3月21日,是国际森林日(International Day of Forests)。在绿色低碳的追求中,人们不仅要守护森林的“绿色”,更要推动各种节能降耗措施,节省出一片“绿色”。其中在数据中心领域,为了践行绿色低碳,浪潮信息推出全闪存储产品,相比传统机械硬盘(HDD)存储,在200%提升存储性能的同时,能将空间节省60%、能耗降低80%。
全闪存储守护世界的绿色
据统计,中国每年出货20~30万台存储设备,如果其中10万台部署为全闪存储,一年大约可以节省1.2亿度电,降碳5.7万吨,大约相当于种植一片300万棵树的森林。
绿色 是数据中心建设方向
随着我国数字经济飞速发展,算力、数据需求持续增加,大型、超大型数据中心快速建设。据统计,截至2022年,中国在运营的数据中心中,大型、超大型数据中心占比达49.3%,机架规模约为106.9万架。然而随着数据中心建设加速,数据中心能耗快速上升,预计到2025年数据中心能耗将占全球能源消耗的5%,数据中心如何做好节能减排,责任重大。
绿色节能成为数据中心的关键,如何削减PUE,降低基础设施能耗成为智算时代的刚需。工信部在《新型数据中心发展三年行动计划(2021-2023年)》中明确提出,到2025年新建大型及以上数据中心PUE值需降到1.3以下。在此背景下,数据中心迎来绿色发展新阶段,存储将成为新型数据中心“绿色低碳”目标得以实现的突破重点。
全闪存储 为数据中心打造绿色基座
绿色数据中心的建设是一个系统性问题,传统数据中心存在能耗高、效率低、运维难、可靠性低等问题。为改变这一状况,浪潮信息推出全闪存储,涵盖全闪集中式存储和全闪分布式存储两大产品,致力于打造安全可靠、绿色高效的数据基座。
首先,在安全可靠方面,浪潮信息的存储方案能够提供数据全生命周期的妥善保护,从部件、器件、整机系统、核心软件、管理软件、解决方案六个层面,为业务连续性提供强有力的保障。例如基于双活、三数据中心技术,数据存储可以实现站点间RPO(故障恢复点目标)达到0、RTO (恢复时间目标) 接近于0。
其次,在绿色节能方面,浪潮信息的存储平台打出“组合拳”,从硬盘、背板、供电、散热等多个维度出发,利用多种技术有效降低整机能耗。例如散热方面,全闪存储创新研制了整机无背板正交散热架构,能够利用3D真空腔均热板散热技术化解局部热点,并借助控制器的超导热管均温翅片完成热转移。基于智能调控、整机散热的调优,单台存储设备一年可节省近1000度电。又如供电方面,全闪存储基于PSU冗余电源自动切换技术,能够根据负载情况自动切换供电模式:当高负载时所有电源全部工作,为业务提供充沛能量;当低负载时就启动主备模式,提高存储系统供电效率。据统计,当PSU负载控制在50%,一台存储整机一年可节省约200度电。再如运维方面,浪潮信息的存储管理软件还能为数据中心提供多种能耗优化分析,包括使用率分析、功耗分析、负载分配分析,支持智能功耗预测,助力数据中心绿色运维。
最后,在高效方面,浪潮信息存储平台基于全新开发的、闪存原生的“iTurbo 2.0+智能加速引擎”,构建了由多种闪存盘组成的智能分层存储资源池,将智能IO感知、智能快路径、智能资源调度、智能数据组织等四大技术的数十项性能优化算法与闪存盘联调优化,让千万级IO均衡落盘,而且达到亚毫秒级低时延,将存储系统性能发挥到极致。
为世界增添一片绿
烟花三月,草长莺飞,天地万物皆同春。这个春天,你也许没机会种下一棵树苗,但可以选择一次低碳出行,一次随手关灯、睡前关机,少乘一次电梯,或者搞点特别的——给数据中心换上全闪存储。一个个绿色行动,节省下更多的电能,为世界增添更多绿色。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。