Pure Storage公司在本月初于旧金山召开的Accelerate大会上展出了一款即将推出的高端FlashArray//m系统,其可用存储容量超过现有顶级m70机型的三倍。将于今年晚些时候正式推出。
通过演示文稿可以看到,这款新系统拥有:
• 1.5 PB可用存储容量
• 4 TB与8 TB 3D NAND模块(SSD)
• 可支持数千套虚拟机系统
• 始终在线服务质量承诺
• 每GB可用存储容量成本低于1美元
通过本届Accelerate大会发布的以下内容,可以看到控制器机柜之下只提供两套扩展架。每套扩展架似乎可容纳24个闪存模块。通过简单计算,我们发现48 x 8 TB=384 TB原始容量,其经过数据削减换算恰好可实现1.5 PB实际可用容量。
Pure Accelerate大会上公布的演示文稿
目前的m70配备512 GB、1 TB或者2 TB闪存模块,因此新设备--采用4 TB或者8TB SSD且拥有48插槽--将在原始与实际可用容量方面提升近四倍。Pure公司m70的容量水平需要由3U控制器设备与四套2U扩展架实现,每扩展架拥有24个插槽。而新系统则应该能够降低机架空间占用量。如果上图所示为全配置方案的话。
根据说明,新的FlashArray可能由现有FlashArray//m架构配合高端控制器共同构成,其中每控制器配备1 TB或者更高内存,旨在实现全局重复数据删除并管理如此可观的存储容量。
我们根据目前掌握的情况汇总出以下规格表,其中新设备并暂时定名为m90--当然,这只是我们的猜测。
绿色一列为经过强化的FlashArray//m家族新成员。
William Blair公司分析师Jason Ader整理出了当前各存储供应商旗下全闪存阵列产品及其原始存储容量:
Jason Ader整理的全闪存阵列原始存储容量表
如果我们将其转化为柱状图,并加入Pure即将发布的这款新阵列,那么结果将如下所示:
可以看到,384 TB原始存储容量仍然非常可怜--这款全新FlashArray勉强超过了现有XtremIO、NetApp的EF系列以及SolidFire产品线。当然,Pure公司的//m70则处于垫底位置。
IBM的FlashSystem与EMC的VNXe3200在原始容量方面皆高于即将推出的FlashArray,而Kaminario的K2与Violin的7700亦保持领先。虽然Pure打造的FlashBlade同样不可能在未来一年当中超越1.6 PB容量水平,但由于其面向非结构化数据,因此未被直接纳入本轮对比。
惠普企业业务公司的StoreServ 20850则在原始容量方面占据绝对优势。
全闪存阵列产品的原始存储容量拥有很强的规律性,其直接反映着所使用的不同SSD、闪存芯片供应商、平面与3D NAND乃至MLC或者TLC芯片。不同的数据体积削减技术也在其中起到一定作用,事实上目前市场最为关注的正是存储产品的实际可用容量。
可以肯定的是,存储技术的发展演变仍将继续,未来六到十二个月内这份图表的内容将经历一番剧变。
再提一句:Pure公司采用的是三星公司的3D V-NAND闪存芯片SSD,目前的相关PM863/PM1633产品最高容量为3.84 TB,采用30纳米32层128 Gbit TLC芯片。
其中PM1633a则采用次30纳米48层256 Gbit TLC V-NAND芯片,存储容量为7.68 TB与15.36 TB。这款产品即将于本月发售。而东芝/SanDisk以及美光也将陆续推出自己的v3D NAND芯片,相信这将在全闪存阵列产品线中掀起新一轮升级浪潮。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。