随着3D Xpoint内存芯片逐渐由实验环境迈向生产性代工体系,一位IM Flash高管就这项新兴内存技术、未来发展路线以及制造工作中的实际困难披露出更多细节信息。
英特尔与美光双方于去年7月公布了其所谓3D Xpoint技术,其被定义为一套新型内存架构,旨在弥补DRAM与闪存之间的定位空缺,同时提供与NAND相接近的存储密度并显著提升性能表现且降低延迟水平。"硫系材料与Ovonyx转换机制成为这项技术中最为核心的组成部分,而与之相关的最初研究工作早在上世纪六十年代就已经开始推进,"IM Flash公司联度CEO Guy Blalock在一次由芯片厂商高管参加的年度会议当中指出。
XPoint走向全面量产大约需要12到18个月周期,Blalock表示。他同时指出,目前生产此类芯片以及3D NAND设备还面临着一系列挑战--二者皆由合营企业犹他州Lehi代工厂负责生产。
"我们正在深入探索以推动这些新型产品在未来成为实际可行的解决方案,"Blalock指出。不过他同时承诺称,XPoint样品"即将正式推出……这能够帮助研发人员拿出更多时间来解决目前面临的种种难题,"他解释称。
就目前来看,使用新型材料的一大弊端就是其容易带来交叉污染。为了解决这项威胁,"我们需要增加大量工艺步骤层,而这些层就如同人的心血管一样,很容易沉积大量易于扩散并引发堵塞的物质,"Blalock表示。他同时证实称,去年曾经出现的猜测确实说到了点子上。
3D Xpoint采用多达100种新型材料,这也意味着供应链会变得更加复杂。"对于某些产品,我们可能在同一位置只拥有一家原材料供应商……而且很多客户根本无法承受由此带来的风险水平--他们希望能拥有更多原材料来源或者供应商,从而摊薄自然灾害可能给生产及材料供应造成的影响,"他表示。
XPoint与3D NAND在垂直设计上的独特性意味着其生产流程需要包含更多流程与步骤,这将使得整套代工体系的生产能力下降约15%。"我们从来没有见过哪一种技术成果会给我们的产量带来如果巨大的拖累,"Blalock表示。
而更多新型设备的引进则可能令代工体系中的前期资本投入与占地空间需求较上代新型闪存技术增加3到5倍。除此之外,下一代XPoint预计还将要求比3D NAND生产线更为严苛的资本投入与占地空间规模。
3D NAND与XPoint显著提升占地空间与成本投入要求。(图片来源:IM Flash公司)
因此,IM Flash公司正积极敦促设备制造商提升自身系统生产能力,从而弥合这种差距。为了保证代工体系的产出能力不受影响,第一代产品必须要能够利用湿法工艺在26平方英尺的楼面空间之内实现每小时180片的产量,而第三代组件的生产能力则需要提升至20平方英尺内每小时1000片。
"湿法工艺设备的实际成效非常出色……(但)干蚀刻工艺无论如何调整都很难满足目前我们面对的生产力提升要求,"Blalock表示,具体来讲其目标是将传统的20%到30%效率提升一口气变为2至3倍。
这种挑战可能会给XPoint的发展路线图造成重要影响,Blalock预测称3D NAND较为直观的发展进程是由32层逐步提升至48层乃至64层。XPoint最初采用双层堆栈设计,而且"我们清楚地看到了立足于设计调整、尺寸缩小以及光蚀刻技术提升等所带来的四层堆栈可能性……如果EUV能够全程配合,那么未来的三代3D XPoint发展流程也都将顺理成章,"他表示。
而在基于NVMe的固态驱动器方面,XPoint芯片能够提供超过95000 I/O每秒操作能力且延迟水平仅为9毫秒,相比之下闪存芯片的IOPS为13400、延迟水平则为73毫秒。至少从直观角度看,这意味着服务器之上负责运行大数据分析、机器学习乃至高端游戏的各类应用程序都将进入全新的纪元。
第二代XPoint则很可能与DRAM配合作为某种混合型主内存面向各类应用程序,并凭借着可观的存储密度及延迟水平带来种种助益,Blalock展望称。
XPoint的DIMM版本方案则能够在双插槽至强服务器内实现高达6 TB主内存,且其实现成本仅相当于DRAM的一半左右,英特尔公司数据中心部门总经理Diane Bryant在去年9月指出,并宣称此类服务器将于2017年年内投放市场。
好文章,需要你的鼓励
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。
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。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
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。