Samsung запустил массовое производство PM1763 — первого корпоративного SSD с PCIe 6.0 для Nvidia Vera Rubin

8 июля 2026 года Samsung Electronics объявила о начале массового производства PM1763 — своего первого корпоративного SSD (eSSD) с интерфейсом PCIe 6.0, предназначенного для новой ИИ-платформы Nvidia Vera Rubin ^SS. Новинка примерно вдвое превосходит по производительности предшественника PM1753 и знаменует выход Samsung за пределы рынка HBM — в более широкий спектр компонентов для ИИ-инфраструктуры ^SF.

Характеристики производительности (модель на 16 Тбайт)

Флагманская 16-Тбайт версия PM1763 обеспечивает, по словам Samsung, «лучшую в отрасли производительность» ^BB.

• Последовательное чтение: до 28 400 Мбайт/с ^CSB
• Последовательная запись: до 21 900 Мбайт/с (по данным многих источников; на странице Samsung указано до 21 000 Мбайт/с) ^CSB
• Сравнение с предшественником: примерно в 2 раза быстрее PM1753 на PCIe 5.0 ^SB
• Время передачи LLM: большая языковая модель объёмом 40 Гбайт (соответствует 4-битной квантованной Llama 3 70B) передаётся примерно за 1,4 секунды ^MBY
• Интерфейс: PCIe 6.0 с модуляцией PAM4, удваивающей пропускную способность по сравнению с PCIe 5.0 ^CS

Ёмкости и форм-факторы

PM1763 изначально доступен в трёх вариантах ^SMB:

• 4 Тбайт
• 8 Тбайт
• 16 Тбайт

На официальной странице продукта Samsung Semiconductor также указана поддержка ёмкости до 64 Тбайт в форм-факторах E1.S, E3.S и U.2 — это стало возможным благодаря 9-му поколению V-NAND и новому 4-нанометровому контроллеру ^CSF.

Система охлаждения

Серверы нового поколения для ИИ всё чаще переходят на жидкостное охлаждение. PM1763 спроектирован для таких условий с технологией Direct-to-Chip (D2C) ^MS.

• Как это работает: холодная пластина крепится непосредственно к кристаллу SSD, обеспечивая стабильную работу при высоких нагрузках ^MBS
• Преимущество: поддержание пиковой производительности в течение длительного времени при выполнении ресурсоёмких задач обучения и вывода ИИ ^FM

Энергоэффективность

Повышение энергоэффективности — ключевая задача для ЦОД, где расходы на электроэнергию и охлаждение составляют значительную часть операционных затрат. PM1763 демонстрирует улучшение в 1,8 раза по сравнению с PM1753, что помогает снизить общие эксплуатационные расходы ^MBI.

Функции безопасности

Учитывая растущие угрозы для ИИ-центров обработки данных, Samsung оснастила PM1763 современными средствами защиты, которые оберегают данные в состоянии покоя, при передаче и во время обработки ^ISL.

• Постквантовая криптография (PQC): алгоритмы шифрования, устойчивые к атакам с использованием квантовых компьютеров ^MSL
• TEE Device Interface Security Protocol (TDISP): поддержка безопасности Trusted Execution Environment для виртуализированных и ИИ-инфраструктур ЦОД, обеспечивающая шифрование на уровне канала связи ^SLL
• Другие протоколы: также поддерживаются SPDM 1.4 и CNSA 2.0 ^SL

Статус валидации и поставок

PM1763 прошёл квалификацию Nvidia для платформы Vera Rubin и был запущен в массовое производство 7–8 июля 2026 года ^SS. По данным отраслевых источников, Samsung и Micron — две компании, которые уже выпускают eSSD для Vera Rubin; SK Hynix пока находится на этапе подготовки и ещё не начала поставки для этой платформы ^TX.

Более широкий контекст: сертификация HBM4 и отраслевые тренды

Запуск PM1763 — часть масштабной стратегии Samsung по предоставлению «комплексного решения для памяти» для ИИ-платформ Nvidia, выходящего за рамки роли поставщика HBM4 ^KN.

Сертификация HBM4: 5 июня 2026 года генеральный директор Nvidia Дженсен Хуан подтвердил, что все три крупнейших производителя памяти — Samsung, SK Hynix и Micron — сертифицированы для поставок HBM4 для платформы Vera Rubin ^BBT. Это важная веха для цепочки поставок ИИ, гарантирующая диверсифицированную и конкурентную базу поставщиков.

Отраслевые тренды: переход к рабочим нагрузкам вывода (inference) в ИИ, как ожидается, значительно увеличит спрос на NAND-флэш-память. Высокопроизводительные eSSD, такие как PM1763, призваны устранить узкие места при передаче данных между накопителями, CPU и GPU как в конвейерах обучения, так и вывода, обеспечивая более быструю и эффективную обработку ИИ ^SSF.