近日,东芝在北京正式发布了型号为MG08的16TB硬盘产品,这也是继去年14TB推出之后的又一次革新。MG08 16TB硬盘可以兼容各种常见应用和操作系统,适用于云和传统数据中心环境中的混合随机读取和写入及顺序读取和写入工作负载。
硬件方面,MG08转速为7,200rpm,额定年度负载量高达550TB,平均无故障时间(MTTF)达250万小时,配备512Mib高速缓存和SATA及SAS接口,采用标准的3.5英寸外形。
企业级机械硬盘活力依旧
从当前主流应用来看,固态硬盘已经占据显著地位,那么传统机械硬盘未来会走向何方呢?

东芝电子(中国)有限公司存储技术部总经理户谷得之认为,移动与桌面市场机械硬盘所占份额在逐渐减少,相比之下商用及企业级市场机械硬盘则依然动力十足。因为无论是分层存储、混合存储还是灾备,都离不开机械硬盘。
对于东芝来讲,增涨速度最快是近线硬盘,因此未来也会把进线硬盘作为重点来推广,此外在监控硬盘方面也会持续发力。
通过新技术提升产品竞争力
目前,我们看到固态硬盘和机机械硬盘的价差在2~3倍左右的话,会有一部分用户转到固态硬盘上去。但如果看大容量存储市场,目前二者价差还在10倍以上,因此在接下来几年之内,替代的效果还不会很明显。
所以,东芝的观点是尽量把硬盘的容量做大,这样才能保持机械硬盘在价格上的竞争力。
2018年东芝推出了14TB硬盘产品,那么它的市场表现如何呢?东芝电子(中国)有限公司存储产品市场部经理王泽铠表示,计划中东芝14TB产品会有较大的市场份额,但实际情况来看出货量并不是特别高。这主要在于数据中心客户需要一定周期来认证产品,认证之后才会大量采购。我们也看到了东芝14TB产品已经在2018年完成认证,相信在2019年将会有更大的出货量。而刚刚推出的16TB产品也同样会经历这样一个过程。
各个市场对大容量硬盘需求不同
谈到对于大容量硬盘的接受度,王泽铠认为中国市场和美国市场有着很大的不同。在美国市场,企业更加青睐于大容量新品,这样有助于缩减整个运营成本。
但在中国市场,企业更加关注前期投入成本,因此可以看到中国用户的主要硬盘容量还保持在4TB、6TB和8TB阶段。随着时间的推移,在这个价格下降之后,中国市场也会逐渐转到大容量产品上去。
其实发展至此,机械硬盘的容量提升也远没有遇到瓶颈,东芝下一步开始做18TB产品,会始终保持一个循序渐进的产品发展方向。并且每年都要加入一些新的元素做技术累积,比如TDMR、MAMR等等。从客户反馈来讲,16TB产品受关注度也是最高。
东芝在保证稳定性同时推动技术变革
在新技术探索方面,东芝也是充满了信心。对于存储设备来讲,最重要的就是稳定性与安全性,一直以来东芝都是用比较保守的方案来推进产品更新。
户谷得之在接受采访的时候也表示:我们在R&D策略上针对每一代产品加一项新技术,所以用户才会看到14TB首先做到9碟的设计;然后16TB加入了TDMR技术;接下来还会引进MAMR等技术。
硬盘容量提升是一个累积的过程,东芝会把一项新技术放上去,把它改良到极限之后,再投入另一个新技术,基本会维持这样的过程。
在这背后,东芝为了验证新技术,通常会做一些比较长时间的准备,此外还会做很多不同的技术研究,及时把新技术放到下一代产品中。

在发布会上我们看到了东芝与深圳安防协会有合作,据王泽铠介绍,东芝也希望通过深安协的影响力来推动产品在中国监控市场的发展。
与深圳安防协会合作以后,东芝会把LOGO放到硬盘上,并且做线下线上的推广,对品牌来讲是一个认证与提升。东芝也非常欢迎这样的合作伙伴,也会在后续进行更深度的合作。
总的来看,东芝硬盘采取了稳扎稳打策略,通过新技术的不断改进提升产品竞争力,并且将重点放在了企业级应用领域,16TB产品的问世也是一个重要里程碑,海量数据时代已经向我们走来。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。