如果一般消费者想要购买240GB或256GB容量的SATA固态硬碟,连上3C线上购物网站或一些电脑卖场的线上估价网站,你会发现只要掏得出3千元,几乎都可买到市面上的知名品牌,还可以选择一些采用M.2介面的SSD,也有厂商以低于2千元的价格抢市,当然,更大容量的固态硬碟,价格相对高昂,但跟过去相比,一般人其实也有能力负担了,例如,已经有厂商推出1TB容量、万元有找的固态硬碟,在这样的组态下,平均1GB的储存成本压低到10元以下。
消费级SSD如此,企业级SSD价格虽然向来神祕,若用于储存阵列的大量搭配下,单价会有所变化,但想必也处于持续下跌的趋势。先前我们曾看到有些全快闪储存阵列厂商喊出每GB成本低于2美元,甚至低于1美元。
不过,这里面的宣称,仍有一些玄机要注意。由于牵涉到资料缩减技术的应用,所以有些产品所谓的整体储存空间,其实是指经过资料压缩、重复资料删除处理之后,所得到的有效容量(effective capacity),而不是纯粹基于固态硬碟硬体本身提供的原始容量(raw capacity)。例如:HPE在6月所发出的新闻稿中提到,在3PAR StoreServ储存阵列下,现在针对可用(usable)储存空间的提供,单位储存成本已能做到每GB为1.2美元的程度(搭配新一代15TB超大容量固态硬碟);SanDisk也在今年4月推出的InfiniFlash System新型储存设备IF150中,强调可藉由提供大量固态储存空间,来达成每GB花费1美元的成本;台湾储存厂商当中,也有业者以此作为诉求——群晖在今年Computex台北国际电脑展所展出的FlashStation FS3017,提出了每GB储存成本为0.52美元作为号召。
除了主打超低的单位储存成本,也有一些厂商表明全快闪储存阵列的入手价格。例如EMC在5月新发表的中阶储存阵列Unity系列,就强调企业可在1.8万美元以内买到全快闪组态的机型(但确切搭配的储存容量,似乎并未公开);Pure Storage则在3月推出入门级产品FlashArray//m10,主打5万美元有找的价格,若除以该机型搭配的10TB原始储存容量,每GB成本是4到5美元之间。
从上述各家国内外储存厂商的动态来看,低储存成本已经成为主要强调的部份,而且从今年起,超大容量固态硬碟陆续上市,势必会进一步推动这个现象。像是三星在3月推出15.36TB容量的PM1633a,即是一例;而美光(Micron)也基于3D NAND的快闪记忆体技术,在今年第四季推出8TB以上的SSD,提供给云端服务业者采用,接着于明年第一季发表强调高效能、大容量的企业级SSD。
不过,储存应用的I/O存取速度与容量需求的满足,已是指日可待,但对于资料中心环境的维运而言,还需要考量其他因素。
首先,这些储存资源能否有效配置仍是问题。因为,在实务环境里,有可能会出现效能管理不当的情况,例如,真正需要高速I/O与大量储存空间的应用系统或服务,却不一定能得到对应的资源,因此,实施服务等级确保(QoS)以及阶层式储存管理(Hierarchical Storage Management)的必要性大增。
另外,全快闪储存阵列的使用规模如果越来越大,所衍生的内部网路传输流量可能会跟着激增,现行资料中心环境能否配合,也是需要注意的部份。因此,既有网路或许需要升级到10GbE、16Gb FC,甚至到更高的传输规格,例如100GbE、32Gb FC,于是,这又会牵动资料中心网路基础架构的配置。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。