Эпизод 2: Инсайты с IEDM 2025 @vikramskr подводит итоги интересных тем с IEDM: - Пента-уровневая NAND флеш-память может нарушить рынок SSD - Чиплеты на основе GaN на кремнии повышают энергоэффективность - Ринг-осцилляторы с комплементарными FET - Оптическое масштабирование имеет проблему с энергопотреблением - Будущее транзисторов по-прежнему светло Бонус: Основы NAND и CFET также объясняются в этом эпизоде. Главы Введение в конференцию IEDM (00:00) Важность IEDM для инженеров и инвесторов (02:38) Сетевые возможности и инсайты на IEDM (04:21) Силиконовая фотоника для энергоэффективного ИИ (07:06) Достижения в области комплементарных FET (13:34) Будущее инноваций в транзисторах (21:42) Понимание NAND флеш-памяти и ее потенциала для разрушения (22:45) Инновационная технология многосайтовых ячеек (28:08) Будущее SSD и плотность данных (32:42) Чиплеты Intel на основе GaN на кремнии (34:55) Монолитная гетерогенная интеграция в технологии RF (40:51) @vikramskr @theaustinlyons @ieee_iedm $NVDA $INTC $TSM $SNDK $MU $WDC $AMAT $LRCX

Тизер: Эпизод 2 Семипроводников. Вик объясняет NAND флеш с самых основ. Оставайтесь с нами для полного эпизода, где @vikramskr расскажет, почему «многоуровневая» пента-ячейка SK hynix может повысить плотность SSD без обычных задержек и потерь в долговечности.

Эпизод 1: Nvidia "приобретает" Groq От @vikramskr и @theaustinlyons Основные выводы: - GPU не мертвы. HBM не мертва. - LPU решают другую задачу: детерминированный, ультранизколатентный вывод для небольших моделей. - Большие пограничные модели все еще требуют систем на базе HBM. - Шаг Nvidia расширяет поверхность своего портфолио вывода, а не заменяет GPU. - Будущее инфраструктуры ИИ — это оптимизация, специфичная для рабочих нагрузок, и развертывание, ориентированное на TCO. Ключевые темы: - Что именно Nvidia купила у Groq и почему это не традиционное приобретение - Почему сделка вызвала утверждения о том, что GPU и HBM устарели - Архитектурные компромиссы между GPU, TPU, XPU и LPU - SRAM против HBM. Скорость, емкость, стоимость и реалии цепочки поставок - Основы Groq LPU: VLIW, компиляторное планирование выполнения, детерминизм, ультранизкая задержка - Почему LPU испытывают трудности с большими моделями и где они преуспевают - Практические случаи использования для гипернизколатентного вывода: -- Персонализация рекламных текстов с учетом бюджетов задержки поиска -- Маршрутизация моделей и оркестрация агентов -- Разговорные интерфейсы и перевод в реальном времени -- Робототехника и физический ИИ на краю -- Потенциальные приложения в AI-RAN и телекоммуникационной инфраструктуре - Память как спектр проектирования: только SRAM, SRAM плюс DDR, SRAM плюс HBM - Растущий подход Nvidia к портфолио аппаратного обеспечения вывода, а не универсальное решение