
走出低潮,东芝公司已经发布一款采用凌动处理器的实时向外扩展计算加闪存分析引擎,而竞争目标则直指Pure公司旗下的FlashBlade产品。
此次发布内容意味着Pure Storage公司的大数据分析设备迎来了第一位竞争对手,而其来源则非常令人意外--因为事实上,东芝公司在企业数据中心级系统领域的表现一直并不积极。
Flashmatrix是由东芝公司设计的一套高密度多处理器、多节点、服务器-闪存-网络系统,专门用于实时/数据流分析。东芝方面将其称为一套高融合型系统,并表示Flashmatrix能够实现并发访问与线性规模缩放。
在一份声明当中,东芝美国电子元件公司系统开发主管Ralph Schmitt表示:"大数据处理在规模化、延迟与功耗水平等方面,都很难满足客户日益提升的实际需求。Flashmatrix创造出一套真正的分析处理解决方案,其提供低功耗水平、并发访问以降低系统延迟、卡层级规模扩展以及可供全部CPU共享的大规模非易失内存空间,从而切实解决以上难题。"
其单一节点为2U设备,具体包括:
• 12块微服务器--名为Connection Units(简称CU)-- CPU卡,包含:
• 2 x 24 x 64位凌动C2550 2.4 GHz处理器。
• 2 x 16 GB DRAM。
• 2 x 1 GbitE端口。
• 48块闪存卡,名为Node Modules(简称NM):
• 2 x FPGA (Xilinx K7)协处理器。
• 8 x 512 GB DDR3L DRAM。
• 8 x eMMC A19 64 GiB NAND。
东芝公司并没有公布其是否采用3D TLC NAND。
每套微服务器都拥有内置固件,其中包含虚拟驱动控制、块设备以及扩展API。目前列出的中间件则包括HDFS(Hadoop)、PostgreSQL、KVS数据库、一套分布式文件系统以及东芝Linux(Debian 6)。
每个Node Module当中则包含一个节点控制器(简称NC)、eMMC闪存与ECC、损耗均衡以及回写缓存。该节点控制器负责进行数据包路由、内部CU通信、闪存读取/写入、AID控制(Lock与Mutex)以及计算(过滤与算术运算)。
每个节点包含24块64位凌动CPU(192核心)、384 GB DRAM、24 TiB NAND以及24个1 GbitE端口。
这些CPU以逻辑形式通过网状边界(一套2D环形网络)进行连接,并将各NAND驱动器纳入此结构。每块处理器都能够发现其它全部闪存驱动器。

Flashmatrix节点CPU-闪存矩阵设计
如上图所示,每个节点前端设有48块非易失性内存驱动器。每12块卡分为一列且前后并排放置于中央组件的各个侧向。
在这些闪存驱动器之后则为两组每组6块微服务器卡。各组位列中央组件列的一侧。其24个1 GbitE端口则位于设备背面。
因此,单一节点能够容纳两组单元,每个单元包含12块CPU(即CU)以及24块闪存卡(即NM),由后者提供12 TB闪存容量。
线性扩展机制能够最高容纳14套节点。
东芝公司宣称,Flashmatrix只需要相当于采用x86处理器与磁盘驱动器的传统IT系统的五分之一能耗水平,且整体空间仅为2U,相较于原本的机架级别方案节约了大量空间。传统系统设计以非共享布局方式使用多套服务器,而Flashmatrix则使用全共享设计。
评论意见
Pure Storage公司的FlashBlade是另一套面向实时大数据分析应用设计的系统。其将至强处理器与闪存存储加以结合,并通过PCIe连接纳入服务器/存储/网络刀片,能够在4U设备内最多容纳15块刀片。
西部数据的Infiniflash则是一款面向大数据存储的闪存存储阵列,其需要额外配合服务器与软件方可构成完整系统,且目前已经拥有IBM、Nexenta以及Tergile等多家以此为基础推出实际方案的合作伙伴。我们预计FlashBlade与Flashmatrix应该能够在市场上获得更好的销售表现。
东芝公司当然乐于通道销售渠道推广这样的系统,具体包括其现有磁盘驱动器/NAND组件渠道商,外加笔记本分销商。不过渠道合作伙伴在销售此类产品时需要具备大数据分析专业知识。也许东芝公司希望利用OEM或者分销商来接待现有系统供应商客户,但具体情况尚不明确。
另外,我们也还不清楚这套全新解决方案的具体价格或者上市时间。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。