数据存储和容灾公司 Lonestar 与半导体和存储公司 Phison 于周三通过 SpaceX 火箭发射了一套将前往月球的数据中心基础设施。
这两家公司正在通过计划于 3 月 4 日着陆的 SpaceX Falcon 9 火箭,发送装载了 Lonestar 客户数据的 Phison Pascari 存储设备——专为数据中心打造的固态硬盘 (SSD)。这标志着首个月球数据中心的诞生,两家公司计划在未来继续扩展,直到其存储容量达到 1PB。
Lonestar 的创始人、董事长兼首席执行官 Chris Stott 向 TechCrunch 表示,在太空建设数据中心的想法可以追溯到 2018 年——远早于当前 AI 驱动的数据中心需求激增。他表示,客户们一直在寻求将数据存储在地球之外的方法,以使其免受气候灾害和黑客攻击的影响。
"除了人类自身,数据是人类最宝贵的资产," Stott 说。"人们将数据视为新石油。我认为它比石油更珍贵。"
Stott 表示,与 Phison 合作建设太空数据中心是一个自然的选择。Phison 已经通过 NASA 的火星探测器 Perseverance 为太空任务提供存储解决方案。该公司还提供名为 Imagine Plus 的设计服务,为独特项目开发定制存储解决方案。
"当 Chris 打来电话时,我们非常兴奋," Phison 总经理兼总裁 Michael Wu 向 TechCrunch 表示。"我们采用了标准产品,并能够根据他们的需求进行定制,然后我们发射了它。这是一段非常令人兴奋的旅程。"
Lonestar 于 2021 年与 Phison 建立合作关系,此后一直在开发专为太空设计的 SSD 存储单元。Stott 补充说,在首次发射之前,公司花费了数年时间测试产品,因为这项技术必须非常可靠——一旦出现问题就很难修复。
"这就是为什么 SSD 如此重要," Stott 说。"没有移动部件。这项令人惊叹的技术使我们能够为这些政府,以及未来几乎世界上所有的政府、公司和企业提供服务。"
Stott 表示,该技术从 2023 年起就已经具备发射条件,公司在 2024 年初成功进行了一次测试发射。
周三的发射包含了各类客户数据,从对灾难恢复感兴趣的多个政府,到测试大语言模型的航天机构。就连乐队 Imagine Dragons 也参与其中,发送了他们为 Starfield 太空游戏原声带创作的一首歌的音乐视频。
Lonestar 并不是唯一一家致力于将数据中心带入太空的公司。另一个竞争者 Lumen Orbit 从 Y Combinator 2024 年夏季批次中脱颖而出。这家初创公司获得了该批次 YC 最引人注目的种子轮融资之一,筹集了超过 2100 万美元,并更名为 Starcloud。
随着 AI 驱动的硬件需求加速,我们可能会看到更多公司追求基于太空的存储解决方案,这些解决方案提供了几乎无限的存储容量和太阳能,这是地球上的数据中心无法比拟的优势。
对于 Lonestar 来说,如果一切顺利,公司计划与卫星制造商 Sidus Space 合作,建造六艘数据存储航天器,预计将在 2027 年至 2030 年间发射。
"看到如此高水平的专业性真是令人着迷," Stott 说。"这与 60 年前的阿波罗计划不可同日而语。阿波罗飞行计算机只有 2KB 的 RAM 和 36KB 的存储空间。而在这次任务中,我们使用 Phison Pascari 配备了 1GB 的 RAM 和 8TB 的存储空间。这是巨大的进步。"
好文章,需要你的鼓励
近期有观点认为,大规模使用生成式AI和大语言模型会增强人类左脑的逻辑分析能力,同时削弱右脑的创造力,导致人类社会逐渐成为左脑主导的群体。但研究表明,左右脑功能分工理论缺乏科学依据,大脑两半球在创造性和逻辑性任务中都会协同工作。此外,AI不仅能辅助逻辑思维,同样可用于诗歌创作、图像生成等创意任务。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软全球AI巡展在迪拜举行,宣布启动Microsoft Elevate UAE项目,计划为超过25万名学生和教育工作者以及5.5万名联邦政府员工提供AI技能培训。该项目是微软152亿美元投资计划的一部分,旨在加强AI基础设施建设,培养本地人才能力。微软还将与G42和JAHIZ平台合作,为联邦公务员提供技术培训,支持阿联酋成为AI领域的区域和全球领导者。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。