西部数据公司已经开始利用速度更快的NVMe驱动器逐步替代其SATA与SAS SSD产品。
2.5英寸Ultrastar DC SN630与M.2 2280(单面)格式CL SN720驱动器开始采用西部数据与东芝的64层3D TLC NAND (三级单元)配置,同时配合PCIe v3四通道与NVMe v1.3接口。
西数方面表示,全部驱动器组件皆已生产到位,具体包括介质、控制器及其软件。
这款DC SN630是一款数据中心级SSD,其960 GB、1.92 TB、3.84 TB以及7.68 TB几种容量版本针对读取密集型任务进行了优化。而出于预留空间的考虑,其混合使用版本的容量水平较低,分别为800 GB、1.6 TB、3.2 TB以及6.4 TB。
西数公司的Ultrastar DC SN630
西数方面并没有公布混合版本产品的随机读取/写入IOPS,但向我们确认其使用寿命为每天两次全盘写入,寿命周期大约为五年。另外,其提供五年质保服务,以及最高200万小时故障间隔时间(简称MTBF)。
读取密集型版本则可带来高达36万3700/5万5820的随机读取/写入IOPS,且具有2.7/1.29 GB每秒的连续读取/写入带宽。
奇怪的是,从960 GB到7.68 TB,西部公司甚至为不同容量型号列出了非常详尽的延迟水平——130微秒、180微秒、230微秒以及230微秒。另外,读取密集型产品的使用寿命略低,为每天0.8次全盘写入,同时提供为期五年的质保以及高达200万小时的故障间隔时间。
其常规功耗为10.75瓦,且具备即时安全擦除功能。
相比之下,西数的HGST品牌同样包含一款DC SS530双端口SAS驱动器,其同样采用64层TLC 3D NAND并具备每秒12 Gbit带宽。其随机读取/写入IOPS最高可达44万/32万,这样的表现在写入操作方面可谓碾压DC SN630。
另外,DC SS530的连续读取/写入带宽分别为2.31/2.28 GB每秒,同样优于SN630。在这种情况下,可以看出NVMe本身并没有表现出超越每秒12 Gbit双端口SAS的性能水平。
我们于去年三月首次见证西数公司推出的SN720 M.2 NVMe驱动器,但当时其还没有发布关于CL SN720的公告。
CL SN720驱动器主要作为启动引导或者物联网边缘驱动器使用。其提供256 GB、512 GB、1 TB以及2 TB容量选项。这款产品的随机读取/写入IOPS呈现出两极分化,读取为3万3000,而后者仅为可怜的2700——是的,我们检查了多次数据表,确认结果无误。很明显,其专为大规模读取密集型任务而生。
西部数据公司的Ultrastar CL SN720
其连续读取/写入带宽仍然倾向于读取,但差异有所缩小,分别为3.25/1.4 GB每秒。
读取延迟为128微秒,西数方面表示这款驱动器的读取速度与写入性能分别可达1 TB Ulstrastar SA210 SATA SSD的6倍与2.5倍。
其同样基于64层TLC 3D NAND,采用6 Gbit每秒SATA接口,并提供2.5英寸与M.2 2280两种格式。其随机读取/写入IOPS为6万4000/5000,连续读取/写入带宽为510/475 MB每秒;可以看到,性能指标明显低于使用NVMe的CL SN720版本。
我们也可以将CL SN720与西部刚刚面向游戏玩家发售的闪存驱动器进行比较,即Black SN750。后者拥有一套覆盖64层TLC 3D NAND介质的散热器,可提供51万5000/48万随机读取/写入IOPS以及3.47/3.9 GB每秒连续读取/写入带宽;很明显,不仅速度更快而且读写更加均衡。
西数方面也在着手构建并配置各驱动器产品,从而在性能、成本、功耗以及使用寿命等层面达到与市场需求的高度契合。
SN720提供自加密支持——即TCG OPAL 2.01——以及即时安全擦除。另外,这两款新驱动器都可使用密度更高的96层3D NAND。
SN630计划于今年三月上市,而SN720目前已经开始供货。
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。