创业板之王的宁德时代，作为目前最强风口新能源的代表，公司股价接连暴涨，着实让人感慨太疯狂。7月7日，电池行业龙头宁德时代市值再创新高，董事长曾毓群在全球富豪榜的排名已经超过了马云。 截至7月7日下午3点收盘，宁德时代上涨逾5%，报收542.5元，总市值达到1.26万亿元，创下历史新高！与此同时，根据福布斯富豪榜的实时榜单显示，宁德时代董事长曾毓群的身价达到479亿美元（约合人民币3099亿元），位列全球第25位。 值得注意的是，曾毓群的身价已经超过了排名第29位的阿里巴巴创始人马云。目前，马云的身价为461亿美元（约合人民币2983亿元）。 另外，其排名落后于农夫山泉创始人钟睒睒和腾讯创始人马化腾，后两人分列榜单的第15位和23位。 （宁德时代董事长曾毓群） 据悉，宁德时代的主营业务为新能源汽车所使用的动力电池。去年，宁德时代营收为503亿元，净利润接近56亿元。
日前，由中国电子器材有限公司和中国电科第二十一研究所共同主办的“新一代信息技术与基础电子元器件和小电机产业协同发展媒体和分析师研讨会”在北京召开。中国电子元件行业协会、中国电子信息产业发展研究院等行业组织和研究机构，中航物资、中国振华电子、大洋电机、豪威集团、智联安科、天和磁材和金康精工等基础电子元器件、芯片和电机等领域龙头企业出席了本次研讨会，并发表了精彩致辞和演讲。 当天，国内基础电子元器件与信息技术领域内历史悠久与颇具规模的展会平台“中国电子展（CEF）”与国内小电机领域内综合性展会平台“中国国际小电机、磁性材料、特种机器人技术研讨会暨展览会（SMTCE）”举行了战略合作签约仪式，双方将于今年11月2-4日在上海新国际博览中心同期邻馆举办，联合为正在如火如荼发展的智能网联产品创新搭建最完善的交流与展示平台。 提起智能网联，可能大家第一个想到的就是以自动驾驶为代表的人工智能技术，却不知道车载摄像头作为ADAS（高级驾驶辅助系统）的核心部件，是决定自动驾驶汽车进行决策的重要依据。在5G、AIoT等新兴技术的不断迭代升级下，车载摄像头正在朝着“高清化、网络化、智能化”的方向发展。 如何把握这一技术迭代机遇？豪威集团中国区汽车电子中心业务拓展经理孙磊受邀出席了本次研讨会，并发表了题为《豪威科技赋能智能驾驶》的主旨演讲，从市场的角度浅谈了图像传感器对自动驾驶的重要性。研讨会期间，21ic电子网记者有幸采访了孙磊，并围绕车载摄像头的市场发展与技术走向等话题进行了深入交流。 （豪威集团中国区汽车电子中心业务拓展经理孙磊） 深耕车载场景，引领行业前行 在汽车电子系统中，车载摄像头是ADAS的主要视觉传感器，借由镜头采集图像后，有摄像头内的感光组件电路及控制组件对图像进行处理并转化为电脑能处理的数字信号，从而实现感知车辆周边的路况情况，实现前向碰撞预警、车道偏移报警和行人检测等ADAS功能。 在孙磊看来，车载摄像头作为汽车的眼睛，其在ADAS和自动驾驶技术中有着举足轻重的地位。随着汽车产业新四化（电动化、网联化、智能化、共享化）趋势的到来，车载摄像头在新形势下将会发挥更大的作用。 （研讨会现场） 不过，这一市场变化也给行业带来了新的挑战。在智能网联时代，汽车领域的电子设备越来越多，汽车联网及智能化程度也越来越高，这给用户带来便利的同时，也增加了安全风险。比如，前段时间闹得沸沸扬扬的“特斯拉车内摄像头遭黑客入侵”事件，就反映出车内隐私安全保护有待规范的行业痛点。 对此，孙磊指出，在图像传感器领域，我们要保证摄像头采集到的数据一定是加密的，一定是不可被篡改的！ 据悉，豪威科技成立于1995年，是全球领先的数字图像解决方案开发商，在车载场景已深耕多年，并在数字成像领域积累了丰富的经验。目前，豪威科技在全球CMOS图像传感器市场份额中排名第三，仅次于索尼和三星。经过多年来的技术积累和市场开拓，豪威科技早已为汽车的电动化和智能化发展所带来的挑战做好了充分的准备。 比如，豪威科技利用视觉成像及半导体工艺进行全球快门图像传感器产品研发，实现了对光学性能的良好“驾驭”，不断满足市场对高性能、小尺寸、低功耗、可定制等方面的需求。其自主研发的PureCel®旗舰级像素技术与Nyxel®夜鹰近红外科技，有效增强了QE量子效率，提高了传感器对于近红外光谱的灵敏度。而区别于传统HDR的芯片级单帧逐行HDR（Stagger HDR）技术与双转换增益（DCG）技术，则解决了高对比度场景中运动伪影问题，实现了超高质量的场景重现。 又如，豪威科技推出的最新图像传感器OV64B，是业界仅有的0.7μm小像素的6400万像素图像传感器，并且是首次以1/2″光学尺寸实现了6400万像素分辨率。OV64B基于豪威科技的PureCel Plus堆叠芯片技术，可提供领先的静止图像捕获和卓越的4K视频录制，并且具有电子图像稳定功能（EIS）以及30 fps的8K视频录制。 除此之外，豪威科技近期还推出了首批可兼容用于模块化NVIDIA DRIVE AGX™自动驾驶汽车人工智能计算平台的图像传感器系列产品，旨在为汽车系统设计师提供独特的优势功能。 