希捷宣布其28TB和30TB Exos M数据中心硬盘和IronWolf Pro NAS硬盘在全球渠道正式发售,这两款产品均采用HAMR技术的传统记录方式。
HAMR(热辅助磁记录)技术使用激光临时加热高矫顽力位区域,降低其磁状态变化阻力,然后通过冷却实现比此前室温工作的垂直磁记录(PMR)技术更高的面密度。HAMR硬盘可以采用叠瓦式(部分重叠)写入磁道来提升容量,但会降低数据重写性能。
希捷还推出了采用SMR技术的32TB和36TB容量Exos M硬盘。IronWolf Pro系列不提供SMR版本。
希捷边缘存储和服务部门高级副总裁Melyssa Banda表示:"随着近150个国家采用数据主权要求,数据重力正越来越多地将网络拉向边缘,AI工作负载持续扩展。数据中心——无论是本地、私有还是主权数据中心——都在利用AI来释放其专有数据的价值。我们的30TB硬盘旨在支持这些快速增长的趋势,提供支持AI工作负载所需的容量、效率和可靠性。"
Exos M硬盘采用3.5英寸规格,转速7200rpm,内含10个充氦盘片,提供250万小时MTBF评级、5年有限保修和6Gbps SATA接口。希捷去年1月首次发布30TB Exos M。经过超大规模客户的长期验证和超过100万块HAMR硬盘的出货后,现已全面上市。
IronWolf Pro硬盘是Exos系列的变体,此前最大容量为24TB。现在借助HAMR技术提升至28TB和30TB容量级别。它们具有高达550TB/年的工作负载评级、250万小时MTBF和5年有限保修。
希捷将新的Exos M硬盘定位为边缘AI数据存储设备,"帮助组织扩展存储、优化数据放置并支持实时边缘分析,而不会影响性能或可持续性"。
公司补充道:"本地NAS系统正在演变为智能数据中心——支持视频分析、图像识别、检索增强生成(RAG)和边缘推理等高级工作负载。"希捷引用最新市场分析预测,在数字化转型以及AI和大数据分析兴起的推动下,全球NAS市场到2034年将以超过17%的复合年增长率增长。
希捷认为,在AI边缘应用中,机械硬盘与固态硬盘形成互补。公司引用了IDC机械硬盘和存储技术研究总监Ed Burns的话:"虽然通常不与低延迟等性能相关联,但最高容量的机械硬盘是AI开发过程中的关键战略资产,满足了存储构建和改进当今及未来市场最高质量AI模型所必需的基础数据的大容量存储需求。"
希捷引用HPE的边缘AI市场增长数据:"HPE预测本地AI市场将以90%的复合年增长率增长,三年内达到420亿美元。"
迄今为止,AI边缘市场尚未显著推动机械硬盘销售。
希捷的硬盘竞争对手目前正在追赶。西部数据的Ultrastar机械硬盘最高容量为26TB(CMR H590),并使用SMR技术达到28TB(HC680)和32TB(HC690)容量级别。其Red Pro NAS硬盘最大容量也为26TB。
东芝的叠瓦式MA11达到28TB级别,其传统记录的MG11硬盘容量为24TB。
希捷的硬盘产品网页提供了新硬盘的更多信息。Exos M和IronWolf Pro 28TB和30TB硬盘现已通过希捷在线商店以及全球授权经销商和渠道合作伙伴发售。
Exos M和IronWolf Pro 30TB硬盘定价599.99美元,相应的28TB产品定价569.99美元。英国定价略有不同:Exos M 30TB为498.99英镑,Exos M 28TB为478.99英镑。但IronWolf Pro 30TB为559.99英镑,IronWolf Pro 28TB为526.99英镑。
好文章,需要你的鼓励
Lumen Technologies对美国网络的数据中心和云连接进行重大升级,在16个高连接城市的70多个第三方数据中心提供高达400Gbps以太网和IP服务。该光纤网络支持客户按需开通服务,几分钟内完成带宽配置,最高可扩展至400Gbps且按使用量付费。升级后的网络能够轻松连接数据中心和云接入点,扩展企业应用,并应对AI和数据密集型需求波动。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
RtBrick研究警告,运营商面临AI和流媒体服务带宽需求"压倒性"风险。调查显示87%运营商预期客户将要求更高宽带速度,但81%承认现有架构无法应对下一波AI和流媒体流量。84%反映客户期望已超越网络能力。尽管91%愿意投资分解式网络,95%计划五年内部署,但仅2%正在实施。主要障碍包括领导层缺乏决策支持、运营转型复杂性和专业技能短缺。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。