11:30IT之家(博客/媒体)精选JEDEC 正式批准 SPHBM4 标准(编号 JESD330-4),由 DRAM 委员会 JC-42.2 推动。SPHBM4 将信号引脚数从 HBM4 的约 2000 个降至约 400 个,每引脚速率从约 11 Gbps 提升至约 44 Gbps,总带宽保持约 2.8 TBps。该标准采用标准封装与基板,降低对中介层、先进基板等昂贵先进封装的依赖,旨在降低 AI 加速器、GPU 和 HPC 芯片的制造难度与成本。行业SPHBM4JEDECHBM4高带宽内存AI加速器推荐理由:JEDEC 刚批了 SPHBM4 内存标准,引脚数砍到 HBM4 的五分之一,速率飙到 44 Gbps,AI 芯片封装门槛大降。原文
12:30IT之家(博客/媒体)精选OWC 在 COMPUTEX 2026 上展示了其此前公布的 Stack AI 雷电 5“AI 加速器”的详细技术原理。该产品基于群联 aiDAPTIV 方案,通过雷电 5 接口将闪存纳入系统有效内存,将部分 AI 内存需求卸载到高耐久性 SSD 上,从而降低对 DRAM 的依赖。这使得大型 AI 智能体可以在本地运行,且外置设计比内置方案部署更灵活。AI产品AI加速器内存化闪存群联 aiDAPTIV雷电5本地AI推荐理由:群联 aiDAPTIV 方案解决了本地运行大型 AI 模型时内存不足的痛点,做 AI 推理或本地智能体开发的团队,外置方案部署更灵活,值得关注。原文
11:46arXiv cs.AI@Grant Wilkins, Fiodar Kazhamiaka, Alok Gautam Kumbhare, Chaojie Zhang, Ricardo Bianchini精选随着AI加速器需求激增,数据中心机架功率密度预计到2027年将接近每部署1MW,这对电力输送设计构成重大挑战。传统数据中心若针对不同密度目标设计,可能导致电力搁浅,即无法充分利用已配置的电力容量。论文提出一个评估框架,结合GPU、计算和存储部署的投影模型与微软Azure的生产数据,分析多资源搁浅对可部署容量、资本支出和性能的影响。结果表明,规划目标不应是装机兆瓦数,而是随时间变化的可部署容量。该框架帮助设计者在长期运营中保持效率,适应多代硬件和不断变化的工作负载。论文数据中心电力层级AI加速器功率密度微软Azure推荐理由:数据中心电力设计是AI基础设施的瓶颈,这篇论文用微软Azure的实际数据量化了电力搁浅的代价,做数据中心规划或AI硬件部署的团队值得一读。原文