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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。