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
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。