Samsung porta gli SSD AI a 256 TB: il nuovo collo di bottiglia è lo storage

📌 In Sintesi

• Samsung mostra BM1773, primo SSD QLC E3.S da 256 TB, progettato per aumentare drasticamente la densità di storage nei data center AI.
• PM1763 sposta invece il limite sulle prestazioni con PCIe 6.0, letture fino a 28,4 GB/s e un’efficienza energetica dichiarata fino a 1,8 volte superiore.
• V10 BV-NAND supera 400 layer attraverso wafer bonding: +58% di bit density, oltre +33% nelle prestazioni I/O e più del 25% di riduzione dei consumi rispetto alla generazione precedente.

L’intelligenza artificiale non sta saturando soltanto GPU, HBM ed energia: sta trasformando anche lo storage in una componente critica dell’infrastruttura. Samsung ha mostrato al Global Memory Innovation Forum e all’OCP Global Summit una nuova generazione di prodotti che affronta il problema da tre direzioni differenti: 256 TB dentro un singolo SSD E3.S, PCIe 6.0 per spostare i dati più rapidamente e V-NAND oltre 400 layer per aumentare densità riducendo consumi. La strategia completa un percorso già visibile quando Samsung aveva aumentato la fornitura V-NAND destinata alle infrastrutture Nvidia. Il collo di bottiglia dell’AI si sposta così progressivamente dal solo calcolo alla capacità di conservare e alimentare acceleratori con quantità crescenti di dati.

BM1773 mette 256 TB dentro il formato E3.S

Il prodotto più spettacolare è BM1773, presentato da Samsung come il primo SSD QLC E3.S da 256 TB. Non si tratta di un esercizio per il mercato consumer: il formato E3.S è progettato per server ad alta densità e permette agli hyperscaler di concentrare enormi quantità di capacità dentro un numero inferiore di slot. La vetrina ufficiale Samsung dell’OCP Global Summit 2026 identifica esplicitamente BM1773 come “World’s 1st E3.S 256TB QLC SSD”. Il punto industriale è la densità per rack: quando dataset, checkpoint dei modelli, embedding, log e contenuti utilizzati nell’inferenza aumentano, aggiungere capacità attraverso un numero crescente di unità significa anche moltiplicare controller, alimentazione, raffreddamento e spazio fisico. È la stessa pressione che ha trasformato persino testine HDD e tecnologie HAMR in colli di bottiglia strategici per i data center AI. SSD e hard disk non si sostituiscono completamente: competono e convivono su livelli differenti della gerarchia dei dati.

Leggi anche: Samsung spinge sull’HBM e Apple accetta memorie fino al 40% più care nel 2027

PM1763 usa PCIe 6.0 per evitare che gli acceleratori aspettino i dati

Densità e capacità non bastano quando gli acceleratori devono ricevere dati con latenze e throughput compatibili con carichi AI sempre più pesanti. Samsung affianca quindi BM1773 al PM1763, enterprise SSD PCIe 6.0 già entrato in produzione. La scheda tecnica ufficiale del PM1763 indica fino a 28.400 MB/s in lettura sequenziale e 21.000 MB/s in scrittura, con prestazioni fino a due volte superiori alla generazione precedente e un’efficienza energetica migliorata fino a 1,8 volte. Sono numeri particolarmente rilevanti nei server AI perché un acceleratore inutilizzato in attesa dei dati rappresenta capitale hardware costoso che non sta producendo token. Samsung supporta inoltre formati E1.S, E3.S e U.2, capacità fino a decine di terabyte e architetture server raffreddate a liquido. Il principio è lo stesso osservato nella corsa globale ai data center tra Stati Uniti e Cina: il rendimento dell’investimento non dipende più dal singolo chip, ma dall’efficienza dell’intero sistema che gli ruota attorno.

