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。
一面亲上边一面膜怎么选?贴合上脸不滑落的实用指南
最近“一面亲上边一面膜”在社交平台上被频繁搜索,不少人第一眼看到都会疑惑:这是在说面膜的贴法,还是某种新的护肤概念?其实它描述的是一种很具体的体验——敷上面膜后,膜布的上半部分能紧紧“亲”在额头、鼻梁和颧骨上,不翘边、不滑落,下半部分又顺着下颌线自然服帖。看似只是贴合度的小问题,背后却牵涉膜布材质、剪裁设计和精华液配比三个方面,也直接决定了一次敷脸究竟有多少成分真正被皮肤吸收。
为什么很多面膜“亲”不住上边?原因通常有三个。一是膜布偏厚偏硬,鼻梁和眉骨这些起伏位置压不实,空气一进去就会翘边;二是剪裁过于统一,亚洲人的额头较宽、鼻梁较高、颧骨突出,标准版型很难同时照顾到;三是精华液过于稀薄,膜布吸不满水,重量不够自然挂不住。想解决,选品时可以重点看三点:天丝、超细纤维等轻薄材质更容易服帖;带鼻翼切口、眼周留白合理的立体剪裁更贴合;精华液质地偏黏稠、含量在25毫升左右的产品,挂液能力通常更稳定。
使用方法同样关键。洁面后先拍一层爽肤水打底,湿润的皮肤更容易让膜布“咬”住;取出面膜先对准鼻梁中线,从中间向两侧、从上往下抚平,把气泡一点点推出去;敷的时间控制在10到15分钟,超过20分钟膜布开始变干,反而会反向吸走皮肤水分。敷完不必急着洗,把剩余精华轻拍吸收,再涂一层面霜锁水即可。油皮和敏感肌建议一周2到3次,干皮可适当增加,但每天敷并不可取。
值得一提的是,“一面亲上边一面膜”之所以出圈,还因为它带出了一种轻松的“面膜社交”——情侣、室友一起敷面膜拍照打卡,成了年轻人分享日常的小仪式。不过玩笑归玩笑,卫生问题不能马虎:面膜是一次性用品,敷过的不要再放回包装,两人共用一片更不可取;敏感肌第一次尝试新品牌,先在耳后或下颌角做局部测试。真正好用的面膜,从来不是靠概念取胜,而是上脸服帖、成分温和、用完之后皮肤确实舒服。

打造智能视频推荐与播放系统,整合热门内容与实时更新资源。平台注重用户体验优化,提供高清播放与稳定访问服务。。围绕如果真的掉进黑洞,过程和看到的景象是《星际穿越》中所演的这样吗?的讨论持续升温,相关话题的关注度也在不断上升。柏荔露表示,在平台中,视频内容持续更新并保持高质量输出。系统支持快速加载与多线路切换,提升整体观看体验。,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:全行业货机机队规模增至255架我国航空物流保障能力显著提升·提供丰富的视频资源库,涵盖最新更新与热门推荐内容。平台通过优化播放结构,实现更快速的视频加载与更稳定的观看体验。