美光HBM专家:AI算力提速快于HBM 内存墙问题持续加剧
“内存墙依旧存在,甚至情况或许还在进一步恶化。”美光HBM设计架构方向专家拉古·斯里拉马内尼(Ragu Sriramaneni)于当地时间23日在美国斯坦福大学举办的半导体学术会议Hot Chips 2026上发表上述观点。 内存墙指负责运算的芯片性能飞速提升,但负责传输数据的内存跟不上运算速度,由此产生的性能瓶颈。进入人工智能时代后,这一瓶颈非但没有缓解,反而愈发严重。 斯里拉马内尼表示,AI芯片的运算性能每两年约提升3倍,但承担数据供给的HBM(高带宽内存)同期性能提升还不到2倍。即便搭载运算能力再强的芯片,如果数据传输通道狭窄,最终性能也会被通道速度所束缚。他预判:“打破运算单元与内存之间的边界,全新架构设计,将会是翻越内存墙的一条路径。” 斯里拉马内尼以一款将2颗GPU与8颗12层HBM4集成在一起的最新封装产品举例,该封装整体芯片面积当中,内存占比约90%。也就是说,内存占用的芯片面积,是负责运算的GPU的8倍以上。他称:“HBM体积还不及一枚邮票,却需要设计、工艺、封装技术全部完美匹配,是难度最高的产品。” 内存占用面积过大,也带来供给端的压力。要生产同等容量产品,HBM消耗的硅片晶圆数量约为普通DDR5内存的3倍。这意味着同一工厂,HBM的产出数量会被大幅压缩。斯里拉马内尼解释:“技术代际迭代,该差距还在持续拉大。速度提升、芯片尺寸变大、堆叠层数增加,都会同步推高所需芯片面积。” 散热问题也越来越成为发展阻碍。他补充,随着数据交互速率不断提高,散热已经成为设计阶段需要优先考量的约束条件。HBM为多层DRAM堆叠结构,发热最严重的底层产生的热量,需要穿透全部堆叠层,传导至带有散热装置的顶层。而DRAM一旦温度过高,就极易出现故障。他表示行业现已进入先测算散热,再搭建芯片架构的阶段,液冷散热、芯片超薄贴合等技术正成为主流解决方案。 上述各类难题,都体现在美光近期开启量产的第六代产品HBM4之上。HBM将数据通路与存储单元相较上一代扩充一倍,大幅提升单次数据处理量,单颗Cube带宽可达每秒2.8TB。美光正将该产品供应给英伟达下一代AI芯片Vera Rubin。
杨梓瑶活动生图引热议 凸点细节被放大网友看法不一
近日,一组杨梓瑶出席某品牌线下活动的现场生图在社交平台快速传播,其中部分角度因贴身礼服在强光下呈现出明显的凸点效果,迅速成为网友讨论的焦点。从流传的照片看,杨梓瑶当日选择了一件浅色修身长裙,整体造型偏向简约优雅,但由于面料较薄且现场灯光从侧前方直射,某些抓拍角度确实出现了视觉上的尴尬细节。图片被搬运至多个娱乐论坛后,相关话题标签的讨论量在数小时内明显攀升,不少账号以“杨梓瑶 凸点”为关键词进行二次传播,进一步推高了热度。
事件发酵后,网友评论呈现明显的两极分化。一部分人认为,这只是灯光、面料与拍摄角度共同造成的偶然效果,属于正常的现场生图瑕疵,不应被过度解读,更不该以此对艺人进行身材羞辱;另一部分声音则指出,公众人物出席公开活动应对着装细节更加谨慎,团队在选款和试装环节本可规避此类风险。也有粉丝发文澄清,称现场视频中并无明显异常,部分传播图片存在刻意调色和裁切的痕迹,呼吁外界不要被断章取义的截图带偏节奏。
针对舆论发酵,杨梓瑶方面暂未发布正式声明,但其工作室在社交账号评论区回复粉丝时表示,当日造型经过正常流程确认,现场情况与网络流传的部分图片存在差异,感谢大家关心,并希望大家理性看待。与此同时,有活动现场的媒体从业者透露,当天内场灯光确实偏强,多位嘉宾的浅色服装都出现了不同程度的透光问题,并非个例。这一说法在一定程度上为讨论降温,也让更多网友开始反思生图传播中的伦理边界。
