性能改进持续推动车载应用发展,提升驾驶员体验
存储器解决方案的全球领导者铠侠株式会社宣布,该公司已开始提供业界首款(2)面向车载应用的通用闪存(3)(UFS)4.0版嵌入式闪存设备的样品(1)。新产品性能高,采用小型封装,提供快速的嵌入式存储传输速度,适用于多种新一代车载应用,诸如车载远程信息处理系统、信息娱乐系统以及ADAS系统(4)。铠侠车载UFS产品的性能显著提升(5),顺序读取速度提升约100%,顺序写入速度也提升约40%。通过性能提升,相关应用能够更好地利用5G连接的优势,带来更快的系统启动速度和更优质的用户体验。
作为首家推出UFS技术(6)的公司,铠侠持续推动着这项技术的发展。其新型UFS 4.0设备将公司创新的BiCS FLASH™ 3D闪存和控制器集成在JEDEC标准封装中。UFS 4.0采用MIPI M-PHY 5.0和UniPro2.0技术,支持每条通道高达23.2Gbps或每个设备高达46.4Gbps的理论接口速度。铠侠车载UFS 4.0同样能够兼容UFS 3.1。
新产品支持高速链路启动序列(HS-LSS)功能,设备和主机之间的传输链路启动(M-PHY和UniPro初始化序列)能够以快于传统UFS的HS-G1 Rate A(1248Mbps)执行。与传统方法相比,预计这将使链路启动时间缩短约70%。
全新的UFS 4.0设备搭载多项高级特性和功能,以满足车载应用的严苛需求,其包括:
全新的UFS系列可提供128GB、256GB和512GB三款不同容量的产品,并支持宽温度范围,符合AEC(7)-Q100 Grade2要求,并针对复杂的车载应用增强了可靠性。
注:
(1) 样品规格可能因量产部件而异。
(2) 截至2024年1月30日。铠侠调查。
(3) 通用闪存(UFS)是根据JEDEC UFS标准规范建立的一类嵌入式存储产品的产品类别。凭借串行接口,UFS支持全双工通讯,使得主机处理器和UFS设备之间可以同时进行读和写。
(4) 高级驾驶辅助系统
(5) 与铠侠上一代512GB设备“THGJFGT2T85BAB5”相比。
(6) 铠侠的首批样品已从2013年2月8日开始出货。
https://www.kioxia.com/en-jp/business/news/2013/20130208-1.html
(7) 由汽车电子协会(AEC)定义的电气组件资格要求。
* MB/s按1,000,000字节/秒计算。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。
* 在每次提及铠侠产品:产品密度是根据产品内的内存芯片密度来确定的,而不是最终用户可用于数据存储的内存容量。消费者可使用的容量会因开销数据区域(overhead data areas)、格式化、坏块和其他限制而变少,而且也可能因主机设备和应用程序而变化。如需了解详情,请参考适用的产品规格。根据定义,1KB = 2^10字节 = 1,024字节;1Gb = 2^30比特 = 1,073,741,824比特;1GB = 2^30字节 = 1,073,741,824字节;1Tb = 2^40比特 = 1,099,511,627,776比特。
* 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
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。