采用突破性的缩放和晶圆键合技术,闪存架构迎来创新升级。
东京,2024年7月3日 - 铠侠株式会社今日宣布,其采用第八代BiCS FLASHTM 3D闪存技术的2Tb四级单元 (QLC) 存储器已开始送样(1)。这款2Tb QLC存储器拥有业界最大容量(²),将存储器容量提升到一个全新的水平,将推动包括人工智能在内的多个应用领域的增长。
凭借其最新的BiCS FLASH™技术,通过专有工艺和创新架构,铠侠实现了存储芯片的纵向和横向缩放平衡。此外,铠侠还开发了突破性的CBA(CMOS directly Bonded to Array,外围电路直接键合到存储阵列)(3)技术,以提供更高的位密度和业界领先的接口速度(3.6Gbps(4))。这些先进技术的应用,共同促成了2Tb QLC存储器的诞生,成就了业界容量最大的存储器。
全新的第八代BiCS FLASH™ 2Tb QLC的位密度比铠侠目前所采用的第五代BiCS FLASH™的QLC产品提高了约2.3倍,写入能效比提高了约70%。不仅如此,全新的QLC产品架构可在单个存储器封装中堆叠16个芯片,为业界提供领先的4TB容量,并采用更为紧凑的封装设计,尺寸仅为11.5 x 13.5 mm,高度为1.5 mm。
Pure Storage公司(全球领先的数据存储技术和服务提供商)的首席执行官Charles Giancarlo强调了铠侠新技术对其公司平台的重要意义:“我们与铠侠保持着长期的合作关系,很高兴能将他们的第八代BiCS FLASH™ 2Tb QLC闪存产品整合到我们的全闪存存储解决方案中。Pure Storage的统一全闪存数据存储平台不仅能够满足人工智能的严苛要求,还能实现极具竞争力的备份存储成本。在铠侠技术的支持下,Pure Storage将继续提供卓越的性能、能效和可靠性,为客户创造超凡价值。”
“我们很高兴全新第八代BiCS FLASH™技术的2Tb QLC开始送样,”铠侠首席技术官Hideshi Miyajima表示,“铠侠2Tb QLC产品凭借其业界领先的高位密度、高速传输接口和卓越的能效比,将为快速发展的人工智能应用,以及对功耗和空间要求严苛的大容量存储应用带来新的价值。”
除2Tb QLC之外,铠侠还推出了1Tb QLC版本。相较于容量优化的2Tb QLC,1Tb QLC的顺序写入性能还能再提升约30%,读取延迟提升约15%。1Tb QLC更适用于高性能领域,包括客户端SSD和移动设备。
铠侠将持续开发业界领先的存储器产品,以满足不断增长的数据存储解决方案需求。
注:
(1) 这些样品仅用于功能检测,样品规格可能因量产部件而异。
(2) 截至2024年7月3日铠侠的调查。
(3) CBA(CMOS directly Bonded to Array,外围电路直接键合到存储阵列)技术是指CMOS晶圆和单元储存阵列晶圆都在更优的条件下单独制造然后键合在一起的技术。
(4) 1Gbps按1,000,000,000 bits/s计算。该数值是在铠侠株式会社的特定测试环境中获得,可能会因用户环境的不同而改变。
*关于铠侠产品:产品密度是根据产品内存储芯片的密度来确定的,而不是最终用户可用于存储数据的存储器容量。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位=1,073,741,824位。1GB=2^30字节=1,073,741,824字节。1Tb=2^40位=1,099,511,627,776位。
* 这些数值是在铠侠株式会社的特定测试环境中获得的最佳值,铠侠株式会社不保证在个别设备中的读写速度。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。
* 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
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。