大容量硬盘加速出货,AI“容量危机”有望化解

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

过去几年,人工智能产业的狂飙突进,使得全球的目光都聚焦于算力之上,“算力即未来”的逻辑似乎深得人心。

但从2025年开始,一个微妙但确定的转向正在发生:人工智能的中心从训练全面转向推理。智能体的爆发无疑是最为直接的信号,从OpenClaw到Harmes,人们不再满足于生成一段文字、图片或者视频,而是希望调用工具、多轮交互、反馈修正和执行决策,这背后则是数据链路的重塑,数据存储体量、数据访问频率和数据处理效率均远超过往。

因此,当人工智能与千行百业的加速融合,除了追求AI大模型强大能力之外,“容量危机”也成为众多企业数智化转型中面临的一道必答题。而随着东芝存储M12系列大容量机械硬盘的量产出货,为市场带来一个明确的答案:帮助众多企业在AI时代全面克服“容量危机”,释放海量且高质量数据的价值。

AI时代的“容量危机”降临

今年初,Token一词引爆全网。业界普遍认为着Token调用量持续大幅增加,一个宏大且影响深远的“Token经济时代”已然降临。Token经济火爆出圈的背后,其实是AI需求结构发生重大转变:即随着AI进入到推理时代,智能体全面与千行百业场景融合,基于数据的Token消耗量飙升,将数据存储需求推向新高峰的同时,也对于数据存储市场产生深远影响。

文章配图-1

首先,推理业务规模会带来极大且持续的容量需求。像智能体执行任务需要多轮推理、工具调用和长上下文记忆,其Token消耗量比传统对话模式高出数十倍。IDC预测,到2030年,活跃智能体数量将增至22.16亿。英伟达创始人兼CEO黄仁勋甚至断言,AI推理的规模很快将达到训练负载的十亿倍。

其次,数据存储需求侧呈现出爆发式增长,但是供给侧产能则受到大量 AIDC建设的影响,数据存储产能呈现出紧缺的状态。TrendForce集邦咨询就表示,AI带来的巨大需求所料未及,硬盘制造商产能并未及时跟上;加上CSP、大型互联网公司加大对AIDC的建设投入,导致大容量存储供不应求。Omdia也预测,由于产能扩张并非马上见效,所以企业级硬盘供应进展局面还将持续。

第三,考虑到未来AIDC中,超过70%的数据均是温冷数据,在海量数据增长成为既定事实的情况下,从容量、成本、功耗等因素综合考虑,大容量机械硬盘硬盘将成为数据中心用户们应对“容量危机”的关键。

事实上,面对供给与需求严重错配的情况,大容量SSD固然能够填补一定的市场空白,但面对大规模部署的市场缺口,HDD才是中流砥柱的解决方案,必定会受到市场密切关注。

SMR大容量硬盘成为容量担当

当前正是AIDC极速扩容、产能普遍吃紧的特殊窗口期,而大容量机械硬盘市场又存在CMR/SMR/HAMR/ePMR等多种技术路线,不同厂商采取不同技术路线来实现机械硬盘容量的代际跃升。从应用场景、容量、技术成熟度、经济性等因素综合考虑来看,SMR大容量机械硬盘是整个AI时代的容量担当,在未来数据中心中依然将扮演重要的角色,将是解决“容量危机”的核心抓手。

以东芝存储M12 s系列大容量机械硬盘为例,其采用的是HM-SMR(Host Managed SMR),并集成东芝存储创新的磁通控制微波辅助磁记录 (FC‑MAMR)技术,由主机系统负责管理硬盘内的数据排布和重写操作,既实现数据的高效处理,又有效缓解性能下降的问题。

事实上,如果从当下众多AIDC、超大规模数据中心的实际场景来看,这些数据中心均存在着海量训练数据导入、模型Checkpoint定期保存、日志和监控数据归档等大量温/冷数据处理的场景,而这些场景又都属于典型的大规模顺序写入和读取的工作负载,非常适合采用HM-SMR技术的东芝存储M12 s系列大容量机械硬盘。

文章配图-1

例如,在全球AI最重要的市场之一美国,其大型CSP、互联网公司等头部数据中心用户均已经实现了基于HM-SMR技术大容量机械硬盘的规模化部署;同样,在重要的中国市场,随着头部互联网用户紧跟趋势,加大生态适配的研发,大容量机械硬盘的生态环境持续完善,未来也有望迎来爆发式增长。