除了上述安全问题，芯片短缺也是近期半导体行业的一个热议话题，更是所有厂商不得不面对的一个重要问题。 从去年年底开始，芯片短缺危机就导致了汽车行业供需紧张。据AutoForecast Solutions最新统计，截至2021年3月29日，全球共六家汽车制造商新增超65000辆因芯片短缺而减产的汽车。截至目前，芯片短缺已致全球汽车市场累计减产115.7万辆。预计2021年，全球汽车市场将因此减产超200万辆。 更糟糕的是，上述这种“缺芯断粮”的现象不只发生在汽车行业，由于各大芯片代工厂急于解决汽车芯片短缺的问题，例如PC、手机、家电等行业的芯片订单也随之受到了波及，汽车制造商和各大供应商都在争夺芯片。换句话说，这场席卷全球的“缺芯潮”已经从汽车行业蔓延到了PC、手机、家电等多个领域。目前，整个芯片市场都处于一种缺货状态。 面对全球日益严重的芯片短缺问题，孙磊表示，这是所有半导体公司都不愿意看到的现象。“一方面是受去年疫情的影响，许多晶圆厂都处于一个半关闭的状态，造成了全球半导体产能减少；另一方面则是整个行业低估了汽车行业复苏的时间进程，这将使整个产业链供应链面临‘断链’的风险。” 眼下，汽车产业的缺芯焦虑似乎并没有随着时间而减弱。据MarketWatch最新发布的报告显示，世界范围内的芯片短缺现象预计还会持续3-4个季度。如果准确的话，要到2022年的某个时候，行业才会恢复正常。可以预见，全球芯片短缺将成为今年半导体行业的主旋律。 “不过，这对于我们来说反而是个机会，因为车载业务在整个豪威集团所占份额并不大。面对芯片短缺危机，我们则是很灵活地把其它事业部的产能挪到了车载业务上，比如手机、安防等消费领域。目前，整个客户对我们的满意度还是比较高的。”孙磊谈道。
，日本东京讯 – 全球半导体解决方案供应商瑞萨电子集团(TSE：6723)今日宣布，推出创新物联网系统设计平台——Quick-Connect，可显著简化物联网系统的原型设计。瑞萨Quick-Connect IoT系统由标准化的板卡和接口组成，使设计者能够快速、轻松地将各种传感器连接至MCU开发板。该系统还提供可在板卡之间移植的核心软件构件，大大降低了编码要求。 作为Quick-Connect IoT系统的一部分，瑞萨电子与Digilent合作开发了全新Type 6A扩展I2C Pmod接口，以实现更广覆盖范围和更大灵活性。瑞萨已将Digilent的全新6A Pmod连接器标准化，用于新型Pmod传感器板和MCU开发套件。标准化还使设计人员能够非常灵活地为任何物联网原型设计选择优化产品组合。MCU板将带有双Pmod连接器，分别用于传感器Pmod和通信模块;Pmod亦可级联，实现更大灵活性。 瑞萨还为各种传感器重新定义了通用软件应用程序接口(API)和硬件抽象层(HAL)代码，并嵌入至瑞萨e2 studio集成开发环境中。现在，设计人员无需编写和测试数百行驱动程序代码，而仅需以图形方式选择他们的传感器并编写数行代码即可。所有集成与设置工作均在后台进行，缩短了开发时间。 瑞萨电子系统及解决方案市场部总监D.K Singh表示：“我们专注于解决方案的打造，使客户能够更迅速地将卓越的终端产品推向市场。例如，瑞萨开发的数百款‘成功产品组合’为客户提供了更高阶设计平台，从而降低设计风险并缩短开发时间。Quick-Connect IoT是我们专注于该技术领域的最新例证，未来我们将扩大其覆盖范围以支持更多板卡和产品。此外，拥有标准化的硬件连接平台也允许客户采用由第三方和其他供应商所开发的兼容Pmod。” Digilent营销总监Talesa Bleything表示：“全新6A Pmod接口体现了我们致力于让系统原型设计更容易、更便捷的愿景。它符合I2C规范，具有可选的中断和复位引脚，以及可选的控制信号，为用户各种类型的系统开发带来更大灵活性。” 目前，Quick-Connect IoT包含10余款全新瑞萨Pmod传感器及其它模块化板卡，如空气质量传感器、流量传感器、生物感测、飞行时间、温度与其它传感元件等。同时，更多包括各种传感器和外围设备的瑞萨传感器Pmod也在开发中。RA、RX和RL78产品家族超过25款MCU开发板及套件可直接或通过瑞萨开发的小型转接板与新型Pmod 6A型标准相兼容;在不久的将来会同时支持RE和RZ开发板。客户可通过瑞萨的销售和样品发放渠道订购开发套件、传感器和转接板。 瑞萨电子高级副总裁Chris Allexandre表示：“我们的物联网领域客户需要的不仅仅是出色的MCU、传感器和软件;Quick-Connect IoT作为一款改变游戏规则的产品，强化了我们在物联网市场的优势。”
