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
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。