全球领先的半导体解决方案提供商美光科技有限公司(Micron Technology)今天宣布推出超可靠、超快速和适用于超高温环境的并行NOR闪存和低功耗DDR4(LPDDR4)DRAM,以满足汽车行业对于存储设备越来越高的要求。美光G18 NOR系列产品提供了业界性能最卓越的并行NOR,而汽车级LPDDR4解决方案更是业界首创。
这些新品满足了汽车应用对于超高速数据传输的要求。美光G18系列产品所具有的卓越性能(266MB/秒)让高密度应用实现了更快速的启动和代码执行,而LPDDR4的峰值带宽比DDR4高出33%。此外,这些解决方案具有长期可靠性,均通过了ISO/TS认证——G18系列的通量速度比quad SPI NOR快三倍,而LPDDR4产品额外进行了封装级老化测试。超凡的温度适应范围表现也是此次新推出产品的一大亮点——G18 NOR产品提供工业级温度(IT)范围(-40°C至85°C)和汽车级(AAT)温度范围(-40°C至105°C)选择;LPDDR4产品提供汽车级工业温度(AIT)范围(–40°C -95°C)选择,并计划于2016年提供业界最高的工作温度范围选择——汽车级超高温度(AUT)范围(-40°C至125°C)。
美光汽车部总经理Giorgio Scuro说:“消费者希望他们的汽车信息娱乐系统具有和智能手机一样的互联功能,并且要求汽车具备包括驾驶辅助系统(ADAS)在内的先进新功能,所以车联网行业对于存储设备的要求一直在攀升。美光致力于提供诸如并行NOR和LPDDR4这样的领先存储技术,以提升驾驶体验。”
IHS汽车半导体首席分析师Luca De Ambroggi指出:“随着下一代汽车具备自动驾驶功能,半导体的设计需要适用于汽车的环境,而这需要满足更严苛的标准。美光为汽车市场所推出的新一代产品系列已经考虑了这些需求,帮助启动下一代汽车。”
美光G18系列
对于要求快速可靠的代码存储和执行的汽车应用,美光G18并行NOR闪存解决方案是一种理想的选择。在这种应用中,每一毫秒对于启动性能等指标都至关重要,例如高级驾驶辅助系统后视摄像头,它需要快速启动来即时响应。G18 NOR闪存的读取速度高达266 MB/秒,其快速加载速度可达到200微秒的启动要求;它的速度也比Quad SPI NOR快三倍。G18 NOR闪存提供较低的1.8V核心电压和输入/输出电压,可在小封装尺寸中实现更好的功耗。G18系列也提供A/D MUX和AA/D MUX配置,I/O球数比传统的并行NOR产品少50%以上,提供了最卓越的每针脚带宽。除了助力汽车解决方案之外,G18也是设备自动化、企业级服务器、互联应用设备、可穿戴设备、数码相机和医用检测设备等的理想选择。
美光汽车LPDDR4系列
LPDDR4以极为高效的LPDDR3为基础,并在性能、功耗、延迟性和物理空间方面实现了极大的改进。美光汽车LPDDR4解决方案的能效更高,带宽是LPDDR3的两倍,是启动下一代汽车应用的一项重要技术。LPDDR4的数据传输速率高达4.266 GT/秒,与LPDDR3相比,其峰值带宽更高,比特能耗更低。其更快的I/O数据速率高达3200 Mb/秒,从而支持在汽车信息娱乐系统中采用高达4K x 2K解析度的显示屏和3D图像,同时可实现更先进的高级驾驶辅助系统功能,以避免碰撞,实现更安全的驾驶。这些增效不仅适用于峰值带宽,同时也适用于较低的带宽用例。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。