同时,不同技术路线的大容量硬盘如今均能够将容量提升到30TB以上,甚至有些技术路线提出未来几年达到100TB的目标。但仔细分析,基于HM-SMR技术的大容量机械硬盘的综合优势明显,AIDC等数据中心建设中不可或缺的容量基石。

具体来看,CMR技术更加成熟,但容量上有局限,很难满足企业级市场需求;而基于HM-SMR技术大容量机械硬盘则在技术成熟度、容量、可靠性等方面达到最佳平衡,同时通过FC-MAMR 技术/增加盘片等创新,成为当前数据中心一种更加务实容量提升路径。甚至未来,基于HAMR技术的HM-SMR有望开启机械硬盘的超高容量之门。

例如,集合FC-MAMR技术,东芝存储M12 s系列大容量机械硬盘可以在不引入激光加热带来的热管理复杂性和可靠性风险的前提下,通过微波辅助实现接近HAMR的记录密度增益,技术复杂度却相对更低;而且M12 s系列大容量硬盘采用氦气密封封装,拥有11片磁盘,使用的记录介质从传统的铝基板替换为玻璃基板,耐用性进一步提升。

再从经济性/功耗/散热等TCO综合维度考虑,SMR大容量机械硬盘的优势也更加明显。像东芝M12 s系列大容量机械硬盘最高数据传输速率达 282MiB/s,较上一代产品性能提升约 8%;每 TB 功耗降低约 18%,年化故障率 (AFR) 仅 0.35%。对于拥有成千上万盘位的众多数据中心而言,SMR大容量机械硬盘每年在节能等方面的优势不可低估。

事实上,HM-SMR技术大容量机械硬盘的生态也是全面提速,尤其是Linux 等开源社区的支持至关重要,Linux Kernel的原生支持,Btrfs、F2FS、XFS、SaunaFS 5.0等越来越多文件系统开始支持HM-SMR技术,使得SMR大容量硬盘在数据中心市场的价值进一步提升,未来有望获得更多数据中心用户的持续青睐。

M12硬盘出货,有效缓解“容量危机”

当前,东芝存储最新30TB-34TB 的 M12 s系列大容量机械硬盘的量产商用,无疑为数据存储市场释放出积极的信号,将极大缓解“容量危机”带来的市场焦虑。

目前来看,各家机械硬盘厂商产能普遍偏紧的当下,东芝存储 M12系列硬盘的出货恰逢其时,为市场提供了一个实质性的可选项,不仅可以及时满足数据中心用户的容量需求,还将有效分散供应链风险,为数据中心用户们带来安全边际。

文章配图-1

据悉,东芝存储正在稳步推进中国产能的扩张布局,目标是到2026年将整体产能翻一番,并将HDD市场份额从上一年度的17%扩大至略高于24%,稳固的本地化产能无疑将为众多企业带来一颗“定心丸”。

从更长远的视角来看,东芝存储短、中和长期的技术路线布局,既保障了当前市场的充足供给,也为后续技术代际迭代预留了空间,高度契合市场实际需求和未来趋势。当前东芝存储短期侧重兼顾各种需求,M12系列硬盘分为CMR和SMR两种产品,满足市场当下细分需求,其出货即市场高度关注;中期则会采用MAS-MAMR技术,计划于2027年推出基于MAMR技术的容量高达40TB的数据中心专用硬盘;长期则会为HAMR技术做好充足准备,为后续大容量硬盘的持续突破提供可行路径。

综合观察

未来五到十年,智能体的爆发和持续进化,实质上改变了AI需求结构,也使得大容量存储成为未来企业一项长周期的工作。

面对“容量危机”,东芝存储并未视其为一场短暂的产能危机,而是通过阶段式的技术路线合理布局、持续且稳定的产能,满足全球数据中心短、中和长周期的海量存储需求。随着M12 s系列大容量机械硬盘的量产出货,东芝存储无疑在向市场宣告:在个确定性日益稀缺的世界里,东芝存储将为数据存储锚定更多确定性。

《AI实战嵌入式Agent +MCP+skill》课时2.5|定时器实战 本课讲解定时器时基单元原理,通过PSC、ARR、CNT三寄存器配合实现精确周期控制。以84MHz时钟为例,计算得PSC=8399、ARR=9999可实现1秒溢出周期。采用HAL_TIM_Base_Start_IT启动定时器更新中断,在HAL_TIM_PeriodElapsedCallback中处理周期任务,实现非阻塞、高精度的定时。相比HAL_Delay的阻塞式延时,定时器中断方案不占用主循环,支持并发操作,是嵌入式系统中实现周期任务的高效方式。 阅读详情

