中国政府支持下的3D NAND制造商长江存储科技公司宣称,其将在明年正式推出闪存芯片产品。
长江存储公司目前正在开发的是一款32层3D NAND芯片,其目标数据访问速度为每秒3 Gbit,据称这一水准相当于DDR4内存的速度表现。
长江存储公司指出,其32层3D NAND芯片将于2019年投入批量生产,该工厂每月可生产30万片晶圆,主要用于智能手机、个人计算、数据中心以及企业级应用。不过目前我们还无法确认该芯片的速度表现将接近DDR4内存的说法。
长江存储公司CEO杨士宁在一份声明中表示:
目前,全球速度最快的3D NAND I/O水平为每秒1.4 Gbit,而业界所发布的大多是每秒1.0 Gbit甚至更低的产品。凭借我们的Xtacking技术,产品NAND I/O速度将可达到每秒3 Gbit,类似于DRAM DDR4的I/O速度。这一表现将改变NAND行业的游戏规则。
长江存储公司的32层芯片在层数方面仅为96层前沿水准的三分之一,而目前英特尔/美光、西部数据/TMC以及三星的代工厂都已经开始生产96层产品。然而,如果长江的芯片真的能够将速度表现提升至三倍,那么层数较小的问题可能不再是问题。
事实上,如果真能实现这样的速度表现,那么其将成为比英特尔3D XPoint性能更强的非易失性存储器方案。
Xtacking技术类似于美光的CMOS-under-Array(简称CuA)设置,其芯片的外围逻辑电路构建在NAND层下方,能够显著减少芯片的整体面积。不过区别在于,长江存储公司将其逻辑电路置于芯片之上,而非下方。
长江存储公司拥有中国政府提供的强大支持,且多数股权归紫光集团所有。该公司指出,传统3D NAND设计(这里并不特指美光公司)当中,外围电路往往占芯片面积的20%到30%,这会严重拉低NAND的存储密度。随着3D NAND技术进一步发展至128层以上,外围电路最终可能占芯片总面积的50%以上。
这家中国本土芯片制造商的Xtacking技术能够有效回避这个问题,而且虽然还没有对具体方式给出确切解释,但其确实也打开了进一步提升速度表现的大门。
长江存储公司在其网站上添加了一段宣传视频,但其中并没有提供多少细节信息。
这款芯片由独立的NAND与外围电路晶圆构成。外围电路负责数据IO与存储单元操作,旨在实现必要的功能设置与IO速度。但就目前公布的信息,我们无从得知其如何实现高达每秒3 Gbit的速度表现。
长江存储公司发布的声明指出:“一旦完成阵列晶圆的处理,两块晶圆将通过数百万个金属VIA(即垂直互连接入)实现电路连接,而这些VIA将在同一工艺环节之内在整片晶圆上同时构建完成。”
这份声明表示,此项设计能够带来远超传统3D NAND的存储密度。此外,其还可以独立开发及处理阵列与外围电路,从而实现“模块化、并行化的产品开发与制造方法,从而将产品开发时间缩短至少三个月,并将制造周期缩短20%——这将显著加快3D NAND产品的上市时间。”
这家制造商同时提到,其能够立足外围逻辑电路构建具有特定及特殊功能的定制化NAND产品。这对于OEM类客户无疑具有重大吸引力。
来自Objective Analysis公司的分析师Jim Handy指出,“东芝与PMC Sierra在两到三年之前就率先利用单独的逻辑芯片实现多层NAND的速度提升,并在闪存记忆体峰会上展示了其堆叠式NAND。”
“长江公司拿出的是一种成本略低的重现方案,因为其不再采用硅通孔,而是实现面对面键合,从而将每个逻辑芯片限制在单一NAND芯片之内。这确实能够带来速度提升,但NAND闪存本身是一种速度较低的介质。这样的作法到底是否值得,最终还要看市场的实际反响。”
好文章,需要你的鼓励
生成式AI在电商领域发展迅速,但真正的客户信任来自可靠的购物体验。数据显示近70%的在线购物者会放弃购物车,主要因为结账缓慢、隐藏费用等问题。AI基础设施工具正在解决这些信任危机,通过实时库存监控、动态结账优化和智能物流配送,帮助商家在售前、售中、售后各环节提升可靠性,最终将一次性买家转化为忠实客户。
泰国SCBX金融集团开发的DoTA-RAG系统通过动态路由和混合检索技术,成功解决了大规模知识库检索中速度与准确性难以兼得的难题。系统将1500万文档的搜索空间缩小92%,响应时间从100秒降至35秒,正确性评分提升96%,为企业级智能问答系统提供了实用的技术方案。
存储供应商Qumulo发布多租户架构Stratus,为每个租户提供独立的虚拟环境,通过加密技术和租户专用密钥管理系统实现隔离。该统一文件和对象存储软件支持本地、边缘、数据中心及AWS、Azure等云环境部署。Stratus采用加密隔离技术确保敏感数据安全,同时提供任务关键操作所需的灵活性和效率,帮助联邦和企业客户满足合规要求。
中科院和字节跳动联合开发了VGR视觉锚定推理系统,突破了传统AI只能粗略"看图"的局限。该系统能在推理过程中主动关注图片关键区域,像人类一样仔细观察细节后再得出结论。实验显示VGR在图表理解等任务上性能大幅提升,同时计算效率更高,代表了多模态AI"可视化推理"的重要进展。