Seagate 正在通过推出采用 HAMR 技术的 36TB Exos M 硬盘样品,扩大其相对于东芝和西部数据的容量领先优势,这也是目前业界容量最大的硬盘。
上个月,该公司宣布已获得一家顶级云服务提供商 (CSP) 的认证许可,可以开始量产和出货采用 HAMR 技术的 32TB Exos M 叠瓦式磁记录 (SMR) 硬盘,现在又将 HAMR 容量提升了 4TB。HAMR Mozaic 3+ 技术通过激光瞬间加热磁盘记录介质涂层上的比特区域,使其磁极性可以被驱动器的写入磁头设定,当冷却至室温后,比特设置将保持稳定。
CEO Dave Mosley 表示:"我们正处于数据存储和管理方式发生重大转变的时期。由于云计算的持续扩张和早期 AI 的采用,前所未有的数据创建量要求长期的数据保留和访问,以确保可信的数据驱动成果...Seagate 继续在面密度方面保持领先,目前在 Exos M 平台上推出容量高达 36TB 的硬盘样品。此外,我们正在执行创新路线图,现已在测试环境中成功展示了单盘超过 6TB 的容量。"
Dell 的产品管理高级副总裁 Travis Vigil 补充道:"搭载 Seagate HAMR 驱动的 Mozaic 3+ 技术的 Dell PowerScale 在支持检索增强生成 (RAG)、推理和代理工作流等 AI 应用场景中发挥着关键作用。Dell Technologies 和 Seagate 正共同制定行业领先的 AI 存储创新标准。"
竞争对手东芝和西部数据使用微波辅助磁记录 (MAMR) 的变体技术来存储数据,但其记录介质无法支持像 HAMR 那样小的比特区域。这意味着他们的磁盘盘片面密度低于 Seagate 的 HAMR 硬盘,后者采用十盘设计,单盘容量现已达到 3.6TB。相比之下,西部数据最高容量为 32TB,采用十一盘设计,单盘面密度为 2.91TB,比 Seagate 低 19%。
东芝的 MA11 系列 SMR 最大容量为 28TB,采用十盘设计,单盘容量为 2.8TB,面密度低于西部数据,比 Seagate 低 22.2%。
西部数据和东芝都表示将转向 HAMR 技术。2022 年,东芝表示其路线图中包括在 2026 财年或更晚推出 40TB+ 的 HAMR 硬盘。Seagate 计划在今年下半年推出第二代 40TB HAMR 硬盘。考虑到东芝客户需要对其 HAMR 硬盘进行认证,而 Seagate 发现要实现可接受的生产良率和可靠性是一个多年的过程,东芝可能要到 2027 年才能开始大规模供货 HAMR 硬盘,比 Seagate 晚两年。
西部数据也有引入 HAMR 技术的计划。根据 CFO Wissam Jabre 在 2023 年 6 月的说法,需要 12 到 18 个月的时间。现在已经过去了 18 个月,但 WD 的 HAMR 技术尚未面世。巧合的是,Jabre 刚刚辞职。
与东芝一样,西部数据会发现 HAMR 硬盘需要较长的制造开发时间,同时也需要客户认证,特别是对可靠性要求较高的云服务提供商和超大规模数据中心运营商,他们将是这些 7200 转近线硬盘的最大客户。当西部数据转向 HAMR 时,可能会比 Seagate 落后 12 个月或更长时间。
Exos M 36TB 硬盘采用 6Gbps SATA 接口。Seagate 尚未公布其持续传输率、缓存大小、MTBF 等详细参数。我们预计这些信息将在几周内公布,并且与其现有的 Exos MA11 32TB 硬盘相近,这将使 Seagate 在容量方面保持至少 12 个月的优势。
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。