相关推荐

哨兵一号数据snap预处理_利用SNAP软件进行Sentinel-1A卫星微波影像的预处理

利用SNAP软件对雷达影像进行预处理,主要包括热噪声去除、轨道文件校正、辐射定标、滤波校正、多普勒地形校正,最终获得入射角和后向散射信息。数据:本次实验所用数据为哨兵一号(Sentinel-1A)干涉宽幅模式(Interferometric Wideswath,IW)下经过多视处理和地距转换的GRD格式产品一般处理流程如下:0 SNAP软件安装软件安装:安装成功后打开SNAP后如图所示:1 数据...

weixin_30000407的博客 1万+

6 款电商 AI 图片生成软件实测|国内 + 跨境卖家工具清单

电商 AI 作图工具已经从 "能不能用" 进入了 "好不好用" 的阶段。对于绝大多数卖家而言,现在的 AI 工具已经可以覆盖 60%-80% 的基础商品图需求,显著降低拍摄和设计成本。选择工具的核心逻辑不是 "哪款最强",而是 "哪款最适配你的品类、平台规模和团队能力"。垂直电商工具胜在工作流效率,通用生图工具强在创意上限,模板类工具赢在上手速度。建议根据自身业务阶段,搭配 1-2 款主力工具 + 1 款辅助工具,形成适合自己的视觉生产流程。

Mardi_Ladin的博客 361

数据分析项目:电商用户行为分析系统

本报告基于某电商平台用户行为数据(采样10%),通过清洗、探索性分析及多维度建模,旨在挖掘用户行为特征、商品销售规律及用户价值分层,为运营策略优化提供数据支持。原始数据字段:用户ID、商品ID、类目ID、行为类型、时间戳。长尾商品(购买量低)可考虑捆绑销售或限时折扣,提升动销率。长尾商品(购买量低)可考虑捆绑销售或限时折扣,提升动销率。,少数高活跃用户贡献大部分行为,多数用户行为次数较少。

Nervousr的博客 1701

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 201

HCIA重点知识

华为认证ICT工程师,是华为认证体系中用于标识个人能力在某一技术领域达到工程师级别的证明,表示通过认证的人员具备安装、配置、运行 ICT 设备,并进行基础故障排除的能力。抽象语言 -----> 编码 -----> 二进制 -----> 电信号 -----> 处理电信号信号的转换标准:协议,是一种允许电子设备相互交流的一系列标准的规则。即开放系统参考模型OSI/RM,简称“OSI”。OSI参考模型将计算机网络分为七个层次,自上而下依次为:应用层,表示层,会话层,传输层,网络层,数据链路层,物理层。1、应用层:

Awen0201的博客 2542

iOS 取证窍门:为什么要先从 Recovery 恢复模式开始?

未记录的 DFU 代表“设备固件升级”。与专为普通用户设计的恢复模式不同,DFU 模式从来都不是为公众设计的。Apple 知识库中的任何地方都没有关于 DFU 的文档。进入 DFU 的方法主要是通过按下、按住和释放按钮的复杂操作序列,并具有精确的时间限制。在多个步骤中的任何一个步骤中,如果时间错误,都会导致重新启动设备,而不是将其切换到 DFU。另外,设备屏幕上也没有 DFU 模式的指示。如果设备成功切换到 DFU,显示屏将保持黑色。即使对于专家来说,进入 DFU 模式也可能很困难。恢复模式是最容易解释的。

2302_82041293的博客 1198

我用 GPUWorks 在 M1 Pro 上搭了个发票识别原型

公司里经常要看电子发票。我想先做个小原型:把 PDF 发给一个自己部署的图文模型,让它提取发票类型、日期、交易双方和金额,再把结果交给同事核对。这个原型不用先接财务系统,先看看从部署到调用要走多少步,模型返回的内容能不能帮上忙。

