Епізод 2: Інсайти з IEDM 2025 @vikramskr підсумовує цікаві теми з IEDM: - Флеш-пам'ять NAND на рівні Penta може порушити ринок SSD - Чиплети GaN-on-Silicon підвищують енергоефективність - Кільцеві осцилятори з комплементарними FET - Оптичне масштабування має проблему потужності - Майбутнє транзисторів досі світле Бонус: у цьому епізоді також пояснюються основи NAND і CFET. Розділи Вступ до конференції IEDM (00:00) Важливість IEDM для інженерів і інвесторів (02:38) Нетворкінг і аналітики на IEDM (04:21) Кремнієва фотоніка для енергоефективного ШІ (07:06) Досягнення у комплементарних FET (13:34) Майбутнє інновацій у транзисторах (21:42) Розуміння флеш-пам'яті NAND та її потенціалу порушення (22:45) Інноваційна технологія багатовузьких клітин (28:08) Майбутнє SSD і щільності даних (32:42) GaN від Intel щодо кремнієвих чиплетів (34:55) Монолітна гетерогенна інтеграція в радіочастотних технологіях (40:51) @vikramskr @theaustinlyons @ieee_iedm $NVDA $INTC $TSM $SNDK $MU $WDC $AMAT $LRCX

Тизер: Епізод 2 серіалу Semi Doped. Вік розбирає NAND Flash з перших принципів. Слідкуйте за повним епізодом, де @vikramskr пояснює, чому «багатосайтова» пента-рівень комірка SK hynix може підвищити щільність SSD без звичних втрат затримки та тривалості.

Епізод 1: Nvidia «Придбає» Groq Від @vikramskr і @theaustinlyons Основні висновки: - GPU не мертві. HBM не мертвий. - LPU розв'язують іншу проблему: детерміновану, наднизьку затримку для малих моделей. - Великі фронтирні моделі все ще потребують систем на базі HBM. - Крок Nvidia розширює площу поверхні портфоліо інференцій, а не замінює GPU. - Майбутнє інфраструктури ШІ — це оптимізація для конкретних робочих навантажень і розгортання на основі TCO. Ключові теми: - Що саме Nvidia купила у Groq і чому це не традиційне придбання - Чому ця угода викликала твердження, що GPU та HBM застарілі - Архітектурні компроміси між GPU, TPU, XPU та LPU - SRAM проти HBM. Швидкість, потужність, вартість і реалії ланцюга постачання - Основи LPU Groq: VLIW, виконання за планом компілятора, детермінізм, наднизька затримка - Чому LPU мають труднощі з великими моделями і де вони досягають успіху - Практичні сценарії використання виведення з наднизькою затримкою: -- Персоналізація рекламних копій у бюджетах затримки пошуку -- Маршрутизація моделі та оркестрація агентів -- Розмовні інтерфейси та переклад у реальному часі -- Робототехніка та фізичний ШІ на межі -- Потенційні застосування в AI-RAN та телекомунікаційній інфраструктурі - Пам'ять як спектр дизайну: лише SRAM, SRAM плюс DDR, SRAM плюс HBM - Зростаючий портфельний підхід Nvidia до апаратного забезпечення виведення замість універсального підходу