深度学习对计算能力的需求正以惊人的速度增长，其近年来的发展速度已从每年翻一番缩短到每三个月翻一番。深度神经网络(DNN)模型容量的不断提升，表明从自然语言处理到图像处理的各个领域都得到了改进——深度神经网络是诸如自动驾驶和机器人等实时应用的关键技术。例如，Facebook的研究表明，准确率与模型大小的比率呈线性增长，通过在更大的数据集进行训练，准确率甚至可以得到进一步提高。 目前在许多前沿领域，模型大小的增长速度远快于摩尔定律，用于一些应用的万亿参数模型正在考虑之中。虽然很少有生产系统会达到同样的极端情况，但在这些示例中，参数数量对性能的影响将在实际应用中产生连锁反应。模型大小的增长给实施者带来了挑战。如果不能完全依靠芯片扩展路线图，就需要其他解决方案来满足对模型容量增加部分的需求，而且成本要与部署规模相适应。这种增长要求采用定制化的架构，以最大限度地发挥每个可用晶体管的性能。 图1：模型大小的增长速度(来源：Linley Group) Parameters (log scale)：参数(对数刻度) Image-processing models：图像处理模型 Language-processing models：语言处理模型 随着参数数量快速增长，深度学习架构也在快速演进。当深度神经网络继续广泛使用传统卷积、全连接层和池化层的组合时，市场上也出现了其它结构，诸如自然语言处理(NLP)中的自注意力网络。它们仍然需要高速矩阵和面向张量的算法，但是存储访问模式的变化可能会给图形处理器(GPU)和当前现有的加速器带来麻烦。 结构上的变化意味着诸如每秒万亿次操作(TOps)等常用指标的相关性在降低。通常情况下，处理引擎无法达到其峰值TOps分数，因为如果不改变模型的处理方式，存储和数据传输基础设施就无法提供足够的吞吐量。例如，批处理输入样本是一种常见的方法，因为它通常可以提高许多架构上可用的并行性。但是，批处理增加了响应的延迟，这在实时推理应用中通常是不可接受的。 数值灵活性是实现高吞吐量的一种途径 提高推理性能的一种途径是使计算的数值分辨率去适应各个独立层的需求，这也代表了与架构的快速演进相适应。一般来说，与训练所需的精度相比，许多深度学习模型在推理过程中可以接受明显的精度损失和增加的量化误差，而训练通常使用标准或双精度浮点算法进行。这些格式能够在非常宽的动态范围内支持高精度数值。这一特性在训练中很重要，因为训练中常见的反向传播算法需要在每次传递时对许多权重进行细微更改，以确保收敛。 通常来说，浮点运算需要大量的硬件支持才能实现高分辨率数据类型的低延迟处理，它们最初被开发用来支持高性能计算机上的科学应用，完全支持它所需的开销并不是一个主要问题。 许多推理部署都将模型转换为使用定点运算操作，这大大降低了精度。在这些情况下，对准确性的影响通常是最小的。事实上，有些层可以转换为使用极其有限的数值范围，甚至二进制或三进制数值也都是可行的选择。 然而，整数运算并不总是一种有效的解决方案。有些滤波器和数据层就需要高动态范围。为了满足这一要求，整数硬件可能需要以24位或32位字长来处理数据，这将比8位或16位的整数数据类型消耗更多的资源，这些数据类型很容易在典型的单指令多数据(SIMD)加速器中得到支持。 一种折衷方案是使用窄浮点格式，例如适合16位字长的格式。这种选择可以实现更大的并行性，但它并没有克服大多数浮点数据类型固有的性能障碍。问题在于，在每次计算后，浮点格式的两部分都需要进行调整，因为尾数的最高有效位没有显式存储。因此，指数的大小需要通过一系列的逻辑移位操作来调整，以确保隐含的前导“1”始终存在。这种规范化操作的好处是任何单个数值都只有一种表示形式，这对于用户应用程序中的软件兼容性很重要。然而，对于许多信号处理和人工智能推理常规运算来说，这是不必要的。 这些操作的大部分硬件开销都可以通过在每次计算后无需标准化尾数和调整指数来避免。这是块浮点算法所采用的方法，这种数据格式已被用于标准定点数字信号处理(DSP)，以提高其在移动设备的音频处理算法、数字用户线路(DSL)调制解调器和雷达系统上的性能。 图2：块浮点计算示例 mantissa：尾数 block exponent：块指数 使用块浮点算法，无需将尾数左对齐。用于一系列计算的数据元素可以共享相同的指数，这一变化简化了执行通道的设计。对占据相似动态范围的数值进行四舍五入造成的精度损失可被降到最小。在设计时就要为每个计算块选择合适的范围。在计算块完成后，退出函数就可以对数值进行四舍五入和标准化处理，以便在需要时将它们用作常规的浮点值。 支持块浮点格式是机器学习处理器(MLP)的功能之一。Achronix的Speedster®7t FPGA器件和Speedcore™ eFPGA架构提供了这种高度灵活的算术逻辑单元。机器学习处理器针对人工智能应用所需的点积和类似矩阵运算进行了优化。相比传统浮点，这些机器学习处理器对块浮点的支持提供了实质性的改进。16位块浮点运算的吞吐量是传统的半精度浮点运算的8倍，使其与8位整数运算的速度一样快，与仅以整数形式的运算相比，有功功耗仅增加了15%。 另一种可能很重要的数据类型是TensorFloat 32(TF32)格式，与标准精度格式相比，该格式的精度有所降低，但保持了较高的动态范围。