全新铠侠CD8P系列企业及数据中心NVMe固态硬盘支持E3.S和2.5英寸(U.2)两种标准外形规格设计,并针对其性能、延迟性和服务质量都进行了优化。
东京——全球存储器解决方案领导者的铠侠株式会社(Kioxia Corporation)今天宣布,铠侠数据中心级固态硬盘(SSD)产品线新增铠侠CD8P系列。铠侠CD8P系列能够利用PCIe®5.0(32GT/s x4)接口技术,可实现更好的企业级存储、通用服务器和云端环境加速,帮助数据中心大型虚拟化系统应对复杂的混合工作负载,并能够24小时全天候运行。铠侠CD8P系列的容量可达30.72 TB[1],提供符合企业和数据中心固态硬盘规范(EDSFF)E3.S,以及2.5英寸(U.2)两种标准外形规格。

与此同时,功率效率和散热性能表现,对数据中心服务器运行环境也至关重要。铠侠CD8P系列产品对性能、延迟性、降低功耗、散热性能进行了优化,旨在为数据中心服务器提供流畅无缝的用户体验中所需的可预测性和一致性。
铠侠CD8P系列固态硬盘与上一代PCIe 4.0固态硬盘相比,其顺序读取性能提高了约60%至80%,具体表现如下:
全新的数据中心级硬盘基于铠侠第5代BiCS FLASH™ 3D闪存TLC(三层存储单元)技术,并可根据客户需求定制铠侠专有的主控与固件。与此同时,铠侠CD8P系列固态硬盘设计符合PCIe 5.0和NVMe 2.0规范,支持NVMe管理接口(NVMe-MI™) v1.1d,并支持开放计算项目(OCP)数据中心NVMe SSD规范(按需提供支持)。
其他功能和优点包括:
铠侠CD8P系列硬盘现正在为选定的客户进行送样。
相关链接:
铠侠CD8P系列产品信息
https://www.kioxia.com/en-jp/business/ssd/data-center-ssd.html
注:
[1] 1.6TB到15.36TB的容量采用E3.S的外形规格。
1.6TB到30.72TB的容量采用2.5英寸的外形规格。
[2] 条件:4KiB块大小,4KiB对齐,100%随机。
[3] IOPS:每秒输入输出(或每秒I/O操作数)。
[4] 条件:4KiB块大小,4KiB对齐,QD = 32,100%随机,对于3200 GB至7680 GB容量100%读取。
[5] 条件:4KiB块大小,4KiB对齐,QD = 32,100%随机,对于3200 GB容量及以上70%读取。
[6] 安全/加密选项的可用性可能因地区而异。
容量的定义:铠侠定义1兆字节(MB)为1,000,000字节,1千兆字节(GB)为1,000,000,000字节,1兆兆字节(TB)为1,000,000,000,000字节。但是计算机操作系统记录存储容量时使用2的幂数进行表示,即定义1GB = 2^30字节= 1,073,741,824字节,1TB = 2^40字节= 1,099,511,627,776字节,因此会出现存储容量变小的情况。可用存储容量(包括各种媒体文件的示例)将根据文件大小、格式、设置、软件和操作系统(例如Microsoft®操作系统和/或预安装的软件应用程序)或媒体内容而异。实际格式化的容量可能有所不同。
读写速度可能因主机设备、读写条件和文件大小而异。
SIE:Sanitize Instant Erase可选型号支持加密擦除,这是INCITS(国际信息技术标准委员会)技术委员会(T10)所定义的标准化功能。
SED:自加密硬盘可选型号支持TCG Opal和Ruby SSC。它具有某些TCG Opal SSC的不受支持的功能。
PCIe是PCI-SIG的注册商标。
NVMe 和 NVMe-MI 是NVM Express,Inc.在美国和其他国家/地区的注册或未注册商标。
其他公司名称、产品名称和服务名称可能是第三方公司的商标。
本文中提供的所有信息如有更改,恕不另行通知。
好文章,需要你的鼓励
在基于Chiplet的架构中,可观测性正成为系统设计的关键缺失环节。多位半导体行业专家指出,AI可从硅层遥测数据中挖掘价值,但前提是架构须提供一致的检测手段、近传感器数据压缩及可编程采集能力。专家们强调,多供应商Chiplet生态系统需要标准化、安全的遥测模式,以实现跨芯片、封装和互联域的故障定位,同时保护敏感运营数据。目前,AI在遥测分析阶段已展现出显著价值,但可观测性的扩展本质上仍是架构问题。
这项研究系统比较了四种AI图像分词策略在640000张星系图像上的表现,发现重建质量与物理属性预测能力之间存在根本性解耦,为天文基础模型的分词器选择提供了实验依据。
生命科学企业在全渠道战略和AI平台上投入巨大,但成效往往不尽如人意。问题根源不在于技术本身,而在于组织架构、数据治理和工作方式未能同步演进。许多转型项目止步于试点阶段,原因是各部门数据孤立、职责不清。要实现从传统CRM向智能互动的真正转型,企业需优先建立统一的数据基础和跨团队协作机制,并将AI能力嵌入日常工作流程,而非将其视为独立模块。
阿里Qwen团队研究如何将大模型的规模化训练思路迁移到机器人操作领域,通过统一多机器人表示与38100小时数据预训练,让机器人在陌生场景和陌生机型上也能完成复杂操作任务。