Avsnitt 2: Insikter från IEDM 2025 @vikramskr sammanfattar intressanta ämnen från IEDM: - Penta-nivå NAND-flashminne kan störa SSD-marknaden - GaN-on-Silicon-chiplets förbättrar energieffektiviteten - Ringoscillatorer med komplementära FET - Optisk uppskalning har ett strömproblem - Transistorernas framtid är fortfarande ljus Bonus: NAND- och CFET-grunderna förklaras också i detta avsnitt. Kapitel Introduktion till IEDM-konferensen (00:00) IEDM:s betydelse för ingenjörer och investerare (02:38) Nätverkande och insikter på IEDM (04:21) Kiselfotonik för energieffektiv AI (07:06) Framsteg inom kompletterande FET (13:34) Transistorinnovationers framtid (21:42) Förståelse av NAND-flashminne och dess störningspotential (22:45) Innovativ multi-site cell-teknologi (28:08) SSD:ernas framtid och datatäthet (32:42) Intels GaN om kiselchiplets (34:55) Monolitisk heterogen integration i RF-teknik (40:51) @vikramskr @theaustinlyons @ieee_iedm $NVDA $INTC $TSM $SNDK $MU $WDC $AMAT $LRCX

Teaser: Avsnitt 2 av Semi Doped. Vik förklarar NAND-flash från första principer. Följ hela avsnittet, där @vikramskr går igenom varför SK hynix "multi-site" penta-nivå cell kan höja SSD-tätheten utan den vanliga latens- och uthållighetsstraffen.

Avsnitt 1: Nvidia "förvärvar" Groq Från @vikramskr och @theaustinlyons Kärnpunkter: - GPU:er är inte döda. HBM är inte död. - LPU:er löser ett annat problem: deterministisk, ultralåg latensinferens för små modeller. - Stora frontier-modeller kräver fortfarande HBM-baserade system. - Nvidias drag utökar dess inferensportföljyta istället för att ersätta GPU:er. - Framtiden för AI-infrastruktur är arbetsbelastningsspecifik optimering och TCO-driven distribution. Nyckelämnen: - Vad Nvidia faktiskt köpte från Groq och varför det inte är ett traditionellt förvärv - Varför avtalet utlöste påståenden om att GPU:er och HBM är föråldrade - Arkitektoniska kompromisser mellan GPU:er, TPU:er, XPU:er och LPU:er - SRAM vs HBM. Hastighet, kapacitet, kostnad och verklighet i leveranskedjan - Groq LPU-grunder: VLIW, kompilatorschemalagd exekvering, determinism, ultralåg latens - Varför LPU:er har svårt med stora modeller och var de istället utmärker sig - Praktiska användningsfall för hyperlåg-latens inferens: -- Annonstextanpassning vid söklatensbudgetar -- Modellroutning och agentorkestrering -- Konversationsgränssnitt och realtidsöversättning -- Robotik och fysisk AI vid kanten -- Potentiella tillämpningar inom AI-RAN och telekominfrastruktur - Minne som designspektrum: endast SRAM, SRAM plus DDR, SRAM plus HBM - Nvidias växande portföljstrategi för inferenshårdvara snarare än en lösning som passar alla