AI加速器相关 AI 资讯 · AI 热点

6月23日

11:30

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 SPHBM4 JEDEC HBM4 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。

6月8日

12:30

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。

5月18日

11:46

11:46

官方账号arXiv 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。