VDURA首席执行官Ken Claffey认为,该公司应当与DDN、VAST Data和WEKA并列,成为现代AI和传统HPC工作负载的极高性能可靠数据存储供应商。
存储采购商需要重新评估VDURA,因为作为Panasas HPC成功基础的PanFS软件自Claffey于2023年9月担任CEO以来已经过全面改造。公司于2024年5月更名为VDURA,以体现其转型和对数据速度与持久性的专注。
Claffey表示,VDURA结合了并行文件系统的稳定线性性能与对象存储的弹性和成本效益。
VDURA基于微服务的VDP(VDURA数据平台,即升级版PanFS)采用基础对象存储架构,客户端通过顶层并行文件系统访问数据。系统具备统一全局命名空间、单一控制平面和单一数据平面。元数据管理使用运行在闪存上的VeLO(速度层操作)分布式键值存储,对象存储默认采用HDD。
虚拟化保护对象设备(VPOD)存储实体位于HDD层。为确保数据持久性,在每个VPOD内部和整个VDURA集群间提供纠删码保护。VeLO软件运行在横向扩展的1U控制器节点上,VDURA自研硬件采用AMD EPYC 9005处理器、Nvidia ConnectX-7网络接口卡、Broadcom 200Gb以太网和Phison PCIe NVMe SSD(Pascari X200系列)。
VDP具有统一命名空间,控制器节点通过VeLO处理元数据和小文件,通过VPOD处理大型数据。控制器节点管理文件到对象的映射,实现并行文件系统与对象存储的无缝集成,同时支持S3协议。
VPOD可运行在混合闪存-磁盘节点和全闪存V5000存储节点(F-Node)上。混合存储节点集成与控制器节点相同的1RU服务器和运行VPOD的4RU JBOD,提供高性能可靠性的经济批量存储。
F-Node采用1RU服务器机箱,可容纳多达12块128TB NVMe QLC SSD,提供1.536PB原始容量。F-Node搭载AMD EPYC 9005系列处理器和384GB内存,配备Nvidia ConnectX-7以太网智能网卡实现低延迟数据传输,另有三个PCIe和一个OCP Gen 5插槽用于高速前端和后端扩展连接。
即将推出的ScaleFlow软件将实现高性能QLC闪存和大容量磁盘间的"无缝数据移动"。
VDP是软件定义的本地化产品,使用现成硬件,正在向主要公有云平台移植。今年夏季还将支持GPUDirect存储(GDS)以及RDMA和RoCE(v2)。
Claffey表示,三到五年前QLC闪存价格将降至HDD水平的预测并未实现。他告诉我们:"企业级闪存成本会从8倍降到6倍再到4倍,然后所有专家都说会降到2倍甚至1倍。还记得那些预测吗?但现实恰恰相反,驱动器成本没有根本性变化……现在去百思买或任何地方看看,1TB HDD和1TB SSD的价格差距接近8倍。"
需要分层闪存-磁盘架构来提供闪存速度和磁盘经济性。VDURA希望为AI和HPC构建最佳、最高效的存储基础设施。公司不打算构建数据库,从存储基础设施角度看那属于AI堆栈的上层。相反,它将保持开放,欢迎所有AI数据库。
VDURA相信将成为AI/HPC存储基础设施领域的性能领导者。使用其将于9月正式发布的全闪存F-Node的早期客户表示其极具竞争力。
Claffey称VDURA在竞标中胜过对手。一个美国联邦项目的大型系统集成商竞标就是例证。据称该SI考察了多家竞争供应商,他们提出的并行访问系统能够以亚毫秒延迟为大型x86和GPU计算集群(世界最大的美国国防集群之一)提供充足性能。竞标涉及多年项目,2025年第一阶段需要20PB总容量和超过100GBps持续性能,2026年第二阶段将提升至约200PB可用容量和2.5TBps持续性能。
VDURA投标的系统采用V5000全闪存节点提供性能,HDD扩展提供批量容量。该公司被SI选中是因为匹配了性能和容量需求。声称在性能和TCO方面击败竞争对手,并补充说VDURA系统具有更好的TB/瓦特比和更低的碳足迹。
公司认为在性能上可匹敌DDN和IBM Storage Scale,并声称易于使用、管理和可靠。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
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。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
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。