


NVIDIA n'est pas le seul bénéficiaire, la formation à l'IA profite également aux fabricants de puces mémoire
Nouvelle du 30 mai, même si le marché des puces mémoire est atone, il existe une demande énorme pour l'intelligence artificielle, qui profitera à des entreprises comme Samsung et SK Hynix.
Dans un rapport financier du 24 mai, la valeur marchande de Nvidia a bondi de 207 milliards de dollars en deux jours. Auparavant, l'industrie des semi-conducteurs était en récession, mais les prévisions de ce rapport financier ont donné aux gens beaucoup de confiance et d'espoir.
Si le domaine de l'intelligence artificielle décolle, les géants de la technologie traditionnelle comme Microsoft et les start-ups comme OpenAI solliciteront l'aide d'entreprises comme Samsung et SK Hynix.
Pour traiter de grandes quantités de données, analyser la vidéo, l'audio et le texte et simuler la créativité humaine, l'apprentissage automatique nécessite des puces mémoire. En fait, les entreprises d’IA achètent peut-être plus de puces DRAM que jamais.
La raison pour laquelle les puces mémoire sont si demandées est simple : la puce IA de NVIDIA est différente des processeurs standards dans la mesure où elle peut lire et traiter une grande quantité de données à la fois, puis afficher les résultats immédiatement. Mais pour profiter de cette puissance, les ordinateurs doivent recevoir des données rapidement et sans délai. C'est ce que font les puces mémoire.
Le processeur ne peut pas lire les données directement depuis le disque dur - il est trop lent et inefficace. Les fabricants de puces préfèrent utiliser l'espace interne précieux pour augmenter la puissance de calcul. La sauvegarde des données dans le cache interne de la puce devient donc le deuxième choix. La meilleure chose à faire est donc d’utiliser la DRAM.
Lors de la formation de chatbots complexes, vous devrez peut-être accéder rapidement à des milliards de messages pour un traitement par lots. S'il n'y a pas assez de DRAM dans le système, l'ordinateur sera considérablement plus lent, ce qui signifie que même le meilleur processeur pour lequel vous avez dépensé 10 000 $ ne sera pas en mesure de fournir sa valeur. Chaque processeur IA haut de gamme peut nécessiter jusqu'à 1 To de mémoire DRAM installée, soit 30 fois plus qu'un ordinateur portable haut de gamme. Le cabinet d'études TrendForce a déclaré que cela signifie qu'à un moment donné cette année, les ventes de puces DRAM utilisées dans les serveurs dépasseront celles utilisées dans les smartphones.
Les systèmes d'intelligence artificielle doivent également être capables de sauvegarder les données de sortie rapidement et en grande quantité pour une lecture et une écriture rapides, ils doivent donc utiliser des puces NAND, qui sont également les puces utilisées dans les smartphones et la plupart des ordinateurs portables. Samsung, le leader mondial, occupe la première place dans ce domaine, suivi du fabricant de mémoires Kioxia, issu du japonais Toshiba, et du sud-coréen SK Hynix.
Au dernier trimestre, les puces de mémoire DRAM et NAND ont contribué à 8,9 milliards de dollars de revenus pour Samsung, dépassant de loin les 4,3 milliards de dollars de l'activité centres de données de Nvidia (qui comprend des produits pour l'intelligence artificielle). Mais il est important de noter qu’il s’agit du pire trimestre pour la division mémoire de Samsung depuis sept ans, et que les ventes de mémoire liées à l’IA ne représentent qu’une petite partie du chiffre d’affaires total.
À l'avenir, pour chaque puce d'intelligence artificielle haut de gamme vendue, une douzaine de puces DRAM supplémentaires seront expédiées, ce qui signifie que les revenus d'entreprises telles que Samsung et SK Hynix augmenteront. Ensemble, ces sociétés contrôlent 95 % des parts de marché des DRAM. À mesure que Nvidia grandit, ils le feront également.
Il ne fait aucun doute que la révolution de l’intelligence artificielle est là, et les chatbots sympas, les moteurs de recherche omniprésents et les fabricants de processeurs hautes performances sont parmi les plus grands gagnants. Les entreprises qui produisent en masse des puces mémoire ne seront pas en reste. (Tchenchen)
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
