TGINSIGHT SIMILAR POSTS
Изворен канал @pythonotes · Post #424 · 13 апр.
Стандартная библиотека asyncio это стандарт (начиная с Py3.4) для работы с асинхронным кодом. Но эта библиотека достаточно низкоуровневая, со своими проблемами, устаревшими подходами. Чтобы исправить это, были созданы разные обертки и альтернативы с реализацией популярных инструментов и паттернов асинхронного программирования. Это такие библиотеки как: - trio: улучшает корректность выполнения, не оставляя потерянных корутин при ошибках, то есть предлагает Structured Concurrency из коробки. - curio: упрощение синтаксиса и читаемости кода, больше похоже на работу с потоками. - anyio: универсальная обертка над asyncio или trio плюс множество вспомогательных инструментов. anyio используется в FastAPI как основная библиотека для работы с асинхронным кодом и вызовом синхронного кода из асинхронного. В общем, рекомендую почитать про возможности anyio, возможно вы более не будете использовать чистый asyncio в своих проектах) Это совсем не значит что дефолтный asyncio плох, он тоже даёт достаточный для работы функционал и продолжает развиваться. Например, в версии 3.11 появились TaskGroup, с похожим на trio функционалом. Так что он тоже актуален, просто придется больше написать кода самостоятельно. #libs#async
Пребарај: #hbm
@abmedia_news · Post #24341 · 04.05.2026 г., 09:00
【🤖 AI人工智慧｜打破週期性迷思！一公式拆解 HBM 需求結構：記憶體為何只會繼續上漲？】 #AI#HBM#AI fin 指出 HBM 需求已與傳統規律脫鉤，正透過 Token 重新定價。 他提出 Token 吞吐量等於 HBM 容量頻寬乘積，需求隨 GPU 指數成長。記憶體變為效能天花板，週期宿命或將終結。 📍閱讀全文： https://abmedia.io/hbm-memory-demand-growth-breaking-cycle 📍 訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
@eco_cn · Post #29959 · 17.03.2026 г., 01:05
三星发布HBM4E，新产品将实现单引脚传输速度16Gbps、单堆栈带宽最高约4TB/s。相比此前HBM产品，它进一步提升了AI模型训练和推理所需的数据吞吐能力，被认为是支撑万亿参数模型与AI数据中心扩张的关键基础设施。 #HBM#芯片战争
@eco_cn · Post #29704 · 04.03.2026 г., 01:20
SK海力士正探索HBM4新封装技术，剑指英伟达顶级性能目标。核心措施包括增加DRAM芯片厚度以及缩小DRAM层间距，目前该技术正处于验证阶段。若成功实现商业化，这一方案有望帮助SK海力士达成英伟达对第六代HBM4设定的顶级性能指标，并为后续产品的性能提升奠定基础。 #HBM#芯片战争
@eco_cn · Post #30000 · 18.03.2026 г., 01:32
SK集团董事长崔泰源警告，全球晶圆短缺将延续至2030年，缺口或超20%。#HBM 耗晶量庞大，新产能至少需4至5年才能释放。 #内存涨价
@eco_cn · Post #29822 · 10.03.2026 г., 01:16
黄仁勋在摩根士丹利科技大会放话：DRAM厂商产能扩多少，英伟达就用掉多少。随着英伟达新一代Vera Rubin平台采用更复杂的HBM4规格，存储资源耗损倍增，三大DRAM厂扩产仍难填其缺口。 三星和SK海力士被选为英伟达Rubin HBM4供应商，预计三月开始出货。#HBM#内存涨价
@abmedia_news · Post #24221 · 29.04.2026 г., 10:30
【🤖 AI人工智慧｜半導體分析師看好 AI 行情「至少再走三年」：先進封裝才是產業瓶頸】 #AI#先進封裝#HBM 分析師 Bubble Boi 週三於 TBPN 預測 AI 投資週期仍處早期，無意獲利了結。 全球雲端業者計畫投入 6,800 億美元資本支出，重心轉向 HBM 先進封裝。身兼工程師的他強調技術門檻才是關鍵，而非單純看財務模型。 📍閱讀全文： https://abmedia.io/ai-advanced-packaging-memory-price-outlook 📍 訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
