Wiwynn показала сервер Nvidia SCADA с емкостью до 2,949 ПБ и заявленной производительностью до 528 млн случайных чтений 4K IOPS. Для рынка ИИ-инфраструктуры это не очередная коробка с SSD, а попытка убрать старую проблему: GPU научились считать быстрее, чем классическая серверная обвязка успевает подвозить им данные.
О системе с выставки Computex 2026 сообщает Tom's Hardware. Речь идет о сервере формата 6U на базе платформы Nvidia MGX: внутри стоят процессор Nvidia Vera, четыре видеокарты RTX Pro 6000 Blackwell, четыре коммутатора PCIe 6.x и четыре сетевые карты ConnectX-9 SuperNIC. Самое заметное в конфигурации — до 96 твердотельных накопителей E3.S с жидкостным охлаждением. Если использовать 96 SSD Micron 9650 Pro по 30,72 ТБ каждый, получается те самые 2,949 ПБ в одной системе.
Главная идея SCADA — не просто нарастить объем хранения, а изменить сам путь доступа к данным. В обычной серверной архитектуре CPU остается диспетчером ввода-вывода: он выдает команды, следит за очередями, управляет передачами. Даже в схемах вроде GPUDirect Storage данные могут идти напрямую между SSD и GPU, но контрольный контур все равно висит на процессоре. Для AI-нагрузок это начинает выглядеть как плохая шутка: ускорители стоят как небольшой дата-центр, а упираются в роль секретаря, который сортирует бумажки.
SCADA, или SCaled Accelerated Data Access, задумана именно как способ убрать CPU с критического пути. В этой модели графические процессоры сами инициируют и управляют операциями хранения, а не ждут, пока центральный процессор разберет миллионы мелких запросов. Это особенно важно не только для обучения больших моделей, где много длинных последовательных чтений, но и для инференса. Современные сценарии вроде RAG, векторного поиска, графовой аналитики и выборки KV-cache любят мелкие блоки данных, часто меньше 4 КБ, и параллелизм в безумных масштабах. Когда тысячи потоков на GPU одновременно дергают хранилище, традиционный CPU-centric I/O начинает тормозить всю конструкцию.
Отсюда и ставка на PCIe 6.0, и на очень плотную компоновку SSD. Wiwynn заявляет, что ее сервер Nvidia SCADA способен выдать агрегированную скорость случайного чтения на уровне 528 млн 4K IOPS. Последовательные скорости чтения и записи, по словам компании, в такой конфигурации ограничиваются уже не накопителями как таковыми, а производительностью PCIe-коммутаторов и сетевых карт. Это показательный сдвиг: еще недавно SSD сами были узким местом, а теперь производитель фактически говорит, что упирается в межсоединения и сетевой контур. Для дата-центров это означает простую вещь: проблема хранения для ИИ все меньше похожа на выбор «какой диск купить» и все больше — на задачу системной архитектуры.
Хранилище как продолжение памяти GPU
Nvidia продвигает SCADA как часть своей стратегии Storage Next. Если коротко, компания хочет, чтобы хранилище для ИИ вело себя не как дальний склад, а как более медленное, но все же логичное продолжение памяти ускорителя. В иерархии хранения SCADA-серверы компания ставит между локальными SSD вычислительных узлов и удаленными системами хранения, которые нередко по-прежнему завязаны на жесткие диски. Nvidia описывает этот уровень как «tier 3.5»: не самый близкий к вычислениям, но достаточно быстрый, чтобы кормить GPU мелкими блоками данных с высокой интенсивностью.
Именно поэтому в системе стоят не дата-центровые GPU для обучения, а четыре RTX Pro 6000 Blackwell, которые здесь играют роль очень продвинутых процессоров хранения. Они не подменяют SSD-контроллеры и не превращают сервер в странный NAS из будущего. Их задача — разруливать огромное количество запросов к данным от AI-приложений и быстро передавать результаты вычислительным серверам через ConnectX-9. На практике это выглядит как попытка превратить слой хранения в активного участника вычислительного конвейера, а не в пассивный ящик с дисками.
Есть и менее гламурная, но важная инженерная деталь: охлаждение. Все ключевые компоненты сервера рассчитаны на жидкостное охлаждение, а накопители подключены к шести отдельным cold plate-модулям, встроенным в общий контур. Для массива из 96 SSD это не роскошь, а необходимость. На таких плотностях и нагрузках красивый паспортный IOPS легко превращается в маркетинговую открытку, если накопители начинают троттлить. Wiwynn явно пытается показать, что речь идет не о выставочном концепте с красивым стендом, а о системе, где продуманы и тепловой режим, и стабильность под постоянной нагрузкой.
Что это значит для рынка ИИ-инфраструктуры
Пока SCADA выглядит не как массовый продукт, а как ранний сигнал для крупных операторов AI-кластеров. Nvidia показала саму концепцию еще в конце 2025 года, но готовых систем на рынке почти не было. На этом фоне Wiwynn оказалась среди первых производителей серверов, кто вывел такую машину в публичное поле. Это важно: когда у Nvidia появляется новая архитектурная идея, индустрия обычно сначала кивает, потом считает стоимость, а уже потом решает, стоит ли переписывать стойки, бюджеты и привычки эксплуатации. В случае со SCADA вопрос будет именно в этом.
Цена не раскрывается, и это, мягко говоря, неудивительно. Сервер на Vera, с четырьмя RTX Pro 6000 Blackwell, четырьмя ConnectX-9, набором PCIe 6.x-коммутаторов и почти сотней PCIe 6.0 SSD не может быть дешевым по определению. Итоговый чек будет зависеть не только от Nvidia и Wiwynn, но и от цен на NAND, DRAM, сами накопители и объем закупки. Для российских команд, которые проектируют ИИ-платформы, здесь важен не прайс-лист, а направление движения. Инфраструктура для LLM и поисково-генеративных систем все меньше напоминает классический storage stack из эпохи виртуализации и все больше требует отдельного слоя, оптимизированного под мелкие, параллельные и предсказуемо хаотичные запросы от GPU.
Для разработчиков это означает, что старый разговор про «уперлись в вычисления» уже неполон. Во многих сценариях bottleneck смещается в хранение, сеть и контрольный контур I/O. Для продуктовых команд и CTO это сигнал внимательнее смотреть не только на количество ускорителей и объем HBM, но и на то, как устроен путь данных до модели. Если сервер Nvidia SCADA и подобные ему системы закрепятся в реальных внедрениях, следующим дефицитом в ИИ может стать уже не GPU, а способность быстро и экономически вменяемо кормить эти GPU данными без участия лишнего слоя CPU.
Открытый вопрос теперь не в том, можно ли построить такую архитектуру, а в том, где она окупится первой: в гигантских кластерах для обучения, в корпоративных RAG-платформах или в новых сервисах инференса, где задержка на доступ к данным начинает стоить дороже еще одной дорогой видеокарты.