5月15日 ,业界领先的芯片和半导体IP供应商Rambus 宣布推出面向下一代人工智能(AI)个人电脑( PC)内存模块的完整客户端芯片组,包含两款用于客户端计算的全新电源管理芯片(PMIC)。PMIC是实现高效供电的关键,能够为先进的计算应用提供突破性的性能表现。这两款业界领先的全新Rambus PMIC分别是适用于LPDDR5 CAMM2(LPCAMM2)内存模块的PMIC5200,以及适用于DDR5 CSODIMM和CUDIMM的PMIC5120。
搭载 Rambus PMIC 和 SPD Hub 芯片的 LPCAMM2 内存模块
搭载 Rambus PMIC、CKD 和 SPD Hub 芯片的 DDR5 CSODIMM 内存模块
这两款PMIC与客户端时钟驱动器(CKD)和串行检测(SPD)集线器共同组成了适用于AI笔记本电脑、台式电脑和工作站内存模块的完整芯片组解决方案。此外,随着这两款全新PMIC的推出,Rambus现在可以为服务器和客户端的所有JEDEC标准DDR5和LPDDR5内存模块提供完整内存接口芯片组。
Rambus内存接口芯片高级副总裁兼总经理Rami Sethi表示:“AI客户端系统的快速普及正在推动对内存子系统的新需求,亟需具有更高带宽和优化能效的内存模块。我们正通过两款客户端PMIC进一步巩固DDR5服务器PMIC系列所建立的领先优势,这两款PMIC与我们的客户端时钟驱动器和SPD集线器一同组成了完整的DDR5和LPDDR5客户端内存模块芯片组。我们适用于LPCAMM2及DDR5 CUDIMM和CSODIMM的内存接口芯片组,可帮助客户灵活应对新一代 AI PC 平台对封装形式、容量及带宽的多样化需求。”
美光移动与客户端业务部移动产品线管理副总裁 Ross Dermott 表示:“美光在 LPCAMM2 技术方面的率先布局正推动 AI PC 计算性能的提升,并凭借前所未有的模块化和灵活性重塑行业格局。Rambus 最新推出的 PMIC 解决方案是我们下一代 LPCAMM2 模块的关键组成部分,使我们能够突破内存性能的边界,并持续巩固我们在各代 LPCAMM2 技术上的行业领先地位。”
英特尔公司内存与I/O技术副总裁Dimitrios Ziakas表示:“搭载英特尔处理器的AI PC正在开启生产力、创造力和娱乐体验的新时代。最新英特尔®酷睿™超极处理器家族采用了前沿AI增强技术,具有更强大的效率和性能。从超薄笔记本到性能强大的工作站,Rambus内存接口芯片能够为企业和个人用户所使用的各种规格尺寸的PC提供支持,帮助他们充分释放AI的强大潜力。”
IDC 执行分析师 Brandon Hoff 表示:“AI 的快速发展正在重塑 PC 市场,对内存带宽和容量的需求将持续加速增长。由先进内存接口芯片组驱动的高性能 LPDDR5 和 DDR5 内存模块,将成为释放 AI 巨大潜力的关键所在。”
为满足AI等先进工作负载的需求,数据速率在不断提升,使得信号完整性(SI)和电源完整性(PI)管理愈发重要。凭借在高性能内存领域积累30多年的经验,Rambus以其信号完整性(SI)/电源完整性(PI)方面的专业技术著称。这些专业技术有助于实现DDR5和LPDDR5内存接口芯片,以更高的性能为服务器和客户端DIMM提供卓越的信号完整性和功率效率。
为了提供最高的性能和可靠性,Rambus推出了适用于所有JEDEC标准DDR5和LPDDR5内存模块的完整内存接口芯片组,包括:
值得注意的是,近期Rambus 将亮相 2025 台北国际电脑展(COMPUTEX),现场分享最新的 LPDDR5 与 DDR5 客户端 DIMM 芯片组解决方案。欢迎联系预约,与我们的内存接口芯片专家面对面交流。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。