Seagate 正在通过推出采用 HAMR 技术的 36TB Exos M 硬盘样品,扩大其相对于东芝和西部数据的容量领先优势,这也是目前业界容量最大的硬盘。
上个月,该公司宣布已获得一家顶级云服务提供商 (CSP) 的认证许可,可以开始量产和出货采用 HAMR 技术的 32TB Exos M 叠瓦式磁记录 (SMR) 硬盘,现在又将 HAMR 容量提升了 4TB。HAMR Mozaic 3+ 技术通过激光瞬间加热磁盘记录介质涂层上的比特区域,使其磁极性可以被驱动器的写入磁头设定,当冷却至室温后,比特设置将保持稳定。
CEO Dave Mosley 表示:"我们正处于数据存储和管理方式发生重大转变的时期。由于云计算的持续扩张和早期 AI 的采用,前所未有的数据创建量要求长期的数据保留和访问,以确保可信的数据驱动成果...Seagate 继续在面密度方面保持领先,目前在 Exos M 平台上推出容量高达 36TB 的硬盘样品。此外,我们正在执行创新路线图,现已在测试环境中成功展示了单盘超过 6TB 的容量。"
Dell 的产品管理高级副总裁 Travis Vigil 补充道:"搭载 Seagate HAMR 驱动的 Mozaic 3+ 技术的 Dell PowerScale 在支持检索增强生成 (RAG)、推理和代理工作流等 AI 应用场景中发挥着关键作用。Dell Technologies 和 Seagate 正共同制定行业领先的 AI 存储创新标准。"
竞争对手东芝和西部数据使用微波辅助磁记录 (MAMR) 的变体技术来存储数据,但其记录介质无法支持像 HAMR 那样小的比特区域。这意味着他们的磁盘盘片面密度低于 Seagate 的 HAMR 硬盘,后者采用十盘设计,单盘容量现已达到 3.6TB。相比之下,西部数据最高容量为 32TB,采用十一盘设计,单盘面密度为 2.91TB,比 Seagate 低 19%。
东芝的 MA11 系列 SMR 最大容量为 28TB,采用十盘设计,单盘容量为 2.8TB,面密度低于西部数据,比 Seagate 低 22.2%。
西部数据和东芝都表示将转向 HAMR 技术。2022 年,东芝表示其路线图中包括在 2026 财年或更晚推出 40TB+ 的 HAMR 硬盘。Seagate 计划在今年下半年推出第二代 40TB HAMR 硬盘。考虑到东芝客户需要对其 HAMR 硬盘进行认证,而 Seagate 发现要实现可接受的生产良率和可靠性是一个多年的过程,东芝可能要到 2027 年才能开始大规模供货 HAMR 硬盘,比 Seagate 晚两年。
西部数据也有引入 HAMR 技术的计划。根据 CFO Wissam Jabre 在 2023 年 6 月的说法,需要 12 到 18 个月的时间。现在已经过去了 18 个月,但 WD 的 HAMR 技术尚未面世。巧合的是,Jabre 刚刚辞职。
与东芝一样,西部数据会发现 HAMR 硬盘需要较长的制造开发时间,同时也需要客户认证,特别是对可靠性要求较高的云服务提供商和超大规模数据中心运营商,他们将是这些 7200 转近线硬盘的最大客户。当西部数据转向 HAMR 时,可能会比 Seagate 落后 12 个月或更长时间。
Exos M 36TB 硬盘采用 6Gbps SATA 接口。Seagate 尚未公布其持续传输率、缓存大小、MTBF 等详细参数。我们预计这些信息将在几周内公布,并且与其现有的 Exos MA11 32TB 硬盘相近,这将使 Seagate 在容量方面保持至少 12 个月的优势。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。