在美国时间4月10日,英特尔发布了英特尔傲腾混合式固态盘的详细信息,这款混合式固态盘集成了英特尔傲腾技术和英特尔 Quad Level Cell (QLC) 3D NAND技术。傲腾内存具备高性能低延迟高频率读写特性,3D NAND存储介质具备海量数据存储容量,同时采用M.2规格接口,采用混合式固态盘可以给整机设备提供更好的数据存放体验。
英特尔傲腾技术:突破性的响应速度显著提升 PC 性能,帮助您更快地搜索与查找文件,快速启动应用程序。同时通过智能软件能够自动学习计算行为,有助于加快日常任务的运行速度,从而满足在存储方面要求较高的应用的需求。
英特尔 QLC 3D NAND 技术 :可以在更小的空间内获得高达 1TB 的存储容量,数据传输速度高达 PCIe级别,释放 QLC 的全部潜能,显著提升数据使用效率。这款创新的设备采用M.2规格,体积小巧,将英特尔傲腾技术的卓越响应速度与英特尔® Quad Level Cell (QLC) 3D NAND技术的强大存储容量融为一体。
“英特尔®傲腾™混合式固态盘独创性地将英特尔傲腾技术和英特尔QLC 3D NAND技术相结合,我们颠覆性地整合内存与存储,以业界无法比拟的方式释放英特尔平台化全部能量的绝佳例证。” –英特尔高级副总裁兼非易失性存储器解决方案事业部总经理罗布·克鲁克(Rob Crooke)
(这张图展示了可以说是展示了英特尔的最新存储技术,英特尔快速存储技术软件支撑下,实现傲腾技术和3D NAND两项革命性技术的完美融合,蓝色模块为傲腾内存颗粒和内存控制器,橘红色模块为QLC 3D NAND介质以及控制器)这款技术支持轻薄笔记本电脑与紧凑型平台 ,核心是优化用户的最终体验
在大多数常见的客户端使用案例中,与NAND固态硬盘相比,英特尔®傲腾™混合式固态盘速度是最快的。基于英特尔技术并搭载英特尔傲腾内存的平台可适应日常计算活动,优化用户最常见任务和常用应用的性能。凭借高达1TB的总存储容量,英特尔®傲腾™混合式固态盘所提供的应用和文件储存容量将满足用户当前及未来需求。
英特尔®傲腾™混合式固态盘分以下几种容量规格:16GB(英特尔傲腾内存)+256GB(存储)、32GB(英特尔傲腾内存)+512GB(存储)、32GB(英特尔傲腾内存)+1TB存储。
客户端工作负载数据追踪 - 大多数操作在低队列深度(LQD)下运行,同时90%应用程序工作负载在 1-2 队列深度运行
公共的资料显示在本季度末,搭载英特尔®傲腾™混合式固态盘的第八代英特尔®酷睿™ U系列移动平台将通过各大主要原始设备制造商上市。借助这些平台,日常用户将能够实现:
多任务处理状态下,文档打开速度提高2倍。多任务处理状态下,游戏启动速度提高60%。多任务处理状态下,媒体文件打开速度提高90%。
从公布的信息看,英特尔希望通过傲腾的加速特性结合NAND的海量存储特性,实现在更小空间内为用户提供一个既能够高性能、高频率的读写特性,又能够海量数据存储的一款产品。就像这款傲腾混合式固态盘这款产品有这些特点,傲腾内存块与QLC 3D NAND存储介质结合利用同一个M.2规格的接口来读写。对于空间紧张的轻薄笔记本来讲,可以是更好的选择。同时在多任务处理状态下,通过利用傲腾的低延时高性能特性,文档、游戏或者媒体文件在第一次或者前几次打开的速度大大提高,能够给用户一个更好的体验。
同时这款傲腾混合式固态盘也是目前英特尔存储技术的最新展示,同时结合英特尔在计算基础设施和设计方面的领先地位为用户提供一个整体价值(软件、芯片组、处理器、内存和存储),与独立的TLC 3D NAND固态盘系统相比,英特尔傲腾混合式固态盘不仅能够更快地访问常用应用和文件,还能加速后台活动的响应。
好文章,需要你的鼓励
香港中文大学与华为诺亚方舟实验室合作开发了PreMoe框架,解决了大型混合专家模型(MoE)在内存受限设备上的部署难题。研究团队发现MoE模型中的专家表现出明显的任务专业化特征,据此提出了概率专家精简(PEP)和任务自适应专家检索(TAER)两大核心技术。实验证明,DeepSeek-R1 671B模型在精简50%专家后仍保持97.2%的MATH500准确率,内存需求降至688GB;而更激进的精简方案(减少87.5%专家)也能保持72.0%的准确率。该方法适用于多种MoE架构,为强大AI系统的广泛部署铺平了道路。
SCIENCEBOARD是一项开创性研究,旨在评估多模态自主智能体在真实科学工作流中的表现。研究团队构建了一个包含169个高质量任务的基准测试,涵盖生物化学、天文学等六个科学领域,并开发了一个真实环境让智能体通过CLI或GUI接口与科学软件交互。实验评估表明,即使是最先进的模型在这些复杂科学任务上的成功率也仅为15%,远低于人类表现,揭示了当前技术的局限性并为未来科学智能体的发展提供了宝贵见解。
帝国理工学院的研究团队开发了AlphaMed,这是首个仅通过极简规则强化学习就能培养医疗推理能力的AI模型,无需依赖传统的思维链示范数据。通过分析数据信息丰富度和难度分布的影响,研究发现高信息量的医疗问答数据是推理能力的关键驱动因素。AlphaMed在六个医疗问答基准上取得了领先成绩,甚至超越了更大的封闭源模型,同时展现出自发的步骤推理能力,为医疗AI发展提供了更加开放、高效的新路径。
Alita是一种新型通用AI代理系统,采用极简设计理念,以"最小预定义,最大自我进化"为原则构建。由普林斯顿大学等多家机构研究团队开发的Alita,只配备一个核心能力和少量通用模块,能自主创建所需工具并重用为模型上下文协议(MCPs)。实验显示,Alita在GAIA基准测试上达到87.27%的通过率,超越包括OpenAI Deep Research在内的复杂系统,证明简约设计可带来卓越性能。