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
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。