2022年12月8日,中国上海 — 全球存储器解决方案领导者KIOXIA铠侠中国近日宣布,今年其最新发布的业界首款*1支持MIPI M-PHY*2 v5.0的通用闪存*3Universal Flash Storage (以下简称:UFS) 嵌入式闪存器件,目前已率先批量交货,助力本土手机产商实现存储速度飞跃。新一代UFS凭借高速读写性能,将应用于智能手机等其他消费类电子产品中,显著提升产品的功能性和用户的使用体验。
据前瞻洞察预测,全球通用闪存存储市场规模在2025年将达到134亿美元*4。UFS是符合JEDEC标准的包含集成控制器的非易失性闪存设备,它开发用作嵌入式存储器解决方案的e-MMC*5高性能替代品。相较于本身性能不俗的e-MMC,UFS依然具备诸多亮眼的优势:更快的接口、更高和更稳定的读写性能、更优越的能效,以及支持全双工运行。根据接口速度测试结果显示,使用UFS 4.0技术的产品可以达到4.64 GB/s,远远超过了e-MMC 版本 5.1的400 MB/s*6。
小小的芯片中蕴含着海量信息,这不仅是数据的罗列,更是启发未来的记忆。显而易见,使用闪存的创新设备会直接给人们的生活带来了巨大的变化。在1987年,铠侠发明了NAND闪存,我们始终致力于缩小存储单元,提升存储容量和速度。市场仍然需要新型的存储技术,铠侠持续不断提高研发能力以应对市场日益变化的需求。铠侠正积极推进先进存储器设备的开发和生产,根据不同用途自主研发控制器,将闪存性能最大化。
铠侠电子(中国)有限公司董事长兼总裁 岡本成之 先生表示:“商业是一种向善的力量,铠侠作为全球领先的闪存开发者和供应商,将通过源源不断的创新力,将闪存性能最大化作为责任,在全球推动着闪存发展中扮演者至关重要的角色。铠侠始终致力于分析从OEM厂商到最终用户的不同需求,以此来创造新的市场。当然,铠侠一直以来都注重创新的力量,从提供高速、低功耗、纤薄小巧且温度范围宽泛的解决方案出发,为客户提供先进、可靠的产品与服务。相信铠侠的努力将改变人们的生活,扩展无限可能,让世界变得更加美好。”
作为世界上最大的闪存供应商之一,铠侠致力于为下一代存储应用提供基于闪存的产品。从2007年,铠侠积极支持 e-MMC 方案,到 2013 年成为了具备更高性能的 e-MMC 后续解决方案UFS的供应商。如今,铠侠的 e-MMC 和 UFS 解决方案已得到广泛的应用,覆盖了4GB 到 1TB的各种存储密度。
想要了解更多铠侠信息,请访问 www.kioxia.com.cn,并关注铠侠的微博、微信、今日头条等官方账号。
*本新闻稿中的信息,包括产品价格和规格、服务内容以及联系信息,截至本新闻稿发布之日均是正确的,如有变动,恕不另行通知。
*1 来源:铠侠株式会社调查,截至2022年2月24日。
*2 M-PHY的MIPI联盟规范。MIPI®和M-PHY®是MIPI联盟所有的注册商标。
*3 UFS(通用闪存存储)是根据JEDEC UFS标准规范研发的一种嵌入式存储产品的产品种类。JEDEC是JEDEC固态技术协会的注册商标。
*4 来源:2022年9月前瞻洞察。134亿美元包括UFS和uMCP。
*5 嵌入式多媒体卡。e-MMC是根据JEDEC e-MMC标准规范研发的一种嵌入式存储产品的产品种类。
*6 性能比较依据是e-MMC v5.1和UFS v4.0 JEDEC规范。读写速度可能因主机设备、读写条件和文件大小而异。
读写速度是铠侠株式会社在特定测试环境中获得的最佳值,铠侠株式会社不保证单个器件的读写速度。读写速度可能会因使用的器件和读取或写入的文件大小而异。
本新闻稿提及的所有公司名称、产品名称和服务名称可能是其各自公司的商标。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。