希捷公司正在向其北爱尔兰纳米光子学业务再投资1亿英镑,押注硬盘驱动器在AI数据中心中将发挥关键作用,并持续到下一个十年。
这家硬盘巨头将在未来五年内向德里工厂总共投资1.15亿英镑,其中1500万英镑将来自该地区经济发展机构Invest NI。
希捷在德里已经经营超过30年,最近的重点是开发和制造用于该公司Mozaic磁盘驱动器记录头的激光器。
希捷首席技术官约翰·莫里斯表示:"来自这个工厂的纳米光子学技术与未来产品发布保持一致,特别是在Mozaic +4+时间框架内...但更重要的是,它为我们将逐步投入生产的所有下游Mozaic平台奠定了基础。"
他说当前项目"专门针对能够提供至少每盘6TB容量的技术,并在我们今年早些时候宣布的达到每盘10TB容量的路径中发挥重要作用。"
3+等命名法指的是每个磁盘或盘片的TB数量,莫里斯说,希捷目前能够将多达10个驱动器集成到单个驱动器单元中。
今年5月,希捷表示预计在2032年左右交付100TB驱动器。正如莫里斯今天解释的那样:"正如你可能想象的,预测七年后的情况存在一定程度的不确定性。"
他说,激光组件只是提供更高容量驱动器所需的多个关键部件之一。"有一个波导和一个等离子体换能器,它将激光的能量转换为我们可以在介质中有效交换以支持写入过程的能量。"
他继续说:"我们能够制造的特征越小,我们能够设计的关键特征越小,主要是在等离子体天线中,我们在磁盘驱动器中能够支持的容量就越高。因此,这是一场在纳米尺度上将一切小型化的竞赛。"
该公司表示,这一努力至少部分是为了满足超大规模数据中心和AI数据繁荣所驱动的数据需求。
突破存储层级
普遍观点认为,固态硬盘是在AI数据中心中提供存储的关键,无论是从性能还是热控制角度来看。
莫里斯同意:"在AI的情况下,你有GPU,与之紧密耦合的是HBM内存。下一层往往是闪存。对于计算密集型工作,大部分数据路径跨越这些内存和存储。"
但他继续说,下一层存储专注于非常大的数据集,如艾字节规模的数据湖,这些数据湖只会变得更大。"那一层存储往往是90%以上的磁盘驱动器,其余是闪存,它提供了一个层级,使得在非常大的数据湖中存取数据变得容易。"
鉴于硬盘驱动器在字节对字节的成本上有5到10倍的优势,而这种情况在未来十年内不太可能改变,他说:"这只是一个经济学问题,只要你知道艾字节规模的数据湖需要磁盘驱动器的卓越经济性才能使其工作。"不过必须说明的是,并非所有人都同意这一观点。
当然有人热衷于购买传统驱动器。希捷最新业绩显示,全年营业额增长39%至91亿美元,净利润为14.7亿美元,比前一年的3.35亿美元大幅增长,这主要由向云服务提供商销售HAMR产品线推动。
现任首席执行官兼董事长戴夫·莫斯利当时表示,边缘数据中心的增长和对数据主权的追求预示着对大容量硬盘驱动器的需求在未来很长一段时间内都将保持良好态势。
Q&A
Q1:希捷在德里工厂投资的主要目的是什么?
A:希捷在德里工厂投资1.15亿英镑主要是为了开发和制造用于Mozaic磁盘驱动器记录头的纳米光子学激光器技术。这项投资专门针对能够提供至少每盘6TB容量的技术,并为实现每盘10TB容量的目标奠定基础。
Q2:硬盘驱动器在AI数据中心中扮演什么角色?
A:虽然AI计算主要依赖GPU、HBM内存和闪存,但硬盘驱动器在下一层存储中发挥关键作用。它们主要用于艾字节规模的大型数据湖存储,占该层级存储的90%以上,因为硬盘在字节成本上比闪存有5到10倍的优势。
Q3:希捷如何实现更高容量的磁盘驱动器?
A:希捷通过纳米级技术小型化来实现更高容量。关键是缩小等离子体天线等关键特征的尺寸,同时优化激光、波导和等离子体换能器等组件。这是一场在纳米尺度上将所有组件小型化的技术竞赛,目标是到2032年实现100TB驱动器。
好文章,需要你的鼓励
雅虎、Quora、Medium等在线媒体品牌正采用名为RSL的新协议,防止AI公司未经授权复制其内容用于模型训练。RSL协议基于RSS标准开发,为AI时代的互联网提供缺失的许可层。该协议旨在成为比robots.txt更强大的技术层,应对目前占互联网流量一半以上的AI爬虫。Reddit、MIT出版社等多家机构已加入该协议。随着AI导致网站流量下降25%,出版商正通过诉讼或授权协议寻求补偿。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
思科280亿美元收购Splunk后的18个月里,两家公司专注于将Splunk的机器数据分析技术与思科网络产品线融合,打造"思科数据织网"。Splunk平台高级副总裁表示,收购后的协同效应为Splunk带来新动力,公司策略得到放大而非偏离。双方快速整合工程团队,推出AI Canvas等项目,致力于解决企业IT数据孤岛问题。新举措包括将机器数据与业务洞察连接,推出面向Snowflake的联邦搜索功能。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。