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
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。