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
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。