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
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。