闪存芯片的成本要比选转型硬盘高出8倍之多,SSD的价格还没有低到完全取代磁盘。
闪存存储没TB的成本多年来一直下滑,因为通过制造更小的单元使得芯片容量日益增加,因为通过制造更小的单元,然后使用3D NAND对单元进行分层。这意味着你可以从一个NAND晶圆中制造出更多芯片,而且成本更低。
闪存的访问速度远远高于磁盘,但是成本较高,因此对性能敏感的使用场景已经从使用磁盘转向了使用闪存,即使有额外成本是合理的。
所以,我们看到了1.5万转磁盘驱动器正在被SSD取代,并且面临着潜在的、可能的消亡,不仅如此,1万转磁盘驱动器也面临着SSD的侵蚀。
那容量更高的近线驱动器呢?
SSD容量的增长速度要比磁盘快得多,现在市场上已经有了容量超过15TB的SSD——例如100TB的Viking SSD——相比之下,磁盘驱动器的最大容量仅为14TB。
QLC(4位/单元)闪存带来了容量的又一次飞跃,每个单元的容量比当前的TLC(3位/单元)高出1/3。
加之闪存比磁盘快得多,所以这些促使着快速访问的近线驱动器使用场景也转向使用闪存。
希捷的驱动路线图显示,磁盘驱动器也变得越来越便宜,几年的时间容量已经增加到超过40TB。
随着闪存制造能力的提高, SSD会彻底取代HDD吗?SSD容量成本的下降是否会击败磁盘起容量成本的下降以实现两者的交叉?
Gartner研究表明没有。
下面的图表显示了从2014年到2021年Gartner对SSD和HDD成本趋势预测:
我们在Infinidat简报会上看到了该图表。图表显示,SSD平均价格从2014年的大约0.84美元/GB下降到2021年预期的0.10美元/GB。磁盘驱动器价格下降的速度看起来像比较缓慢,从2014年的0.085美元/GB降至2021年预期的0.001美元/GB。两条线会走到一起吗?
绿线显示,SSD和HDD的每GB价格之间的百分比差距(右侧轴)。略高于90%,这意味着2014年的差距为9倍,到2021年将达到85%左右。
这表明,SSD和HDD价格侵蚀曲线正在平行移动,而不是汇合到一起。
只要磁盘驱动器制造商能够保持容量足够快地增长,那么他们就会比SSD更具容量成本优势。我们可以简单地模拟这种持续的分离。
下面的图表显示,SSD和HDD价格每年降低30%,从1000美元的SSD和100美元的磁盘开始:
不同时间段的差距列是稳定的。如果我们将纵轴改为对数刻度,那么这些稳态平行侵蚀曲线就会变得更加明显:
Infinidat的视角
为什么提到Infinidat?因为Infinidat不制造全闪存阵列。所有主要的磁盘驱动器阵列供应商都在转向全闪存阵列(AFA),而Infinidat坚持使用二级闪存缓存的磁盘阵列,并依靠主DRAM缓存来实现性能。Infinidat称其DRAM缓存的读命中率达到90%以上。
所以全闪存阵列人士会说,闪存性能胜过磁盘。但Infinidat表示,DRAM缓存增强的磁盘性能会更好,并且比全闪存阵列便宜。
好的,如果它的DRAM缓存技术这么好,为什么全闪存阵列厂商不使用它的技术?
Infinidat的性价比优势在大容量阵列例如1PB甚至更高的阵列中能够体现出来,而这是全闪存阵列厂商通常会忽略的一点。Infinidat说它在这个领域具有持久的优势。这取决于戴尔EMC(VMAX)、IBM(DS8000)和日立Vantara(USP)的高端阵列还没有开发他们自己的DRAM缓存技术。
如果Infinidat在销售方面遇到任何阻碍的话,他们或许就会看看其他提升性能的手段,例如存储级内存和NVMe over Fabrics。这个领域会变得非常有趣!
好文章,需要你的鼓励
今年是AI智能体的爆发年。聊天机器人正演进为能代表用户执行任务的自主智能体,企业持续投资智能体平台。调研显示,超半数高管表示其组织已在使用AI智能体,88%在智能体上投入过半AI预算的公司已从至少一个用例中获得投资回报。Gartner预测,到2026年40%的企业软件应用将包含智能体AI,2035年智能体AI可能驱动约30%的企业应用软件收入。企业开始将AI智能体视为员工,建立招聘培训体系。
NVIDIA联合多所高校开发的SpaceTools系统通过双重交互强化学习方法,让AI学会协调使用多种视觉工具进行复杂空间推理。该系统在空间理解基准测试中达到最先进性能,并在真实机器人操作中实现86%成功率,代表了AI从单一功能向工具协调专家的重要转变,为未来更智能实用的AI助手奠定基础。
谷歌的Nano Banana Pro AI模型生成的图像逼真度令人震惊,其关键在于完美模拟了手机相机的拍照特征。这些AI生成的图像具备手机拍照的典型特点:明亮平坦的曝光、较大的景深范围、略显粗糙的细节处理,甚至包含噪点。该模型还能自动添加符合情境的细节元素,如房产照片的水印等,使图像更加真实可信。这种技术进步意味着辨别AI生成内容变得更加困难。
这项研究解决了现代智能机器人面临的"行动不稳定"问题,开发出名为TACO的决策优化系统。该系统让机器人在执行任务前生成多个候选方案,然后通过伪计数估计器选择最可靠的行动,就像为机器人配备智能顾问。实验显示,真实环境中机器人成功率平均提升16%,且系统可即插即用无需重新训练,为机器人智能化发展提供了新思路。