近期,Solidigm D5-P5316 QLC固态硬盘(SSD)被应用到一项测试当中。在D5-P5316的帮助下,圆周率(π)计算至100万亿位数的速度成功打破世界纪录。借助Solidigm产品,StorageReview团队计算π的速度几乎达到原世界纪录保持者Google的三倍。
StorageReview负责人兼总编Brian Beeler带领团队在位于美国辛辛那提的实验室中使用Solidigm D5-P5316 QLC SSD进行计算,Solidigm产品团队在这一过程中提供咨询支持。Beeler 表示:“众所周知,π是一个定义明确的无限值,这使得大家可以很容易地比较不同系统中的计算性能结果和输出,也让π成为了理想的系统性能比较基准。Solidigm高性能SSD帮助我们在破纪录的时间里计算了这个无限不循环数字,这也极大巩固了Solidigm作为领先的数据存储解决方案提供商的地位。”
凭借出色的SSD存储密度、性能和成本状况,P5316让海量数据集的分析工作成为可能。此前,只有在云端或本地进行大量投资才能实现这一目的。Beeler和StorageReview团队记录了QLC存储中的23 PB数据写入,与此同时,新检查点的读取活动也已经达到甚至超过了这一数据量。在利用率没有超饱和的情况下,Solidigm D5-P5316 QLC SSD的计算速度没有落下,并提供了充分的读取性能。
Solidigm数据中心存储部门副总裁Greg Matson表示:“在这种强度的工作负载之下,Solidigm的产品展现出了极为可靠的耐用性,可以为用户提供十年左右的使用时间,以及堪比领先TLC SSD的读取性能。可以预见,在主流数据中心应用层面,D5-P5316就像π一样具有无尽的潜力。我们非常高兴地看到Solidigm SSD能够赋能StorageReview进行创纪录的π计算。这一测试也证明了Solidigm存储产品的真正实力,为实际应用开启了更多可能。”
π计算概览
程序:y-cruncher,由Alexander Yee开发
算法:Chudnovsky (1988)
计算节点:Quanta服务器,基于第四代AMD EPYC™处理器
总运行时间:59天10小时46分49.55秒
总存储量:可用530.1 TB,使用峰值为514.5 TB
总输入/输出量:读取40.2 PB ,写入35.4 PB,总计75.6 PB
Solidigm SSD在存储密度、性能和价格方面实现了很好的平衡,这也是其成为数据存储领域市场领导者的一大重要原因。D5-P5316是四层单元(QLC)SSD,它兼顾了大容量、低成本,以及媲美TLC SSD的读取性能,同时还具备足够的生命周期进行写入操作(PB写入),以此来应对工作负载的需求。
Beeler表示:“QLC非常适合这类工作负载。它支持突发写入和频繁写入,每天向每个驱动器发送接近30 TB的数据写入。如果我们保持这样的节奏,每年的数据写入将超过10 PBW。这些QLC SSD完全可以跟上计算速度,并在单个服务器中提供巨大的存储密度。此外,在近60天的测试中,我们发现SSD耐用性的消耗几乎可以忽略不计。”
虽然这种规模的计算还没有实际应用(大部分科学和学术界最精确的π测量通常是10位,NASA的喷气推进实验室只使用15位数字进行航天器导航的计算),但这一测试表明了配置完好的Solidigm QLC SSD如何承担当今业务关键应用(如高级数据分析、AI、机器学习和数据管道)中的高容量工作负载。
AMD数据中心生态系统和解决方案公司副总裁Raghu Nambiar表示:“我们非常开心地看到,借助第四代AMD EPYC™ CPU,Solidigm和StorageReview的团队在破纪录的时间内完成了100万亿位数的π计算。这是客户利用EPYC处理器进行真正的计算密集型工作负载的又一有力证明。”
好文章,需要你的鼓励
OpenAI和微软宣布签署一项非约束性谅解备忘录,修订双方合作关系。随着两家公司在AI市场竞争客户并寻求新的基础设施合作伙伴,其关系日趋复杂。该协议涉及OpenAI从非营利组织向营利实体的重组计划,需要微软这一最大投资者的批准。双方表示将积极制定最终合同条款,共同致力于为所有人提供最佳AI工具。
中山大学团队针对OpenAI O1等长思考推理模型存在的"长度不和谐"问题,提出了O1-Pruner优化方法。该方法通过长度-和谐奖励机制和强化学习训练,成功将模型推理长度缩短30-40%,同时保持甚至提升准确率,显著降低了推理时间和计算成本,为高效AI推理提供了新的解决方案。
中国科技企业发布了名为R1的人形机器人,直接对标特斯拉的Optimus机器人产品。这款新型机器人代表了中国在人工智能和机器人技术领域的最新突破,展现出与国际巨头竞争的实力。R1机器人的推出标志着全球人形机器人市场竞争进一步加剧。
上海AI实验室研究团队深入调查了12种先进视觉语言模型在自动驾驶场景中的真实表现,发现这些AI系统经常在缺乏真实视觉理解的情况下生成看似合理的驾驶解释。通过DriveBench测试平台的全面评估,研究揭示了现有评估方法的重大缺陷,并为开发更可靠的AI驾驶系统提供了重要指导。