近日,华邦宣布Kneron最新的KL720系统单芯片(SoC)将搭载华邦的1Gb LPDDR3 DRAM KGD,为人工智能和机器学习技术开启更多应用可能性。
随着5G商用化进程的进一步推进,人工智能、自动驾驶与智能物流等行业进入上升期,这也对现有存储产品与方案提出了新的要求。就此,全球半导体存储解决方案领导厂商华邦电子今日在线上与媒体分享了公司三大创新型存储解决方案及相关应用。
近年来,人工智能与物联网的整合,大幅度推升AIoT技术的进程,尤其视讯监控与多样化的智能家庭使用范例产生了众多的新型态的智能型应用。以新一代家居安防监控摄像头为例,它采用计算机型态的架构,并配备充足的高速DRAM内存以存储容纳复杂的推论引擎及其他应用程序代码。但区别于平板计算机、智能手机或其他通用型计算机,制造商发现专用的低容量或中容量LPDRAM更符合家居安防摄像头对节能、续航及可靠性的更高要求。
(NetGear Arlo,早期的AI型家居安防摄像头之一出处:Scott Lewis,根据创作共享授权)
为了进一步简化家居智能安防监控系统制造商的系统整合,华邦与ISP芯片组制造商合作,为多智能监控摄像头的参考设计板提供支持。近日,华邦宣布了Kneron最新的KL720系统单芯片(SoC)将搭载华邦的1Gb LPDDR3 KGD,为人工智能和机器学习技术开启更多应用可能性。“华邦的1Gb LPDDR3是高带宽和低耗电的最佳组合,可以满足KL720在最新高需求边缘计算AI上的应用。”Kneron创始人兼CEO刘峻诚表示。
除了家居安防摄像头,自动驾驶也是近年来人工智能和机器学习的热门应用之一。作为全球首款采用x8串口的NAND Flash,华邦OctalNAND Flash产品有望以比同级NOR更优的价格提供车用电子与工业制造商高容量的存储内存产品。鉴于NOR Flash在512Mb以上的存储容量成本扩充效益不佳,华邦OctalNAND Flash可部分兼容于Octal NOR Flash,以简化在现有设计中更换NOR Flash装置的过程。
华邦电子OctalNAND Flash
W35N-JW OctalNAND Flash采用华邦通过验证的46nm SLC NAND制程,数据保存期更可达10年以上。这款产品写入/抹除次数可达10万次以上,满足关键任务型车用与工业应用所需的高耐用性与高可靠性。“车用与工业市场的客户现在只需支付远低于Octal NOR Flash的费用,便能在1Gb至4Gb容量装置上获得每秒240MB读写效能。”华邦闪存产品企划经理黄信伟表示。
人工智能、自动驾驶等前沿技术的发展,都离不开物联网技术的普及。在物联网价值链与生态系统之下,网络安全认证对产品、服务及制程的信任度和安全性都起着重要的作用。要从根本上解决各种物联网环境的安全问题,就必需在产品设计阶段开始着手,注重设计的安全。经过认证,华邦的W77Q安全闪存是与标准型闪存装置兼容的即插即用型产品,支持安全启动,提供硬件信任根(root-of-trust)以及优秀的恢复能力、加密数据存储能力和传输的能力。
华邦电子TrustME安全闪存
“身处安全意识日益提升的世界里,为可信赖启动与固件更新打造的稳健解决方案,是物联网安全发展不可或缺的。”华邦安全解决方案行销处处长陈宏玮先生指出。W77Q系列安全闪存可应用于消费性与工业物联网装置,而这些装置必须符合《欧盟网络安全法》制定的Substantial与Basic认证级别所需的安全功能。W77Q符合共同安全准则的EAL2认证等级、SESIP认证,以及ARM平台安全架构(PSA)规范。
作为市场上独具研发、制造、营销能力的内存整合组件制造商,未来,华邦将积极研发更多高质量以及更具竞争力的存储解决方案,满足愈来愈多样化的市场需求与应用需要。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。