三星公司在与磁盘驱动器的抗争当中再次发力,宣布将推出90层以上3D NAND芯片产品,而1 Tbit与QLC(即四级单元)芯片也在积极开发当中。
构建3D NAND芯片带来的一大挑战,在于如何访问结构深处的存储单元。Object Analysis的Jim Handy在2013年11月发表的文章中讨论了这个“将外围逻辑(行解码器)连接至位于bit阵列内某层的全部控制门”问题。
他写道,“我们可以将问题归结为:我们无法从芯片一侧的各层处直接连接至下层的CMOS电路。相反,我们必须创建一套露台结构以露出并连接每一层。这些连接将通过阶梯状图案蚀刻至层内,并通过下向通孔以实现各层间的互连。”
所谓通孔,即垂直通孔,可通过蚀刻模具中的层以形成露台或阶梯结构。此YouTube视频描述了其复杂的实现过程。
阶梯拥有特定的宽度与高度。层数越多、阶数越多,芯片的厚度也就越大。因此,96层芯片的基板比48层芯片更宽,且高度亦为后者的约2倍。
Handy指出,“三星公司的全新SSDP,或者说阶梯式分割模式减少了光刻步骤,同时缩小了阶梯所占用的芯片面积。”
其基本结构在于双路阶梯——即可以在两个方向上升或下降。
他给出的示意图如下:
Handy表示,“三星已经减少了其64层NAND芯片的尺寸,同时降低了工艺复杂度与成本。”这一切都将帮助该公司真正摆脱成本高昂的串叠制造方法。
这家韩国芯片制造商表示,其生产艺将拥有更好的原子层沉积效果,因此制造生产率将比64层芯片还高30%。其已经成功将各个存储单元的高度降低20%,同时防止单元之间产生串扰。
三星公司并没有透露这款新芯片中的实际层数,只是表示会超过90层——最终数字可能为96层或者接近96层。
这款V-NAND芯片为256 Gbit单栈设备,相比之下西部数据与东芝提供的96层芯片样品则由两块48层组件堆叠而来(串叠)。美光公司目前同样在开发96层芯片技术。
根据Wells Fargo分析师Aaron Rakers的说法,西部数据/东芝预计将在本季度正式进行96层芯片的生产,美光则表示其96层芯片将在今年年底前出货。东芝方面的原型256 Gbit TLC 96层芯片最早公布于2017年6月。
三星公司的芯片采用3D电荷捕获闪存(简称CTF)单元,内置金字塔或阶梯式边缘结构,且垂直通孔直径为数百纳米。这家半导体巨头表示,其中将可容纳超过850亿个TLC(三级单元)闪存存储单元。
这款芯片的工作电压为1.2伏,低于三星64层V-NAND芯片的1.8伏,这意味着二者的能效大致相同。但其写入速度提升了约30%,达到500微秒。该公司表示,其读取响应时间为50微秒。
该芯片还配备有Toggle DDR 4.0接口,能够以每秒1.4 Gbit的速率进行数据传输——这一水平较64层产品快40%。
三星电子闪存产品与技术执行副总裁Kye Hun Kyung在一份声明中指出,“除了我们今天公布的前沿进展之外,我们还准备在V-NAND产品中增添1 Tb与QLC(四级单元)产品。”
美光公司从今年5月开始发售采用64层3D技术的QLC 5210 ION SSD。西部数据与东芝则于去年7月与6月分别公布了QLC芯片的设计原型。
该芯片的目标市场包括超级计算、企业服务器以及高端智能手机。在我们看来,使用96层QLC 3D NAND芯片的SSD将进一步冲击万转磁盘驱动器以及快速访问近线磁盘存储阵列的市场份额。
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。