


Kann künstliche Intelligenz uns wirklich dabei helfen, mit Tieren zu sprechen?
Ein Delfintrainer signalisiert mit seinen Händen „zusammen“, gefolgt von „erschaffen“. Zwei dressierte Delfine verschwinden unter Wasser, tauschen Geräusche aus und tauchen dann auf, drehen sich auf den Rücken und heben ihren Schwanz. Sie erfanden ihre eigenen neuen Tricks und führten sie je nach Bedarf nacheinander aus. „Das beweist nicht, dass Sprache existiert“, sagt Aza Raskin. „Aber wenn sie eine reichhaltige, symbolische Form der Kommunikation nutzen könnten, würde es die Aufgabe sicherlich einfacher machen.“ nichtmenschliche Kommunikation und wird alle verfügbaren proprietären Technologien offenlegen, um unsere Verbindungen mit anderen lebenden Arten zu vertiefen und zum Schutz dieser beizutragen. Ein Album mit Walliedern aus dem Jahr 1970 inspirierte eine Bewegung, die zu einem Verbot des kommerziellen Walfangs führte. Was bringt Google Translate of the Animal Kingdom hervor?
Die 2017 mit Hilfe von Großspendern, darunter LinkedIn-Mitbegründer Reid Hoffman, gegründete Organisation veröffentlichte im vergangenen Dezember ihre erste wissenschaftliche Arbeit. Ziel ist es, noch zu unseren Lebzeiten die Kommunikation mit Tieren zu initiieren. „Wir arbeiten darauf hin, ob wir die Tierkommunikation entschlüsseln und die Geheimnisse der nichtmenschlichen Sprache entdecken können“, sagte Raskin. „Dabei ist es ebenso wichtig, dass wir Technologien entwickeln, die Biologen und den Tierschutz unterstützen.“ Die von verschiedenen Primaten erzeugten Alarmrufe variieren je nach Raubtier; Delfine rufen ihre Freunde mit Hilfe von Signalpfeifen an, und einige Singvögel können Elemente aus ihren Rufen extrahieren und sie neu anordnen, um unterschiedliche Botschaften zu übermitteln. Aber die meisten Experten sprechen nicht von einer Sprache, da keine Tierkommunikation alle Kriterien erfüllt.
Bis vor Kurzem beruhte die Entschlüsselung hauptsächlich auf sorgfältiger Beobachtung. Es besteht jedoch großes Interesse daran, maschinelles Lernen zur Verarbeitung der riesigen Datenmengen einzusetzen, die heute von modernen Tierkommunikationssensoren erfasst werden können. „Die Leute haben angefangen, es zu benutzen“, sagt Elodie Briefer, außerordentliche Professorin an der Universität Kopenhagen, die Stimmkommunikation bei Säugetieren und Vögeln untersucht. „Aber wir wissen noch nicht, wie viel wir tun können.“
Briefer hat einen Algorithmus mitentwickelt, der das Grunzen von Schweinen analysiert, um festzustellen, ob die Tiere positive oder negative Emotionen empfinden. Eine andere Methode namens DeepSqueak ermittelt anhand seiner Ultraschallrufe, ob ein Nagetier gestresst ist. Eine andere Initiative – das CETI-Projekt (was für Cetacean Translation Initiative steht) – plant, maschinelles Lernen zu nutzen, um die Kommunikation von Pottwalen zu übersetzen.
Anfang des Jahres veröffentlichten Elodie Briefer und Kollegen eine Studie, die auf den stimmlichen Emotionen von Schweinen basiert. In verschiedenen Szenarien wurden 7.414 Geräusche von 411 Schweinen gesammelt. ESP sagt jedoch, dass sein Ansatz anders sei, weil er sich nicht auf die Entschlüsselung der Kommunikation einer Spezies, sondern aller Arten konzentriere. Während Ruskin anerkennt, dass das Potenzial für eine reichhaltige symbolische Kommunikation bei sozialen Tieren wie Primaten, Walen und Delfinen höher ist, besteht das Ziel darin, Werkzeuge zu entwickeln, die im gesamten Tierreich angewendet werden können. „Wir sind artenunabhängig“, sagte Raskin. „Wir entwickeln Werkzeuge … für die Arbeit in der gesamten Biologie, von Würmern bis hin zu Walen.“
Raskin sagte, seine „intuitiv inspirierende“ Arbeit über ESP zeige, dass maschinelles Lernen beim Übersetzen zwischen verschiedenen und manchmal verwendet werden kann entfernte menschliche Sprachen – ohne Vorkenntnisse.
