英特尔公司近期发布了一款小型、单面且高度读取优化型SSD,专门面向数据中心场景内的服务器场景。这款P3100 SSD为M.2设计(22 x 80毫米),采用3D TLC(即三层单元)NAND。这种格式最初诞生于平板设备、轻薄型笔记本与台式机当中。由于空间有限且采用TLC(三层单元)NAND,因此其最高容量上限仅为1TB。
尺寸为22 x 80毫米的闪存卡能够提供1TB存储容量
然而,采用TLC亦意味着该设备主要面向数据读取而非写入进行针对性优化,这是因为TLC的使用寿命要低于MLC(即双层单元)闪存。通常来讲,服务器对于物理空间占用量并不是特别敏感,因此一般会采用2.5英寸SSD。英特尔公司希望凭借自家P3100 SSD产品在服务器空间有限且读取IO重要性远高于写入IO的市场空间内占得一席之地。
其随机读取/写入IOPS最高分别可达11.4万/1万,而连续读取/写入传输带宽则分别可达1.8 GBps与175 MBps。这样的性能水平明显专门为数据读取而进行了优化。
另外,其还支持每天0.5次全盘写入(简称DWPD)情况下的三年正常使用周期,0.3 DWPD则为五年,同时提供五年质保服务。该产品在闲置状态下的功耗为10毫瓦,英特尔方面表示这一水平较传统企业级磁盘驱动器低90%,且活动状态下的平均功耗为5.5瓦。
不过,P3100 SSD并不提供断电数据保护功能,但在另一方面,该驱动器具备AES-256位加密能力。数据中心内适合P3100的应用场景包括作为引导设备、搜索索引、边界缓存以及Web托管等,英特尔公司指出。
相比之下,英特尔旗下同样采用M.2格式的600p SSD则属于客户端设备,意味着其主要面向笔记本与平板电脑,这款NVMe SSD同样选择了3D TLC NAND介质,容量水平以及160万小时平均故障时间(简称MTBF)亦与P3100相当。其随机读取/写入IOPS最高分别可达15万5千/12万8千,而连续读取/写入传输带宽则分别可达1.8 GBps与560 MBps。在名义上,其随机读取IOPS性能更强,且随机写入IOPS也更高,意味着其性能表现更为均衡。
根据目前掌握的情况,英特尔公司的商务客户端Pro 6000p与物联网E 6000p属于600p的衍生型产品。而P3100看起来亦像是经过调整的600p。
英特尔DC P3100参数表
另外,三星公司亦拥有自己的960 EVO与960 PRO M.2客户端SSD,其最高容量为1 TB,且采用3D NAND介质(48层,256 Gbit 21纳米TLC V-NAND)。其速度表现较P3100更为出色:
而美光亦拥有一款1100 SSD,分别提供2.5英寸与M.2格式,其采用6 Gbps SATA接口。其中M.2 100的容量分别为256 GB、512 GB与1 TB,采用32层3D NAND。(其中2.5英寸版本的最高容量可达2 TB。)其拥有150万小时平均故障时间,不同于P3100的160万小时。
其性能参数如下:
这意味着其读取速度远低于P3100,但写入速度更高。
当英特尔与美光推出下一代3D NAND时,我们预计M.2 SSD将能够实现2 TB容量上限,其应该将带来更快的写入IO以及更长的DWPD使用寿命。如此一来,相信会有更多服务器供应商乐于将其引入数据中心方案之内。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。