16TBモデルはPM1763のフラッグシップであり、サムスンは「業界最高の性能」と謳っています。
PM1763は当初、以下の3つの容量で提供されます。
サムスン半導体の公式製品ページでは、9世代V-NANDと新しい4ナノメートルコントローラを搭載し、E1.S、E3.S、U.2 フォームファクターで最大 64 TB までの容量に対応するとされています。
次世代AIサーバーは、熱管理のために液冷アーキテクチャへの移行が進んでいます。PM1763は、Direct-to-Chip(D2C)液冷 に対応するよう設計されています。
データセンターにとって、エネルギーコストと冷却は主要な運用経費であり、電力効率の向上は重要な目標です。PM1763はPM1753と比較して 1.8倍の電力効率改善 を実現し、全体的な運用コストの削減に貢献します。
AI駆動型データセンターの進化する脅威環境を認識し、サムスンはPM1763に、保存データ、転送中データ、使用中データを保護するための高度なセキュリティ機能を搭載しました。
PM1763はNVIDIAのVera Rubinプラットフォーム向けの認定を通過し、2026年7月7日から8日にかけて量産に入りました。業界レポートによると、現在Vera Rubin向けeSSDを量産しているのはサムスンとマイクロンの2社であり、SKハイニックスはまだ準備段階にあり、このプラットフォームへの供給を開始していません。
PM1763の発表は、サムスンがHBM4サプライヤーとしての役割を超えて、NVIDIAのAIプラットフォーム向けに「トータルメモリソリューション」を提供するという、より大きな戦略の一部です。
HBM4認証: 2026年6月5日、NVIDIAのCEOであるジェンスン・フアン氏は、サムスン、SKハイニックス、マイクロン の3大メモリメーカーすべてが、Vera Rubinプラットフォーム向けのHBM4メモリ供給の認定を受けたことを確認しました。これはAIサプライチェーンにとって重要なマイルストーンであり、多様化された競争力のある供給基盤を保証するものです。
業界動向: AI推論ワークロードへのシフトは、NANDフラッシュ需要を大幅に増加させると予想されています。PM1763のような高性能eSSDは、トレーニングパイプラインと推論パイプラインの両方において、ストレージ、CPU、GPU間のデータ転送ボトルネックを削減し、より高速で効率的なAI処理を可能にするように設計されています。
16TBモデルはPM1763のフラッグシップであり、サムスンは「業界最高の性能」と謳っています。
PM1763は当初、以下の3つの容量で提供されます。
サムスン半導体の公式製品ページでは、9世代V-NANDと新しい4ナノメートルコントローラを搭載し、E1.S、E3.S、U.2 フォームファクターで最大 64 TB までの容量に対応するとされています。
次世代AIサーバーは、熱管理のために液冷アーキテクチャへの移行が進んでいます。PM1763は、Direct-to-Chip(D2C)液冷 に対応するよう設計されています。
データセンターにとって、エネルギーコストと冷却は主要な運用経費であり、電力効率の向上は重要な目標です。PM1763はPM1753と比較して 1.8倍の電力効率改善 を実現し、全体的な運用コストの削減に貢献します。
AI駆動型データセンターの進化する脅威環境を認識し、サムスンはPM1763に、保存データ、転送中データ、使用中データを保護するための高度なセキュリティ機能を搭載しました。
PM1763はNVIDIAのVera Rubinプラットフォーム向けの認定を通過し、2026年7月7日から8日にかけて量産に入りました。業界レポートによると、現在Vera Rubin向けeSSDを量産しているのはサムスンとマイクロンの2社であり、SKハイニックスはまだ準備段階にあり、このプラットフォームへの供給を開始していません。
PM1763の発表は、サムスンがHBM4サプライヤーとしての役割を超えて、NVIDIAのAIプラットフォーム向けに「トータルメモリソリューション」を提供するという、より大きな戦略の一部です。
HBM4認証: 2026年6月5日、NVIDIAのCEOであるジェンスン・フアン氏は、サムスン、SKハイニックス、マイクロン の3大メモリメーカーすべてが、Vera Rubinプラットフォーム向けのHBM4メモリ供給の認定を受けたことを確認しました。これはAIサプライチェーンにとって重要なマイルストーンであり、多様化された競争力のある供給基盤を保証するものです。
業界動向: AI推論ワークロードへのシフトは、NANDフラッシュ需要を大幅に増加させると予想されています。PM1763のような高性能eSSDは、トレーニングパイプラインと推論パイプラインの両方において、ストレージ、CPU、GPU間のデータ転送ボトルネックを削減し、より高速で効率的なAI処理を可能にするように設計されています。