AI-modeller och plattformar

Supermicro levererar petaskaliga helflashservrar med PCIe Gen 6

Theo Nash
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterSupermicros nya Petascale-server rymmer upp till 3,93 PB flash i ett 2U-chassi.
Visa mer
  • Supermicros nya Petascale-server rymmer upp till 3,93 PB flash i ett 2U-chassi.
  • PCIe Gen 6-anslutning ger upp till 100 % mer sekventiell läsbandbredd än PCIe Gen 5-system.
  • Validerade mjukvarupartner avgör hur den täta flashkapaciteten organiseras för varje steg i AI-arbetsbelastningen.

Supermicro meddelade den 18 november 2026 att de första systemen i företagets nya helt flashbaserade lagringsfamilj, byggd kring sjätte generationens AMD EPYC 9006-processorer, nu levereras. Först ut är en petaskalig server med PCIe Gen 6-anslutning och upp till 3,93 PB flashlagring i ett 2U-chassi.

Supermicro uppger att de nya servrarna ger upp till 100 % högre sekventiell läsbandbredd än PCIe Gen 5. De är företagets första lagringsprodukter med PCIe Gen 6. Systemen är avsedda för högpresterande databehandling samt träning och inferens av AI-modeller. Den första petaskaliga servern bygger på AMD:s SP7-plattform, och fler lagringsprodukter planeras i takt med att AMD introducerar SP8-versioner av sina processorer.

Affärschefen Vik Malyala sade att systemen ska hålla lagringen i takt med dagens CPU- och GPU-kluster. Arkitekturen Data Center Building Block Solutions gör det möjligt att anpassa systemen efter dessa arbetsbelastningar och ger partner inom programvarudefinierad lagring tillgång till validerade system.

Petaskalig täthet och nätverk

Chassit rymmer upp till 32 E3.S NVMe-SSD-enheter och når sin maximala kapacitet med diskar på 122 TB. Nätverkslösningen kan byggas upp kring upp till fyra högpresterande x16-kort. Den balanserade I/O-designen är tänkt att göra det möjligt för kunderna att anpassa systemet till olika nätverksstrukturer och arbetsbelastningar.

Hårdvaran är utformad för att leverera den uthålliga bandbredd som krävs för AI-datasjöar, storskalig analys och lagringsnätverk med hög genomströmning. Därmed kopplas disktätheten samman med systemets nätverksdel: kapacitet i sig räcker inte för att hantera hur snabbt data kan flyttas mellan lagringen och resten av ett AI-kluster.

Validerad lagringsprogramvara

Valideringen omfattar Supermicros CloudDC-, GrandTwin- och Hyper-familjer samt programvara från Hammerspace, IBM, MinIO, Nutanix, Scality, VAST Data, VDURA och WEKA för AI-driftsättningar i stor skala. Partnernas uttalanden visar att hårdvaran positioneras för flera olika lagringsarkitekturer, snarare än som en enda fast lösning.

Vincent Hsu, IBM Fellow, vice vd och teknikchef för IBM Storage, sade att AI-inferens omfattar dataimport, modellinläsning, hämtning och KV-cache. Han sade också att IBM Storage Scale på den nya petaskaliga servern är utformat för att stödja hela kedjan och samtidigt maximera effektiviteten i GPU-utnyttjandet, med utrymme för ökad prestanda och kapacitet.

Andra partner beskrev olika metoder för datahantering. Hammerspaces Data Platform kan samla den petaskaliga flashlagringen i en global namnrymd som även omfattar kundens befintliga lagringssystem med lägre kostnad. WEKAs distribuerade programvara NeuralMesh körs på den nya servern utan hårdvarunivåer, medan VDURAs plattform kan samla Supermicros helflash- och hårddisksystem i en och samma namnrymd.

Hårdvaran tillför tätare flashlagring och I/O med högre bandbredd, medan det validerade programvarulagret avgör hur kapaciteten organiseras och levereras till varje steg i en AI-arbetsbelastning.

Theo Nash är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som täcker AI‑infrastruktur, beräkning och hårdvarusystemen som driver modern artificiell intelligens. Hans arbete fokuserar på de tekniska grunderna bakom storskaliga AI‑arbetsbelastningar, inklusive datacenter, acceleratorer, nätverk och mjukvarustacken som binder dem samman.

Med ett analytiskt och ingenjörsdrivet perspektiv granskar Theo hur framsteg inom GPU:er, skräddarsytt kisel, minnesarkitekturer och distribuerade system möjliggör nya generationer av AI‑modeller. Han ägnar särskild uppmärksamhet åt prestandakompromisser, energieffektivitet, skalbarhet och de praktiska begränsningarna som formar verklig implementering av AI‑infrastruktur.

Artiklar skrivna av Theo Nash är AI‑genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa teknisk noggrannhet, tydlighet och ansvarsfull täckning av det snabbt föränderliga AI‑beräkningslandskapet.