Spectra Logic的数字数据存储2017年展望报告预测,IBM将成为唯一的磁带驱动器制造商。
这份24页的报告无需注册即可下载,这也是Spectra Logic第二年制作该报告。
该报告回顾了闪存的兴起,以及在数据存储需求不断增长背景下,闪存对磁盘、磁带和光存储介质的影响,并称到2026年总存储容量将达到20ZB。
- 2.5英寸1.5万转磁盘驱动器将会完全被企业级闪存取代
- 3.5英寸磁盘将继续保存大多数要求在线或者近线访问的企业数据和云数据,磁性介质的磁盘行业可以成功部署那些使其能够继续减少单位容量成本的技术
- 闪存行业可能会改善与3D NAND相关的制造成本,使其继续降低单位容量的成本
- 磁带有最简单的商业化和制造途径可以实现更高容量的技术,但是将继续要求持续投资驱动器和介质的开发。磁带市场的规模将进一步巩固,可能最后只有一家驱动器和两家磁带提供商
- 光盘仍然是一项细分领域的技术,主要是用于媒体和娱乐行业,除非可以在生产新型更高容量磁盘的成本方面取得重大进展
- 在2026年之前,没有新的存储技术会对存储数字宇宙带来重要影响,可能除了具有DRAM和闪存的固态盘技术
该报告罗列了Spectra Logic对2017年到2020年介质层的一些观点:
Spectra Logic对介质层的观点
磁盘
Spectra Logic认为,消费级设备磁盘驱动器的出货量到2022年下降到几乎为零,有两个原因:闪存在消费设备中取代磁盘,越来越多的消费者数据保存在公有云,或者以流式传输的方式进行消费。
该报告指出:“Spectra Logic预测消费级磁盘的总出货容量将会大幅减少,因为闪存会取代它的位置。企业存储容量的增加——不管是在线还是近线——将不会保持可以让磁盘行业实现收益增长的步伐。”
光盘
Spectra Logic的报告称,索尼和松下的300GB“归档光盘”将受到那些有长期(基本上是永久)归档要求的客户。
“这个特定市场领域相比整个归档存储市场来说还是很小的,这种Archive Disc介质从定价来看是介于闪存和磁盘之间的,比磁带贵了大约10倍。”
磁带
谈到磁带的使用,该报告称:“这个市场正在发生根本性的转变,小型磁带系统正在被基于云的存储解决方案取代。同时,大型云提供商正在使用磁带——作为首选的数据农场备份介质,或者为他们的客户提供一个归档存储层。”
磁带的容量空间是巨大的
这很大程度上是因为它有更大的表面积可以容纳比其他任何介质更多的数据。想想3000英尺的磁带相当于7个3.5英寸的磁盘盘片或者1个DVD光盘。
LTO是主要的磁盘技术,LTO-7(6TB原始容量)在2015年问世。LTO-8(12TB原始容量)可能会在2017年10月出现。路线图上还有2-3代。
IBM专有的TS1155格式打败了LTO-8,15TB的驱动器使用新的Tunnelling Magneto-resistance (TMR)读传感器头技术。Spectra Logic认为,则何种技术可能会让未来4代容量翻一番,达到240TB。
而且“云提供商多数都使用LTO,考虑到他们在采购磁盘技术上的优势,这将导致LTO和企业磁带技术的更大比例差距。企业磁带,现在有两家提供商,似乎将成为一个服务过度的市场,而且Spectra Logic预测在某个时间点,该市场将整合到只有一家厂商。”
Spectra Logic认为,IBM将成为未来几年唯一的企业级磁带驱动器和磁带介质的制造商。
另一方面也许更为乐观的观点是:“Spectra Logic认为,闪存技术和磁带将会在相当长的一段时间内共存,成为满足近线和归档需求的主流存储技术。”
好文章,需要你的鼓励
亚马逊在CES期间宣布推出Alexa.com网站,用户可像使用其他AI聊天机器人一样与Alexa交互。经过数月早期体验,Alexa+已获得数千万用户。新网站支持语音和文本交互,需登录使用以确保跨设备功能连续性。76%的Alexa+交互为独特任务,包括智能家居控制和第三方集成。Alexa+兼容七年来的设备,正式版将收费每月20美元或包含在Prime会员中。
SimWorld是由UCSD等多所顶尖院校联合开发的革命性AI仿真平台,基于虚幻引擎5构建了具备真实物理规律的虚拟城市环境。该平台支持无限扩展的程序化世界生成和自然语言交互,让AI智能体能够在复杂环境中学会生存、合作和竞争,为通用人工智能的发展提供了前所未有的训练平台。
AI笔记公司Plaud在CES 2026推出新款可穿戴设备NotePin S,可夹在衣领、戴在手腕或挂在脖子上记录对话。该设备通过蓝牙连接手机,配备双麦克风,录制范围约3米,支持一键高亮标记重要时刻。同时发布的还有Plaud Desktop桌面AI记录工具,可原生捕获线上会议内容,无需机器人加入通话。两款产品将所有笔记、会议和对话整合到统一平台管理。
浙江大学联合华为提出C2DLM,这是一种因果概念引导的扩散语言模型,通过自动提取因果关系并融入注意力机制来增强AI推理能力。相比传统方法,C2DLM在推理任务上平均提升1.31%-12%,训练效率提高3.2倍,为解决语言模型推理能力不足开辟了新路径。