Trendande ämnen
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.

駿HaYaO
Sparven som lever på internet
AMD släppte sitt första Zen 6-dokument om prestandaövervakning, som avslöjade detaljer om dess mikroarkitektur och bekräftade att Zen 6 inte är en inkrementell förbättring jämfört med Zen 5, utan en ny design som använder TSMC:s 2nm-process optimerad för datacenter.
Zen 6-kärnor använder en 8-bred dispatchmotor och simultan multitrådning (SMT)-teknik, där två trådar dynamiskt konkurrerar om resurser, med fokus på genomströmning snarare än entrådad slutprestanda. Jämfört med Apple-breda kärnor kan enkeltrådad prestanda vara något sämre, men lämplig för hög-parallella arbetsbelastningar. Dokumentdisplayers dedikerade räknare spårar oanvända allokeringsplatser och trådkvorumförluster, vilket understryker AMD:s fokus på bredddesign.
Vektorberäkningsmöjligheterna har förbättrats avsevärt, med stöd för fullbreddsformat AVX-512 såsom FP64, FP32, FP16, BF16 och FMA/MAC samt hybrida flyttals-heltalsinstruktioner (såsom VNNI, AES, SHA). 512-bitars genomströmningen är så hög att den till och med behöver mätas noggrant med en kombinerad räknare, vilket visar dess starka potential i intensiva matematiska operationer.
Zen 6 är designat med datacentret som kärna för första gången, och EPYC "Venice" kommer att stödja upp till 256 kärnor. Funktioner för klientversionen återstår att se, men överlag kommer Zen 6 att vara ett prestandamonster för beräkningsintensiva applikationer.
48
Analog Devices Semiconductor (ADI), världens näst största gigant inom analoga chip, har utfärdat ett prishöjningsmeddelande till kunderna och planerar att genomföra prishöjningar för hela sitt produktsortiment från och med den 1 februari 2026.
ADI:s prishöjning är inte en lösning som passar alla, utan använder differentierade lösningar för olika kundnivåer och materialantal, med en total ökning som förväntas vara cirka 15 %, varav nästan 1 000 militärklassade MPN-produkter kan öka med så mycket som 30 %.
De nya priserna kommer att gälla för alla ouppfyllda beställningar, och den specifika prisuppdelningen och prisjusteringslistan förväntas vara synkroniserad till kunderna i slutet av 2025.

52
Kärnsyftet med Diamond Thermal Solution är att svara på kyltrycket i systemet och datacentret som orsakas av den snabba ökningen av NVIDIA AI GPU TDP:
1. Fördelarna med diamantmaterial för att minska värmebeständigheten
Den termiska vägen för det traditionella "kopparskyddet + TIM + kallplatta" är redan ganska snäv vid cirka 700 W, och det termiska motståndet sitter huvudsakligen fast i gränsytan på några hundra mikrometer mellan chipet och kallplattan. Koppars värmeledningsförmåga är cirka 400 W/m·K, högkvalitativa polykristallina CVD-diamanter kan nå 1000–1500 W/m·K, och enkristaller närmar sig till och med 2000 W/m·K, vilket är minst 3–5 gånger koppar. Att införa diamanter i chipnivån (som ersätter det nuvarande TIM-materialet) förväntas minska det vertikala termiska motståndet med mer än 50 % vid samma tjocklek och area, och i praktiken kan 1–2 kW GPU:er sänka övergångstemperaturen med 10–20°C eller förbruka några hundra watt effekt samtidigt som den ursprungliga övre temperaturgränsen bibehålls. Detta gör att samma uppsättning vätskekylnings- eller immersionskylningsutrustning kan hålla i flera generationer till när B200/B300 pressas till 1,2–1,4 kW och Rubin/Ultra till 2,3–3,5 kW, vilket lämnar utrymme för termisk design för fler GPU:er i fristående enheter och kabinett.
2. Paketets tillförlitlighet och livslängd förbättras avsevärt
När strömförbrukningen stiger till 2 000W eller till och med över 3 000W, kommer temperaturgradienten och den termiska belastningen på paketet, bärarkortet och kortet att multipliceras, vilket orsakar paketdeformation och TIM-bubblor samt lödutmattning och RDL/bump-sprickor, vilket påverkar långsiktig tillförlitlighet. Diamond Heat Spreader leder inte bara värme vertikalt, utan har också hög värmeledningsförmåga i planet, vilket snabbt kan platta ut hotspoten inom några millimeters avstånd, vilket sprider ut den 300–500W värmetopp som ursprungligen var koncentrerad till ett lokalt område, vilket kraftigt minskar temperaturskillnaden mellan olika delar av chipet. Detta motsvarar att "lätta trycket" mellan förpackningen och substratet: den termiska expansionsskillnaden mellan kisel, förpackningsmaterial och substrat minskas, och paketets förvrängning och lödningsutmattningscykler förlängs. För högpresterande GPU:er som Rubin / Rubin Ultra / Feynman kan långsiktiga LLM-tränings- och inferenstjänster fungera stabilare vid nominella frekvenser, vilket minskar slöseri med datorkraft orsakad av överhettning, nedklockning eller onormala repriser, samt ökar den totala MTBF och livslängden.
3. Flexibilitet i datacenterkostnader och expansion
När TDP:n för en enskild GPU är högre närmar sig eller överstiger effekten i hela kabinettet snabbt 120 kW eller 130 kW, och datacentrets kraftdistributions- och kylinfrastruktur måste göras om kraftigt. Om chipsidan inte förbättrar värmeledningsförmågan kan den bara fortsätta bygga dyrare CDU:er, kyltorn och kraftdistributionsarkitekturer, och tvingas ofta sänka kylvattnets temperatur och justera flödeshastigheten till trycktemperaturgränsen. Efter att diamantchipkylning införts är temperaturen på ett enda GPU lägre och sannolikheten för nedklockning minskar vid samma vattentemperatur och flöde, och den "stabila beräkningskraften per rack" som varje skåp tillhandahåller ökar. Samtidigt, på grund av den minskade termiska resistansen, finns det också en möjlighet att tillåta högre vattentemperatur eller lägre flöde, vilket minskar pumpens och kylarens energiförbrukning. Viktigare är att det öppnar upp för termisk designflexibilitet för efterföljande 3,5kW~5kW GPU:er som Rubin Ultra och Feynman, vilket gör det möjligt för systemtillverkare och molnleverantörer att överväga diamantkylning som ett "materialnivåuppgraderingsalternativ" när de planerar nästa generations AI-kluster.

172
Topp
Rankning
Favoriter
