普渡大学与佐治亚理工学院的研究团队在《科学前沿》发表研究，指出传统冯·诺依曼架构因内存与处理器分离导致“内存墙”问题，消耗大量时间和能源。为解决此瓶颈，他们提出利用类脑算法构建新型计算机架构，旨在显著降低人工智能模型的能耗。
在当今的人工智能（AI）发展中，数据传输速度成为制约其进步的重要瓶颈。为了打破这一壁垒，密歇根大学(U-M)领导的研究团队正在开发一种全新的芯片连接系统，采用光波而非传统电缆进行数据传输。这一创新有望解决限制计算速度的 “内存墙” 问题，推动 AI 模型的进一步增长。该项目获得了来自国家科学基金会未来半导体项目的200万美元资助，参与单位包括华盛顿大学、宾夕法尼亚大学、劳伦斯伯克利国家实验室，以及谷歌、惠普企业、微软和英伟达等四家行业合作伙伴。尽管数据
["HBM热度持续高涨，三星、SK海力士加大HBM产量，市场关注度倍增。","NVIDIA H200发布激发HBM需求，三星、SK海力士宣布庞大的扩产计划。","HBM技术解决了内存墙问题，满足大规模数据存储和高计算需求。","HBM作为AI加速卡的优势明显，但在消费级产品普及方面仍需努力。"]
Openai
$0.4
Input tokens/M
-
Output tokens/M
128
Context Length
Google
$140
$280
32
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
