1、基于一百多项HBM成功设计案例,确保芯片一次流片成功
2、在低延迟下提供超过HBM3两倍的吞吐量,满足生成式AI和高性能计算(HPC)工作负载的需求
3、扩展了业界领先的高性能内存解决方案的半导体IP产品组合
2024年11月13日,业界领先的芯片和半导体IP供应商,致力于使数据传输更快更安全,Rambus Inc.宣布推出业界首款HBM4内存控制器IP,凭借广泛的生态系统支持,扩展了其在HBM IP领域的市场领导地位。这一全新解决方案支持HBM4设备的高级功能集, 使设计人员能够应对下一代AI加速器和图形处理器(GPU)对内存带宽所提出的苛刻需求。

图1:Rambus HBM4控制器
Rambus高级副总裁兼半导体IP部门总经理Matt Jones表示:“随着大语言模型(LLMs)的参数量已跨越万亿大关,并持续呈现增长态势,在此背景下,突破内存带宽与容量的固有瓶颈,对于满足AI在训练和推理过程中对实时性能的迫切需求,显得尤为关键。作为引领AI 2.0时代的半导体IP供应商,我们即将推出业界首款HBM4控制器IP解决方案,帮助客户在其最先进的处理器与加速器中实现性能的突破式提升。”
Cadence芯片解决方案事业部协议IP营销高级总监Arif Khan表示:“随着异构计算架构的规模不断扩展,以支持有着海量数据移动的多样化工作负载,HBM IP生态系统必须持续提升其性能,并推出可互操作的解决方案,以满足客户日益增长的需求。我们很高兴看到Rambus提供可互操作的HBM4控制器IP解决方案以支持生态系统,并与Cadence在HBM PHY和解决方案性能领域的领导地位相结合,共同推动行业向开始新一代HBM内存过渡。“
三星电子执行副总裁兼晶圆代工IP生态系统负责人Jongshin Shin表示,:“HBM4将代表生成式AI和其他HPC应用在内存技术方面的重大突破。确保HBM4 IP解决方案的可用性,对于为HBM4在市场上的广泛采用奠定坚实基础而言具有至关重要的意义。三星期待与Rambus及更广泛的生态系统密切合作,共同为AI新时代开发全新的HBM4解决方案。“
西门子EDA 副总裁兼设计验证技术总经理Abhi Kolpekwar表示:“在当前复杂多变且快速发展的半导体设计领域,预验证的IP解决方案对于实现芯片一次流片成功来说非常关键。Rambus与西门子之间建立的长期且成功的合作关系,一直致力于协助我们的共同客户达成其产品与商业目标。我们希望能够继续携手合作,推出新一代的、经西门子高质量验证IP验证的、一流的Rambus HBM4内存控制器。”
IDC使能技术和半导体集团副总裁Mario Morales表示:“HBM是AI的关键赋能技术。原因在于,AI处理器和加速器需依赖高性能、高密度的内存,以满足AI工作负载所带来的庞大计算需求。随着AI处理器和加速器的进步,它们也会需要HBM的进步。如今,市场上HBM4 IP的出现将作为一个不可或缺的赋能构建模块,为那些正致力于开发前沿AI硬件的设计人员提供支持。“
Rambus HBM4控制器支持新一代HBM内存部署,适用于尖端AI加速器、图形和HPC应用。HBM4控制器支持6.4 Gbps的JEDEC规范。Rambus HBM4控制器IP可与第三方或客户的PHY解决方案搭配使用,共同构建出完整的HBM4内存子系统。
供货情况和更多信息
Rambus HBM4控制器IP是Rambus领先的数字控制器解决方案组合中的最新产品。该控制器现已开放授权,早期设计客户可立即申请。
好文章,需要你的鼓励
谷歌Agent Development Kit(ADK)革新了AI应用开发模式,采用事件驱动的运行时架构,将代理、工具和持久化状态整合为统一应用。ADK以Runner为核心,通过事件循环处理用户请求、模型调用和外部工具执行。执行逻辑层管理LLM调用和工具回调,服务层提供会话、文件存储等持久化能力。这种架构支持多步推理、实时反馈和状态管理,为构建超越简单聊天界面的生产级AI应用提供了完整框架。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
苹果在iOS 26中推出全新游戏应用,为iPhone、iPad和Mac用户提供个性化的游戏中心。该应用包含五个主要版块:主页展示最近游戏和推荐内容,Arcade专区提供超过200款无广告游戏,好友功能显示Game Center动态并支持游戏挑战,资料库可浏览已安装游戏并提供筛选选项,搜索功能支持按类别浏览。iOS 26.2版本还增加了游戏手柄导航支持,为游戏玩家提供更便捷的操作体验。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。