$TRUMP La mémoire HBF est-elle la solution aux goulets d’étranglement de la mémoire dans l’intelligence artificielle ?
L’expansion rapide des charges de travail liées à l’intelligence artificielle génère une demande croissante de capacité mémoire et de bande passante. Elle ouvre ainsi la voie à une nouvelle technologie de stockage susceptible d’alléger les contraintes de l’infrastructure et d’offrir une nouvelle possibilité de croissance à l’industrie de la mémoire flash NAND, selon Bernstein.
Dans un rapport de recherche, Bernstein a mis en avant le potentiel de la mémoire flash à bande passante élevée (HBF), une technologie conçue pour associer une bande passante en lecture comparable à celle de la mémoire HBM à une capacité 8 à 16 fois supérieure, et ce à un coût par gigaoctet nettement inférieur. Cette technologie pourrait améliorer l’efficacité de l’inférence en intelligence artificielle en réduisant la quantité de mémoire GPU coûteuse nécessaire à l’exécution de grands modèles toujours plus volumineux, et permettre aux systèmes d’IA de retrouver des informations prétraitées plutôt que d’effectuer à répétition des calculs coûteux.
$XAU
#BitcoinFiveWeeklyLosses #BinanceReopensWithdrawalsForHYPE&APT #SouthKoreaDraftLawTargets15To20%ShareholderCap #KeplrAdvisesSocialLoginUsersToTransferAssets #TetherPlans€28.8MForJuventusCapitalIncrease
L’expansion rapide des charges de travail liées à l’intelligence artificielle génère une demande croissante de capacité mémoire et de bande passante. Elle ouvre ainsi la voie à une nouvelle technologie de stockage susceptible d’alléger les contraintes de l’infrastructure et d’offrir une nouvelle possibilité de croissance à l’industrie de la mémoire flash NAND, selon Bernstein.
Dans un rapport de recherche, Bernstein a mis en avant le potentiel de la mémoire flash à bande passante élevée (HBF), une technologie conçue pour associer une bande passante en lecture comparable à celle de la mémoire HBM à une capacité 8 à 16 fois supérieure, et ce à un coût par gigaoctet nettement inférieur. Cette technologie pourrait améliorer l’efficacité de l’inférence en intelligence artificielle en réduisant la quantité de mémoire GPU coûteuse nécessaire à l’exécution de grands modèles toujours plus volumineux, et permettre aux systèmes d’IA de retrouver des informations prétraitées plutôt que d’effectuer à répétition des calculs coûteux.
$XAU
#BitcoinFiveWeeklyLosses #BinanceReopensWithdrawalsForHYPE&APT #SouthKoreaDraftLawTargets15To20%ShareholderCap #KeplrAdvisesSocialLoginUsersToTransferAssets #TetherPlans€28.8MForJuventusCapitalIncrease
