EO 517

DIGITAL AI MEMORIES La memoria SCM (Storage Class Memory) si propone come una valida opzione rispetto ai tradizionali metodi di archiviazione basati su DRAM o flash, in grado di garantire costi competitivi senza penalizzare le prestazioni learning (DL – apprendimento profondo), che si basano ri- spettivamente sui metodi di analisi statistica e sui sistemi di apprendimento automatico. La risposta del settore dei semiconduttori non si è fatta attendere: le aziende han- no sviluppato processori “su misura” capaci di fornire la potenza di calcolo richiesta da questi algoritmi. Tuttavia, permangono ancora alcuni interrogativi riguardanti la scelta ottimale della memoria che deve soddisfare diversi requisiti, quali l’archiviazione dei dati di apprendimento e la gestione dei dati di input raccolti dagli utenti e dai sen- sori durante il funzionamento, nonché dei risultati inter- medi calcolati durante l’apprendimento e il funzionamen- to. Elaborazione dei dati: le problematiche Naturalmente, tali prestazioni di elaborazione hanno un prezzo e, inun contesto caratterizzatodall’accesso“demo- cratizzato” alla tecnologia, sono i fornitori di servizi cloud a offrire un accesso condiviso alla potenza di elaborazione richiesta dall’intelligenza artificiale. Tuttavia, l’hardware specifico per l’AI differisce dalle apparecchiature necessa- rie per i server che supportano siti web, gestiscono data- base e indirizzano il traffico IoT, in cui i carichi di lavoro e le esigenze di utilizzo sono consolidati e ben compresi. Si ritiene che un server per l’addestramento dell’intelligenza artificiale richieda il doppio dello spazio di archiviazione su SSD e una quantità di DRAM fino a sei volte superiore rispetto a un server cloud tradizionale. Poiché la vendita di server in grado di supportare l’AI costituirà quasi la metà dei server disponibili entro la fine del decennio, vi sarà un aumento significativo della richiesta di memoria. In questo caso, la sfida è rappresentata dalle dinamiche dellamemoriaDRAM, in termini sia di prodotto sia dimer- cato. La scalabilità ha raggiunto un limite, il che significa che sarà possibile ottenere più bit per area nel futuro im- mediato. Il die stacking rappresenta una buona alternati- va, ma risulta più costoso a causa, tra l’altro, di problema- Quando si parla di tecnologia, ciò che suscita la curiosità e l’interesse della maggior parte dei consumatori è il pro- dotto in sé e non la tecnica racchiusa in esso. Tuttavia, il termine “intelligenza artificiale” (AI), un software intelli- gente che cerca di replicare il modo di pensare degli uma- ni, è ormai sulla bocca di tutti grazie a tool come ChatGPT e Midjourney. Al giorno d’oggi, l’intelligenza artificiale è maturata, seppur lentamente nell’arco di ben tre quarti di secolo, a partire dalle ricerche sul funzionamento dei neuroni e le macchine pensanti negli anni 40. Anche se il successo dell’intelligenza artificiale è in larga parte ascri- vibile al software, essa è totalmente dipendente dall’har- dware sul quale viene sviluppata, effettuato l’apprendi- mento e utilizzata. Gli ultimi sviluppi dell’intelligenza artificiale sono il ma- chine learning (ML – apprendimento automatico) e il deep Memorie per l’intelligenza artificiale Axel Störmann VP Memory Marketing & Engineering KIOXIA Europe ELETTRONICA OGGI 517 - APRILE 2024 46