一文读懂人类信息存储进化史

本文涉及的产品
对象存储 OSS,20GB 3个月
阿里云盘企业版 CDE,企业版用户数5人 500GB空间
云备份 Cloud Backup,100GB 3个月
简介: 感兴趣的同学可以点击文字最下方的链接,了解详情哦

感兴趣的同学,欢迎点击查看详情哦
在很久很久以前
那个时代语言和文字还没出现
人们的还都是通过“呜呜呜”的方式来进行沟通
但是事情还是得记的
因此“结绳记事”这种方法开始在人群里开始流行
但是,事情总归是越来越多,结也会越来越多
到最后究竟哪个节是哪个事情,谁也不知道
1.jpg

为了解决这个问题
仓颉创造了文字
人们开始把事情通过文字的方式记在
龟背和兽骨上
2.jpg

但动物资源毕竟是有限的
人们在获取这类资源时,也变得愈加困难
因此用竹子削平的竹简
凭借其简单易得且数量大的特点
开始收到人们的青睐
但是竹简毕竟还是太重了,记录和查看非常的不方便
3.jpg

于是到了东汉时期
纸就被发明出来,并被广泛应用
而纸作为一个跨时代意义的发明,一直沿用至今
并且仍是目前应用最广泛的存储载体之一
4.jpg

随着时间的发展
IT技术也正在茁壮发展
如果说纸解决了
时间到了1725年
Fritz Pfleumer发明了录音磁带,实现了模拟信号的存储
而磁带的诞生,也标示着磁性存储时代的开始
5.jpg

1932年磁鼓存储问世
它是一个大型金属圆柱体,外表面涂有铁磁记录材料
在当时被广泛应用于计算机内存和二级存储
因此也被认为是硬盘驱动器(HDD)的前身
6.jpg

到了1949年磁芯存储器被发明出来
它可根据磁化时电流的方向产生两个相反方向的磁化
这就实现了作为0和1的状态来记录数据
而其也是随机存取存储器(RAM)的早期版本
7.jpg

1956年世界上第一个硬盘驱动器出现
也就是我们现在说的机械硬盘(HDD)
8.jpg

该驱动器约有两个冰箱大小,重达一吨
包含约50个24英寸盘片
但只能存储5M的信息,数据传输速度也只有10K/S
9.jpg

终于时间到了1980年,
闪存在日本横空出世
其特点是断电后数据不消失且容量较大
其衍生的产品——SSD(固态硬盘)
目前仍被大家广泛使用
10.jpg

但是问题又来了
进入21世纪后,随着信息技术的飞速发展
人类的世界开始进入IT时代
短短几年时间数据的量级就远超前面好几百年的总和
数据也就逐渐成为了经济发展中的重要一环
根据IDC预测:到2025年,全球数据将会达到175ZB
如果我们拿一块专业级别的SSD盘举例
假设这一块SSD盘在正常情况下读写速度为2GB/s
那么存储完这么庞大的数据就需要
34年的时间才能存完
11.jpg

当然用一块硬盘存储完这么多数据是不现实的
肯定需要大量的硬盘来进行存储
我们就拿一块3.5英寸大小
内存为1TB的硬盘举例
12.jpg

就目前来说
大多数的数据还都保留在企业的自建机房中
线下存储带来的庞大资源需求
我想对于企业来说,会是一笔不小开销吧
并且在现实情况中企业往往不好预估自己所需要的存储量
一但买多了,就会造成不必要的浪费
同时企业还得专门请人进行运维、修复等工作
无形中就又增加了企业许多运营成本
13.jpg

并且尤其由于互联网的普及
信息经常是呈爆发式地出现
用户可能经常会短时间内涌入一个APP
14.jpg

因此很多互联网企业
需要在平时预留非常多的磁盘空间来应对这种情况
但是用这种方法的话
就会造成许多的资源浪费
因此一个具备高弹性、大容量、高性能以及高可靠的产品
就成为了这些企业的刚需
而上云,正是解决这些问题的最佳途径
15.png

在2008年
阿里巴巴就曾面临一个重大的危机
公司的“脑力”快不够用了
几亿用户无论是在淘宝剁手,还是支付宝上转账
这一切都要靠巨大的计算力来思考、记忆
16.png

和人一样:
如果这个“大脑”记忆被填满
就没办法储存新的商品和交易记录。
如果这个“大脑”思维速度跟不上
就没有办法让用户及时下单、付款。
因此阿里巴巴开始了他的上云之路
阿里云也应运而生
17.png

08年
业界首个大规模分布式存储引擎——盘古1.0
也就是大家耳熟能详的
阿里云“飞天操作系统”重要组成部分
正式飞天启航
18.jpg

经过十年的打磨与升级
盘古单集群已超过10万
其在2018年发布的盘古2.0分布式存储系统
在性能、可靠性、成本、自动化运维等方面都进行了提升
成为全球第一个实现了底层提供微秒级延迟与百万级IOPS的存储系统
20.png

这十年内
阿里云不仅是在技术上进行了升级
其产品更是经历了各种实战的磨练
21.jpg

在2018年
阿里云发布了全球首个百万IOPS云盘ESSD云盘
轻松支撑阿里经济体核心全面上云
扛住了2019年天猫双十一
交易峰值期54.4 万笔 / 秒的压力
阿里云ESSD作为服务企业核心业务场景的极致云盘
能为用户提供给高可靠、高性能、弹性拓展与运维这四块能力
帮助企业核心应用全面上云
22.png

