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
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。