IBM正在为Storage Scale规划“Hyperstore”升级方案,希望借助NVMe over Fabrics加快远程驱动器上的数据获取速度。
Storage Scale是IBM旗下备受推崇的GPFS(通用并行文件系统)的最新版本,其通过各文件系统节点(即服务器)的并行运行以加快文件读写速度。NVMe over Fabrics(简称NVMe-OF)是一种协议,可有效扩展PCIe总线并跨TCP/IP、光纤通道、iSCSI和以太网网络链路运行,为目标服务器提供直接的块级存储驱动器访问。
IBM公司IT架构师Frank Kraemer认为,Tom Lyon在《NFS必须消亡(NFS must die)》一文中表达的观点“非常酷”,并表示“我们打算使用NVMe-oF来提高速度,但仍将保留文件系统接口及Erasure Coding(GPFS Native Raid,简称GNR)的传统方式以实现易用性与安全操作。”
这些计划均以Storage Scale上的Hyperstore功能为中心,由其负责提供NVMe-oF性能池。
在高性能计算(HPC)用户论坛上,IBM发布的演示文稿《IBM供应商更新——存储篇》也提到了这一概念。IBM数据与AI存储解决方案部门存储文件与对象系统首席架构师Chris Maestas表示,在混合和多云世界中数据可谓无处不在,而基于CPU和GPU的算力都希望能像访问本地数据那样访问远程数据。
Storage Scale主要通过提供存储访问、使用单一全局命名空间抽象以及加速等方式达成这一目标,具体如以下页面所示:

在谈到AI工作负载与GPU时,他表示管理员可以拉近远程数据与计算资源之间的距离,使用NVMe-oF模拟GPU计算节点上的本地存储。这一设计原则在SC22大会上也得到了展示,IBM打造的配备SSD的ESS 3500能够为计算客户端提供超过1000万IOPS的吞吐量及数百GBps的传输带宽。为此,该系统还集成有IOPS极高的存储池。
这也正是Hyperstore的起点:

Hyperstore上周于伦敦面向Spectrum Scale User Group首次亮相。这是一套分层系统,Storage Scale使用GNR(native declustered RAID)、性能池与客户端计算节点上的本地驱动器,共同提供可靠的中间存储池。
其使用网络共享磁盘(NSD)访问这套可靠存储池,NSD是文件存储系统网络上存储磁盘的逻辑分组。Storage Scale会对各NSD服务器上的文件进行切片,再将各切片存储为数据块。访问客户端则对各NSD服务器执行实时并行IO。
性能池驱动器属于可靠池驱动器中的子集,使用速度更快的NVMe-oF进行访问,且全部计算节点共享统一的缓存。
关于Hyperstore的更多细节将在未来几个月内公布。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。