Objective Analysis公司的Jim Handy在上周召开的闪存存储峰会上发言称,我们目前确实处于闪存供过于求的局面。在他看来,未来闪存产品可能出现价格整体下降甚至是崩溃,具体价格水平将趋近于64层3D NAND的生产成本——换言之,到2019年闪存将达到每GB 0.08美元的价格水平。Handy将其称为半导体产品有史以来规模最大的一次价格波动。
Wells Fargo公司高级分析师Aaron Rakers利用IDC与DRAMeXchange提供的数据,估算出目前NAND闪存的总体价格约为每GB 0.30美元。Rakers还指出,Objective Analysis方面预测NAND闪存容量将迎来年均45%的增幅。
目前闪存生产线出产的闪存芯片约有70%属于3D NAND,其余是较为陈旧的2D或者说平面NAND。Handy认为这部分过剩的制造能力可转移为制造DRAM,他同时警告称这亦可能在未来引发DRAM存储容量发生过度供应。
Deep StorageNet公司首席科学家Howard Marks也在此次峰会上表示,企业级固态驱动器与传统磁盘驱动器间的价格差一旦低于5倍,即有可能引发磁盘客户全面转向固态驱动器内同类产品。
Rakers指出,与关键任务磁盘驱动器相比,企业级SSD的价格目前高出约3到4倍。与此同时,相较于近线/高端企业磁盘驱动器,企业级固态驱动器的价格约为每GB 15到17美元。
最近发布的英特尔与美光QLC(四级单元)SSD也希望从近线磁盘驱动器市场当中分得一部分读取密集型应用的份额。
如果Handy对闪存芯片价格走向的分析准确无误,那么SSD定价也将随之下降。他表示,他认为NAND价格将下跌至目前水平的25%左右。而如果固态驱动器价格稳定下降,那么未来此类产品的使用成本也有望同步降低75%。
根据Rakers公布的数据,这意味着企业级固态驱动器的价格目前约为每GB 0.30美元到0.80美元,具体视品牌而定。相比之下,近线/高端磁盘驱动器的价格则为每GB 0.02美元。假设这些SSD降价75%,即达到每GB 0.08美元,那么其每GB价格将仅为磁盘驱动器单位存储价格的四倍——低于Marks提出的五倍拐点理论。
另外,从逻辑的角度来讲,至少在读取密集型工作负载领域,利用固态驱动器取代近线/高端磁盘驱动器也将是一种必然的选择。
Handy提出的价格修正过程可能需要持续数个季度,我们认为在此期间及之后,近线/高端磁盘驱动器的销售额很可能出现相当严重的萎缩。
巧合的是,高盛公司分析师Mark Delaney曾经表示,希捷公司的股价将由51.42美元(截至发稿之时)下跌至约44美元,并决定将该股票的评级由“中等”下调为“卖出”。
他认为该股票的最终目标价格将为44美元,因为“磁盘驱动器仍然属于一个周期性行业,且面临着SSD固态驱动器市场中各子市场带来的长期挑战……NAND供应过剩正在导致固态驱动器价格下降(在某些情况下,其价格将以峰值为基础下降 30%甚至40%)。”
希捷公司的大部分收入由磁盘驱动器产品所贡献,且旗下的近线/高端驱动器正越来越多。相比之下,老牌竞争对手西部数据的营收则有一半以上来自闪存,这意味着其因磁盘价格下滑而受到的影响要小得多。
然而,与希捷相比,西部数据也有着自己的难题——易受NAND芯片价格崩溃的影响。那么,希捷与西部数据接下来的命运将如何?根据您所身处的技术或金融领域具体位置,对此可能抱有不同的结论,受到的实际影响也将有所区别。我们将在后续报道当中,持续跟进相关动态。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。