Der Prozess beginnt mit der Entwicklung eines Algorithmus zur Darstellung von Wörtern im physischen Phasenraum. In dieser mehrdimensionalen geometrischen Darstellung beschreiben die Abstände und Richtungen zwischen Punkten (Wörtern), wie sie sinnvoll miteinander in Beziehung stehen (ihre semantischen Beziehungen). Beispielsweise ist die Beziehung zwischen „König“ und „Mann“ dieselbe wie der Abstand und die Richtung zwischen „Frau“ und „Königin“. (Die Zuordnung erfolgt nicht dadurch, dass man die Bedeutung der Wörter kennt, sondern indem man sieht, wie oft sie nahe beieinander liegen.)
Später fiel mir auf, dass diese „Formen“ für verschiedene Sprachen ähnlich waren. Dann, im Jahr 2017, entdeckten zwei unabhängig voneinander arbeitende Forschergruppen eine Technik, die eine Übersetzung durch Ausrichten von Formen erreichen konnte. Um vom Englischen ins Urdu zu wechseln, richten Sie ihre Formen aus und suchen Sie den Urdu-Wortpunkt, der dem englischen Wortpunkt am nächsten liegt. „Auf diese Weise kann man die meisten Wörter ziemlich gut übersetzen“, sagte Raskin.
Das Ziel von ESP besteht darin, solche Darstellungen der Tierkommunikation zu erstellen – wobei an einzelnen Arten und an vielen Arten gleichzeitig gearbeitet wird – und dann Fragen zu untersuchen, beispielsweise ob es Überschneidungen mit universellen „Formen“ der menschlichen Kommunikation gibt. Wir wissen nicht, wie Tiere die Welt erleben, sagte Raskin, aber es gibt Emotionen wie Traurigkeit und Freude, die einige Tiere offenbar mit uns teilen und wahrscheinlich mit anderen ihrer Art kommunizieren. „Ich weiß nicht, was unglaublicher ist – die Teile, in denen sich die Formen überschneiden und wir direkt kommunizieren oder übersetzen können, oder die Teile, in denen wir es nicht können.“
Delfine nutzen zur Kommunikation Klickgeräusche, Pfeifen und andere Geräusche. Aber worüber reden sie?
Er fügte hinzu, dass Tiere nicht nur durch Geräusche kommunizieren. Bienen nutzen zum Beispiel einen Schwänzeltanz, um anderen den Standort einer Blüte mitzuteilen. Es ist auch eine Übersetzung über verschiedene Kommunikationsmodi hinweg erforderlich.
Das Ziel ist „wie ein Flug zum Mond“, gibt Ruskin zu, aber die Idee wird nicht auf einmal erreicht. Stattdessen besteht die Roadmap von ESP darin, eine Reihe kleiner Probleme zu lösen, um ein Gesamtbild zu erhalten. Dabei sollten allgemeine Werkzeuge entwickelt werden, die Forschern dabei helfen können, mithilfe künstlicher Intelligenz die Geheimnisse der von ihnen untersuchten Arten zu entschlüsseln.
ESP hat zum Beispiel kürzlich einen Artikel über das sogenannte „Cocktailparty-Problem“ in der Tierkommunikation veröffentlicht (und seinen Code geteilt), bei dem es schwierig ist zu erkennen, welches Individuum einer Gruppe identischer Tiere laut spricht soziales Umfeld .