TF32也缺乏块指数处理的优化吞吐量，但对于一些应用是有用的，在这些应用中，使用TensorFlow和类似环境所创建的模型的易于移植性是很重要的。Speedster7t FPGA中机器学习处理器所具有的高度灵活性使得使用24位浮点模式来处理TF32算法成为可能。此外，机器学习处理器的高度可配置性意味着可以支持一个全新的、块浮点版本的TF32，其中四个样本共享同一个指数。机器学习处理器支持的块浮点TF32，其密度是传统TF32的两倍。 图3：机器学习处理器(MLP)的结构 Wireless：无线 AI/ML：人工智能/机器学习 Input Values：输入值 Input Layer：输入层 Hidden Layer 1：隐藏层1 Hidden Layer 2：隐藏层2 Output Layer：输出层 处理灵活性优化了算法支持 虽然机器学习处理器能够支持多种数据类型，这对于推理应用而言是至关重要的，但只有成为FPGA架构的一部分，它的强大功能才能释放出来。可轻松定义不同互连结构的能力使FPGA从大多数架构中脱颖而出。在FPGA中同时定义互连和算术逻辑的能力简化了构建一种平衡架构的过程。设计人员不仅能够为自定义数据类型构建直接支持，还可以去定义最合适的互连结构，来将数据传入和传出处理引擎。可重编程的特性进一步提供了应对人工智能快速演进的能力。通过修改FPGA的逻辑可以轻松支持自定义层中数据流的变化。 FPGA的一个主要优势是可以轻松地在优化的嵌入式计算引擎和由查找表单元实现的可编程逻辑之间切换功能。一些功能可以很好地映射到嵌入式计算引擎上，例如Speedster7t MLP。又如，较高精度的算法最好分配给机器学习处理器(MLP)，因为增加的位宽会导致功能单元的大小呈指数增长，这些功能单元是用来实现诸如高速乘法之类的功能。 较低精度的整数运算通常可以有效地分配给FPGA架构中常见的查找表(LUT)。设计人员可以选择使用简单的位串行乘法器电路来实现高延迟、高并行性的逻辑阵列。或者，他们可以通过构建进位保存和超前进位的加法器等结构来为每个功能分配更多的逻辑，这些结构通常用来实现低延迟的乘法器。通过Speedster7t FPGA器件中独特的LUT配置增强了对高速算法的支持，其中LUT提供了一种实现Booth编码的高效机制，这是一种节省面积的乘法方法。 结果是，对于一个给定的位宽，实现整数乘法器所需的LUT数量可以减半。随着机器学习中的隐私和安全性等问题变得越来越重要，应对措施可能是在模型中部署同态加密形式。这些协议通常涉及非常适合于LUT实现的模式和位域操作，有助于巩固FPGA作为人工智能未来验证技术的地位。 数据传输是吞吐量的关键 为了在机器学习环境中充分利用数值自定义，周围的架构也同样重要。在越来越不规范的图形表示中，能随时在需要的地方和时间传输数据是可编程硬件的一个关键优势。但是，并非所有的FPGA架构都是一样的。 传统FPGA架构的一个问题是，它们是从早期应用演变而来的;但在早期应用中，其主要功能是实现接口和控制电路逻辑。随着时间的推移，由于这些器件为蜂窝移动通信基站制造商提供了一种从愈发昂贵的ASIC中转移出来的方法，FPGA架构结合了DSP模块来处理滤波和信道估计功能。原则上，这些DSP模块都可以处理人工智能功能。但是，这些模块最初设计主要是用于处理一维有限冲激响应(1D FIR)滤波器，这些滤波器使用一个相对简单的通道通过处理单元传输数据，一系列固定系数在该通道中被应用于连续的样本流。 传统的处理器架构对卷积层的支持相对简单，而对其他的则更为复杂。例如，全连接层需要将一层中每个神经元的输出应用到下一层的所有神经元上。其结果是，算术逻辑单元之间的数据流比传统DSP应用中的要复杂得多，并且在吞吐量较高的情况下，会给互连带来更大的压力。 尽管诸如DSP内核之类的处理引擎可以在每个周期中生成一个结果，但FPGA内部的布线限制可能导致无法足够快速地将数据传递给它。通常，对于专为许多传统FPGA设计的、通信系统中常见的1D FIR滤波器来说，拥塞不是问题。每个滤波阶段所产生的结果都可以轻松地传递到下一个阶段。但是，张量操作所需的更高的互连以及机器学习应用较低的数据局部性，使得互连对于任何实现而言都更加重要。 图4：滤波器和人工智能数据流 Memory Cascade Out：存储级联输出 Operand Cascade in：操作数级联 Register File：寄存器文件 Fracturable：可分割 Adder/Accumulator：加法器/累加器 Memory Cascade in：存储级联 机器学习中的数据局部性问题需要注意多层级的互连设计。由于在最有效的模型中参数数量庞大，片外数据存储通常是必需的。关键要求是可以在需要时以低延迟传输数据的机制，并使用靠近处理引擎的高效便笺式存储器，以最有效地利用预取以及其他使用可预测访问模式的策略，来确保数据在合适的时间可用。 