眼下,人工智能、深度学习、物联网等技术的成熟及深化应用,全球也经历着前所未有的大革新,而在这场数字化变革的浪潮中,闪存(SSD)作为数据的承载体,起着至关重要的作用。

对于闪存的速度、性能相信大家已经非常熟悉了,不过我们今天的话题不是SSD,而是它"背后的那个它"--NVMe。
NVMe,全称Non-Volatile Memory Express,又名非易失性内存存储器,是一套全新的存储协议标准,在当下SSD横行的市场中占据重要位置,也是目前业内的行业规范。其规范由包含100多家公司在内的工作小组所制定。在最近几年中可以说是彻底改变了存储行业,随着更低的价格和更好的性能,越来越多的企业和数据中心开始采用NVMe。
据专业机构预测:NVMe市场将于2020年超过570亿美元,届时大约40%的全闪存阵列将是基于NVMe标准,且NVMe-oF适配器的付运量将于2020年上升到740,000个。
NVMe优势尽显
提到NVMe的优势,可以总结为一个字,就是快。速度相当惊人。严格来说,NVMe的原始基本规范是被设计为闪存上的存储协议,该协议使用现有未修改的PCIe作为本地传输。这种分层的方法非常重要。其实,NVMe不会创建新的电子或帧图层,而是利用PCIe已经提供的优势。作为高速互操作总线技术,PCIe的历史大家已经耳熟能详,然而,虽然也有优势,但不适合建立大型存储数据或覆盖距离超过几米,正是由于这个限制,NVMe打破局限用作直接连接存储(DAS)技术,本质上将SSD连接到服务器内的处理器,或者可能连接机架内的全闪存阵列。
事实上,NVMe-oF描述了一种通过选定的结构技术绑定常规NVMe协议的方法,这个比较抽象,使得本地NVMe命令可以通过最少的处理在架构上传输,以将架构传输映射到PCIe并返回。演示表明,与直接PCIe链接相比,通过结构访问NVMe SSD的延迟损失可低至10微秒。
上述有点点偏技术,我们再用简单的话术谈下。SATA AHCI标准每条命令需要读取4次寄存器,消耗8000次CPU循环,大概2.5微秒的延迟,而NVMe标准精简了调用方式,执行命令时不需要读取寄存器,延迟不到AHCI标准的一半。
在制定SATA AHCI规范时并行性的想法并没有完全融合到规范内,最高可以支持命令深度级数为32级。而NVMe标准理论上可以把最大队列深度从32提升到64000,SSD的IOPS能力会得到大幅提升。
综合上述,相比于SATA AHCI标准,NVMe标准下的SSD执行命令的延时大大减小了,队列纵深也增强了,IOPS也较大帽度增加了很多。
各厂商争夺市场
NVMe的优势也吸引了不少厂商,其实现在市场上已经有不少相关产品。
Pure Storage:Pure Storage在全闪存领域成长速度,这家公司认为NVMe将开启性能与密度领域的一个新纪元。因此,该公司计划将NVMe引入其一级弹性与企业数据服务当中,旨在将其打造成一种通用型方案--而非昂贵、外来的高性能利基性技术机制。
NetApp:NetApp在全闪存领域可谓如鱼得水,其 FAS 2600、8200、9000存储默认板载自带不同容量大小的NVMe SSD,用于关键业务IO加速。另外NetApp EF570甚至提供100G吞吐带宽NVMe Fabric接口等。
华为:华为在闪存领域拥有12年的持续积累,凭借多年的技术积累已拥有大量闪存核心专利。华为的OceanStor Dorado V3支持SSD盘在任何时间,以任何方式拔出,实现了业界领先的NVMe系统产品化。OceanStor Dorado5000 V3基于NVMe协议,新设计的硬件架构支持双端口NVMe SSD,以及硬盘暴力拔插更换,全新的并行软件架构能充分发挥NVMe的高性能优势。
除此之外,由于NVMe的火热,业内老牌厂商戴尔科技、西部数据、英特尔、IBM等均在此领域大量投入,也不乏创业企业Memblaze、中存超等。随着如今新技术的高速发展,未来NVMe市场或许会更加广阔。
好文章,需要你的鼓励
谷歌推出两款新AI模型:Nano Banana 2 Lite是其最快、最具成本效益的图像生成模型,4秒生成图像,成本仅0.034美元/千像素图;Gemini Omni Flash则支持高质量视频生成与对话式编辑,定价0.10美元/秒。两款模型均已在Google AI Studio和Gemini API平台开放,可串联使用实现从图像到视频的完整多媒体工作流。
香港中文大学(深圳)与字节跳动联合提出FlexiSLM,首个支持动态与可控帧率的语音大模型,在输入输出两端均实现自适应帧合并,6.25赫兹下推理速度提升一倍,语音对话质量超越同规模固定帧率模型。
英国《金融时报》记者萨拉·奥康纳新书探讨人工智能与自动化对工作的冲击。从亚马逊仓库的人机协作到远程视频监控岗位,技术进步带来的不仅是效率提升,更引发对工作尊严的担忧。作者指出,关键问题不在于技术本身,而在于将人类劳动视为可优化系统的管理理念。书中也展现了积极案例:编剧工会罢工争取AI使用规则,荷兰护理工作者自主建立实践模式。未来工作形态仍可由我们塑造。
这项研究提出DataEvolver框架,把被丢弃的"不合格训练图片"转化为改进数据收集策略的反馈,让AI文字图像生成训练数据的构建流程能自我进化,在相同数据量下显著提升文字渲染质量。