存储器作为智能终端产品中的重要元件,一直是芯片行业的重要组成部分,也是我国发展半导体产业的重点方向之一。今年以来在存储器芯片领域受关注的行业事件中,东芝出售存储芯片业务绝对要算在其中,且近日又有关于此事的消息传出。
据金融时报报道,消息人士称,日本政府目前正在进一步地参与到东芝出售存储芯片业务的交易中,此前这笔交易因为种种原因进展缓慢,已经引发了投资者的不满。
据悉,日本政府正在努力和东芝内部达成意见一致,加速交易进程。熟悉此次竞购的消息人士称,东芝存在“基础性的公司治理缺陷”。
东芝作为全球闪存的发明者和领先企业,在市场份额上,仅次于三星电子名列全球第二。而此次出售存储芯片业务的交易还导致东芝与合作伙伴西部数据之间发生了法律纠纷。东芝出售存储芯片业务是为了弥补巨额亏损,避免被东京股票交易所摘牌。参与谈判的银行家和律师表示,考虑到交易的必要流程,东芝必须在8月底之前确定买家。
目前讨论的焦点仍是来自由贝恩资本、日本政府基金INCJ,以及SK海力士所组成财团提出的方案。
中国芯何时闪耀世界?
存储器是现代信息技术中用于保存信息的记忆设备,存储器芯片领域,主要分为两类:易失性和非易失性。易失性:断电以后,存储器内的信息就流失了,例如DRAM,电脑中的内存条。非易失性:断电以后,存储器内的信息仍然存在,主要是闪存(NAND FLASH和NOR FLASH),NOR主要应用于代码存储介质中,而NAND则用于数据存储。在整个存储器芯片里面,主要有的三种产品是:DRAM、NOR FLASH和NAND FLASH。
在芯片行业,处理器等逻辑电路一直都占第一位,不过随着数据的不断爆炸性增长,市场对存储芯片的需求在不断增长,这导致存储芯片市场的容量正在迅速增长,估计很快将超过逻辑电路。据IC insights的数据显示2016年逻辑电路市场容量为883亿美元,存储芯片市场容量为743亿美元,两者的差距已缩小到20%以内。其中,闪存芯片是一个发展前景广阔的朝阳业务,目前智能手机、个人电脑配置的闪存越来越多。
目前国内在用的NAND、DRAM芯片几乎全部依赖进口,以紫光为首的公司正在大力推动国产NAND芯片,32层堆栈的3D NAND闪存已经出样,预计明年开始量产,2019年则要推出64层3D NAND闪存。
目前NAND闪存主要被三星、SK Hynix、美光、东芝等少数公司垄断,然而随着物联网需求的发展,存储芯片更成为电子行业的刚需。
中国也积极接入存储产业,整合上游厂商发展出具中国自有技术并联合中、下游的产业,形成群聚效应,进而推进中国半导体产业的进一步成长。
目前发展最快的,是紫光主导的长江存储科技在武汉投资240亿美元建设国家存储芯片基地,他们的主要产品就是国产3D NAND闪存。来自中科院的消息称,长江存储研发的3D NAND闪存已经取得标志性进展,堆栈层数达到了32层。
相比国际大厂的研发进度,三星、美光和东芝都开始向72层及以上的研发加快步伐,国内的研发进程还有一定距离。
不过,3D闪存工厂的生产装备将在2018年Q1季度完成安装,2019年则会完全量产。目标是在2020年时技术上达到国际领先的存储芯片供应商的水平,实现存储芯片的后发先至。
中国市场消耗了全球55%的存储芯片产能,而国家存储芯片基地更是在万众瞩目下迅速壮大。在强大的市场需求及中国政府的财政支持下,我们希望能早日看到“中国芯”的产品出现在世界的舞台。
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。