V10 BV-NAND supera 400 layer senza limitarsi ad aggiungere celle

Il terzo elemento è la tecnologia che dovrà alimentare le generazioni successive di SSD. V10 BV-NAND supera 400 word line e cambia anche il modo in cui Samsung costruisce la memoria tridimensionale. La nuova architettura Bonded-VNAND separa parte della logica periferica dal wafer delle celle e utilizza wafer bonding per unirli successivamente.

Secondo la documentazione tecnica Samsung dedicata a V10 BV-NAND, il risultato è un aumento superiore al 58% della bit density, velocità I/O oltre 4,8 Gbps con un incremento superiore al 33% e una riduzione dei consumi maggiore del 25% rispetto a V9. Il numero degli strati diventa quindi soltanto una parte della storia. L’obiettivo è aumentare il numero di bit prodotti per superficie senza far crescere nella stessa proporzione energia, latenza e complessità del package.

L’AI costringe a progettare una gerarchia dello storage

Samsung non tratta tutti i dati allo stesso modo. QLC ad altissima capacità risponde ai workload nei quali contano soprattutto densità e costo per terabyte; PM1763 TLC punta invece sui dati che devono raggiungere rapidamente CPU e acceleratori. Sopra e accanto a questi livelli arrivano HBM, CXL e nuove architetture di memoria. La distinzione è importante perché un data center AI non può utilizzare HBM costosissima per conservare tutto, ma non può nemmeno lasciare ogni dato su storage lento e attendere continuamente i trasferimenti. La stessa logica emerge nella strategia Huawei OceanStor per AI e storage enterprise: memoria e storage stanno diventando parti del percorso di calcolo, non semplicemente luoghi nei quali archiviare file una volta terminata l’elaborazione.

Samsung ha mostrato anche zNAND-O, tecnologia che cerca di occupare uno spazio intermedio tra memoria e NAND tradizionale per workload AI sensibili alla latenza. Nella roadmap ufficiale presentata al Future of Memory and Storage 2026 l’azienda colloca zNAND-O, zHBM, V10, HBM4E, HBM5 e storage enterprise dentro la stessa architettura futura. È un segnale preciso: il problema non si risolve scegliendo “la memoria più veloce”, ma mettendo ogni dato sul livello economicamente e tecnicamente più adatto.

Capacità e consumi diventano importanti quanto la velocità

Un SSD da 256 TB permette teoricamente di sostituire più unità di capacità inferiore, riducendo il numero di drive necessario per raggiungere un determinato volume di storage. La NAND più densa può inoltre aumentare i terabyte installabili per rack, mentre una migliore efficienza energetica riduce il consumo associato a ogni quantità di dati conservata o trasferita.

Sono vantaggi meno visibili di una nuova GPU, ma diventano enormi quando vengono moltiplicati per migliaia di server. Energia e data center sono già diventati una delle variabili strutturali dell’economia dell’intelligenza artificiale; la stessa attenzione si sta ora spostando sui watt necessari per spostare e conservare ogni terabyte.

Continua con:

RTX 60 rinviate al 2028 e memorie care: l’AI spinge gaming e PC ai margini

Cerebras alza l’IPO mentre Google Orbital e Helsing accelerano l’infrastruttura AI

Il prossimo limite dell’AI potrebbe non essere la GPU

La corsa all’infrastruttura AI viene raccontata soprattutto attraverso Nvidia, acceleratori proprietari e fabbriche di semiconduttori, ma una GPU molto veloce non serve a molto se il sistema non riesce a conservarne i dataset, alimentarla di dati e spostare quei dati con un costo energetico sostenibile. BM1773, PM1763 e V10 BV-NAND mostrano tre facce dello stesso problema: capacità, banda ed efficienza. Samsung sta cercando di presidiare tutte e tre perché il valore economico dell’AI si sta distribuendo lungo l’intera macchina del data center. Dopo GPU e HBM, lo storage è uno dei prossimi livelli nei quali densità produttiva, consumi e supply chain possono decidere quanto velocemente l’intelligenza artificiale riesca davvero a scalare.