HFS A系列送走粉嫩小鲜肉。
根据我们了解到的情况,HDS公司正考虑淘汰或者降级其推出仅11个月的HFS A系列全闪存阵列。
据我们所知,这款能够容纳60块2.5英寸驱动器的Raid公司OEM版本阵列设备可于侧面接入30块驱动器,或者选择安装一套2U托架。每侧30块驱动器的容纳能力分为六行,每行五块SSD。另外,Nimbus Data方面亦将此硬件引入其ExaFlash B系列产品当中。
这款入门级A220阵列零售价为1万2500美元,原始存储容量为16 TB,而高端270机型原始容量则为96 TB。
该HFS阵列采用一款独特的操作系统,即HFS Software,HDS公司将其运用于A系列当中容量为1.6 TB的2D(即二层单元)MLC NAND SSD当中。另外,客户亦可选择容量更高的TLC(即三层单元)SSD,其容量最高可达15.36 TB(三星PM1633a)。
在当初发布之时,该A系列阵列曾配合一项面向2016年的季度性发展路线图,其中第三季度目标为实现其与VSP阵列间的数据复制功能,当前第四季度则计划支持向外扩展能力。
存储技术顾问Chris Evans表示,他认为该A系列阵列缺乏自动化管理功能,需要配合向外扩展能力以及TLC驱动器选项。
虽然提供了相关PDF图文介绍,但HDS美国网站上并没有任何关于HFS A系列阵列的产品信息。日立的日本网站亦未包含相关说明。据目前的情况看,A系列产品可能已经被其抛弃。
HDS HFS A系列全闪存阵列。
一位渠道消息人士告诉我们,HDS公司目前将精力集中在其全闪存VSP F系列身上,这是一款于今年10月推出的企业级机架型产品。其采用日立方面的专利闪存模块并包含100%可用性保证。这套系统运行SVOS操作系统,且其入门级F400的最低容量为14.4 TB,最高可达到256 TB。其起步零售价格为21万8200美元,远高于HFS A220。
Nimbus B系列阵列产品。
我们就这一问题向HDS方面进行了求证,对方则给出了由HDS公司基础设施市场营销主管Nathan Moffitt撰写的一篇博文,其中指出:
利用SVOS 7与我们的FMD,我们能够实现重复数据删除与压缩功能,从而为客户提供与其它全闪存阵列产品相对等的容量节约能力。另外,我们的FMD及服务质量技术亦足以在保证上述节约效果的同时,提供超越竞争对手的可预测性能水平。最终结果是,我们已经打造出一套足够强大的方案家族,这意味着HFS A系列产品已经没有存在的必要。
Moffitt解释称:“我们为HFS A系列设定的初始目标是提供一套入门级全闪存阵列,其可作为‘起步平台’使用,充当全闪存数据中心的过渡性机制。其提供对于全闪存阵列市场中入门级区间极为重要的重复数据删除与服务质量功能。”
“这样的思路虽然非常理想,但SVOS 7的发布带来了两项新的影响因素。首先,我们能够利用VSP F系列满足HFS A系列产品的既定目标(与价格水平)。第二,对HFS A系列抱有兴趣的客户,实际上希望其拥有与VSP F系列非常相似的未来发展路线图!”
因此,“我们已经作出决定,宣布HFS A系列的销售正式停止。”
Moffitt给出的结论无疑是在强调“不破不立”这个道理。但在我们看来,直接放弃一个产品系列绝不仅仅是“破”这么简单。
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。