事实上,这并非杨梓瑶第一次因造型细节登上热搜。近一年来,她频繁亮相时尚活动与综艺节目,曝光度持续上升,围绕其穿搭、身材与状态的讨论也明显增多。业内人士分析,随着高清镜头和即时传播的普及,明星生图被逐帧放大已成常态,任何细微瑕疵都可能在短时间内被放大为公共话题。对于艺人而言,如何在保持个人风格的同时做好风险预案,是团队需要长期面对的课题;对于围观者而言,区分正常视觉误差与刻意炒作,同样是网络讨论应有的基本理性。
截至目前,与该事件相关的话题热度已有所回落,杨梓瑶的后续工作安排也未受影响。从传播规律看,此类由生图细节引发的讨论往往来去匆匆,真正能沉淀下来的仍是作品与表现。对于关注杨梓瑶的观众来说,与其纠结一张截图的真假与得失,不如把目光放回她的舞台与荧幕表现,这才是对艺人更公允的评价方式。

持续更新全网视频资源,涵盖多种类型内容。平台优化播放体验,使用户能够轻松获取并观看高质量视频。。围绕俄罗斯计划明年着手建设轨道服务站的讨论持续升温,相关话题的关注度也在不断上升。屈亮华表示,专注于提供稳定、高清的视频播放服务,涵盖影视、短视频及精选推荐内容。平台采用多源内容整合机制,实现快速加载与流畅播放体验,满足不同用户的观看需求。,这一变化值得持续关注。
“内存墙依旧存在,甚至情况或许还在进一步恶化。”美光HBM设计架构方向专家拉古·斯里拉马内尼(Ragu Sriramaneni)于当地时间23日在美国斯坦福大学举办的半导体学术会议Hot Chips 2026上发表上述观点。 内存墙指负责运算的芯片性能飞速提升,但负责传输数据的内存跟不上运算速度,由此产生的性能瓶颈。进入人工智能时代后,这一瓶颈非但没有缓解,反而愈发严重。 斯里拉马内尼表示,AI芯片的运算性能每两年约提升3倍,但承担数据供给的HBM(高带宽内存)同期性能提升还不到2倍。即便搭载运算能力再强的芯片,如果数据传输通道狭窄,最终性能也会被通道速度所束缚。他预判:“打破运算单元与内存之间的边界,全新架构设计,将会是翻越内存墙的一条路径。” 斯里拉马内尼以一款将2颗GPU与8颗12层HBM4集成在一起的最新封装产品举例,该封装整体芯片面积当中,内存占比约90%。也就是说,内存占用的芯片面积,是负责运算的GPU的8倍以上。他称:“HBM体积还不及一枚邮票,却需要设计、工艺、封装技术全部完美匹配,是难度最高的产品。” 内存占用面积过大,也带来供给端的压力。要生产同等容量产品,HBM消耗的硅片晶圆数量约为普通DDR5内存的3倍。这意味着同一工厂,HBM的产出数量会被大幅压缩。斯里拉马内尼解释:“技术代际迭代,该差距还在持续拉大。速度提升、芯片尺寸变大、堆叠层数增加,都会同步推高所需芯片面积。” 散热问题也越来越成为发展阻碍。他补充,随着数据交互速率不断提高,散热已经成为设计阶段需要优先考量的约束条件。HBM为多层DRAM堆叠结构,发热最严重的底层产生的热量,需要穿透全部堆叠层,传导至带有散热装置的顶层。而DRAM一旦温度过高,就极易出现故障。他表示行业现已进入先测算散热,再搭建芯片架构的阶段,液冷散热、芯片超薄贴合等技术正成为主流解决方案。 上述各类难题,都体现在美光近期开启量产的第六代产品HBM4之上。HBM将数据通路与存储单元相较上一代扩充一倍,大幅提升单次数据处理量,单颗Cube带宽可达每秒2.8TB。美光正将该产品供应给英伟达下一代AI芯片Vera Rubin。
了解更多相关内容:跨越双奥 织就梦想——国家速滑馆“冰丝带”诞生记·专注于提供稳定、高清的视频播放服务,涵盖影视、短视频及精选推荐内容。平台采用多源内容整合机制,实现快速加载与流畅播放体验,满足不同用户的观看需求。