英特尔将在当地时间周日开始出货首批基于3D XPoint新技术的产品,希望借此重塑计算机内存市场,协助公司从科技行业的数据爆炸中获得更多利润。

英特尔在周日开始大范围出货新的存储驱动器,它基于一项名为3D XPoint的技术。英特尔称,公司花费了十多年时间开发这项技术,将其标榜为一种新的内存类型,填补了传统内存和闪存之间的缺口。传统内存速度快,能够存储立即使用的数据。闪存则可以用于更长时间的存储数据。
“它模糊了系统内存和存储之间的界限,”负责英特尔数据中心集团的执行副总裁黛安·布莱恩特(Diane Bryant)称。她表示,3D XPoint可以协助加快欺诈检测、零售购买推荐以及自动驾驶等任务。
英特尔称,处于发展初期3D XPoint技术要比NAND闪存快1000倍,但是速度仍只有DRAM内存的大约1%。考虑到它们与计算机的连接方式,英特尔首批出货的存储驱动器无法充分利用新技术的速度。
英特尔的核心PC和服务器处理器业务面临挑战,希望借助新技术扩大其存储业务。去年,英特尔存储业务营收为26亿美元。半导体市场研究公司Objective Analysis分析师吉姆·汉蒂(Jim Handy)称,去年全球存储市场销售额约为800亿美元,英特尔占据其中3%。
英特尔CEO科再奇(Brian Krzanich)在1月份表示,公司预计3D XPoint产品将在今年占据存储部门营收的10%,“2018年的占比将大幅提升”。
不仅如此,英特尔还希望3D XPoint能够刺激公司所有业务实现增长。英特尔寄望于人工智能等数据密集型任务来推动处理器芯片和其它产品的销量,赌定3D XPoint能够让这些产品更具吸引力。
不过,英特尔要想实现这些目标,就需要以一个具有吸引力的价格、能够盈利的方式制造这项技术。英特尔已经表示,3D XPoint芯片能够在传统芯片制造工厂生产。但是汉蒂表示,要想大规模量产使其成为一项平价技术,困难不小。他表示,英特尔已经表示,3D XPoint需要新材料,还得把它放在层内,这两项在量产过程中都具有挑战性。
英特尔3D XPoint芯片相对便宜,每375GB的售价为1520美元,约为每GB 4美元。汉蒂称,这低于DRAM芯片的价格,后者每GB售价介于4.50美元至5美元之间。但是,3D XPoint的售价远高于NAND闪存,后者每GB售价介于20美分至25美分之间。
尽管英特尔声称3D XPoint的速度要比NAND闪存快出几个数量级,但是该公司出货的首批产品只比NAND固态硬盘快5倍至8倍,原因是受到了连接存储器和计算机的传统接口的限制。英特尔计划在今年晚些时候推出其他3D XPoint产品,使其更加直接地与处理器连接在一起,以最高速度运行。
布莱恩特称,英特尔的最终目的是希望它能够推动计算机系统的创新,因为要想充分利用3D XPoint这项技术,厂商需要新的硬件和软件设计。
知情人士称,戴尔正在测试这项技术。英特尔称,阿里巴巴集团正在使用它协助执行互联网搜索,哈佛大学正在云计算服务中使用它。
英特尔与长期合作伙伴美光联合开发了这项技术,目前正在使用Optane品牌展开营销。美光将使用QuantX品牌进行营销,计划在今年销售基于这项技术的产品,但尚未宣布针对这项技术的具体产品计划。
3D XPoint的技术原理是英特尔和美光的商业机密,引发了许多猜测。尽管DRAM和NAND芯片使用硅中经过蚀刻的晶体管来存储代表数字0和1的电荷,但是英特尔已经表示,新技术没有使用晶体管,也不存储电荷。相反,它使用电流在一种专有材料中做出物理变化。英特尔和美光尚未公开为这种材料命名。
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。