„Soweit wir wissen, hat noch niemand diese Art der End-to-End-Entwirrung von [Tiergeräuschen] durchgeführt“, sagte Raskin. Das von ESP entwickelte KI-basierte Modell, das an Delphin-Signaturpfiffen, Makaken-Gurren und Fledermauslauten getestet wurde, funktionierte am besten, wenn die Rufe von Personen kamen, an denen das Modell trainiert wurde, aber mit größeren Datensätzen war es in der Lage, gemischte Rufe zu entschlüsseln von Tieren, die nicht in der Trainingswarteschlange sind.
Ein weiteres Projekt besteht darin, mithilfe künstlicher Intelligenz neue Tiergeräusche zu erzeugen, wobei Buckelwale als Testart dienen. Die neuartigen Rufe, die durch die Aufteilung der Lautäußerungen in Mikrofone (verschiedene Toneinheiten mit einer Dauer von einer Hundertstelsekunde) und die Verwendung von Sprachmodellen zum „Sprechen“ von etwas wie einem Wal erzeugt werden, können dann den Tieren vorgespielt werden, um zu sehen, wie sie reagieren. Wenn KI die Ursachen zufälliger Änderungen im Vergleich zu semantisch bedeutsamen Änderungen identifizieren kann, könnte sie uns einer sinnvollen Kommunikation näher bringen, erklärte Raskin. „Es wird künstlicher Intelligenz ermöglichen, die Sprache zu sprechen, auch wenn wir noch nicht wissen, was es bedeutet.“
Hawaiianische Krähen sind für ihren Werkzeuggebrauch bekannt, aber es wird auch angenommen, dass sie über besonders komplexe Lautäußerungen verfügen .
Ein weiteres Projekt zielt darauf ab, einen Algorithmus zu entwickeln, der bestimmt, wie viele Ruftypen eine Art hat, indem er selbstüberwachtes maschinelles Lernen anwendet, das keine Kennzeichnung der Daten durch menschliche Experten erfordert, um Muster zu lernen. In einem frühen Testfall werden Aufnahmen eines Teams unter der Leitung von Christian Rutz, Professor für Biologie an der University of St. Andrews, ausgewertet, um eine Bestandsaufnahme des Stimmrepertoires hawaiianischer Krähen zu erstellen – Rutz entdeckte das Stimmrepertoire hawaiianischer Krähen Sie verfügt über die Fähigkeit, Werkzeuge zur Nahrungssuche herzustellen und zu verwenden. Es wird angenommen, dass sie über ein komplexeres Stimmrepertoire verfügt als andere Krähenarten.
Rutz freut sich besonders über den Tierschutzwert dieses Projekts. Die Hawaii-Krähe ist vom Aussterben bedroht und kommt nur in Gefangenschaft vor, wo sie für die Wiederauswilderung gezüchtet wird. Es besteht die Hoffnung, dass durch die Aufzeichnung von Aufzeichnungen im Laufe der Zeit nachverfolgt werden kann, ob das Rufrepertoire der Art in Gefangenschaft erodiert wurde – beispielsweise könnten bestimmte Alarmrufe verloren gegangen sein –, was Auswirkungen auf ihre Wiedereinführung haben könnte; durch Interventionen gemildert und gelöst werden. „Dies könnte zu einem Fortschritt in unserer Fähigkeit führen, diesen Vögeln zu helfen, sich von Krisen zu erholen“, sagte Rutz und fügte hinzu, dass manuelle Erkennungs- und Triage-Anrufe arbeitsintensiv und fehleranfällig wären.
In der Zwischenzeit versucht ein anderes Projekt, die funktionale Bedeutung von Lautäußerungen automatisch zu verstehen. Es wird im Labor von Ari Friedlaender untersucht, einem Professor für Meereswissenschaften an der UC Santa Cruz. Das Labor untersucht, wie wilde Meeressäuger, die schwer direkt zu beobachten sind, sich unter Wasser bewegen, und führt eines der weltweit größten Markierungsprogramme durch. An Tieren angebrachte kleine elektronische „Bioaufzeichnungsgeräte“ können ihren Standort, die Art ihrer Bewegungen und sogar das, was sie sehen, erfassen (diese Geräte können Kameras enthalten). Das Labor verfügt auch über Daten von Audiorecordern, die strategisch im Meer platziert sind.
