美光科技今日宣布已量产全球首款 232 层 NAND。它采用了业界领先的创新技术,从而为存储解决方案带来前所未有的性能。与前几代 NAND 相比,该产品拥有业界最高的面密度和更高的容量及能效,能为客户端及云端等数据密集型应用提供卓越支持。
美光技术与产品执行副总裁 Scott DeBoer 表示:“美光 232 层 NAND 率先在生产中将 3D NAND堆叠层数扩展到超过 200 层,可谓存储创新的分水岭。此项突破性技术得益于广泛的创新,包括创建高深宽比结构的先进工艺能力、新型材料的进步,以及基于美光市场领先的 176 层 NAND 技术所进行的进一步设计创新。”
领先技术铸就卓越性能
随着全球数据量的增加,客户必须扩大存储容量,提升性能,同时降低能耗,并满足对环境可持续发展更为严格的要求。美光 232 层 NAND 技术提供了必要的高性能存储,支持数据中心和汽车应用所需的先进解决方案和实时服务,同时还可在移动设备、消费电子产品和 PC 上实现快速响应和沉浸式体验。美光还在该技术节点上实现了业界最快的 NAND 输入/输出(I/O)速度[1](每秒2.4GB),以满足低延迟和高吞吐量的需求,适用于人工智能和机器学习、非结构化数据库和实时分析,以及云计算等数据密集型工作负载。该 I/O 速度比美光在 176 层节点上所支持的最高速度还要快50%2。相比上一代产品,美光 232 层 NAND 的每颗裸片写入带宽提升至高100%,读取带宽提升至少 75%2。这些优势提升了 SSD 和嵌入式 NAND 解决方案的性能和能效。
此外,美光 232 层 NAND 还是全球首款六平面 TLC 量产 NAND3。与其他 TLC 闪存相比,该产品在每颗裸片上拥有最多的平面数量3,且每个平面都具有独立的数据读取能力。高 I/O 速度和低读写延迟,以及美光的六平面架构,使其可在多种配置中提供一流的数据传输能力。该结构可确保减少写入和读取命令冲突,推动系统级服务质量的提升。
美光 232 层 NAND 是首款支持 NV-LPDDR4 的量产技术。NV-LPDDR4 是一种低压接口,与此前的 I/O 接口相比,每比特传输能耗可降低至少 30%。因此,232 层 NAND 解决方案可实现高性能与低功耗平衡,是移动应用以及数据中心和智能边缘领域部署的理想之选。此外,该接口还可向后兼容,支持传统控制器和系统。
232 层 NAND 紧凑的外形规格还便于客户进行灵活设计,同时实现超越历代产品的每平方毫米最高的 TLC 密度(14.6 Gb/mm2)3。其面密度比当今市场上的 TLC 竞品高 35% 到 100%3。它还采用全新的 11.5mm x 13.5mm 封装规格,较前几代产品的封装尺寸小 28%2,使其成为目前市场上尺寸最小的高密度 NAND3。该产品兼具小体积和高密度,因此占用更小的电路板空间,适用于各类部署。
下一代 NAND 助力整个市场实现创新
美光首席商务官 Sumit Sadana 表示:“美光持续率先上市更高堆叠层数的 NAND,实现移动设备更长的电池续航和更紧凑的存储空间,提升云计算性能,加快 AI 模型的训练速度,从而能够保持长期的技术领先地位。美光 232层 NAND 为端到端存储创新确立了新基准,助推多个行业的数字化转型。”
232 层 NAND 的开发得益于美光领先业界的研发和制程技术进步。这些突破性技术将帮助客户在数据中心、轻薄笔记本电脑、新型移动设备和智能边缘等领域打造更多创新解决方案。
供货情况
美光 232 层 NAND 目前已在其新加坡晶圆厂实现量产,并首先以组件形式通过英睿达(Crucial)SSD 消费类产品线向客户出货。其他产品信息及供货状况将在稍后公布。
美光位于新加坡的 NAND 卓越中心因其在智能制造领域的优秀运营能力而被世界经济论坛列入其全球灯塔工厂网络。先进的 AI 工具、智能控制系统和预测能力使美光能够加速产品开发,强化产品质量,更快提升良率,从而缩短产品上市时间。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。