随着客户集成测试推进,希捷工程师不断应用热辅助磁记录(HAMR)提高面密度
全球混合云数据管理领域的权威企业NetApp公司表示,与希捷科技共同完成了基于HAMR技术的Exos硬盘的平台测试。该公司预计在HAMR硬盘量产时将产品进一步集成到NetApp的解决方案中。
NetApp提供一系列混合云数据服务,旨在简化云端和内部环境中的应用程序及数据管理,加速推进数字化转型。该公司表示,希捷HAMR技术的优势完全符合超大规模市场EB级别的海量数据的增长需求。
NetApp高级技术总监Tim Emami表示,NetApp公司测试了希捷HAMR的开发单元,并取得了相应进展,该技术团队更加期望能利用自身经验帮助HAMR技术在关键应用程序中发挥重要作用。
Emami表示:“我们在技术开发周期的早期阶段就开始对HAMR技术进行测试,从早期样本到现阶段的进展我们感到十分震撼。更振奋人心的是,希捷多年的努力和创新获得成果,为HAMR硬盘的成功生产做好准备。”
随着近期应用内测试的完成,希捷HAMR技术已经更加成熟并已达到一个全新的就绪水平。
Emami说道:“正如大家所预测的那样, HAMR技术日趋成熟。我们最新测试报告显示,HAMR已经可以进入下一阶段的测试,即实际应用测试。而我们正在投入时间和资源,从HAMR硬盘获得更多的容量和收益。我们的下一个里程碑式目标就是限量生产用于客户部署。”
Emami解释道:“国际数据公司(IDC)最新发布的《数据时代2025》报告显示:到2025年,全球数据圈将增至175ZB。其中大部分增长数据来自呈指数增长的冷数据和温数据。且IDC表示,这些数据的大部分都将存储在机械硬盘上。”
Emami预计HAMR硬盘会部署在NetApp公司的E系列及FAS(Fabric Attached Storage)系列产品中。他表示,HAMR能提供的更高的容量增长能力,对NetApp公司持续为温数据、冷数据及冰数据等各种类型的工作负载提供服务至关重要,这些工作负载需要高效的每TB成本及最低总体拥有成本(TCO)的支持,并为包括商业智能、主目录和数字内容(视频和照片)及邮件存档等服务的数据中心,云和边缘应用程序系统提供服务。
Emami表示:“许多热数据也会迅速‘变冷’,譬如在Facebook等社交媒体上发布的照片,第一周的时候就要比第三周‘热’。因此,无论是在本地、外部还是在云端,任何有效的存储解决方案都必须有效利用最佳介质来存储处于生命周期不同阶段的数据——将适当的数据在适当的时间存储在适当的介质上。”
有趣的是,Emami还指出,当前某些冷数据正在“变暖”。“但对这些应用而言,固态NAND介质的成本太高,而由于随机读写性能的缺陷,光纤盒或磁带技术只能用于灾难恢复应用。所以,机械硬盘将会为在2025年存储的大部分数据提供最佳总体拥有成本(TCO)。”
数据技术分层和正确的数据存储位置对于最大化数据价值,以及对采用HAMR技术的新一代硬盘进行部署策略的设计来说,都非常重要。NetApp公司则在“混合”存储解决方案方面拥有多年成功经验。
Emami解释道:“NetApp公司的‘Fabric Pools’可以通过独立扩大热数据、冷数据及云端层面积来有效托管这些数据。HAMR技术是这一步骤的重要组成部分,与NAND相比,它可使硬盘具备更具竞争性的面密度和容量增长能力,进而使其在每TB成本和总体拥有成本(TCO)方面占据优势。”
希捷继续在推进HAMR技术方面取得快速的实质性进展。前不久,希捷的HAMR技术创造了新的面密度记录,在自旋式支架测试中展示了其面密度达2.381Tbpsi的硬盘,该项技术可将单碟容量提升至3TB,是现有硬盘面密度的2倍多。同时,由HAMR技术生产开发出的硬盘面密度现已超过传统的垂直磁记录技术。
随着HAMR技术越来越接近于投入商用,希捷的技术团队今年一直与合作伙伴开展HAMR的集成开发,其中几个希捷的合作伙伴已在行业活动中展示了该项技术。HAMR的读/写磁头技术已经达成可靠性测试,充分满足客户的期待。
希捷科技企业级产品线管理高级总监Jason Feist表示:“我们的技术工程团队的目标是在对成本敏感的存储层加快容量和性能方面的创新,这对支持现今热门的移动/以云为中心的基础设施至关重要,同时也能够推动边缘和IT 4.0分布式数据范例的发展。我们正与NetApp公司及其他行业领导企业紧密合作,以确保这些创新通过测试并被证明可支持实际的工作场景,进而满足NetApp公司客户所依赖的应用需求。”
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。