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
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。