Western Digital 即将分拆的 Sandisk 部门举行了投资者日会议,透露了今年晚些时候将推出的三款新型 SSD 的细节,以及高带宽闪存 (HBF) 的计划,这是相当于高带宽内存 (HBM) 的 NAND 等效产品。
为了在分拆前向投资者证明其业务的稳健性,Sandisk 高管展示了他们对市场、技术趋势和产品策略的看法,以显示其技术对客户的吸引力和持续相关性。
Sandisk 最新的 3D NAND 产品称为 BiCS8,拥有 218 层,用于制造 2Tb QLC 芯片,据称是目前量产中容量最大的 NAND 芯片。Sandisk 还预览了超过 300 层的 BiCS9 世代产品,将用于制造 1Tb TLC 芯片。一般来说,WD/Sandisk 将 TLC NAND 用于性能驱动器,QLC NAND 用于注重容量的驱动器。公司展示了预测客户端 SSD 市场中 QLC 占比增长的幻灯片,以及 PCIe gen 5 的深入渗透情况。
这将应用于第一款新产品,一款支持 PCIe gen 4 接口的 PC QLC 产品,容量包括 512GB、1TB 和 2TB。
这款注重容量的驱动器将于今年晚些时候发货,同时还有一款使用更快 TLC NAND 的性能导向型 PC gen 5 产品,容量包括 512GB、1TB、2TB 和 4TB。上述幻灯片图像中包含了初步性能数据。
此外还预览了一款面向数据中心的大容量驱动器 UltraQLC DC SN670:
UltraQLC 的特点在于其控制器具有硬件加速器,可扩展到 64 Die/Channel 级别,能够根据工作负载需求调整功率,并包含"集成高级切换模式总线复用控制"。切换模式 NAND 使用双倍数据速率接口实现更快的数据传输,而多路复用器 (Mux) 管理数据通道。Sandisk 版本的这项技术将更高效地管理 NAND-SSD 控制器数据流。
SN670 使用 PCIe gen 5 总线,容量为 64TB 或 128TB,可用容量分别为 61.44TB 或 122.88TB。计划于 2025 年第三季度发货。去年 11 月,Solidigm 和 Phison 都宣布推出 122.88TB 的 SSD。
Sandisk 展示了容量 eSSD 的发展规划,2025 年达到 128TB,2026 年 256TB,2027 年 512TB,之后达到 1PB,但未指明具体年份。
在未来技术方面,Sandisk 谈到了 3D Matrix Memory (DRAM),用于解决内存墙问题(内存容量和带宽之间日益增长的差距)。该公司正与 IMEC 合作开发这项技术,进行 4-8Gbit 容量的 CMOS 开发项目。
公司还在开发带宽优化的 NAND,即 HBF 概念,声称可以在相同成本下提供与 HBM 相当的带宽,但容量是 HBM 的 8 至 16 倍。
实际上,叠层 HBM DRAM 将全部或部分被 NAND 层取代,通过逻辑芯片和中间层与主机 GPU/CPU/TPU 连接。8 层堆叠可以有 6 个 512GB NAND 芯片和 2 个 HBM 芯片,提供 3.12PB 的总容量,相比之下 8Hi HBM 芯片的总容量为 192GB。
全 HBF 8Hi 堆叠将具有 4PB 的容量。Sandisk 表示,具有 16 位权重的约 1.8 万亿参数的大语言模型需要 3.6PB 内存,可以装入 8Hi HBF 芯片中。如果设想在智能手机上运行 LLM,那么 640 亿参数的 MoE 模型可以装入手机中的 HBF 芯片。公司预见三代 HBF,第二代的容量是第一代的 1.5 倍,读取带宽提高 1.45 倍,第三代在这两个方面都是第一代的 2 倍。能源效率也将逐代提升。
HBF 与 HBM 不能直接兼容,但具有相同的电气接口,"只需要少量协议更改"。
Sandisk 希望帮助形成开放的 HBF 标准生态系统,正在组建一个由"行业名人和合作伙伴"组成的技术顾问委员会。
如果 HBF 理念得到推广,被 Micron、Samsung 和/或 SK hynix 采用,我们可能就会有一个接近存储级内存的概念。
好文章,需要你的鼓励
CIO们正面临众多复杂挑战,其多样性值得关注。除了企业安全和成本控制等传统问题,人工智能快速发展和地缘政治环境正在颠覆常规业务模式。主要挑战包括:AI技术快速演进、IT部门AI应用、AI网络攻击威胁、AIOps智能运维、快速实现价值、地缘政治影响、成本控制、人才短缺、安全风险管理以及未来准备等十个方面。
北航团队发布AnimaX技术,能够根据文字描述让静态3D模型自动生成动画。该系统支持人形角色、动物、家具等各类模型,仅需6分钟即可完成高质量动画生成,效率远超传统方法。通过多视角视频-姿态联合扩散模型,AnimaX有效结合了视频AI的运动理解能力与骨骼动画的精确控制,在16万动画序列数据集上训练后展现出卓越性能。
过去两年间,许多组织启动了大量AI概念验证项目,但失败率高且投资回报率令人失望。如今出现新趋势,组织开始重新评估AI实验的撒网策略。IT观察者发现,许多组织正在减少AI概念验证项目数量,IT领导转向商业AI工具,专注于有限的战略性目标用例。专家表示,组织正从大规模实验转向更专注、结果导向的AI部署,优先考虑能深度融入运营工作流程并产生可衡量结果的少数用例。
这项研究解决了AI图片描述中的两大难题:描述不平衡和内容虚构。通过创新的"侦探式追问"方法,让AI能生成更详细准确的图片描述,显著提升了多个AI系统的性能表现,为无障碍技术、教育、电商等领域带来实用价值。