鸽芷咕的博客 2万+

VFIO框架源码分析(一)- 从初始化到设备访问

本文深入剖析了Linux内核中的VFIO(Virtual Function I/O)框架,详细解读了其从初始化到设备访问的全过程。VFIO通过Container->Group->Device的层次化设计,利用IOMMU提供安全隔离,允许用户空间直接访问物理设备。文章基于Linux v5.15版本,重点分析了vfio_init模块入口、Container创建与配置、Group关联以及最终设备访问等关键环节,揭示了VFIO如何通过逐层授权机制构建安全可靠的设备直通模型,为虚拟化技术提供核心支持。

qq_36071928的博客 380

您您这可以把问小白的多个会话比如说。左侧的多个会话一次性导出吗?不是单条会话里面的多次会对话。AI导出鸭

第三层是格式编译层。这个决策背后的判断很清晰:一个批量导出工具的价值,不在于“试三次”,而在于你真正用它处理了几十份技术文档、访谈记录或课程讲义之后,它是否值得留在你的工作流里。问小白的会话列表通过分页接口加载,AI导出鸭 在页面运行时建立旁路监听,捕获每一次分页请求返回的完整对话清单,包括会话 ID、标题、时间戳和隐藏的元数据字段。让AI导出回归优雅——这句话说的是:导出不该是体力活,而应该是一次完整的、可预期的文件交付。注意:这里的“批量”指的是左侧列表里的多个独立会话,不是一条会话内的多轮对话。

laoyunsi的博客 238

北京大学MuMo多模态肿瘤分类模型复现与迁移学习

本项目复现了北京大学MuMo多模态肿瘤分类模型,并针对特定医学影像数据集进行迁移学习。MuMo模型通过整合CT、MRI、PET等多模态医学影像数据,显著提升了肿瘤分类准确性。项目内容包括环境配置(Python 3.8+、PyTorch 1.9+)、数据预处理(DICOM/NIfTI格式处理、强度归一化)、多模态数据集类实现,以及训练验证测试集划分。关键特点是采用MONAI医学影像处理库,实现三维医学影像的标准化预处理流程,并支持多种模态数据的并行加载与联合训练,为后续模型复现和迁移学习奠定基础。

max500600的博客 1241

120、NPU的Mythic M1076:模拟存算一体NPU

这篇文章分享了作者调试Mythic M1076模拟存算一体NPU的实战经验,主要包含以下要点: 硬件设计陷阱:参考电压输入必须使用低ESR电容,普通贴片电容会导致模拟计算阵列工作异常。 核心技术原理: 采用真正的存算一体架构,将权重存储为模拟电压 使用浮栅晶体管存储权重,通过电流叠加实现乘法运算 包含108个计算单元阵列(Tile),每个256×256规模 使用注意事项: 编程模型特殊,需要依赖SDK自动映射网络层 存在6-8位有效精度限制,需用量化感知训练 功耗特性独特,静态偏置电流占主要功耗 调试手段有

m0_50546716的博客 122

医疗 AI 有两种,别混着谈:一个改流程,一个改范式

InfoXMed 是面向医生、医学生和医学科研人员的 AI 医学工具平台,提供文献检索、全文翻译、AI 解读、指南查询和题库练习等功能,辅助临床学习、科研汇报与医学备考。原文是日本医学会杂志(JMA Journal)的一篇综述(Review Article):基本事实:这一点必须先说清:这篇论文提出的是一个研究纲领。它文中的"预测"指的是科学设想,不是可以拿来用的临床预测能力。文中甚至自己承认了一个硬缺口(见第三节)。本文只谈它的术语辨析与科学方法论,不转述任何可作为临床依据的预测或处置主张。这篇论文的全部

2601_96948740的博客 241

uniapp - 使用web-view加载本地网页vue页面,用webview导入本地网页,uniAPP中使用web-view加载的本地及远程vue页面+双向通讯功能(兼容微信小程序、安卓苹果APP)

uniapp的App端web-view加载本地html,uniapp微信小程序webview加载本地HTML文件,在uniAPP中使用web-view加载的本地及远程vue页面且进行双向通讯,uni-app的web-view组件,支持加载远程网页,在app环境下,还支持加载本地HTML页面。uniapp WebView组件实现本地网页加载与通讯传值,uniAPP如何内嵌webView引入本地的vue网页示例代码,uniapp在web-view加载的本地及远程HTML中调用uni的API及网页和vue页面跳转

🏆 前端领域优质创作者 5226

河道漂浮物目标检测数据集

目标检测,yolo,河道漂浮物目标检测数据集

DL_data_set的博客 195

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 195

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 550

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

AI前沿日报 · 2026-11-04 | 祛魅时刻:Astra“纯读权重“神话的崩塌

①Astra"裸权重通吃"被spaCy创始人Honnibal精准祛魅——仅1/3实验真裸读,数学能力提升依赖Python+50次迭代;②Simon Willison用Qwen 3.8-27B端侧复现权重空间编程;③Nvidia开源Auto-Ontology自动知识图谱;④$800开源全域抓取机器人Stringman;⑤OpenAI悄然重开Codex训练开关引信任危机;⑥DeepMind发布Gemini 4 Argon机器人基础模型;⑦美国科技巨头隐性AI债务达3.2万亿美元,6个月增90%。

johnsong2009的博客 562

大模型 Embedding 与向量相似度详解

Embedding 解决的问题:计算机不懂文字,但懂数字│▼文本 → 向量(1024维浮点数数组)│▼相似度解决的问题:怎么判断两个向量(文本)有多接近│▼余弦相似度:看向量方向的夹角,越接近0°越相似│▼最终效果:语义搜索——理解意思,而非字面匹配一句话总结:Embedding 把文字变成数字,余弦相似度比较数字的方向,两者结合实现了"理解语义"的搜索。

