Western Digital 正在向 Ingrasys 提供 NVMe PCIe 到以太网的 RapidFlex 桥接技术,而 Ingrasys 将制造一款高速、以太网接入的 SSD 机箱,面向边缘场所、云服务提供商和超大规模数据中心使用。
总部位于台湾的 Ingrasys 是 Foxconn 的子公司,专门为超大规模数据中心和数据中心设计和制造服务器、存储系统、 AI 加速器以及散热系统。Western Digital 原是一家磁盘驱动器制造商,其 NAND/SSD 业务已拆分为 Sandisk。双方表示,Ingrasys 的机架顶 ( TOR ) 以太网闪存集群 ( EBOF ) 将 “提供分布式存储于网络边缘,实现更低延迟的存储访问,从而减少对独立存储网络的需求,并避免频繁访问集中存储阵列。”
Western Digital 平台业务副总裁兼总经理 Kurt Chan 表示: “与 Ingrasys 合作,我们持续加速向解耦基础设施的转变,共同开发专为满足 AI 及现代工作负载数据需求而设计的前沿、基于织构连接的解决方案。此次合作汇聚了两位在存储基础设施现代化领域的领导者,旨在提供灵活、可扩展的架构,为客户带来全新层次的效率与性能。”
Western Digital 为什么会涉足充满 SSD 的存储机箱呢?这要追溯到 2019 年,当时 Western Digital 同时生产磁盘和 SSD,并收购了 Kazan Networks 的 NVMe-oF 以太网技术。基于此,其开发了支持 RDMA 的 RapidFlex 控制器/网络接口卡。RapidFlex C2000 织构桥 ( 搭载 A2000 ASIC ) 作为 PCIe 适配器,通过以太网导出 PCIe 总线,配备 2 个 100 GbitE 端口,连接 16 条 PCIe Gen 4 通道。C2000 可在发起器和目标模式下运行。最新的 RapidFlex C2110 是一款 SFF-TA-1008 到 SFF-8639 的中介器,专为适配 Ingrasys ES2000 和 ES2100 的 EBOF 机箱而设计。
2023 年,Western Digital 推出了 OpenFlex 以太网 NVMe-oF 接入的 Just a Bunch of Flash ( JBOF ) 系统,该系统是一款 2RU x 24 盘位的解耦机箱——Data24 3200 外壳,将双端口 NVMe SSD 与其支持 RoCE 及 NVMe/TCP 的 RapidFlex 织构桥集成在一起。该 Data24 3200 机箱能够直接连接最多六台服务器主机,从而不再需要交换机设备。一年后,Western Digital 展示了其在 Nvidia GPUDirect 连接下实现的读写 I/O 性能,速度超越了 NetApp 的 ONTAP 或 BeeGFS 阵列。
最初推出 OpenFlex 系统的构想,是为销售 Western Digital 自身的 SSD 产品而将其打包在 JBOF 机箱内。但此后,NAND+SSD 业务已经剥离,成为 Sandisk,而 Western Digital 现仅致力于磁盘驱动器制造,其磁盘驱动器收入约占最近一个季度总收入的 95%。无论从哪个角度看,如今的 RapidFlex/OpenFlex 业务都已成为一个外围业务。有趣的是,Sandisk 业务并未获得适用于 NVMe JBOF 接入的 RapidFlex 桥接技术,也许 Western Digital 未来将推出支持 NVMe 接入的磁盘驱动器。
Western Digital 声称,其 RapidFlex 设备是 “唯一基于大规模硬件加速,并将固件从性能路径中剔除的 NVMe-oF 桥接设备。I/O 的读写负载通过适配器以极低延迟和直接的以太网连接传输。” 对于 Ingrasys 来说, “这实现了 NVMe SSD 在解耦架构中无缝、高性能的集成,从而使存储资源可以独立于计算资源实现高效扩展。”
Ingrasys 总裁 Benjamin Ting 表示: “通过将我们在可扩展系统集成方面的专长与 Western Digital 在存储技术领域的领先地位相结合,我们正在构建面向未来、基于织构连接的解决方案基础,以满足 AI 及解耦基础设施不断演变的需求。我们相信,这次合作只是共同创新持久旅程的起点。”
Ingrasys 的机架顶 ( TOR ) EBOF 定于 2027 年上市。这意味着距离产生收益还有相当一段时间。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。