Huawei выпустила накопитель OceanDisk 1800 емкостью 122,88 ТБ. Компания использует технологию Die-on-Board, чтобы повысить плотность хранения в условиях ограниченного доступа к передовой 3D NAND.
Huawei представила линейку SSD OceanDisk 1800 для дата-центров и AI-нагрузок. В нее входят модели на 61,44 ТБ и 122,88 ТБ. В дальнейшем ожидается версия на 245 ТБ. Накопители рассчитаны на инфраструктуру, где данные нужно хранить рядом с вычислениями и быстро передавать в AI-системы.
Главная деталь здесь не рекордная емкость, а конструкция накопителя. Huawei использует технологию Die-on-Board. В обычной схеме кристаллы NAND сначала помещаются в отдельный корпус, а затем устанавливаются на печатную плату SSD. В OceanDisk 1800 они размещаются непосредственно на плате. Это позволяет плотнее использовать внутреннее пространство накопителя.
Для Huawei такой подход имеет практический смысл. Компания с 2019 года находится под американскими ограничениями и не имеет свободного доступа к самым современным технологиям производства и упаковки памяти. Поэтому емкость приходится увеличивать не только за счет более продвинутых NAND-чипов, но и за счет компоновки, упаковки и архитектуры хранения.
По данным TrendForce, Die-on-Board может увеличить плотность размещения примерно на 33%. Это не снимает технологических ограничений полностью, но дает Huawei возможность выпускать накопители высокой емкости на доступной компонентной базе.
OceanDisk 1800 рассчитан не на роль одиночного SSD в сервере, а на работу внутри плотных систем хранения. По информации Blocks & Files, Smart Disk Enclosure на базе этих накопителей обеспечивает до 1,47 ПБ в корпусе 2U. В составе OceanStor Pacific 9926 конфигурация из 36 SSD по 122,88 ТБ дает 4,42 ПБ физической емкости в тех же 2U. При сжатии данных в соотношении 2,5 к 1 полезная емкость может достигать 11 ПБ.
Для AI-ЦОДов это важный показатель. Чем выше плотность хранения, тем меньше требуется стоек, сопутствующей инфраструктуры и кабельной обвязки. Данные можно держать ближе к вычислениям, а систему хранения масштабировать без лишнего разрастания площадки.
Большие модели, мультимодальные данные, RAG-сценарии, обучение и инференс требуют не только GPU и HBM. Им нужны быстрые и плотные хранилища, которые не создают дополнительный разрыв между вычислениями и данными. Если данные подаются медленно или хранятся слишком далеко от вычислительного контура, дорогие ускорители работают не на полную эффективность. Михаил Неверов: «Пять тысяч агентов можно собрать за сутки. Но решат ли они реальные проблемы?» Как GenAI-платформа SimpleOne превращает ИИ из эксперимента в рабочий инструмент бизнеса Параллельный импорт в России: от экстренной меры к постепенному сворачиванию
Источник: www.it-world.ru