(2021年9月9日,上海)西部数据公司(NASDAQ: WDC)在日前举办的HDD Reimagine大会上宣布,推出突破传统存储界限的全新闪存增强型磁盘架构设计。这一基于OptiNAND™技术的全新磁盘架构设计,整合了西部数据在HDD和闪存领域的独特创新能力,对HDD进行了优化,并将HDD与iNAND嵌入式闪存器件进行了集成。全新的磁盘架构设计为超大规模云、云服务提供商(CSP)、企业、智慧视频领域的合作伙伴、NAS供应商等带来了一种大容量、高性能和高可靠性的存储解决方案,可应对当下及未来呈指数级增长的数据存储需求。
西部数据OptiNAND技术
配备全新磁盘架构设计的首批产品借助西部数据业内首创的三阶寻轨定位系统(TSA)和HelioSeal™技术等领先技术,采用可靠的ePMR技术扩展容量,单碟容量高达2.2TB。这是西部数据在业内开创的又一全新里程碑。目前,公司已向部分客户交付采用OptiNAND技术的新款九磁碟、20TB ePMR闪存增强型硬盘样品。
IDC HDD研究总监Ed Burns表示:“西部数据在HDD架构的创新方面历史悠久,如HGST(现为西部数据的子公司)率先对HDD进行了密封封装,并在2013年推出了氦气HDD。而在人工智能、机器学习、区块链、物联网、传感器等前沿技术飞速发展的今天,用来匹配并保护数据增长,尤其是大数据增长的革新存储解决方案呼之欲出。作为一家同时制造闪存和HDD的公司,西部数据能够利用自身特有的技术优势,为未来的ePMR HDD提升面密度,帮助客户满足数字经济时代持续增长的存储需求。”
新华三集团副总裁、计算存储产品线总裁陈振宽表示:“这一创新的磁盘架构设计是西部数据优势和能力的延伸,为存储市场注入了全新的动力。一直以来新华三集团与西部数据公司保持着良好的合作关系,我们非常期待这次的OptiNAND 技术成果能够更好地满足未来的存储需求。”
采用OptiNAND技术的新型闪存增强型硬盘
不同于使用闪存来存储用户数据的混合型硬盘,西部数据推出的全新磁盘架构设计是存储领域的一项突破。因其工作方式差异,全新设计能让产品的存储能力获得多维度的优化。通过在行业领先的硬盘中结合垂直集成的iNAND,以及增强型的固件算法和SoC创新,西部数据采用了OptiNAND技术的磁盘可提供更高的容量、性能和可靠性,从而帮助客户满足不断增长的存储需求。(点击此处查看技术简介)其亮点包括:
· 容量:磁盘更加智能化,增强的固件算法可利用已转移到iNAND的扩展元数据增加每英寸磁道数(TPI),从而增加面密度。
· 性能:通过优化固件缩短时延,主要在减少相邻磁道干扰(ATI)刷新次数,并减少写缓存启用模式下对写缓存刷写的需求。
· 可靠性:在紧急断电(EPO)情况下,可保留的用户数据增加了近50倍。借助西部数据闪存增强型硬盘的垂直集成供应、设计、开发、测试和认证方面的独特能力,客户可以信赖此款硬盘的可靠性。
西部数据公司技术及战略总裁Siva Sivaram博士表示:“西部数据凭借在HDD和闪存领域的知识产权和行业领先的研发团队,不断突破创新,持续改善客户的数据存储架构。我们在硬盘创新方面也积累了丰富的经验。早在2013 年,我们就推出了行业创新的HelioSeal技术;在2019年我们率先交付ePMR HDD;现在,我们将凭借OptiNAND技术继续保持领先,该架构将为我们的未来几代HDD的技术铺路。我们预计,配置OptiNAND技术的单块ePMR HDD容量将在五年后达到50TB。”
上市情况
采用OptiNAND技术的新型闪存增强型存储架构将用于西部数据的企业级硬盘系列产品和存储平台中。该架构还将作为未来设计和创新的基础,在智能化、可靠性、容量和上市灵活性等方面取得进一步的提升。西部数据公司将在下半年开始发布针对特定市场的专用产品。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。