美光正在开发232层3D NAND,并就500层以上闪存制定发展路线图。
所谓3D NAND,就是通过在垂直堆栈中将多组存储单元相互层叠以实现容量递增。闪存芯片内的层数越多,总存储容量就越大。目前各大厂商均在制造100层以上芯片,而且各自完成了更高层数的闪存发展布局。
昨天,西部数据刚刚透露正着手生产162层NAND,200层以上芯片也即将与用户见面。
美光则在5月12日的投资者日活动中,透露了其NAND及DRAM发展路线图的详细信息。该公司正在批量生产176层闪存芯片,而作为第五代3D NAND的此款芯片将在2022年之内完成自己的历史使命。
美光在活动中公布了大量幻灯片,可以看到其开发计划已经延伸至500层以上芯片,只是尚未披露具体时间表:
其中双堆叠技术是指将两块3D NAND裸片堆叠在一起,构成所谓“串堆叠”结构。这种设计能够克服半导体制造中的常见难题,例如通过蚀刻在多个层之间添加沟道孔。层数越多、孔深越大,可能导致沟道孔侧壁变形,影响NAND单元的正常工作。
美光表示,他们目前专注于QLC(四层单元)NAND的研发,并未提到西部数据正在研究、Soldigm已着手开发的PLC(五层单元)设计。我们认为这主要是因为美光较为谨慎,而非否定PLC NAND的可行性。
下表比较了各家NAND厂商间3D NAND产品的分层设计、发展历史和未来计划:
同一行闪存方案的起始制造日期基本接近
西数目前的3D NAND总层数略逊一筹,但212层与SK海力士的238层和美光的232层相比差异不大。更重要的是,西数产品在长、宽单元尺寸上更为小巧,只需要增加芯片高度就能容纳更多个层。这两项技术相结合,意味着西部完全可以在层数更低的情况下,将存储密度提高到等于甚至超越竞争对手的水平。
西数还有另一个隐性优势:每个层的构建都对应着一组制造工艺,因此涉及232组工艺的芯片在生产周期上必然长于212层设计。但除了工艺量,晶圆良品率、制造成本、芯片密度价格、耐用性和性能等指标也将最终闪存产品的成本与售价。
美光宣称,其232层技术已代表世界上最先进的NAND:
CuA = CMOS阵列
幻灯片中还展示了一款1 Tb (128 TB)的TLC芯片。美光在演示中并未提到分区SSD(ZNS SSD),但对外部控制器有所涉及,暗示NAND/SSD控制器将运行在主机系统内——这正是分区SSD的必要前提。预计采用232层NAND的SSD产品将在2022年年底出货。
本次投资者日活动并不涉及存储级内存,例如美光曾为英特尔制造的3D XPoint。但活动中美光谈到了CXL(Computer eXpress Link),而且其中一张幻灯片还在CXL连线的顶端出现了所谓“新兴内存”(emerging memory)字样:
活动中同样披露了“新型内存架构”和“CXL路线图专注于客户共同创新”的说法,但目前仍意义不明。根据猜测,这可能是说会推出专为客户定制、与CXL相关的存储设备。我们认为幻灯片中提到的“新兴内存”和“新型内存架构”可能指向存储级内存和/或3D DRAM。
Solidigm、西部数据和美光的NAND路线图,再次证明NAND和SSD技术及市场仍然保持着健康与活力。未来,我们还将迎来不断增长的闪存存储容量与数据传输速度。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。