索尼公司正着手收购前Facebook前任开放计算项目负责人Frank Frankovsky所建立的光学存储初创企业,旨在为自身的光学归档发展前景指明新的方向。
Frankovsky的思路是利用塞满了容量强化型光学存储盘的机架实现冷门数据归档。这套系统在数据吞吐能力方面将优于现有光学存储系统。他于2014年5月成立了这家名为Optical Archive的公司(简称OAI)。
目前索尼美国公司(简称SCA)已经代表索尼集团收购了OAI公司,作为蓝光光盘业务的持有方,后者计划与松下方面开展合作、从而将今年年内将蓝光光盘的容量水平提升至300 GB,并在未来陆续将这一数字增加至500 GB乃至1 TB。
这笔收购的具体涉及数字并未得到披露。
索尼公司将把自家的光盘与制造技术加入至OAI方面的数据中心硬件设计、供应链运营以及系统集成机制当中,从而将以光盘为基础的归档库产品推向市场。索尼与OAI双方认为,光盘产品将成为使用成本低于磁盘归档、且数据访问速度高于磁盘归档机制的新型归档解决方案。
不过这一目标始终只能算是光学归档技术的预期理想,且此前曾经遭遇到全息存储技术失利所带来的打击。索尼公司高级副总裁Terushi Shimizu就此表示:“这笔收购标志着我们正式作出承诺,将在这一不断增长的市场之上有所行动。光盘库将为那些正在使用磁带或者硬盘技术存储冷门数据的客户提供诸多优势,包括降低成本、显著提升介质使用寿命并带来更出色的数据吞吐能力。”
索尼公司将此视为未来销售大量光盘产品的绝佳机遇:“我们计划利用并扩大自身现有光盘生产线,从而满足市场对于此类存储介质的更多需求。”
Frankovsky在声明当中指出:“将索尼公司在光学工程技术与制造领域的优势同OAI在数据中心硬件设计与运营中的丰富经验及能力相结合,将为客户带来极具创新性的存储解决方案。”
光学介质始终未能得到市场认可
光学归档方案一直以来始终未能得到市场认可,这是因为其使用成本比磁盘更高,但数据吞吐能力——尽管延迟更低(指随机访问延迟)——却未能拥有足够的提速水平,每张光盘的存储容量与磁带相比亦没什么比较优势。后一点意味着与磁带相较,光学归档方案无法提供具有吸引力的数据中心占地面积削减效果。
蓝光光盘必须通过光驱进行读取,而存储库则需要将光盘保存在架子上,并由机器人根据需求选定对应的光盘而后放入驱动器。考虑到这一点,产品制造商必须得在最大程度提升光盘存储密度的同时,保证现场环境拥有足以容纳机器人定位并移动光盘的活动空间,此外还要考虑尽可能提高机器人活动速度。这也是传统磁带与光盘存储库所面临的最大难题。
蓝光发展路线图有助于解决容量方面的问题,并能够借此改善数据中心内的空间利用率。Frankovsky肯定是拥有了能够克服数据吞吐量、光盘存储密度以及机器人活动机制等难题的技术思路,而这正好是索尼方面最迫切需要的。
但如果实际情况并非如此,那么两家公司提出的所谓宏伟蓝图注定会再次成为存储领域中昙花一现的匆匆过客。
HDS公司从几年前开始一直着眼于光学归档技术。然而自从其HLDS投入运营之后,再也没有什么值得关注的消息传出。
HLDS光学归档技术
目前存储领域的潜在发展趋势是利用3D/TLC闪存驱动器实现归档,但前提是闪存制造商能够将此类介质的成本控制得足够低、同时将数据存储寿命拉得足够高。闪存方案的访问速度要远高于磁盘与磁带,而能源消耗水平则远低于这两类方案。不过这还仅仅是一项有待实现的技术,而蓝光光盘却已经相当成熟了。
随着索尼与OAI的联合,我们很可能迎来一类基于蓝光光盘的归档机架,其中文件元数据可能由磁盘或者闪存负责保存。这套方案拥有优于磁带机制的机架空间利用率,而数据吞吐能力亦更为出色——这意味着用于启动驱动器及完成数据首次访问的时间得到大幅缩短。
这一索尼-OAI设备必须具备与磁盘相近的速度表现,以及接近甚至超越磁带的成本优势及空间利用效率。新方案到底能不能满足这些严苛的要求?让我们拭目以待吧。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。