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
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。