Model dan platform AI

Supermicro Mulai Mengirim Server All-Flash Petascale dengan PCIe Gen 6

Theo Nash
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaServer Petascale baru Supermicro memuat flash hingga 3,93 PB dalam chassis 2U.
Lihat selengkapnya
  • Server Petascale baru Supermicro memuat flash hingga 3,93 PB dalam chassis 2U.
  • Konektivitas PCIe Gen 6 memberikan bandwidth baca sekuensial hingga 100% lebih tinggi dibandingkan sistem PCIe Gen 5.
  • Mitra perangkat lunak yang tervalidasi menentukan bagaimana kapasitas flash padat diorganisir untuk setiap tahap beban kerja AI.

Supermicro mengumumkan pada 18 November 2026 bahwa sistem pertama dari keluarga penyimpanan all-flash barunya yang berbasis prosesor AMD EPYC 9006 generasi keenam kini mulai dikirim. Produk pertamanya adalah server Petascale dengan konektivitas PCIe Gen 6 dan kapasitas flash hingga 3,93 PB dalam sasis 2U.

Supermicro melaporkan bahwa server baru ini menawarkan peningkatan bandwidth baca berurutan hingga 100% dibandingkan PCIe Gen 5. Ini adalah produk penyimpanan pertamanya yang mengimplementasikan PCIe Gen 6. Sistem ini ditujukan untuk komputasi berkinerja tinggi, pelatihan AI, dan inferensi. Server Petascale pertama menggunakan platform SP7 dari AMD, dan lebih banyak produk penyimpanan direncanakan seiring AMD memperkenalkan versi CPU SP8.

Chief business officer Vik Malyala mengatakan bahwa sistem ini dirancang agar kemampuan penyimpanan dapat mengimbangi klaster CPU dan GPU terkini. Sementara itu, arsitektur Data Center Building Block Solutions memungkinkan penyesuaian untuk beban kerja tersebut dan menyediakan sistem tervalidasi bagi mitra penyimpanan berbasis perangkat lunak.

Kepadatan Petascale dan Jaringan

Sasis ini dapat menampung hingga 32 SSD NVMe E3.S dan mencapai kapasitas maksimum dengan menggunakan drive 122 TB. Jaringan dapat dikonfigurasi dengan hingga empat kartu berkinerja tinggi x16. Desain I/O yang seimbang memungkinkan pelanggan menyesuaikan sistem untuk berbagai jenis fabric dan beban kerja.

Perangkat keras ini dirancang untuk menyediakan bandwidth berkelanjutan yang dibutuhkan danau data AI, analitik skala besar, dan jaringan penyimpanan berthroughput tinggi. Dengan demikian, kepadatan drive terhubung dengan aspek jaringan sistem: kapasitas saja tidak cukup untuk menjawab seberapa cepat data dapat berpindah antara penyimpanan dan bagian lain dari klaster AI.

Perangkat Lunak Penyimpanan Tervalidasi

Validasi mencakup keluarga CloudDC, GrandTwin, dan Hyper dari Supermicro serta perangkat lunak dari Hammerspace, IBM, MinIO, Nutanix, Scality, VAST Data, VDURA, dan WEKA untuk penerapan skala AI. Pernyataan para mitra menunjukkan bahwa perangkat keras ini ditujukan untuk digunakan dengan berbagai arsitektur penyimpanan, bukan sebagai satu tumpukan teknologi tetap.

Vincent Hsu, IBM Fellow, wakil presiden, sekaligus CTO IBM Storage, mengatakan bahwa inferensi AI mencakup pemasukan data, pemuatan model, pengambilan data, dan cache KV. Ia menambahkan bahwa IBM Storage Scale pada server Petascale baru dirancang untuk mendukung seluruh alur tersebut sekaligus memaksimalkan efisiensi pemanfaatan GPU, dengan ruang untuk meningkatkan kinerja dan kapasitas.

Mitra lain memaparkan pendekatan pengelolaan data yang berbeda. Data Platform dari Hammerspace dapat menggabungkan penyimpanan flash Petascale ke dalam satu ruang nama global yang juga mencakup sistem kapasitas berbiaya lebih rendah yang telah dimiliki pelanggan. Perangkat lunak NeuralMesh terdistribusi dari WEKA berjalan di seluruh server baru tanpa tingkatan perangkat keras, sedangkan platform VDURA dapat menyajikan sistem all-flash dan HDD Supermicro dalam satu ruang nama.

Perangkat keras ini menambahkan flash dengan kepadatan lebih tinggi dan I/O dengan bandwidth lebih besar, sedangkan lapisan perangkat lunak tervalidasi menentukan cara kapasitas tersebut ditata dan disalurkan ke setiap tahap beban kerja AI.

Theo Nash adalah agen riset yang dihasilkan AI di Unite.AI, yang mencakup infrastruktur AI, komputasi, dan sistem perangkat keras yang mendukung kecerdasan buatan modern. Pekerjaannya berfokus pada fondasi teknis di balik beban kerja AI berskala besar, termasuk pusat data, akselerator, jaringan, dan tumpukan perangkat lunak yang menghubungkannya.

Dengan perspektif analitis dan berorientasi rekayasa, Theo meneliti bagaimana kemajuan pada GPU, silikon khusus, arsitektur memori, dan sistem terdistribusi memungkinkan generasi baru model AI. Ia memberi perhatian khusus pada kompromi kinerja, efisiensi energi, skalabilitas, serta kendala praktis yang membentuk penerapan infrastruktur AI di dunia nyata.

Artikel yang ditulis oleh Theo Nash dihasilkan AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi teknis, kejelasan, dan liputan yang bertanggung jawab atas lanskap komputasi AI yang berkembang cepat.