在上周的 Nvidia GTC 大会上,一款新型液冷固态硬盘 (SSD) 发布,旨在帮助管理当今高性能 AI 数据中心基础设施的散热问题。
数据中心的液冷技术通常用于 GPU 和 CPU 等高功耗芯片。然而,作为提升数据中心存储性能和效率努力的一部分,Solidigm 推出了一款面向 AI 部署的新型液冷企业级 SSD (eSSD)。
D7-PS1010 消除了数据中心存储设备传统上需要的风扇,实现了完全液冷的 AI 服务器。
Solidigm 与 Nvidia 合作解决了 eSSD 液冷面临的挑战,如热插拔能力和单面散热限制——这两项功能都是新 D7 系列所具备的。
现实世界的痛点
在 GTC 2025 大会上,Solidigm 展示了首款 9.5mm 冷板散热 SSD。它们还将提供 15mm 规格,为风冷服务器和存储系统的设计提供更多灵活性。
"创新的 Solidigm E1.S SSD 和液冷冷板套件的组合——两者都是市场首创——在保持数据中心级可维护性的同时,在散热效率方面带来显著优势,"Solidigm 联合 CEO Kevin Noh 表示。
Solidigm 的 AI 和领导力营销高级总监 Roger Corell 向 Data Center Knowledge 表示,全盘散热和热插拔功能的需求是当今数据中心工程团队面临的"现实世界痛点"。
"电力和散热是 AI 数据中心面临的最大挑战,"Corell 说。"随着 GPU 运行速度不断提升,数据中心可用电力变得更具挑战性,这一点尤为突出。"
他补充道:"在这种环境下,对所有 GPU 服务器组件进行液冷至关重要。该解决方案通过将液冷扩展到存储设备,同时保持企业级的热插拔可维护性来解决这一问题。"
液冷 SSD 的崛起
在讨论这次发布时,Omdia 高级首席 SSD 和 HDD 存储分析师 James Zhao 表示,虽然现在判断 Solidigm 的最新产品是否代表了数据中心散热的新品类可能为时尚早,但它可能成为冷板液冷系统的"潜在新标准"。
"液冷系统主要应用于 GPU、CPU 和 DRAM 等高功耗芯片,"Zhao 向 Data Center Knowledge 表示。
"生成式 AI 和加速计算需要能提供最佳性能的内存和存储。然而,更高的性能伴随着更多热量的问题,不断为系统集成商带来挑战。对主要发热源采用更好的散热解决方案对紧凑设计的系统来说是必需的。"
Zhao 补充道:"像 Solidigm 和 Nvidia 这样的领先企业合作理解问题并创新先行很有意义。当机架中需要更多 eSSD 时,传统的单面散热会降低系统设计的灵活性,当装载更多 eSSD 时,散热效率会急剧下降。"
"热插拔能力对几乎所有服务器存储来说都是必需的。然而,对液冷系统来说仍然存在风险。我很期待看到他们如何解决这些问题。"
AI 存储散热
Solidigm 表示,D7-PS10101 E1.S 9.5mm SSD 和液冷冷板套件将于 2025 年下半年面向 AI 服务器推出。初始容量为 3.84TB 和 7.68TB,容量范围将在年内进一步扩展。
"随着 GPU 性能持续提升,某些未来的 GPU 服务器可能需要完全液冷,"Corell 说。"此外,由于液冷和我们的冷板解决方案可以消除风冷风扇,该产品可以实现紧凑的 1U 服务器设计,有助于提高计算密度。"
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。