希捷公司已经利用3D NAND芯片对自家两条原单层SSD产品线进行芯片组,其一能够借此实现四倍容量提升,并已经在本届闪存存储器峰会上展示了一款64 TB闪存驱动器。
Nytro 5000为希捷XM1440 SSD的下一代版本——XM1440总计分为三款型号,分别对应高使用寿命与高容量水平,采用ML(即双层单元)闪存且存储空间由400 GB到1.92 TB不等。其接口采用M.2 NVMe PCIe第三代x4 NVme 1.2标准。
而M.2形式且采用同等接口的Nytro 5000则利用3D NAND(cMLC——同样为双层单元)实现最高2 TB存储容量。尽管3D NAND的采用为希捷公司带来了可观的容量提升空间,但其仍然选择将Nytro 5000的容量水平保持与XM1440几乎相同的级别。
希捷公司指出,这款驱动器亦具有超配置能力。
Nytro 5000的最高随机写入IOPS为67000——相比之下,XM1440的最大随机写入IOPS为33000。使用寿命为持久性优化版每天1.5次全盘写入(简称DWPD)条件下五年周期,容量优化版每天0.3次全盘写入。
平均故障间隔时间为200万小时,其中亦提供自加密模式。
Nytro 3000属于1200.2 SAS SSD技术方案的下代版本。1200.2 SAS SSD原本采用美光eMLC闪存并配备有12 Gbit每秒双端口。Nytro 3000继续使用该接口,只是替代性配备有3D NAND——主流高使用寿命型号采用eMLC(双层单元),扩展及可调使用寿命型号则采用eTLC(三层单元)。
各型号的五年周期每日写入使用寿命也拥有明确划分:
主流使用寿命 – 10 DWPD
轻度使用寿命 – 3 DWPD
扩展使用寿命 – 1 DWPD
可调使用寿命 – 0.5 DWPD (0.25 DWPD 15.36 TB)
通过以上表格,我们看到扩展与可调使用寿命Nytro 3000产品的随机读取/写入IOPS性能由低容量向高容量型号逐步提升,但从15.36 TB级别开始有所下滑。
在连续读取方面,1200.2系列中的3.84 TB容量型号可实现性能峰值,为每秒1.8 GB; 因此3000系列在容量方面达到1200.2的近四倍,而连续传输带宽亦小幅提升。
2.5英寸系列产品则分为2.5英寸x 7毫米低容量版本与2.5英寸x 15毫米高容量版本。
希捷公司还展示了一款64 TB附加卡(简称AIC)产品,这款PCIe卡中包含8套控制器、1个NVMe接口并可提供高达每秒13 GB的连续传输带宽。相关样品将于2018年上半年正式推出。
在去年的闪存存储器峰会上,希捷公司展示了一款60 TB SSD,相比之下今年公布的成果在容量上无甚提升——但数据吞吐量却大幅增加。另外,去年展示的驱动器采用双12 Gbit每秒 SAS接口,数量吞吐量最高可达每秒1.5 GB——远远无法与今年AIC的每秒13 GB相提并论。
那么这款附加卡是否利用八块Nytro 5000构建而成?
希捷公司就此作出回应称:“64 TB AIC由8个M.2模块构建而成。其并不属于具体的Nytro 5000驱动器,但在本质上也差不多。Nytro 5000 M.2单卡存储容量最高可达2 TB,而64 TB AIC采用8 TB M.2模块。其中的8 TB模块采用由美光公司提供的每晶片512 Gbit 3D TLC芯片。”
研究企业Objective Analysis公司总经理Jim Handy在交付至希捷的一份声明当中指出,“大容量SSD在超大规模计算环境下拥有旺盛需求,且这一市场的增长速度超过其它任何行业。”
希捷公司将在本届闪存存储器峰会的505号展位演示其64 TB NVMe AIC、Nytro 5000 NVMe M.2 SSD以及Nytro 3000 SAS SSD。除此之外,利用Nytro 3000 SAS SSD构建的RealStor 5005全闪存阵列也将在这里一同亮相。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。