备份和云存储供应商 Backblaze 发布了其季度硬盘统计报告。
截至去年底,该公司拥有 301,120 个用于存储数据的硬盘。2024 年第四季度各供应商硬盘型号的年度故障率 (AFR) 图表显示,有四款硬盘的故障率明显超过 4.5%。这些异常值包括一款 12TB 的 HGST 型号 (HUH7212ALN604) 和三款 Seagate 硬盘,分别是 10TB (ST10000NM0086)、12TB (ST12000NM0007) 和 14TB (ST14000NM0138) 容量的型号。
所有硬盘的平均故障率为 1.35%。
同时也有表现优异的硬盘,五种型号在本季度实现零故障:一款 4TB 的 HGST (HMS5C4040ALE640)、Seagate 的 8TB (ST8000NM000A)、14TB (ST14000NM000J)、16TB (ST16000NM002J) 和 24TB (ST24000NM002H)。博主 Andy Klein 表示:"24TB 的 Seagate 硬盘与 20TB 的 Toshiba 和 22TB 的 WDC 硬盘型号一起加入了 20TB+ 俱乐部,我们在优化现有存储服务器空间的同时,继续大幅提升存储容量。"
Backblaze 还公布了 2024 全年的故障率数据,我们也对此进行了图表展示。
Seagate 的 12TB (ST12000NM0007) 硬盘在第四季度和 2024 全年统计中都显示出最高的故障率,其 14TB (ST14000NM0138) 和 10TB (ST10000NM0086) 型号以及 HGST 的 12TB (HUH7212ALN604) 在全年故障率统计中表现同样不佳。
Klein 写道:"2024 年没有任何合格的硬盘型号实现零故障。不过,16TB 的 Seagate 型号 (ST16000NM002J) 表现接近,仅在第三季度记录到一次硬盘故障,使该硬盘 2024 年的故障率为 0.22%。"2024 年的平均故障率为 1.57%,优于 2023 年的 1.7%。Klein 预计 2025 年的故障率会更低。
Backblaze 在这一年安装了 53,337 个硬盘,每位技术人员平均每小时安装 26 个。他们追踪了过去几个季度不同容量硬盘的故障率:
10TB 硬盘的故障率最高,其次是 2024 年的 12TB 硬盘和 8TB 硬盘。Klein 表示:"8TB (灰线) 和 12TB (紫线) 硬盘的使用年限在 5-8 年之间,因此它们的整体故障率会随时间增加。"
"14TB (绿线) 和 16TB (天蓝线) 硬盘占在用硬盘的 57%,平均使用年限为 2-4 年。它们正处于最佳工作状态。因此,它们应该具有较低且稳定的故障率,从图表中可以看出确实如此。"
Klein 从另一个角度分析了各供应商的故障率:
HGST 在 2024 年攀升至这个特定榜单的顶端,故障率超过了此前表现最差的 Seagate,Toshiba 排名第二,Western Digital 提供的硬盘可靠性最高。HGST 的糟糕表现主要归因于其 12TB 硬盘。如果将这些硬盘排除在外,HGST 硬盘在 2024 年的故障率将降至 0.55%。
在展示这些独特的硬盘故障率统计数据多年后,Klein 现已退休。这些数据在其他地方都无法获得,我们应该对他的贡献表示衷心的感谢。
用于创建本报告中表格和图表的完整数据集可在 Backblaze 的硬盘测试数据页面上获取。您可以免费下载并将这些数据用于自己的目的,但必须注明 Backblaze 作为数据来源。
好文章,需要你的鼓励
贝尔金推出多款Qi2无线充电产品,包括3合1充电支架、8K容量充电宝、折叠式MagSafe支架等。3合1充电支架支持iPhone、AirPods和Apple Watch同时充电,售价77美元。8K充电宝配备支架功能,提供28小时续航。还有便携折叠充电支架、10000mAh移动电源和108W四口充电器等产品,网络星期一期间享受30-50%折扣优惠。
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。
在迪士尼工作室,AI初创公司Animaj展示了如何用人工智能加速动画制作。该技术通过AI填充动画师绘制的关键帧之间的动作,将5分钟动画短片制作时间从5个月缩短至5周。Animaj训练了包含30万个姿势的数据库,动画师仍负责创意和关键帧绘制,AI仅负责生成中间动作。迪士尼强调以创作者为中心的理念,让AI成为数字工具包的一部分而非替代品。
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。