随着IOT的普及以及5G、AI、大数据等新技术和应用的发展,连接到互联网的设备数量和云服务范围正在高速增加。伴随而来的是通过互联网产生的数据量呈现指数级增长。因此对于企业和个人来讲,海量数据存储需求成为核心需求。特别是对于云计算提供商和云服务公司的数据存储能力提出挑战。
企业级数据存储的主要介质依旧是硬盘
IDC发布《数据时代 2025》 预测,2025年全球数据将攀升至163ZB 。同时IDC指出,即使到了2025年,未来企业级数据存储的主要介质依旧是机械硬盘。
这是因为对数据中心数据存储来讲,经济高效的企业级硬盘也在不断的通过技术创新来提高其数据存储容量和电源效率。实现整个数据中心TCO降低的核心需求。
2019年1月技术系统研究报告显示,2017年至2023年期间,数据中心的企业级HDD总容量预计将以每年约30%的速度增长。因此,到2023年,总容量将达到约1200艾字节(EB),这是2017年的四倍。在这种情况下,企业级硬盘制造商正努力增加每个硬盘单元的存储容量。因为具有更高容量的HDD有助于降低每单位存储中每GB的功耗和占用空间,从而降低数据中心的总体拥有成本。
东芝大力推动大容量企业级硬盘满足市场需求
基于市场的需求,包括东芝在内的所有硬盘制造商都在致力于开发技术以提高其容量。2017年12月,东芝在业内率先使用传统磁记录(CMR)技术,发布了3.5英寸外形尺寸规格的14 TB企业级容量型SATA硬盘,即所谓的MG07ACA系列。
14TB HDD MG07ACA企业级容量型SATA硬盘。该系列机械硬盘采用了3.5寸SATA型标准硬盘设计,转速7200 PRM,拥有高达256MiB的缓存容量。东芝MG07ACA的理论顺序读写速度接近250MB/s,MTTF为250万小时,更为令人惊叹的是其功耗:14TB款的功耗仅为4.22W。东芝MG07ACA 14TB机械硬盘内部采用9盘片充氦封装设计,专为企业存储和云打造。为了提高寿命,它采用了传统的CMR磁记录技术,相较新锐的SMR技术拥有更强的耐用性。此外,它还采用了第二代制动磁头技术,极大提高了数据响应速度。
大约在一年后的2019年1月,东芝又发布了16TB大容量企业级硬盘,名为MG08系列。MG08系列硬盘除了氦气填充和九盘片封装技术之外,MG08系列还引入了二维磁记录(TDMR)技术。我们知道CMR每个磁头使用一个写入器和一个阅读器,而TDMR每个磁头使用两个阅读器来增加读取信号的信噪比。但是随着磁录密度的增加,磁道间距变小。相邻的磁道将趋向于“流苏状”或相互干扰,两个阅读器是否对读取精度产生不利影响呢?为了缓解这个问题,TDMR使用跨越相邻磁道的两个阅读器来测量和抵消磁道之间的干扰。因此TDMR提供比传统单阅读器技术更高的读取精度。
东芝氦气封装技术优势在哪里?
2017年东芝基于氦气密封的14TB的企业级硬盘出现之后,在云数据中心和企业级市场取得了关注。为什么氦气硬盘能够实现更大容量和更低功耗呢?
那是因为相对于传统的空气盘,因为氦气分子的质量比空气小,大大减少了旋转磁盘上的空气阻力,从而也有助于减少磁头悬挂组件的振动和磁盘盘片在每分钟高转速(RPM)下的晃动。这反过来也有助于提高每个磁盘的跟踪精度和磁录密度,同时也可以缩短盘片之间的距离。此外,氦气降低了作用在旋转盘片上的阻力,从而降低了主轴电机的功耗,同时也降低了与主轴电机运行相关的热量。
同时硬盘的密封技术也很重要。,要让氦气发挥作用,需要密封技术将氦气密封在硬盘内部。东芝集团在开发精密激光焊接技术方面具有历史悠久的领导地位,这种精密激光焊接技术用于焊接硬盘外壳的顶盖,以便在硬盘的使用寿命周期内将氦气安全密封在硬盘内部。
未来,东芝将继续推动海量硬盘技术创新
自2017年12月开始制样以来,MG07ACA企业级硬盘系列因其高容量而受到许多客户的高度重视。2018年7月,已启动量产并向一些数据中心客户发货。比如MG07ACA系列已经应用包括Supermicro等厂商的存储服务器设备上。同时MG07系列的使用也已经在需要严格可靠性的地方,例如专门从事自动驾驶车辆算法开发的研究机构和数据中心。
我们也看到东芝硬盘未来的路线图目前已经计划推出18TB和20TB的大容量企业硬盘。18TB和20TB的大容量企业硬盘将采用微波辅助磁记录(MAMR)技术。同时东芝正在研究HAMR技术以用于未来的产品。核心目标是持续为企业级市场提供高密度、低功耗的海量硬盘。
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。