2024 年 2 月28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)今日宣布开始送样增强版通用闪存(UFS)4.0 移动解决方案,该方案具有突破性专有固件功能并采用业界领先的紧凑型UFS 封装(9 x 13mm)。基于先进的232层3D NAND技术,美光UFS 4.0解决方案可实现高达 1 TB容量,其卓越性能和端到端技术创新将助力旗舰智能手机实现更快的响应速度和更灵敏的使用体验。
美光UFS 4.0的顺序读取速度和顺序写入速度分别高达 4300 MBps和4000 MBps,较前代产品相比性能[[1]]提升一倍,为数据密集型应用提供了更出色的使用体验。凭借高速性能,用户能更快地启动常用的生产力、创意和新兴 AI 应用。生成式 AI 应用中的大语言模型加载速度可提高 40%[[2]],为用户与AI 数字助手的对话提供更流畅的使用体验。
美光移动事业部总经理兼企业副总裁Mark Montierth 表示:“美光最新推出的UFS 4.0 解决方案采用业界领先的紧凑型UFS封装,在降低功耗的同时可提供一流的存储性能。该解决方案凭借突破性的固件升级,使智能手机始终保持出厂时的流畅运行状态,同时通过更强的性能、灵活性和可扩展性,进一步提升了移动存储性能标准,助力智能手机加速普及生成式 AI 功能。”
紧凑的封装设计为超薄节能型智能手机奠定基础
自去年 6 月推出11mm x 13mm封装规格的UFS 4.0解决方案后,美光进一步缩小UFS 4.0的外形规格以实现更紧凑的 9mm x 13mm 托管型 NAND封装。尺寸更小巧的UFS 4.0为下一代折叠及超薄智能手机设计带来了更多可能性,制造商可利用节省出来的空间放置更大容量的电池。此外,新版UFS 4.0解决方案可将能效提升 25%[[3]],使用户在运行 AI、AR、游戏和多媒体等耗电量高的应用时获得更长的续航时间。
美光专有固件创新,进一步提升移动闪存标准
此次增强版 UFS 4.0基于美光去年量产的 UFS 4.0产品,可提供多项专有固件更新功能,包括:
· 高性能模式(HPM):该专有功能通过优先处理关键任务而非后台任务,以提升智能手机在密集使用期间的性能。开启 HPM 后,存储访问速度可提升一倍,助力手机在启动多应用时速度提升超过 25% [[4]]。
· 一键刷新(OBR):OBR 功能通过自动清理和优化数据,帮助用户获得更持久的卓越性能,使智能手机始终保持宛如全新状态的流畅运行体验。更快的读/写性能可提升10% 的应用启动速度[[5]],实现更快的相册访问速度和流畅的多任务处理,为用户提供更好的体验。
· 分区 UFS(ZUFS):美光 UFS 4.0 现支持主机指定不同的数据存储区域,以提升设备的长期使用体验。ZUFS 能够有效应对写入放大现象,在不降低设备性能的前提下,尽可能利用有限的编程和擦除周期,从而延长智能手机使用寿命,并长期保持流畅的使用体验。
美光工程师团队在其全球实验室中通过预测新兴使用场景、模拟现实应用环境以及与客户密切协作收集反馈,成功打造出这些创新的固件功能。在位于美国、中国和韩国的客户联合实验室中,美光与智能手机厂商密切合作,通过了解厂商面临的痛点问题,开发具有针对性的解决方案来解决技术瓶颈。
供货情况
美光增强版 UFS 4.0 现已出样,并提供 256 GB、512GB 和 1TB 的容量选项。扩展的容量可支持旗舰智能手机容纳设备端 AI 助手分析和生成的所有数据,以及用户不断增加的图片素材,释放AI的优势并获得比云存储更高的安全性。通过本地数据存储,用户能够在离线或网络信号不稳定的情况下随时访问个人数据,从强大的AI功能中受益。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。