Objective Analysis公司的Jim Handy在上周召开的闪存存储峰会上发言称,我们目前确实处于闪存供过于求的局面。在他看来,未来闪存产品可能出现价格整体下降甚至是崩溃,具体价格水平将趋近于64层3D NAND的生产成本——换言之,到2019年闪存将达到每GB 0.08美元的价格水平。Handy将其称为半导体产品有史以来规模最大的一次价格波动。
Wells Fargo公司高级分析师Aaron Rakers利用IDC与DRAMeXchange提供的数据,估算出目前NAND闪存的总体价格约为每GB 0.30美元。Rakers还指出,Objective Analysis方面预测NAND闪存容量将迎来年均45%的增幅。
目前闪存生产线出产的闪存芯片约有70%属于3D NAND,其余是较为陈旧的2D或者说平面NAND。Handy认为这部分过剩的制造能力可转移为制造DRAM,他同时警告称这亦可能在未来引发DRAM存储容量发生过度供应。
Deep StorageNet公司首席科学家Howard Marks也在此次峰会上表示,企业级固态驱动器与传统磁盘驱动器间的价格差一旦低于5倍,即有可能引发磁盘客户全面转向固态驱动器内同类产品。
Rakers指出,与关键任务磁盘驱动器相比,企业级SSD的价格目前高出约3到4倍。与此同时,相较于近线/高端企业磁盘驱动器,企业级固态驱动器的价格约为每GB 15到17美元。
最近发布的英特尔与美光QLC(四级单元)SSD也希望从近线磁盘驱动器市场当中分得一部分读取密集型应用的份额。
如果Handy对闪存芯片价格走向的分析准确无误,那么SSD定价也将随之下降。他表示,他认为NAND价格将下跌至目前水平的25%左右。而如果固态驱动器价格稳定下降,那么未来此类产品的使用成本也有望同步降低75%。
根据Rakers公布的数据,这意味着企业级固态驱动器的价格目前约为每GB 0.30美元到0.80美元,具体视品牌而定。相比之下,近线/高端磁盘驱动器的价格则为每GB 0.02美元。假设这些SSD降价75%,即达到每GB 0.08美元,那么其每GB价格将仅为磁盘驱动器单位存储价格的四倍——低于Marks提出的五倍拐点理论。
另外,从逻辑的角度来讲,至少在读取密集型工作负载领域,利用固态驱动器取代近线/高端磁盘驱动器也将是一种必然的选择。
Handy提出的价格修正过程可能需要持续数个季度,我们认为在此期间及之后,近线/高端磁盘驱动器的销售额很可能出现相当严重的萎缩。
巧合的是,高盛公司分析师Mark Delaney曾经表示,希捷公司的股价将由51.42美元(截至发稿之时)下跌至约44美元,并决定将该股票的评级由“中等”下调为“卖出”。
他认为该股票的最终目标价格将为44美元,因为“磁盘驱动器仍然属于一个周期性行业,且面临着SSD固态驱动器市场中各子市场带来的长期挑战……NAND供应过剩正在导致固态驱动器价格下降(在某些情况下,其价格将以峰值为基础下降 30%甚至40%)。”
希捷公司的大部分收入由磁盘驱动器产品所贡献,且旗下的近线/高端驱动器正越来越多。相比之下,老牌竞争对手西部数据的营收则有一半以上来自闪存,这意味着其因磁盘价格下滑而受到的影响要小得多。
然而,与希捷相比,西部数据也有着自己的难题——易受NAND芯片价格崩溃的影响。那么,希捷与西部数据接下来的命运将如何?根据您所身处的技术或金融领域具体位置,对此可能抱有不同的结论,受到的实际影响也将有所区别。我们将在后续报道当中,持续跟进相关动态。
好文章,需要你的鼓励
云文件服务供应商Nasuni进行高管调整,创始人兼CTO安德烈斯·罗德里格斯卸任CTO职务,由前戴尔工程副总裁杰瑞·卡特接任。新任CFO罗斯·格兰杰替代离职的财务负责人雷·黑尔。自去年4月新CEO萨曼莎·金上任以来,已更换8个高管职位人员,新团队专注于"帮助企业释放非结构化数据在AI方面的价值"。
加州大学伯克利分校研究团队开发的Pillar-0是一个突破性的医学影像AI系统,能够同时处理CT和MRI等多种影像类型的366项诊断任务。该系统采用创新的多窗技术和Atlas架构,在四种主要影像检查中准确率达86-90分,显著超越谷歌、微软等竞争对手。研究团队还开源了完整系统,为全球医学AI发展提供强大基础。
北美主要数据中心枢纽面临电力和土地限制,运营商转向新兴市场寻求支持AI和高性能计算负载的新位置。德克萨斯、宾夕法尼亚、卡罗来纳州等次级市场通过提供经济激励、加快审批流程和灵活监管框架积极竞争AI驱动的数据中心投资。华盛顿中部拥有全美最低能源成本,宾夕法尼亚获得两党支持,卡罗来纳州电力基础设施强劲。未来数据中心增长将更多依赖能够平衡电力供应、许可速度和经济激励的地区。
马里兰大学研究团队开发MASS系统,通过空间时间感知技术让AI具备物理学家般的视频理解能力。该系统创建了包含8361个问答对的MASS-Bench基准,将视频中的运动轨迹转换为AI可理解的语言描述,并使用强化学习训练模型的物理推理能力。实验显示经过训练的模型性能提升6-8.7%,在物理异常检测任务上甚至超越商业顶级产品,为AI视频内容审核、教育和科研应用开辟新方向。