美光本周发布了首款 1y (1-gamma) DDR5 内存芯片样品,公司表示这是其为支持 AI 处理系统所做的贡献之一。
该公司表示,率先推出 1y 样品证明了美光在技术和制造领域的持续领先地位。这家位于爱达荷州博伊西的公司正在将这一先进制程的优势扩展到其更广泛的动态随机存取存储器 (DRAM) 芯片产品组合中。这些产品将在第二季度推出。
在巴塞罗那举行的世界移动通信大会上展示的智能手机具备 AI 驱动的功能,如视觉搜索、翻译,以及用于去模糊或擦除照片中物体的智能工具。
这些创新展示了当配备适当的内存和存储后,AI 如何将智能手机转变为直观的、具有情境感知能力的工具,从而提升我们的日常生活。
美光将向选定合作伙伴提供 1y LPDDR5X 16Gb 产品样品,用于 2026 年旗舰智能手机,实现行业领先的性能并节省高达 15% 的功耗。这一点至关重要,因为视频和基于 AI 的应用等高耗能使用场景使得智能手机电池续航变得比以往更加重要。
在 MWC 上,美光还发布了移动存储设备,包括全球首款基于 G9 的 UFS 4.1 和 UFS 3.1 移动存储解决方案。G9 制程能显著提升速度和能效,同时让我们能够以业界最高性能提供从 256GB 到 1TB 的可扩展 mNAND 容量。
这些移动存储解决方案现已适用于纤薄和可折叠智能手机设计所需的小型和超薄形态。
美光表示,公司与智能手机 OEM 厂商合作,开发差异化固件功能,以解决其最新痛点,为终端用户提供更流畅、更直观的体验。美光最新的 UFS 4.1 解决方案为旗舰智能手机提供专有固件功能,如用于提高读写效率的分区 UFS、可提升 60% 读取速度的数据碎片整理、可提升 30% 随机读取速度的固定 WriteBooster,以及用于更好调试的智能延迟跟踪器。
最近,美光与三星在其 Galaxy S25 系列智能手机上展开合作。这些智能手机在自然语言处理方面实现突破,采用了美光最节能的 LPDDR5X 和先进的 UFS 4.0 解决方案。LPDDR5X 提高了高达 10% 的能效。
三星的 Galaxy AI 套件通过 AI 驱动的功能增强用户交互,如通话记录摘要、消息撰写、创意工具和用于优化低光摄影的夜间模式。
如果没有足够的内部存储来存放此类设备上 AI 体验所需的大量数据,这些功能都将无法实现,这就是我们高容量 UFS 4.0 的用武之地。这种存储解决方案通过本地处理而非云端处理来实现快速数据处理,同时确保更高的隐私性和数据控制。
美光指出,我们智能手机和 PC 中的 AI 已经开始预测我们的需求、管理我们的日程安排并策划个性化内容,将我们的生产力、创造力和连接性提升到前所未有的水平。
多模态代理等新型 AI 创新现在可以同时解释和产生来自文本、图像等各种类型数据的见解,这与以前仅限于处理一种类型数据的 AI 代理相比,开启了一个全新的应用世界。另一项创新联邦学习允许 AI 模型从分散的数据源学习,同时保持隐私。随着这些技术的成熟,它们将使智能手机能够预测我们的习惯和模式,预判我们的下一步行动并提供建议,使生活更加流畅。
随着我们朝着能够自主推理、规划和执行复杂任务的主动式和多模态 AI 发展,强大的硬件基础至关重要。为了跟上这些不断增长的内存和存储需求,美光不断优化路线图并与生态系统合作,推动和塑造可能性,从在领先制程上扩大移动产品组合到探索新架构,以优化突破性 AI 智能手机的内存性能和功耗。
如今智能手机中嵌入的内存和存储在支持 AI 任务和安全存储用户重要数据方面发挥着关键作用。高带宽、低延迟和能效等关键因素对于处理要求严格的 AI 工作负载和提供超流畅的用户体验至关重要。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
大模型时代,玛丽·米克尔(Mary Meeker)的名字可能大家不一定熟悉,但是在互联网时代,这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师,专注于互联网及新兴技术领域。玛丽·米克尔(Mary Meeker)发了一份340页的《人工智能趋势报告》,粗粗看了一下,并没有非常轰动的观点,但是数据比较全面
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。