相比之下,三星与东芝仍然被限制在30 TB容量区间。
Nimbus Data公司公布其100 TB ExaDrive DC系列SSD产品,这意味着其将成为目前容量最高的闪存驱动器产品。
虽然这款新产品拥有诸多值得一谈的特征,但我们首先通过直接对比来讨论其核心优势:
英特尔、美光与SK海力士在高容量SSD领域基本无所作为。
三星公司曾于去年8月谈到一款2.5英寸的128 TB闪存驱动器,其将采用QLC(即四级单元)与3D NAND技术,从而以并行方式访问由32块1 Tb芯片堆叠而成的封装晶片。
Nimbus公司则于去年8月公布了一款50 TB ExaDrive SSD产品,外加以OEM形式推出的Viking与SMART Modular技术。
这款100 TB ExaDrive产品采用3.5英寸设计,配备一个SATA接口,且利用MLC(二级单元)3D NAND芯片构建而成。Nimbus公司宣称,其拥有最低的每TB运行功耗,最低可达每TB 0.1瓦——较美光的5100驱动器低85%。
随机读取/写入IOPS性能高达10万/10万,这种读写对等的设计在SSD当中其实并不常见——大多数产品会提供更高的随机读取IOPS。不过10万级别的IOPS还称不上“快速”,毕竟有东芝PM5与三星PM1643两款能够实现40万IOPS的珠玉在前。这意味着此款驱动器不适用于在线事务处理类应用,而且该产品似乎针对容量与效率进行了优化。
IDC公司研究副总裁Eric Burgener表示:“这个级别的设备将凭借着经济高效的优势扩展到零级与一级应用之外的广阔领域当中。”
其连续读取/写入带宽同样对等,皆为每秒500 MB,数据上仍然不够亮眼。PM1643能够实现2100/700 MB每秒成绩,而PM5则可提供更恐怖的3350/2720 MB每秒性能。
不过ExaDrive能够在物理空间与能耗方面扳回一局。根据Nimbus公司的说明,实现100 PB存储容量在理论上需要3264块三星PM1643 SSD,且占用6台45 U机架,整体功耗则在50千瓦左右。
在同样的容量要求下,ExaDrive仅需要一台机架、990块驱动器以及约16千瓦能耗。Nimbus公司指出,ExaDrive DC100在五年期使用当中相较现有SSD能够实现高达42%的每TB使用成本压缩,这主要归功于其更强大的使用寿命、更低的功耗水平以及其它一些相关指标。
Nimbus公司的100 TB驱动器在其五年质保期内提供无限次写入寿命承诺,远超之前提到的各款SSD的每天一到十次全盘写入水平。事实上,“无限”写入承诺更像是一种挑战邀请——用户可以尝试不断进行写入叫什么,看看这块驱动器到底能够承受怎样的压力。
ExaDrive还提供250万小时的MTBF(即平均故障前使用时间),基于电容的电源中断保护,多ECC引擎以及加密与安全擦除功能。
该公司建议将零级与一级数据存储在NVMe SSD当中,三级近线数据(包括归档、灾难恢复副本、备份以及冷门数据)存储在磁盘内,而ExaDrive则主要适用于一级与二级应用场景。
Deep Storage公司首席科学家Howard Marks指出,ExaDrive DC 100对于需要快速进行归档访问的客户最具吸引力。在他看来,以往客户往往需要跨越50到100块驱动器进行分布式奇偶校验才能获得可接受的驱动器故障重建时间。但对于这款新产品,10块驱动器构建起RAID可能带来更长的重建时间。
ExaDrive DC系列将提供100 TB与50 TB两种容量选项。两款产品目前已经开始向客户提供样品,并计划于今年夏季正式出货。Nimbus公司表示,其每TB价格将与现有企业级SSD相近。
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。