在Speedster7t架构中，有以下三项用于数据传输的创新： ·优化的存储层次结构 ·高效的本地布线技术 ·一个用于片内和片外数据传输的高速二维片上网络(2D NoC) 传统的FPGA通常具有分布在整个逻辑架构上的片上RAM块，这些RAM块被放置在距离处理引擎有一定距离的地方。对于典型的FPGA设计来说，这种选择是一种有效的架构，但在人工智能环境中，它带来了额外的和不必要的布线开销。在Speedster7t架构中，每个机器学习处理器(MLP)都与一个72kb的双端口块RAM(BRAM72k)和一个较小的2kb的双端口逻辑RAM(LRAM2k)相关联，其中LRAM2k可以作为一个紧密耦合的寄存器文件。 可以通过FPGA布线资源分别访问机器学习处理器(MLP)及其相关联的存储器。但是，如果一个存储器正在驱动关联的MLP，则它可以使用直接连接，从而卸载FPGA布线资源并提供高带宽连接。 在人工智能应用中，BRAM可以作为一个存储器，用于存储那些预计不会在每个周期中发生变化的值，诸如神经元权重和激活值。LRAM更适合存储只有短期数据局部性的临时值，诸如输入样本的短通道以及用于张量收缩和池化活动的累积值。 该架构考虑到需要能够将大型复杂的层划分为可并行操作的段，并为每个段提供临时数据值。BRAM和LRAM都具有级联连接功能，可轻松支持机器学习加速器中常用的脉动阵列的构建。 图5：具有存储和级联连接功能的MLP MLP可以从逻辑阵列、共享数据的级联路径以及关联的BRAM72k和LRAM2k逐周期驱动。这种安排能够构建复杂的调度机制和数据处理通道，使MLP持续得到数据支持，同时支持神经元之间尽可能广泛的连接模式。为MLP持续提供数据是提高有效TOps算力的关键。 MLP的输出具有同样的灵活性，能够创建脉动阵列和更复杂的布线拓扑，从而为深度学习模型中可能需要的每种类型的层提供优化的架构。 图6：具有端点和I/O块的NoC Multiplier / multiplicand fractions after converting inputs to have the same exponent：将输入转换为具有相同指数后的乘数/被乘数分数 Multiplier block exponent：乘数块指数 Multiplicand block exponent：被乘数块指数 Integer Multiply / Add Tree：整数乘法/加法树： Convert to Floating Point：转换为浮点 Floating Point Accumulation：浮点累加 Round to…
“新基建”的一个“新”字引发了人们对于数字产业化和产业数字化的深层次思考。 数据基础设施走向现代化 早在2020年，“新基建”已经被写入当年两会的《政府工作报告》中，5G、物联网、云计算、大数据、人工智能等新一代信息技术为“新基建”注入了活力，也牵引着“新基建”的前进方向。 技术的驱动作用只是一方面，更深层次的变革因素其实是业务和用户需求的变化。产业、企业的数字化转型、新冠疫情的催化作用，让远程办公、在线教育、数字化医疗等成了“新常态”。面对新市场、新业务、新场景带来的诸多挑战，传统的IT基础架构面临着“现代化”的新考验。 作为IT基础架构的重要组成部分，存储可以说是IT基础架构变革的“暴风眼”，牵一发而动全身。 数据量的爆炸式增长，让数据的存储、保护、调用、管理和分析变得越来越复杂。以数据为核心，围绕数据的全生命周期提升存储的性能、效率、安全性和可用性，同时降低成本和复杂性成了当务之急。 勒索病毒的泛滥、层出不穷的恶意网络攻击、数据隐私泄露等给数据安全和合规造成了极大隐患。数据保护和业务连续性对于企业的数字化生存来说至关重要。 云原生、边缘计算、人工智能、5G、物联网等新技术、新应用的兴起，对存储的架构、存储的演进和存储的应用提出了新的要求，也指明了方向。存储必须与时俱进，从存储介质到存储协议，从存储产品品类到应用模式，都要赶上用户业务变化的节奏。 IDC预测，到2024年，全球51%的IT预算将来源于数字化创新和数字化转型，而在中国，这一比例将超过70%。毋庸置疑， “数字化优先” 将成为企业未来实现业务转型、创新与变革的重心。 作为存储架构的变革者和领导者，Pure Storage始终以“创新优先”，通过创新的存储技术支持“数字化优先”企业重新调整商业模式，建立以数据导向的基础设施，充分发挥数据的潜能。 再次重申，老旧的基础架构必须现代化。只有先进的数据基础架构与解决方案才能更好地满足企业用户所需的弹性与灵活性，为企业的数字化转型储备充足的能量。 存储现代化的趋势与动力 现代化的数据基础设施成就了现代化的数据体验。这也是Pure Storage努力的方向和最大的优势所在。 对于存储未来的发展，Pure Storage大中华区技术总监何与晖曾经做出过预测。2021年，容器与Kubernetes将成为推动和扩大企业数字化转型长期规划的两大核心，这一提升效率的“组合拳”将彻底改变开发和执行应用程序的方式。Gartner预测，到2025年，全球85%的企业都将在生产中运行容器。