T3165919332的博客 83

GPT-1 架构和计算细节

下面配合框图,对 GPT-1 的每个组件做公式展开 + 数值实例(配置:12 层 × 768,12 头,FFN 3072,词表 40478,共 117M 参数)。GPT-1 把翻译模型的编码器-解码器砍掉一半,只留解码器,然后以"预测下一个词"为目标在 BooksCorpus 上预训练。与 2017 原版的四个架构差异(框图中标 ★):h0=E[token]+Epos[position],E∈R40478×768, Epos∈R512×768h^0 = E[\text{token}] + E_{pos}[\

eloudy的专栏 273

终端 AI 审计与 “龙虾” 类智能体风险治理:从可见性到闭环溯源

生成式 AI 办公普及之后,数据泄露风险逐步下沉到终端。员工将合同、源代码、客户资料粘贴至公有大模型,以及龙虾(OpenClaw)这类本地开源 AI 智能体的滥用,成为企业安全新挑战。传统网络边界防护存在审计盲区,本文从风险链路拆解、核心能力模型、分级治理策略、落地踩坑点以及技术局限性多角度,分享终端侧 AI 安全治理的实践思路。

2401_86491085的博客 631

2.53 基于极稀疏指纹的室内定位注意力图元学习

该论文发表于IEEE Transactions on Mobile Computing(TMC)2026年6月,面向极稀疏指纹条件下的WiFi室内定位,针对指纹采集人力成本高、标记指纹稀缺时定位精度大幅下降的痛点,提出注意力图元学习模型AGML(Attentional Graph Meta‑Learning),结合图神经网络、元学习、两种指纹数据增强与分布对齐技术,在标记指纹极少的场景实现高精度室内定位,同时公开了多套真实+仿真定位数据集用于基准测试。场景:二维室内空间,障碍物造成信号遮挡,

weixin_42963026的博客 333

语音识别与语音合成的技术原理及应用

语音识别 #语音合成 #人工智能 #大模型。语音识别与语音合成的技术原理及应用。一、语音识别的核心原理。二、语音合成的核心原理。三、工程落地的主要难点。五、需要关注的现实问题。

weixin_62919816的博客 204

设计师工作室 GEO 实操:如何提升 AI 实体推荐概率

设计工作室 GEO 的本质,是把创意服务转化为 AI 可理解的结构化信息。核心动作可归纳为:区分事实与审美、建立实体图谱、预判用户提问、输出脱敏内容、搭建多信源、持续测试验证。梳理工作室的 6 个实体属性:品类、城市、流程、边界、团队、渠道。在官网或作品集平台发布至少 3 篇结构化项目复盘,只陈述事实。输出 1 篇「设计报价影响因素」科普内容,覆盖甲方高频提问。争取 1 次行业媒体或本地媒体专访,形成第三方信源。每周用「XX 城市 + 品类 + 设计工作室推荐」指令测试,记录出现频率。

goujunwe的博客 331

AI作图软件技术选型:从4个技术维度出发的实测对比

AI作图软件技术选型:从4个技术维度出发的实测对比

Vbaoke的博客 201

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 4524

影视场景怎么用AI生成3D镜头预演?从概念图、场景白模到网页审片

概念图有氛围,不代表能直接用于镜头预演。本文围绕剧本拆镜、资料与尺度假设、场景白模、机位走位、动作节拍和网页审片,介绍 AI 生成 3D 场景的预演流程。通过稳定对象与相机编号、统一镜头表、意见关联版本和三轮审核,让讨论落到具体镜头,同时明确白模与网页预演不能替代真实场地勘景及现场安全判断。

Solange__的博客 533
上一篇: 从IO 500双登顶出发,中国存储领跑AI新周期
下一篇: 诊室里的“新质生产力”:AI让医疗服务既有速度又有温度
大数据在线
博客等级 码龄8年 823粉丝 553原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值