@eco_cn · Post #30570 · 14.04.2026 г., 01:02
#闪迪 加速推进高带宽闪存（HBF）商业化，计划于2026年下半年建成试产线，2027年实现量产。#HBM
@abmedia_news · Post #24306 · 02.05.2026 г., 10:02
【🤖 AI人工智慧｜HBM 後 AI 記憶體瓶頸是 HBF？圖靈獎得主 David Patterson：推論將重新定義儲存架構】 #HBM#SK海力士#SanDisk 圖靈獎得主、UC Berkeley 教授 David Patterson 於 4 月 30 日指出，AI 邁向大規模推論將讓 HBF 成為定義架構的新瓶頸。 SK 海力士與 SanDisk 透過 3D 堆疊 NAND 技術提供低功耗大容量—解決 HBM 無法負荷的龐大上下文與推論中間資料儲存需求。隨著金正浩預測 HBF 需求將在 2038 年超越 HBM，記憶體競賽正從產能之爭轉向階層重組。 📍閱讀全文： https://abmedia.io/hbm-ai-hbf-david-patterson 📍 訂閱鏈新聞頻道：https://linktr.ee/abmedia.io
@eco_cn · Post #30025 · 19.03.2026 г., 01:25
美光称，本季在营收、毛利率、EPS与自由现金流等多项指标上均创单季最高纪录。 第二财季非GAAP口径下毛利率升至74.9%，较第一财季的56.8%继续跃升，远高于上财年同期的37.9%；非GAAP营业利润率进一步升至69.0%。 指引强劲，预计第三财季非GAAP口径EPS中值为19.15美元，较分析师预期的11.29美元高将近70%。公司董事会批准将季度股息提高30%至每股0.15美元。 受强劲业绩与指引提振，财报发布后，周三几乎收平的美光股价盘后先快速拉升，一度涨超2%，但此后转跌，盘后跌幅一度达6%。 #美光#内存涨价#HBM
@eco_cn · Post #30135 · 24.03.2026 г., 01:07
报道称，#SK海力士 拟赴美发行ADR融资10万亿至15万亿韩元之间，折合总股本约2.4%，资金将全额投入龙仁半导体集群等AI基础设施建设。 此举旨在利用美国资本市场重估其仅为 #美光 一半的市盈率，若成功纳入费城半导体等主流指数，将吸引大规模被动资金，强化其在 #HBM 领域的全球主导地位。
@eco_cn · Post #29971 · 17.03.2026 г., 01:31
SemiAnalysis创始人表示，AI算力扩张的瓶颈就像“打地鼠”一直在变化，目前瓶颈或重回芯片制造。 推理模型引爆 #HBM 需求，其晶圆消耗是普通DRAM四倍，将导致手机出货腰斩，2026年科技巨头30%资本开支将被存储吞噬。 #电力 非终极制约，通过航改机、燃料电池等“电表后”方案可解。终极天花板或在2028年后，系于 #ASML 年产量不足百台的EUV光刻机。 #AIDC#内存涨价
@barbarian_global_tech · Post #1011 · 22.01.2026 г., 03:57
Q. 우주 데이터센터, 방사능 문제 괜찮나? ⇒우주 데이터센터에서 HBM이 방사능에 취약하지만, 추론은 문제 없다 (Google 썬캐쳐 논문) 구글은 V6e Trillium 클라우드 TPU와 AMD 호스트 서버를 67 MeV 양성자 빔에 노출시켜 태양 동기 저궤도(LEO)의 운영 환경 (저궤도 환경은 주로 양성자와 은하 우주선(GCR)으로 구성) 을 모사를 해보았음. 결론 ) 방사능 관련해서는 두 가지 한계점이 있음. 1. 총 이온화 선량(TID) 절연층에 전하가 누적되어 장치 성능이 서서히 저하되는 현상 1년에 150 rad(Si)를 견뎌야 함. 5년 임무를 수행하려면 약 750 rad(Si)를 견뎌야 함. ⇒ HBM에서 가장 민감함. HBM은 연산 로직보다 방사능에 약 3.4배 더 민감하게 반응 ⇒ 2000 rad(Si)부터 불규칙한 동작 발생 ⇒ 위성의 수명은 5년이기에 2000rad(Si)까지 누적되지 않음. 따라서 HBM이 750rad(Si)까지는 버텨줌. 결론 ) HBM이 이건 버틴다 2. 단일 사건 효과(SEE) 고에너지 입자 하나가 충돌하여 즉각적인 오류 (비트 플립 등)를 일으키는 현상. (비트 플립이란 방사선의 영향으로 메모리의 0이 1로, 1이 0으로 바뀌는 오류) 특히 감지되지 않는 비트 플립은 무소음 데이터 부패(SDC)를 유발하여 AI 모델 학습을 망칠 수 있음. ⇒ 역시나 HBM에서 가장 민감함. ⇒ 주로 수정 불가능한 ECC 오류로 발생 결론 ) HBM이 이걸 못 버팀. 비트 플립으로 비트가 0이었던게 1로 바뀌는 효과 발생해버려서 치명적 따라서 학습과 추론 시 영향이 차이가 나는데, 학습 ) 학습은 아직 추가 연구 필요 학습 중에는 감지되지 않는 비트 플립이 무소음 데이터 부패(SDC)를 일으켜 모델 전체를 망칠 위험이 있음. 따라서 학습 과정에 대한 영향과 이를 막기 위한 시스템 수준의 완화 기술은 추가 연구가 필요하다고 명시되어져 있음. 추론 ) 추론은 실질적으로 오류 발생 확률 낮아 사용 가능 수준 오류 발생 확률은 낮음. 실질적으로 사용 가능한 수준에 머뭄. 1년에 약 150 rad의 방사선이 내리쬐는 저궤도 환경을 가정하면, AI 추론 시 1,000만 건당 1번 정도의 오류가 발생하는 셈 #우주#SpaceX#구글#데이터센터#TPU#HBM