振华重工——世界上最大的港口机械重型装备制造商
在连续多年占据全球港口机械市场70%份额基础上
希望从传统制造业向服务业转型
但高效全面及时的服务
需要端到端不同系统的打通和强大的数字系统做基础支撑
因此振华重工决定开始做数字化转型

相较于云上
线下存储部署成本相比线上更高、稳定性差
因此振华重工决定将ERP系统部署到了阿里云上
由于采用了阿里云ESSD云盘来承载SAP HANA核心业务数据
整体性能提升300%
并通过云端弹性扩容
免去设备采购、运维、机房管理等成本
TCO整整降低了30%
同时通过多可用区部署ERP应用及分布式存储高可用架构
让ERP核心业务连续性得到了有效保障
23.png

到了2020年7月
阿里云推出了入门级ESSD
采用与ESSD系列相同的技术架构
同样拥有亚毫秒级别的延时
单卷最大支持10000的IOPS
相比于上一代入门级云盘
每月仅需多花0.15元/GB,即可使用全闪云盘
大幅降低了全闪存储的使用门槛
让大部分企业更简单,更轻松地享受云的便利。
24.png

在数据上云的这条道路上
阿里云正在用技术的力量
为打造全新一代数据基础设施而努力
努力做到让技术的红利,普惠到每一位用户

对更多内容感兴趣的同学,欢迎点击查看详情哦

相关文章
|
1月前
|
机器学习/深度学习 数据采集 人工智能
揭开大模型幻觉之谜:深入剖析数据偏差与模型局限性如何联手制造假象,并提供代码实例助你洞悉真相
【10月更文挑战第2天】近年来,大规模预训练模型(大模型)在自然语言处理和计算机视觉等领域取得卓越成绩,但也存在“大模型幻觉”现象,即高准确率并不反映真实理解能力。这主要由数据偏差和模型局限性导致。通过平衡数据集和引入正则化技术可部分缓解该问题,但仍需学界和业界共同努力。
28 4
|
6月前
|
数据采集 人工智能 算法
【话题文章】人性与机器:解码大型语言模型的‘幻觉’现象
【话题文章】人性与机器:解码大型语言模型的‘幻觉’现象
138 2
|
机器学习/深度学习 自然语言处理
chatGPT概念从何而来
GPT(Generative Pre-trained Transformer)是一种基于Transformer模型的自然语言处理模型,由OpenAI开发。它的概念来源于深度学习和自然语言处理领域的一系列研究和技术进展。 在深度学习领域,神经网络模型的发展一直在迅速演进。传统的神经网络模型在处理自然语言处理任务时存在一些问题,比如对长文本的理解能力较差,对上下文的关联性处理不够准确等。为了解决这些问题,研究人员开始关注一种新的模型结构——Transformer。 Transformer是一种基于自注意力机制(self-attention)的神经网络模型,由Vaswani等人在2017年提出。
73 0
|
数据采集 机器学习/深度学习 人工智能
教科书级数据is all you need:1.3B小模型逆袭大模型的秘密
教科书级数据is all you need:1.3B小模型逆袭大模型的秘密
255 0
|
机器学习/深度学习 人工智能 算法
人工智能机器学习底层原理剖析,人造神经元,您一定能看懂,通俗解释把AI“黑话”转化为“白话文”
按照固有思维方式,人们总以为人工智能是一个莫测高深的行业,这个行业的人都是高智商人群,无论是写文章还是和人讲话,总是讳莫如深,接着就是蹦出一些“高级”词汇,什么“神经网络”,什么“卷积神经”之类,教人半懂不懂的。尤其ChatGPT的风靡一时,更加“神话”了这个行业,用鲁迅先生形容诸葛武侯的话来讲:“多智而近妖”。 事实上,根据二八定理,和别的行业一样,人工智能行业内真正顶尖的天才也就是20%,他们具备真正的行业颠覆能力,可以搞出像ChatGPT这种“工业革命”级别的产品,而剩下的80%也不过就是普通人,每天的工作和我们这些人一样,枯燥且乏味,而之所以会出现类似“行业壁垒”的现象,是因为这个行
人工智能机器学习底层原理剖析,人造神经元,您一定能看懂,通俗解释把AI“黑话”转化为“白话文”
|
机器学习/深度学习 自然语言处理 数据库
可阅读「通用生命语言」的深度学习模型,照亮了微生物组数据中的暗物质
可阅读「通用生命语言」的深度学习模型,照亮了微生物组数据中的暗物质
119 0
|
机器学习/深度学习 存储 传感器
《自然》:机器视觉行为理解与脑神经有内在关联?上交卢策吾团队构建映射模型
《自然》:机器视觉行为理解与脑神经有内在关联?上交卢策吾团队构建映射模型
283 0
|
存储 数据可视化 atlas
史上最完善人类新陈代谢谱系模型登上《科学》封面!支持3D交互
史上最完善人类新陈代谢谱系模型登上《科学》封面!支持3D交互
156 0
下一篇
无影云桌面