云原生将大其行道。 随着数据量持续增加，对象存储在云以及大数据环境中的优势愈加凸显。客户想要的是一套既能扩展又足够灵活的存储系统，以应对现代非结构化数据的应用挑战。Pure Storage认为，将文件与对象存储整合到同一平台上是一项突破，既能避免造成数据孤岛，又可以降低存储管理的复杂性。整合式文件与对象存储是未来的趋势。 还有一个新的机遇是分布式/边缘云的兴起。随5G、IoT设备的快速成长，再加上边缘数据源的急剧增加，2021年将是全新云形态奠基的关键一年。Gartner认为，分布式云是第一个纳入云服务地理位置的云型态。如此一来，企业就能跨越多重云管理分散的组件，释放出部署更多高度定制化IT服务的潜能，并从边缘地点的数据源中获取额外价值。Pure Storage认为，那些IT/OT高度汇流并在偏远和区域性地点产生大量数据的产业，比如采矿、石油与天然气，以及水电公共事业等将率先从分布式云中获益。 今年全国两会的《政府工作报告》中提到了“碳达峰”和“碳中和”。实现节能减排与可持续发展是每个企业的社会责任。在数据中心内部，由于数据的产生、消费与存储暴增，其能源消耗给企业和社会的可持续性发展造成了为沉重负担。在数据基础架构现代化的过程中，绿色存储技术将成为关键。 应对新技术、新应用带来的种种挑战，创新是唯一的出路。从公司成立那天起，Pure Storage就是以行业颠覆者的形象为人所知。在公司成立的头十年，Pure Storage用自己创新的技术颠覆了传统存储阵列，实现了存储简化。近些年，Pure Storage一直保持着两位数的快速增长，曾连续6年位位居Gartner存储领导者魔力象限，引领着存储行业的创新发展。 在数据现代化与应用分析、网络安全、公有云等成为全球数字化转型投资热点的背景下，Pure Storage将以实现现代化的数据体验为目标，更好地支撑企业用户的数字化生存。Pure Storage也将再次展现行业颠覆者的远见卓识与技术创新能力。 传统的存储基础架构不是为数字化应用设计的，其碎片化、孤岛式的方式已经不能支持应用创新和数据价值的挖掘。在以数据为核心、以数据为驱动成为企业生存和发展新规则的情况下，存储不仅要在性能继续提升，而且要兼具灵活性与敏捷性，在确保可靠性的基础上，获得更佳的成本效益。 一提到的存储的高性能、高可靠，可能有的人会说，这又是老生常谈。是的，高性能、高可靠、高可用，以及成本效益，这对存储来说是最基本的要求。在企业数字化转型和快速云化的今天，这些“老生常谈”是否也包含着新意呢? 如果用一个词来形容存储，那就是“唯快不破”。Pure Storage认为，现代化的数据体验要求存储更快，性能更好。但是，优秀的性能指标并不意味着存储就一定好用、易用。存储不能唯技术论，还是应该从业务需求的角度出发，以支持应用、分析和DevOps等手段，实现快速的交付，满足不同工作负载的需求。 从Pure Storage的角度，不仅要持续采用新技术，确保存储的高性能，比如支持某赛车队实现更快的分析和决策，以及帮助车队造出性能更佳的赛车，而且还要面向不同种类的应用，为其提供差异化的完整的存储解决方案，既能满足高带宽、高吞吐量的需求，也可以将成百上千个应用整合到同一个平台之上，既能提供快速IO，又可以加速数据的访问，更好地支持API开发应用。 现代化的数据体验与云的演进密不可分。毫无疑问，在企业的应用环境中，云将无处不在。不仅企业的IT基础设施要与公有云集成，而且企业的业务发展也要遵循“云优先”的原则。在云大行其道的今天，企业的购买、消费模式将改变，虚拟化和容器化是新的基础，数据的快速全局恢复是必然，全面支持混合云则是刚需。 奉行存储简化的Pure Storage认为，简单即智能。企业级存储不应该是人们心目中复杂、应用门槛高的传统刻板印象。企业级存储更应该安装简便，可以实现智能的自动化的管理，以减轻运维和管理人员的负担，最大程度地避免风险和数据丢失。在云环境中，存储管理应该具备安全简单的特性，大部分人都能轻松管理和使用存储，而不是少数专业技术人员的专利。 Pure Storage的存储产品从设计上就秉承快速、简单的原则，可以方便地进行监控，并且提供对故障预测性的支持，不让用户将大量时间花费在故障排查上，而是可以事先发现问题并快速解决问题。因为采用了基于AI的优化，Pure Storage的存储产品在管理上实现了智能化，有助于数据中心客户更好地预测工作负载，提前规划和优化数据中心布局。 概括起来，现代化的数据体验就是要为企业的核心业务提速，有效避免管理上的诸多挑战;全面激活数据分析;支持混合云，构建下一代数据基础设施;实现数据保护的现代化。 纵观历史，危机向来都能推动人类突破解决问题的创新极限，新冠疫情也不例外。伴随着科技的快速发展，数字化创新将成为新常态。对于企业级存储来说，现代化的数据体验将成为创新的抓手和引领，而技术创新目的只有一个，那就是为不同的用户提供快速、轻松、安全的体验。 新的颠覆，从现代化数据体验开始!
