Wikibon公司首席技术官David Floyer已经面向2017年发布了六大颠覆性技术趋势预测。在他看来,ARM与Open CAPI将分别随着英特尔至强的衰落实现大步前进,内部服务器SAN逐渐被云所取代,闪存加快冲击磁盘驱动器生存空间,而XPoint在2017年年内则恐怕不会拥有显著建树。
以下为他给出的观点:
1.AWS将为企业带来服务器SAN软件存储系统。
2.基于ARM的服务器开始大量出现。
3.大数据与映射-规约功能将被纳入闪存驱动器。
4.Open Power配合CAPI与英伟达GPU将从根本上超越x86在大数据与AI计算领域的地位。
5.磁盘驱动器出货量急剧下降。
6.XPoint暂时不会掀起波澜。
Amazon公司发布一套Server SAN方案?为什么?因为他认为业界正越来越多地认为,“数据的移动成本,特别是考虑到规模庞大的物联网数据,要远高于以本地方式进行数据处理”。Wikibon亦支持Server SAN将取代SAN的观点。他指出,考虑到云及内部设施(本地云)中物联网数据总量的快速增长,“同时在中央与本地云内部署同样的存储软件与API能够极大改善成本效益并实现高性能混合云。”
Floyer认为,消费者们对技术方案的接纳情况在很大程度上取决于企业的开发与采用趋势。基于ARM处理器的智能手机已经快速崛起并取代低端PC设备,而PC市场亦因此引发x86处理器销量下滑。这一现实再结合至强处理器的高端功能,已经共同证明开发ARM服务器在功能与成本方面确实具备可行性。
事实上,他认为ARM CPU应被嵌入闪存控制器当中以实现驱动器层级上的大数据应用运行,例如映射规约。这与希捷公司的智能化驱动器方案有所区别,后者将磁盘驱动器与Kinetic技术相结合以构建以太网连接型对象存储键:值存储驱动器。根据目前的市场接纳程度来看,Kinetic磁盘驱动器的表现并不尽如人意,而Floyer则更支持智能化闪存驱动器。
这位Wibkibon CTO还着眼于OpenCAPI,认为OpenCAPI及其CPU-内存-IO适配器互连模式将成为游戏规则改变者,至少英伟达GPU在消费级市场上拥有诸多支持者。
闪存对于磁盘驱动器生存空间的侵占在2017年年内仍将继续。高性能磁盘驱动器(即1万5千转型号)已经被闪存全面压制,万转磁盘驱动器亦在存储容量以及每GB使用成本等方面不敌3D闪存方案。目前采用固态盘代替磁盘驱动器的PC设备比例正持续增加,而闪存晶圆代工厂也开始更多地讨论利用QLC(即四层单元)闪存作为快速访问型冷门数据存储介质的可能性,希望借此打造价格更低的高速闪存,同时尝试取代存储磁带的地位。
由于目前消费者对于3D XPoint系统或者其批量应用并不存在旺盛需求,因此他认为XPoint不会在2017年内成为科技领域中的一大现象级产物。尽管英特尔公司对其进行大肆宣传并将它标榜为新的技术标准,但必须承认的是3D XPoint尚处于早期阶段。不过,他认为XPoint的出货量仍然足以吸引英特尔投入更多后续研发资金及批量生产资源,这意味着相关产品的价格可能会逐步下降。
XPoint亦有可能遭遇失败。
那些后内存时代的非易失性技术——例如电阻式RAM——正在大量出现,这意味着三星、SK海力士、西部数据-东芝等厂商很可能对XPoint这位别人家的孩子并不感冒。
Diablo与Xitore正努力推动利用DRAM对前端闪存、ReRAM甚至是XPoint进行缓存,因此其更倾向于提升DRAM的速度,相比之下NAND、ReRAM以及XPoint的具体速度表现则并不重要。另外,人们往往认为只有陷入困境的项目才需要进行大量炒作与宣传,再加上实际性能与标称性能相去甚远,这一切都让XPoint身处不利境地。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
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。
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。
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。