Starr的好主意:让文件访问速度更进一步。

以手工方式拔出磁带卡盘
生产混合型闪存磁带卡盘的主意是由SpectraLogic公司CTO Matt Starr在昨天的一次谈话当中提出的。
他指出,LTFS已经在市场上变得越来越受欢迎,但被保存在磁带上的LTFS信息则无法被直接读取--我们需要首先将对应的LTO卡盘插入驱动器才能访问其中的数据。
这无疑需要耗费相当的时间,而且在磁带库当中,会由机器人负责将驱动器从架子上拿下再接入驱动器。即使这样,大家不妨想象一下,如果在磁带卡盘当中加入闪存芯片又会怎样。这意味着LTFS信息可以被保存在闪存当中,从而显著提升读取速度;而且通过这种方式,首文件的读取速度亦能大大改善。
在这套方案当中,闪存将以缓存的形式存在,其作用与在混合型闪存/磁盘驱动器当中一样,而且可以被用于存储/缓存磁带内容元数据。
照这样的思路考虑,那么驱动器需要负责为卡盘供电,同时将读取线缆接入其中,这样闪存芯片就能接受读取操作了。大家甚至可以想象在其中使用迷你USB之类的接口,从而同时实现供电与读取这两项要求。
这可能会成为未来LTO格式规范中的组成部分,例如接下来将要推出的LTO8。我们甚至能够设想甲骨文与IBM等老牌厂商将其纳入自己的专有磁带格式发展路线图。

磁带系统工程师们必须得告诉我们这样的设计方案为什么具有实际价值,而其具体回报又是否值得上由此带来的实现成本。
说到这里,我们想到了另一个更加奇幻的设计思路,即让磁带机器人在从插槽中拿取闪存/磁带驱动器时同时为其接入迷你USB类连线。这样一来,整套系统就能够在卡盘从插槽转移到驱动器内的过程当中即刻开始读取磁带中的元数据。通过这种方式,也许整个延迟时长还能再缩短几毫秒。
好文章,需要你的鼓励
今天讲的出海案例是开创电气,一家金华手持式电动工具制造商,在越南基地完成首款产品验收并形成80万台年产能力。
本文介绍了中国科学院自动化所的研究,揭示了大型语言模型在多轮工具调用强化学习中崩溃的根本原因,并系统评估了五种监督信号对训练稳定性和泛化能力的影响。
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津、MIT等机构联合发布GauntletBench,测试显示最强AI智能体完成率仅19%,而普通人类完成率超80%,揭示AI在时间感知、图形理解和三维推理上的真实短板。