蓝色巨人显然需要尽快选定一位合作伙伴。
IBM公司的TLC PCM芯片。
IBM公司已经展示了其3-bit相变存储器芯片,而且IBM苏黎士研究中心的Haris Pozidis博士亦通过YouTube视频对其进行了说明——但其间并未提及3D XPoint技术。
其基本思路在于实现每单元3 bit(即TLC或三层单元)容纳能力,从而降低相对较高的PCM芯片使用成本。
IBM公司的这款TLC PCM方案在延迟层面同样位于内存与存储定位之间,这一点与英特尔/美光的3D XPoint技术完全一致。其速度远高于闪存,IBM方面给出的说法是速度提升70倍,但仍然不及DRAM——其读取延迟为1微秒,而DRAM则通常为0.1微秒,或者说100纳秒。
因此,我们完全可以将这款PCM直接添加至之前为XPoint制作的定位表格当中:
与XPoint的含糊其辞不同,IBM公司发布了一组使用寿命数字,表示其能够至少工作100万个写入周期,这一水平远高于TLC闪存的3000次写入周期。另外,其材料能够以多种不同的电阻级别实现bit存储,在三层单元设计条件下需要8个电阻级别实现区分。考虑到阻值位移问题的干扰,其需要配备经过精心设计的算法与信号处理技术以实现准确的数据读取能力。
IBM公司此前曾经利用向PCM单元中添加由稳定材料制成的通孔结构的方式尝试解决阻值状态位移难题,这种方式能够维持更为稳定的PCM单元阻值水平。然而目前的TLC位移追踪机制在效果上更为出色。
这款芯片主要适用于内存内计算(与XPoint一致),同时亦能够立足于移动手机实现可观的操作系统启动速度提升。
总结来讲,这是一项存储级内存技术,而且看起来确实有机会形成实际产品——除非IBM公司既无力自行生产,也找不到愿意为其进行制造的合作伙伴。下面来看看各潜在选项。
首先,SanDisk公司拥有自己的电阻RAM(简称ReRAM)项目,且与惠普企业业务公司合作。不过SanDisk目前已经被西部数据公司所收购,而后者旗下的HGST部门曾于2014年8月演示过一款读取延迟仅为1.5微秒的300万IOPS PCM芯片。
毫无疑问,SanDisk应该会评估自己的ReRAM研究工作并考虑帮助IBM进行PCM生产。
东芝方面预计将积极参与SanDisk的ReRAM技术研发;这意味着蓝色巨人已经拥有两位潜在的闪存代工合作伙伴。不过东芝公司的财务状况实在糟糕,因此其可能会纠结于到底是帮助IBM生产产品,还是选择英特尔与美光的XPoint来冲击X86服务器市场。另一方面,东芝方面可能希望在DRAM与NAND两大存储选项之间找到新的突破口,那么IBM的PCM绝对能够成为备选方案之一。
作为全球规模最大的NAND制造商,三星公司可能也面临着同样的选择。其与东芝都着眼于STT-RAM技术,但前景却并不乐观。考虑到XPoint将在未来12到18个月内实际投放市场,三星自然也要找到自己的抗衡手段。
同样的情况也出现在SK海力士身上,其当然也将成为IBM的代工合作伙伴选项。惠普企业业务公司的忆阻器技术可能仍需要2到3年时间才能投入生产,而XPoint恐怕已经彻底断绝了其生存空间——至少在常规X86服务器市场上是如此。
IBM公司可能会吸引到SK海力士、三星以及东芝的注意,从而在未来2到3年内拿出真正能够匹敌XPoint的成果。
蓝色巨人已经利用其一致性加速处理器接口(简称CAPI)将PCM芯片与POWER服务器联系在了一起,这意味着IBM阵营将拥有自己的存储级内存并可用于对抗由XPoint提升加速支持的X86服务器。
我们正处于计算技术的快速发展时代,内存内技术与速度可达到PCI级别的RDMA连接型存储阵列已经成为一股不可逆转的历史潮流。
好文章,需要你的鼓励
英国国家医疗服务(NHS)正将无人机纳入常规医疗物流体系。自今年2月起,无人机每天在雷恩斯公园和圣乔治医院之间运送血液等诊断样本,飞行仅需3分钟,比公路运输快约85%,且碳排放减少高达98%。目前已有逾2000名患者受益。NHS计划将该服务扩展至圣赫利尔、克罗伊登等多家医院,最终惠及约180万名患者。该网络由英国医疗初创公司Apian与谷歌旗下Wing合作运营。
AgentLens是Explyt公司联合俄罗斯学术机构开发的AI编程助手评测基准,通过分析完整人机交互轨迹而非仅看最终结果,从五个维度评估代码智能体的真实表现。
边缘AI计算厂商Aetina宣布,将在其DeviceEdge AIE-KT风冷系列和新款AIE-PT无风扇平台上支持英伟达全新Jetson T3000和T2000模块。T3000基于Blackwell GPU,最高提供865 FP4 TFLOPS算力,功耗70W;T2000则提供400 FP4 TFLOPS,面向视觉AI代理和自主移动机器人等场景。两款模块预计2027年第一季度上市,支持Nemotron、Cosmos 3等英伟达AI软件生态。
韩国梨花女子大学提出Splash框架,通过识别AI模型中的"休眠参数"并只在其中训练触觉能力,让小型多模态AI在学会感知材质触感的同时,完整保留原有视觉语言推理能力。