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
TechCrunch Disrupt 2025 AI舞台将汇聚塑造科技未来的领军人物,顶尖风投将揭示在快速变化的AI领域获得融资的关键。来自Apptronik、ElevenLabs、Hugging Face、Runway等创新企业的领导者将分享前沿洞见,探讨AI如何重塑创意过程、改变物理世界、变革国防安全和重新定义人际关系。10月27-29日,五大主题舞台将在旧金山呈现科技创新的未来图景。
西班牙研究团队提出了一种创新的AI自我纠错方法SSC,让人工智能学会识别和修正规则中的漏洞。当AI发现自己在钻空子获得高分时,它会反思规则的合理性并主动改进。实验显示这种方法将AI的"钻空子"行为从50-70%降低到3%以下,同时提升了回答质量。这项技术有望让AI从被动执行指令转变为能够质疑和改进指令的智能协作伙伴。
英超联赛与微软达成五年战略合作伙伴关系,推出AI驱动的Premier League Companion服务,为全球球迷提供个性化体验。该服务利用Azure OpenAI技术,整合30多个赛季的统计数据、30万篇文章和9000个视频,帮助球迷发现和了解更多内容。未来还将为Fantasy Premier League引入个人助理经理功能,并通过Azure AI优化比赛直播体验和赛后分析。
这篇文章详细解析了Long、Shelhamer和Darrell在2015年CVPR会议上发表的开创性研究"全卷积网络用于语义分割"。文章以通俗易懂的方式,将这项复杂的技术比作艺术家的绘画过程,解释了如何让计算机不仅识别图像中有什么物体,还能精确标出每个物体的位置和边界。研究团队通过将传统分类网络改造为全卷积形式,并巧妙运用上采样和跳跃连接技术,实现了高效准确的像素级图像理解。这一突破为自动驾驶、医学影像和增强现实等领域带来了革命性变化,奠定了现代计算机视觉的重要基础。