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
微软宣布未来四年将在阿联酋投资152亿美元,包括首次向该国运输最先进的英伟达GPU芯片。美国已授权微软向阿联酋出口英伟达芯片,使该国成为美国出口管制外交的试验场和地区AI影响力锚点。这笔投资包括2023年以来的73亿美元支出和2026-2029年的79亿美元计划投入,涵盖数据中心建设、人才培训和AI基础设施扩展,目标到2027年培训100万当地居民。
特拉维夫大学研究团队开发了SAEdit方法,使用稀疏自编码器实现精确的AI图像编辑控制。该技术能像调节音量一样精确控制编辑强度,实现从微笑到大笑的连续调节,同时确保编辑的高度解耦性,避免意外修改其他图像元素。方法具有出色的通用性,可应用于多个AI图像生成平台,为图像编辑领域带来重大突破。
OpenAI与亚马逊云服务签署七年380亿美元协议,在微软Azure之外增加另一个超大规模云服务商来满足其不断增长的AI计算需求。该协议将让OpenAI立即获得AWS EC2 UltraServers访问权限,计算能力将在未来七年内扩展至数千万个CPU。AWS还将为OpenAI构建基于英伟达Blackwell芯片的定制基础设施。尽管签署了这一大额协议,OpenAI仍将继续依赖微软Azure作为其主要云计算合作伙伴。
Code4Me V2是荷兰代尔夫特理工大学开发的开源AI编程助手平台,专为学术研究设计。它解决了商业AI编程工具透明度不足、无法获取交互数据的问题,提供了模块化架构和完整的数据收集框架。该工具性能可媲美商业产品,代码补全延迟仅186.31毫秒,同时支持内联补全和聊天功能。通过透明、可控制、可扩展的设计,为AI辅助编程研究提供了重要的基础设施平台。