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
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。