋势。该公司表示,其商用SM2256每秒6Gbit SSD控制器支持1x/1y/1z TLC NAND,不仅是该类别中的首款产品、而且建立在其去年发布的初代SATA 3 SSD控制器的容量基础之上。
Silicon Motion公司美国SMI副总裁兼总经理Robert Fan表示,SM2256的设计目的在于利用其客户端设备为大量TLC NAND提供支持——其中包括3D NAND,并计划借此帮助OEM厂商获取包括固件在内的完整软件包、从而不断向市场投放新的TLC NAND SSD产品。他强调称,这项新型控制器技术将有助于降低TLC NAND SSD产品价格,从而使其应用在更为广泛的客户端设备之上——其中包括目前仍普遍使用传统磁盘驱动器的笔记本设备。
今年早些时候IHS Technology发布了一份报告,调查发现目前HDD市场由于智能手机与平板设备的快速崛起而陷入困境,这种状况也在一定程度上给消费级PC市场带来了影响。不过SSD市场仍在持续增长,这要归功于近来出现的SSD成本下降外加超级本与超薄式PC设备所引发的闪存驱动器使用热潮。
TLC NAND方案面临的关键性挑战之一在于使用寿命,就这一问题Fan表示可以利用合理的控制器技术成果加以解决,而这反过来都会进一步促进TLC NAND的普及。SM2256控制器当中包括该公司的NANDXtend技术,根据他的说法,该技术能够为TLC NAND带来三倍于初始水平的P/E生命周期、同时克服了其在耐用性及数据保留方面的短板。
在性能方面,SM2256的连续读取能力可达每秒524Mb,连续写入能力则可达每秒400Mb,而随机读取与随机写入则分别可达9万IOPS与7万IOPS。Fan表示SM2256的完整设计工具如今已经正式推出,其中包括一份控制器数据表、评估方案、原理图以及固件。该产品也能支持客户的自定义固件。Silicon Motion预计使用SM2256控制器的闪存产品将于明年年初与广大用户见面。
Objective分析公司首席分析师Jim Handy指出,Silicon Motion目前在对应市场区划中拥有极具吸引力的定位,这主要是考虑到希捷已经收购了LSI、而Marvell也受到了相当程度的认可。尽管Silicon Motion并没有在建立之初就迈入SATA SSD控制器供应商阵营,但该公司自去年开始已经开始冲击这一市场,并依靠自身在USB设备控制器方面的丰富经验为TLC产品推广与使用体验改进提供辅助,他解释称。
Handy表示,他曾在一年前预计TLC将迎来普及度提升,并指出这样的成长轨迹与MLC闪存颇为相似——后者当初也曾被认为无法胜任客户机SSD的可行方案。然而在找到了市场突破口之后,MLC最终还是取得了进军企业级市场的途径。他认为TLC将遵循同样的发展路线——在不久的将来被应用为客户机SSD,并最终出现在企业设备当中。当然,这一切在未来一到两年中恐怕还无法实现。
与此同时,内存供应商们正积极寻求改进NAND整体成本竞争力的办法。举例来说,美光公司正在推进其16纳米TLC路线图,并预计将在今年年底时拿出16纳米TLC产品的示范性组件——基于客户机的TLC SSD则将在2015年春季面世。三星曾于2012年秋季公布过采用TLC机制与21纳米制程技术的64 Gbit NAND闪存产品,并于2013年5月公布了采用10纳米级别制程技术以及128 Gbit TLC NAND芯片的高级NAND闪存设备。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。