大家以为存储器供给过剩的趋势已经结束?不妨再考虑看看。
中国NAND厂商扬子存储器技术公司(简称YMTC)将在今年年底之前大规模生产64层3D NAND闪存芯片,这意味着这一市场在2020年的价格竞争将变得更为激烈。
以上意见来自研究机构TrendForce下辖的DRAMeXchange部门。该公司表示,YMTC方面已经将其64层Xtacking芯片样品提交给各潜在客户与控制器供应商,主要销售重点指向中国国内市场。YMTC方面正在其位于武汉的新工厂压缩32层芯片的生产,计划为接下来的64层产品提供产能空间。
据称,该公司计划在2020年每月生产6万片晶圆,这足以加剧当前NAND供应过剩问题的程度,并进一步导致价格下跌。该分析机构表示,预计这必然会“对NAND闪存市场的价格产生影响,并延长价格下跌的周期。”
YMTC的64层产品将与其竞争对手掌握的更为先进的NAND直接竞争。英特尔/美光、三星、SK海力士、东芝以及西部数据等供应商目前正在控制产量,同时计划推出92至96层芯片,从而降低每bit存储成本。
展望未来,TrendForce方面表示,YTMC公司还有意在2020年转向128层NAND以进一步降低产品成本并提升存储容量出货量,具体如以下图表所示:
该公司做出预计,YMTC公司将在2020年下半年由64层芯片升级至128层芯片,从而直接绕过96层阶段。这意味着届时所有NAND供应商都将处于平等的竞争地位。
TrendForce公司宣称:“ YMTC对未来市场的走势将产生不可避免且不可阻挡的影响。”
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。