儲存、安全及運算大革命　新資訊科技十年內降臨

從大型主機、x86伺服器乃至於雲端運算，數十年來，IT基礎架構不斷歷經快速演化，資料儲存從磁帶、硬碟進入至快閃儲存的應用，並且走向軟體定義儲存時代；容器、K8S的發展改變了應用開發思維，帶進了微服務架構；而傳統的三層式架構也走向融合、超融合基建，可組合式技術正在繼起發展；網路也不再只有虛擬化，更融入了軟體定義的精髓……，這些趨勢發展正在推動著歷史齒輪，朝向更現代化IT架構轉變，同時促進企業創新與轉型。

面對一波波接踵而來的科技浪潮，在下個世代中，又有哪些新興科技帶來與眾不同的變革？近期IBM在台舉辦科技論壇，IBM大中華區技術長暨系統開發中心總經理謝東也在會中分享了未來十年可能會出現的新興技術。他以人類登月50周年起始，談到了IBM這50年來在資訊科技的投入，從參與阿波羅登月計畫、超級電腦深藍（Deep Blue）挑戰西洋棋、人工智慧系統的應用到量子運算的出現，「但若仔細分析這些無數創新的背後，其實只為了實現更快的運算力、能夠儲存更多的資料，以及更便宜的成本，以擴展更廣泛的應用。」

「而未來的創新科技同樣也是圍繞著這三個主軸發展。」謝東口中的未來創新科技包含了11項潛力技術，在未來十年將有顯著的演進。

展現資料價值

資料正在成為企業的新黑金，根據IDC預估，到了2025年，全球資料領域的總儲存量將成長至175ZB。面對龐大的資料增長，企業關注的兩大面向，不外乎是如何更快速地處理，以萃取出資料價值，其二則是如何以更便宜的成本進行資料儲存。而因應這兩方面的需求，多位相變儲存、超高密度磁帶以及結合快閃儲存與磁帶的FLAPE將提供不一樣的選擇方案。

「儘管現今Flash已經被大量應用在儲存設備中，但仍有一些地方未臻滿意，例如在速度上Flash仍與記憶體有著很大的差距，另外，讀寫次數也有其限制。」謝東提到，在許多新的儲存技術中，相變儲存記憶體（Phase Change Memory，PCM）是發展較快的一門技術，藉由硫化物在不同的相位間物理特性來儲存資料，好處是，不僅速度可以媲美記憶體，常溫狀態下也有100萬次的寫入壽命。

針對更便宜地儲存，磁帶技術依然是一個很好的選項，隨著磁帶技術的進步，超高密度磁帶不斷演進，相較於硬碟容量密度增長速度趨緩，磁帶每年的儲存密度依然有30%的增長，不僅更加可靠，同時也能長期保存。在未來的十年，磁帶很有可能會更廣泛地被應用，例如已有愈來愈多的雲端服務供應商正在使用磁帶進行備份。另外，針對熱資料與冷資料不同的儲存需求，目前也發展出FLAPE新的儲存架構，FLAPE意指Flash加上Tape，如此企業便能在對的時機將資料放到對的層級，改變儲存的經濟效益。

加密安全將更極致

在資料保護的議題中，將資料加密是常見的手法之一。隨著資訊安全重要性日增，加密技術在未來也會日趨重要，包含普遍加密技術、區塊鏈晶片、全同態加密技術以及後量子加密技術的發展，都將值得持續關注。

謝東認為，在未來十年，普遍加密技術（Pervasive Encryption）會不斷擴展，IBM已在主機系統中採用普遍加密技術來確保資料的全面安全。另外，把區塊鏈技術應用到晶片中也是未來的發展方向，「區塊鏈技術能夠確保安全可靠，應用場景也不斷在拓展中，但區塊鏈也有需要強化的地方，例如每秒能夠處理的交易速度仍然不夠快。而區塊鏈晶片的設計便是用來提升交易處理速度，藉以拓展更多應用。」

全同態加密技術則很適合雲端應用場景。一般在談及加密技術時，可能指的是儲存加密或是傳輸加密，但隨著雲端服務應用日漸普及，資料不僅會存放在企業內部，也有可能存放到公有雲，有時甚至需要進行資料交換，這時僅僅只有儲存加密或是傳輸加密並不足夠，因為交換資料的過程中，資料需要查找，便需進行解密。全同態加密技術試圖想解決的事情是，無須進行解密，而是直接在加密後的資料上進行運算處理，取得的結果再傳送回企業端進行解密。另外，因應量子運算的發展，現今有許多加密技術擔心會被量子運算攻破，這時就需要新的加密技術來確保量子時代下的安全性，後量子加密技術發展會是未來的一大重點。

突破運算極限

隨著大數據與人工智慧發展，快速處理大量資料儼然已成為一大挑戰，摩爾定律已經走到了瓶頸，大數據需要新的運算模式，於是催生了軟硬體混合優化的異構運算，例如GPU與處理器的整合就是典型的異構運算。以IBM為例，Power Systems伺服器除了搭載專為AI量身打造的POWER9處理器外，最多還可整合6張GPU顯示卡，藉由NVIDIA NVLink架構，讓處理器與GPU之間得以高速互連。

他提到，人工智慧快速發展，一方面超越出人類的能力，但也有比不上人類之處，舉例而言，人腦的能量消耗大約是20瓦，但是AlphaGo大約需要400KW，問題是，20瓦的人腦能做的事情並不只是下棋，但400KW的AlphaGo只會下棋。「而且人工智慧現今的方案還是相對昂貴，Google投入自然語言模型訓練一次的成本大約是6萬美元，這是產業界無法負擔的成本，若想讓人工智慧更快地被採用，更快與更便宜是其中兩大關鍵。」

數位AI晶片以及類比AI晶片便是因應這兩項需求而發展。許多人工智慧的訓練模型多半採用高精度與雙精度浮點運算，但人工智慧是否都需要這麼高精度的運算，可能並不一定。有時只需要近似運算即可，而精度也不需要這麼高，經過IBM科學家的實踐，在2015年已經可以用16位元進行人工智慧的模型訓練，今年更突破可以進行8位元的模型訓練，目標是希望在2021年推出2位元的ASIC晶片，如此一來，成本變便宜、速度變快，數位AI晶片尺寸也更小，因此可以很容易地進行推廣應用。

而類比AI晶片主要是為了解決在異構運算環境中資料搬移的問題，為了讓資料搬移得更快一點，而且不會消耗大量功耗，直接在記憶體上運算，同時運用類比的方式來降低功耗將會是一個可行的方式。謝東最後提到，近年來，量子計算快速發展，從2017年的量子體積（Quantum Volume）、2018年8 量子體積，到今年的16量子體積，每年都有翻倍的成長，未來其所帶來的應用場景將超乎想像。