惠普企业业务公司在其存储与计算发展战略中将Machine设定为发展目标,这套动态可拆分基础设施方案能够对其中的计算、内存/存储以及网络资源分别进行任意规模伸缩。其拥有非常出色的普通与持久存储空间——也就是存储级内存(简称SCM),即惠普旗下早期公布过的忆阻器技术。
不过这项战略仍然需要五年甚至更长时间才能最终实现,因为惠普企业业务公司已经与SanDisk达成一项战略协议,双方将共同使用SanDisk电阻式内存(简称ReRAM)技术——这是一项目前正由SanDIsk开发的未来持久性内存技术,目前尚没有进入商业运营状态。
言下之意就是,SanDisk ReRAM已经落后于英特尔/美光的3D XPoint内存——其即将于去年晚些时候乘Optane产品一同投放市场。XPoint产品的潜在用户包括Plexistor,其目前正在对相关技术成果进行测试。
那么我们要如何从目前的惠普企业业务服务器与SotreServ闪存存储方案推进至Machine 1(SanDisk)与Machine 2(忆阻器)?
就当前来看,惠普企业业务公司的ProLiant服务器使用DAS闪存(即直连SSD)与共享式外部StoreServ阵列。
惠普企业业务公司Machine节点板样机
我们似乎可以推断出,ProLiant/StoreServ有可能通过以下步骤实现这一过渡:
在这套规划当中,惠普企业业务公司不会使用XPoint技术。
下图所示为Machine方案之概念构成:
Machine组件示意图
从概念层面讲,多核心甚至是多CPU系统芯片(简称SoC)单元会与本地DRAM(其中包含八个DIMM插槽)相通信。其采用一套光纤交换机制(NVMeF或者Silicon Photonic)以通过介质控制器接入持久性内存(ReRAM或者忆阻器)资源池。另外还将有一套光学适配器同其它Machine节点或者系统进行交互。
这一流程在配合ARM或者x86 CPU时会变得较为复杂,因为这些处理器在自身与DRAM以及持久性内存之间还设置有缓存。这些缓存中的数据必须被写入(刷新)至持久内存以实现持久性。因此,低级系统代码必须经历这一步骤,并通过某种形式确认写入完成。而高级代码则需要在持久数据被写入至缓存时触发缓存刷新,或者以其它方式确认写入操作完成。
换句话来说,这是一种IO操作,其速度仅高于指向DAS的IO操作,且需要单独加以管理。
惠普企业业务公司将提供一系列API以实现上述流程,而且系统软件也需要面向存储级内存以及Machine做出相应的调整。
那么我们能否推断出其具体发展时间表?
下面来看潜在的时间分期,当然这一切仅仅是我们的猜测:
不过这里还有两个重要变量尚不明确:其一是SanDisk正式进行ReRAM驱动器量产的时间点; 其二则是惠普企业业务公司及其代工合作伙伴批量生产忆阻器驱动器的时间点。
考虑到SanDisk已经被西数所收购并被合并至后者的HGST闪存业务体系当中,因此其显然将面临大量合并期间及之后的调整工作,这一切恐怕意味着ReRAM驱动器的量产还需要数年时间才能正式启动。
而这种状况可能促使惠普企业业务公司利用3D XPoint驱动器作为权宜之计,当然我们认为惠普方面可能并不愿走出这样一步棋。拥有自己的SCM解决方案在吸引力上肯定远远超过成为英特尔XPoint的另一家渠道合作方,因为如此一来英特尔的商用硬件竞争力将进一步提高,使得SCM市场同DRAM乃至CPU一样陷入一家独大的局面。
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。