ESP zielt darauf ab, zunächst selbstüberwachtes maschinelles Lernen anzuwenden, um Daten zu kennzeichnen, um automatisch zu messen, was ein Tier tut (z. B. ob es frisst, sich ausruht, reist oder Kontakte knüpft), und dann Audiodaten hinzuzufügen, um zu sehen, ob eine funktionale Bedeutung vorliegen kann diesen Verhaltensaufrufen zugeordnet. (Alle Ergebnisse können dann mithilfe von Wiedergabeexperimenten sowie zuvor entschlüsselten Anrufen überprüft werden.) Die Technik wird zunächst auf Buckelwaldaten angewendet – das Labor hat bereits mehrere Tiere in derselben Gruppe markiert, damit es sehen kann, wie sie senden und empfangen Signale. Friedlander sagte, er habe „eine Obergrenze erreicht“, was die derzeit verfügbaren Tools angeht, die aus den Daten herausgeholt werden können. „Wir hoffen, dass die Arbeit von ESP neue Erkenntnisse liefern wird“, sagte er.
Doch nicht jeder ist so begeistert von der Kraft der künstlichen Intelligenz, solch ehrgeizige Ziele zu erreichen. Robert Seyfarth, emeritierter Professor für Psychologie an der University of Pennsylvania, untersucht seit mehr als 40 Jahren das Sozialverhalten und die Stimmkommunikation von Primaten in ihren natürlichen Lebensräumen. Während er glaubt, dass maschinelles Lernen einige Probleme lösen kann, beispielsweise die Identifizierung des Stimmrepertoires eines Tieres, vermutet er, dass es in anderen Bereichen, einschließlich der Entdeckung der Bedeutung und Funktion von Lautäußerungen, viele Probleme bereiten wird.
Das Problem, erklärt er, ist, dass viele Tiere zwar komplexe Gesellschaften haben können, ihr Stimmrepertoire jedoch viel kleiner ist als das des Menschen. Das Ergebnis ist, dass genau derselbe Laut in unterschiedlichen Kontexten für unterschiedliche Bedeutungen verwendet werden kann, und dies kann nur durch Untersuchung des Kontexts erreicht werden – wen die Person anruft, wie sie sich auf andere bezieht, wo sie in die Hierarchie passt, wen sie interagieren mit – und deren Bedeutung kann hoffentlich festgestellt werden. „Ich glaube einfach nicht, dass diese KI-Ansätze ausreichen“, sagte Seyfarth. „Man muss rausgehen und die Tiere sehen.“
Tierkommunikationskarten müssen nichtakustische Phänomene wie den „Schwänzeltanz“ der Bienen einbeziehen.
Es gibt auch Fragen zum Konzept selbst – dass sich die Formen der Tierkommunikation auf sinnvolle Weise mit den „Formen“ der menschlichen Kommunikation überschneiden würden. Seyfarth sagt, es sei eine Sache, computergestützte Analysen auf die menschliche Sprache anzuwenden, mit der wir so vertraut sind. Für andere Arten könnte dies jedoch „völlig anders“ sein. „Es ist eine aufregende Idee, aber es ist ein großer Aufwand“, sagte Kevin Coffey, ein Neurowissenschaftler an der University of Washington, der den DeepSqueak-Algorithmus mitentwickelt hat.
Ruskin räumte ein, dass künstliche Intelligenz allein möglicherweise nicht ausreicht, um die Kommunikation mit anderen Arten zu ermöglichen. Aber er verweist auf Forschungsergebnisse, die zeigen, dass die Art und Weise, wie viele Arten kommunizieren, „komplexer ist, als der Mensch dachte“. Die Stolpersteine sind unsere Fähigkeit, genügend Daten zu sammeln und groß angelegte Analysen durchzuführen, sowie unser eigenes begrenztes Wissen. „Das sind die Werkzeuge, die es uns ermöglichen, unsere menschliche Brille abzunehmen und das gesamte Kommunikationssystem der Spezies zu verstehen“, sagte er.
Das obige ist der detaillierte Inhalt vonKann künstliche Intelligenz uns wirklich dabei helfen, mit Tieren zu sprechen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen

Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
