东芝与西部数据的合资闪存代工厂已经开始制造96层3D NAND芯片,而两家合作伙伴正在此基础上积极生产四级单元(简称QLC)产品。其中仍在使用TLC的东芝公司发布一款三级单元的1 TB SSD,而率先迈入QLC时代的西部数据则拥有一款四级单元的1.33 Tb芯片。
东芝公司的XG6为一款单面M.2“口香糖”(22 x 80毫米)外形尺寸的产品,其属于XG5 M.2驱动器的换代方案。这款驱动器采用64层3D NAND芯片,容量选项分别为256 GB、512 GB以及1 TB。前后两代产品皆配备有一个NVMe接口。
尽管采用其512 Gb晶圆的96层TLC芯片在单位容量方面较64层方案提升了40%,但XG6驱动器的容量水平却仍与XG5保持一致。
与XG5相比,XG6的另一个奇怪之处在于其性能表现。XG5的随机读取IOPS高达14万4千次,随机写入IOPS则高达11万9250次——这属于典型的随机读取速度高于写入速度的模式。而XG6的参数分别为随机写入IOPS为35万5千次,随机读取IOPS为36万5千次。
XG5的连续读取与连续写入传输带宽分别为每秒3 GB与每秒2.1 GB,XG6则分别为每秒3.18 GB与每秒2.96 GB——这又重新回归了读取快于写入的典型模式。
东芝公司还拥有一款XG5-P,即高端M.2 2 TB驱动器,其中采用64层TLC 3D NAND芯片。因此,我们希望能够看到未来推出采用96层TLC芯片的XG6-P,其容量或将达到3 TB水平。
XG6提供五年质保与150万小时平均故障前运行时长。具体使用寿命信息目前尚不明确。东芝公司正在向OEM厂商提供样品,这款驱动器将主要用于PC/移动端、嵌入式设备以及数据中心场景。
东芝公司表示,其正在开发一款QLC(四级单元)芯片,这将把现有TLC芯片的容量进一步提升三分之一。
西部数据公司目前拥有一款采用同一晶圆厂出产芯片的1.33 Tb QLC芯片,其表示这是目前业界内存在的存储容量最高的单一3D NAND芯片。
这款芯片现已开始提供样品,并计划于今年年底之前批量出货以用于SanDisk品牌的消费级产品。西部数据方面表示,预计这些芯片将出现在零售、移动、嵌入、客户以及企业级产品线当中。SanDisk Ultra目前提供的最高容量水平为2 TB,我们预计新芯片的推出可能将其容量提升至3 TB。
作为东芝存储器集团下辖的子公司,东芝美国有限公司亦拥有一套96层QLC芯片的原型设计方案。该公司表示其单芯片容量为1.33 Tb,与西部数据保持一致。东芝方面将这些芯片每16个一组堆叠在同一封装之内,从而生产容量达2.66 TB的“超级芯片”。
相关样品将于今年9月向SSD及控制器供应商交付,全面量产时间预计为2019年。
本月早些时候,三星公司表示其正在生产90层以上3D NAND芯片,并着手开发QLC方案。美光公司刚刚进入96层领域,目前拥有2.5英寸ION 5210 QLC SSD,其采用64层技术且容量为7.68 TB。我们预计未来推出的96层版本可能将容量提升至10 TB水平。
英特尔公司发布推文表示,其目前正在生产数据中心级QLC SSD,且目标是开发出容量达20 TB的2.5英寸SSD。更多细节预计将在8月6日至9日召开的Flash Memory峰会上公布。
可以看到,我们正全面进入96层与QLC闪存时代,由SATA与SAS到NVMe的过渡也在持续进行当中。感谢闪存的蓬勃发展为我们带来一系列振奋人心的好消息。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。