2023年10月19日,中国上海 —— Micron Technology Inc.(美光科技股份有限公司,纳斯达克股票代码:MU)今日宣布已将业界领先的1β(1-beta)制程技术应用于16Gb容量版本的 DDR5内存。美光1β DDR5 DRAM在系统内的速率高达7,200 MT/s,现已面向数据中心及PC市场的所有客户出货。基于1β节点的美光DDR5内存采用先进的High-K CMOS器件工艺、四相时钟和时钟同步技术[[1]],相比上一代产品,性能提升高达50%[[2]],每瓦性能提升33%[[3]]。
随着CPU内核数量的不断增加以满足数据中心工作负载需求,系统对更高的内存带宽与容量的需求也显著增长,从而在应对“内存墙”挑战的同时优化客户的总体拥有成本。美光1β DDR5 DRAM支持计算能力向更高的性能扩展,能支持数据中心和客户端平台上的人工智能(AI)训练和推理、生成式AI、数据分析和内存数据库(IMDB)等应用。全新1β DDR5 DRAM产品线提供速率从4,800 MT/s到7,200 MT/s的现有模块密度,能够满足数据中心和客户端的应用需求。
美光核心计算设计工程部门企业副总裁Brian Callaway表示:“面向客户端和数据中心平台的1β DDR5 DRAM量产及出货,标志着行业的一个重要里程碑。我们与生态系统合作伙伴及客户紧密合作,将推动高性能内存产品的市场普及。”
美光的1β技术已应用至公司广泛的内存解决方案,包括采用16Gb、24Gb和32Gb DRAM裸片的DDR5 RDIMM和MCRDIMM;采用16Gb和24Gb DRAM裸片的LPDDR5X;HBM3E和GDDR7。全新的美光16Gb DDR5内存将通过直销及渠道合作伙伴供货。
行业引语:
华硕消费性产品事业处协理陈奕彰表示:“华硕是消费类和游戏应用领域高性能笔记本电脑的领导厂商。内存子系统向DDR5过渡是华硕重点关注的领域。我们很高兴推出搭载美光1β DDR5内存的华硕和ROG笔记本电脑,从而为客户提供卓越的用户体验。”
Ampere Computing首席产品官Jeff Wittich表示:“Ampere的云原生处理器搭载美光领先的1β DDR5提供了一流的计算解决方案,能够满足超大规模数据中心的性能、可扩展性和功耗需求。在AmpereOne™平台上使用速率高达7,200MT/s的美光1β DDR5,将持续推动人工智能、机器学习和所有高性能计算应用的发展。”
Cadence 高级副总裁兼IP事业部总经理Boyd Phelps表示:“我们很高兴与美光合作,利用我们业界领先的DDR5、LPDDR5X、GDDR6和HBM3 IP系统解决方案搭配美光先进的内存产品组合,为针对特定应用进行优化的下一代平台提供支持。通过搭载美光先进的1β DDR5内存,我们评估和验证了高性能DDR5 IP速率可高达7,200MT/s。
[[1]] JEDEC可选的SRX/NOP时钟同步(CLK_SYNC)功能旨在减轻美光1βnm器件支持的四相时钟架构中主处理器与DRAM之间的工作周期失真效应。
[[2]] 基于理论最大带宽,器件级性能提升为(7200-4800)/4800。
[[3]] 每瓦性能(理论最大带宽,器件级):Y52K 7200MT/s与Y32A 4800MT/s。根据预测的Gstress总线利用率7200MT/s(58%)计算,并在SPR E-step系统中测量。
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。