自今年3月中旬以来，紫光国微的股价涨幅已达65%，持续被资本市场看好。股价涨势如虹的背后是屡创新高的业绩。根据紫光国微披露的2020年报，公司报告期内实现营收32.7亿元;净利润8.06亿元，同比增长98.74%。今年一季度延续了2020年报的强劲势头，营收同比大涨近五成，净利润更是大涨超七成。 公开资料显示，紫光国微是紫光集团旗下“芯云战略”核心企业，是国内最大的集成电路设计上市公司之一。公司以智慧芯片为核心，聚焦数字安全、智能计算、功率与电源管理、高可靠集成电路等业务，产品广泛应用于金融、电信、政务、汽车、物联网等领域，全球出货累计逾120亿颗。 紫光国微在安全芯片领域耕耘已有20年，在金融、电信、身份识别等多条垂直赛道上都是隐形冠军。近些年，公司业务版图不断扩张，正在切入5G、智能汽车、工业互联网等更多的创新领域，系列“超级智慧芯”在各行业全面绽放，进一步为业绩增长打开想象空间。资本追捧、市值高涨、增长可期之下，紫光国微在资本运作上也有所突破，今年6月完成了可转换公司债券发行，募集15亿元主要用于新型高端安全系列芯片和车载控制器芯片研发及产业化项目，有望实现公司长期发展与投资者分享发展红利的共赢。 从长期来看，千亿市值可能只是紫光国微高增长的新起点。身处智慧芯片超级赛道，又具备深厚的护城河，紫光国微应该就是投资者眼中的一支不折不扣的“金刚钻”股。2020年紫光国微首次被纳入深证100指数，业务上不断刷“芯”边界，已经进入了高歌猛进的新常态。随着未来业绩持续增长，估值有望更上层楼。
荷兰奈梅亨 – 埃赋隆半导体(Ampleon)宣布推出两款新的宽带放大器系列——额定电压为32V的BLP15M9Sxxx器件和额定电压为50V的BLP15H9Sxxx器件， 从而进一步加强其先进而又高性价比的射频功率放大器解决方案的产品组合。 BLP15M9Sxxx和BLP15H9Sxxx这两个系列分别基于公司的第9代LDMOS技术和高压LDMOS技术生产，并且均支持高达2GHz的频率。它们能够支持连续波(CW)和脉冲信号操作，并表现出更高的稳定性。BLP15MSxxx系列包括可提供100W、70W和30W功率的专用器件。BLP15H9Sxxx系列包括可提供100W、30W和10W功率的器件。BLP15M9Sxxx器件可提供大约75%的效率，而BLP15H9Sxxx器件的效率通常可达到65%。 这两种放大器IC可支持广泛的频率范围，这意味着它们非常适合各种不同的应用。这些应用涵盖从粒子加速器和等离子体发生器到MRI成像设备、工业加热系统、雷达装置以及广播电视。 埃赋隆半导体的BLP15M9Sxxx和BLP15H9Sxxx LDMOS放大器采用小尺寸SOT1482-1(直引线)形式和SOT1483-1(鸥翼)形式的封装供货。其高度鲁棒的结构确保了持续的可靠性。使用塑料封装有助于确保卓越的散热性能，同时降低单位成本。双侧静电放电(ESD)保护也集成到每个器件中。
一、项目简介 粘虫板机又叫诱虫板机，专门用于粘虫板的上胶复合、分切成型、冲孔等工艺，可一次性快速的在此机器设备上完成。 二、客户需求 在泉州某机械厂，由于客户现场设备需要不停机快速的裁切所需产品的需求。由此，英威腾提出使用伺服电子凸轮滚切模式的整体解决方案，该方案速度达到300M/min，稳定以及产品精度在±0.1mm内的特点。 三、英威腾解决方案 粘虫板机工艺流程 1.放卷工站 现场根据调整机械松紧度来设定放卷材料的张力，让放卷部分张力波动小，防止分切机牵引伺服上的材料走位。 2.送料工站 送料轴改用伺服后，送料夹辊处安装编码器接到凸轮轴切刀伺服，减少中间的传动和机械连接的误差，改用后的误差小于±0.1mm。 3.切刀工站 客户产量要求在裁切200mm的长度时速度需要达到180PCS/min，长度400mm时达到200M/min，所以需要设备上辊筒安装两把切刀，使用英威腾的带电子凸轮功能的伺服可快速不停机运行裁切产品，并且可以通过上位机触摸屏设定任意的裁切长度： 英威腾解决方案 根据客户材料以及和收放卷的速度要求，选定2颗2.0KW带电子凸轮功能的17位编码器的伺服以及配套电机。