分析师预测,英特尔Optane 3D XPoint内存容量出货量可能会在2028年超过DRAM。
Coughlin Associates 和 Objective Analysis公布了一份名为《新兴内存崛起》的报告,该报告着眼于3D XPoint、MRAM、ReRAM和其他新兴内存技术,并表示到2031年这些新兴内存技术创造的收入可能会增长到440亿美元,因为这些技术将取代一些服务器DRAM,以及NOR闪存和SRAM——无论是作为独立芯片还是作为ASIC和微控制器中的嵌入式内存。
新兴内存市场将大幅增长,到2031年3D XPoint收入将超过200亿美元,届时独立MRAM和STT-RAM收入将达到17亿美元。该报告预测,SoC中大部分嵌入式NOR和SRAM将被嵌入式ReRAM和MRAM所取代。
下面这张图表显示,到2028年XPoint的容量将有望突破100,000PB的水平,从而超过容量增长略有放缓的DRAM。
注意对数刻度
图表显示,今年XPoint的出货量为1000PB。到2028年,这个数字将增长100倍,达到100,000PB。
我们询问了该报告的Objective Analysis联席作者Jim Handy,了解他们是如何获得XPoint收入相关数据的。
他告诉我们:“3D XPoint应该不需要大量晶圆来实现高收入。你可能还记得,2015年该技术推出的时候,英特尔和美光称其将‘比传统内存密度高10倍’(这里的传统内存即指DRAM)。这意味着生产相同容量所需的XPoint晶圆数量是DRAM的1/10。”
不过,我们应该注意:“也就是说,Objective Analysis有关3D XPoint的预测无疑是乐观的,是基于足够普遍的服务器预测,然后对这些服务器系统中3D XPoint DIMM(正式称为Optane DC Persistent Memory Modules)的接受程度做出假设。Optane SSD并不是其中一个重要组成部分,但它们在数据中心的吸引力比在PC中更大。”
“到预测期结束的时候(2031年),我们假设XPoint DIMM在服务器中的渗透率将达到50%以上,并且这些服务器中大部分内存都将采用Optane DIMM,以更小型的DRAM可以实现真正的高速运转,就像缓存一样。”
那么英特尔将从哪里获得生产能力(就像生产Optane芯片的Rancho Rio工厂一样),那将更像是开发工厂而不是大规模生产设施吗?
Handy说:“鉴于英特尔的制造愿望,到2031年Rio Rancho应该只占英特尔总产量中很小的一部分。如果XPoint产量足够高的话,规模经济将使其成本降低并实现盈利,迄今为止XPoint还没有做到这一点。如果XPoint是有利可图的,其他企业对生产XPoint也是感兴趣的话,英特尔就会选择从外部进行采购。
“这一切都取决于英特尔能否成功让主要的服务器购买者选择采用Optane,以及英特尔是否愿意继续补贴该技术。两者都很难预测。”
这让我们重新审视美光于2021年3月退出XPoint市场的举措,XPoint在容量增长方面是否有不同的数据?
Handy认为:“我相信美光在2015年的时候预测XPoint市场的发展速度会要比现在更快,并且Optane SSD的接受度也会比以前更好。由于缺乏足够大的市场,以及随后缺乏规模经济,美光没有明确的盈利途径,所以退出并不奇怪。”
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。