控制器选择英威腾小型控制器IVC3使用其自带的脉冲输出功能。触摸屏客户需求7寸屏幕，因为Modebus TCP通讯具有高速通讯、易于接线的优势，由此选定英威腾VS系列触摸屏。 图1系统拓扑图 1. 使用英威腾双伺服电子凸轮控制后可以让送料过程和切刀伺服裁切过程速度响应快和对设备的双切刀刀口磨损小 2. 能满足客户的速度上的要求300M/min，17bit编码器电机可以让产品精度能够达到0.1mm以内，并能适应各种材料的的裁切，让设备运行的更平稳。 3. 可以在触摸屏上通过RS485通讯更改所需的裁切长度，操作简单快捷。
为了更好地应对5G给国内半导体产业链上下游带来的各种仿真分析和测试验证挑战，全球测试与测量领先的供应商之一罗德与施瓦茨(以下简称“R&S公司”)，与国内EDA行业仿真领域的领导者芯和半导体科技(上海)有限公司(以下简称“芯和半导体”)于近日举行签约仪式，联合宣布双方缔结正式的战略合作关系。 第四次计算革命，从传统的PC和智能手机到物联网和云计算转变，带来了海量的数据，这些数据的收集、存储、分析和传输驱动半导体行业的持续发展。过去两年，随着5G商用和AI的深入，移动通信、数据中心、边缘计算、自动驾驶等重要应用场景层出不穷。所有这些应用都推动芯片工艺与高速射频系统设计向小尺寸、高速率演进，高速数字芯片的信号完整性测量与分析变得更具挑战性，测试与仿真相互配合的角色越来越重要。 R&S公司与芯和半导体的此次合作将围绕5G通信、新能源汽车、数据中心、智能制造行业中的半导体数字化管理、设计仿真与自动化测试等应用展开，为设计师提供一体化的半导体仿真分析和测试验证方案，实现自动执行测试和数据处理，提升设计效率，缩短产品上市周期，赢得市场先机。 R&S公司市场发展经理郭进龙表示: “我们非常期待这次优势互补的合作。芯和半导体是国产仿真EDA的领军企业，拥有业绩最全面的S参数处理平台SnpExpert，以及完整的射频和高速仿真EDA产品组合，能帮助我们的客户有效地解决半导体系统开发过程中的各种高速电路信号及电源完整性挑战。” 芯和半导体高级副总裁代文亮博士表示：“R&S公司是全球测试测量行业的领袖，芯和的仿真分析软件通过和R&S测试仪器的整合，将全面解决仪器的精度、带宽、测试操作的一致性，夹具的去嵌处理，S参数的后处理精度，数据批量处理等设计挑战，为我们共同的客户带来便利和价值。”
— C&K 美国上周宣布授予 Master Electronics 为「2020 年度最佳分销商」。由于新冠肺炎疫情原因, 颁奖仪式有史以来首次以虚拟形式进行。C&K 每年都会对表现最好的分销合作伙伴进行表彰, 以认可他们对双方合作关系的贡献和价值。这个突出表现奖是对 Master Electronics 在 2020 年的营业收入增长、所服务的客户数量以及 C&K 现有 SKU 数量的认可。现场庆祝活动将于今年 8 月在拉斯维加斯电子经销展会期间举行。 奖项由 C&K 美国副总裁 Gary Mountford 颁发给 Master Electronics 总裁 Riad Nizam。Gary Mountford 表示：「在帮助 C&K 客户解决电子元件行业不断变化的挑战方面, Master Electronics 持续发挥关键作用。40 多年来, Master Electronics 一直是 C&K 的坚定合作伙伴, 通过中间商的解决方案及合作的方式来解决问题, 获得了持久的客户满意和信任。」 C&K 美国渠道销售区域总监 Ian Gee 补充道：「虽然由于新冠肺炎疫情, C&K 在 2020 年面临很多挑战, Master Electronics 仍然为 C&K 贡献了每一项关键指标的增长, 因此我们很自豪地通过这个奖项来表彰他们取得的成就。」 Riad Nizam 随后说道：「过去 40 年内, C&K 和 Master Electronics 为合作伙伴关系的含义树立了典范, 我十分期待未来 40 年的合作前景。我很高兴接受这个奖项并把它带回公司分享给我们的团队!」