به‌روزرسانی: آبان ۱۴۰۵
بازار سرور GPU یکی از عجیب‌ترین بازارهای دنیای هاستینگ است: کارت گرافیک کاملاً یکسان، از یک ارائه‌دهنده تا ارائه‌دهنده‌ی دیگر تا حدود پنج برابر اختلاف قیمت دارد.
نرخ اجاره‌ی H100 در ۲۰۲۶ بین حدود ۱.۴۹ تا ۶.۹۸ دلار در ساعت گزارش شده — همان سخت‌افزار، همان مشخصات، پنج برابر تفاوت (منبع).
این یعنی در این بازار، انتخاب درست بیشتر از هر جای دیگری در هاستینگ به شما پول برمی‌گرداند. اما قبل از آن، سؤال مهم‌تری هست که کمتر پرسیده می‌شود: آیا اصلاً به سرور GPU نیاز دارید؟
سرور مجازی GPU چیست؟
سرور مجازی GPU سروری است که علاوه بر پردازنده و رم معمولی، به یک کارت گرافیک حرفه‌ای هم دسترسی دارد. تفاوتش با VPS معمولی در نوع محاسبات است: پردازنده کارها را پشت سر هم و سریع انجام می‌دهد، کارت گرافیک هزاران محاسبه‌ی ساده را هم‌زمان.
این تفاوت معماری، همه‌چیز را توضیح می‌دهد. یک پردازنده‌ی سرور شاید ۳۲ هسته‌ی قدرتمند داشته باشد؛ یک کارت گرافیک حرفه‌ای هزاران هسته‌ی ساده‌تر. برای اجرای یک وب‌سایت، هسته‌های قدرتمند بهترند. برای ضرب ماتریس‌های عظیم — که اساس کار شبکه‌های عصبی است — هزاران هسته‌ی موازی بی‌رقیب‌اند.
نتیجه‌ی عملی: GPU برای کارهایی که ذاتاً موازی‌اند شتاب چشمگیری می‌دهد، و برای بقیه‌ی کارها هیچ فایده‌ای ندارد. وردپرس شما روی سرور GPU ذره‌ای سریع‌تر نمی‌شود.
چه کسانی واقعاً به سرور GPU نیاز دارند؟
اگر کارتان یکی از این موارد نیست، احتمالاً نیازی ندارید — و این جمله مهم‌ترین بخش این مقاله است.
نیاز دارید اگر:
- مدل زبانی را روی زیرساخت خودتان اجرا می‌کنید به‌دلایل حریم داده یا کنترل
- مدل را آموزش می‌دهید یا فاین‌تیون می‌کنید
- تولید تصویر یا ویدیو با مدل‌های تولیدی انجام می‌دهید
- رندر سه‌بعدی یا پردازش ویدیوی حجیم دارید
- بینایی ماشین بلادرنگ اجرا می‌کنید، مثل تشخیص چهره یا پلاک یا کنترل کیفیت
- محاسبات علمی سنگین انجام می‌دهید
نیاز ندارید اگر:
- وب‌سایت، فروشگاه یا اپلیکیشن معمولی دارید
- فقط از API مدل‌های آماده استفاده می‌کنید — در این حالت GPU در سمت ارائه‌دهنده است، نه شما
- گاه‌به‌گاه یک مدل کوچک اجرا می‌کنید، چون سرویس‌های ساعتی به‌صرفه‌ترند
- دیتابیس سنگین دارید، که این مشکل رم و دیسک است نه GPU
آن مورد دوم را جدی بگیرید: بخش قابل‌توجهی از کسانی که دنبال سرور GPU می‌گردند، در واقع می‌خواهند از هوش مصنوعی استفاده کنند — نه اینکه زیرساختش را بسازند. استفاده از API، هزینه‌ای در حد چند دلار دارد؛ اجاره‌ی سرور GPU، ماهی چند هزار دلار.
VRAM: عددی که همه‌چیز را تعیین می‌کند
در کارهای هوش مصنوعی، محدودکننده‌ی اصلی معمولاً سرعت کارت نیست — حافظه‌ی آن است. اگر مدل در VRAM جا نشود، اصلاً اجرا نمی‌شود؛ فرقی نمی‌کند کارت چقدر سریع باشد.
یک مثال مشخص که مقیاس را ملموس می‌کند: اجرای مدل ۷۰ میلیارد پارامتری در دقت FP16 حدود ۱۴۰ گیگابایت VRAM می‌خواهد — بسیار بیشتر از ۲۴ گیگابایت یک کارت مصرفی رده‌بالا. با کوانتیزه کردن به INT4 این نیاز به حدود ۴۰ گیگابایت کاهش پیدا می‌کند (منبع).
این عدد دو درس دارد:
- قبل از انتخاب کارت، نیاز VRAM کارتان را حساب کنید. یک قاعده‌ی سرانگشتی: تعداد پارامتر به میلیارد ضرب در ۲ برای FP16، و تقریباً یک‌چهارم آن برای INT4 — به‌علاوه‌ی حاشیه‌ای برای بافر و داده‌ی ورودی.
- کوانتیزاسیون معمولاً ارزان‌ترین راه‌حل است. قبل از اجاره‌ی کارت گران‌تر، ببینید نسخه‌ی کوانتیزه‌ی مدل جواب کارتان را می‌دهد یا نه. در بسیاری از کاربردها افت کیفیت محسوس نیست.
کدام کارت برای کدام کار؟
اصل کلیدی: کارت را با کار تطبیق دهید، نه اینکه بزرگ‌ترین کارت ممکن را بگیرید.
| نوع کار | رده‌ی مناسب | نکته |
|---|---|---|
| اجرای مدل‌های کوچک و متوسط | کارت‌های استنتاجی سبک مثل L4 | ارزان‌ترین گزینه‌ی منطقی |
| توسعه، آزمایش، نمونه‌سازی | کارت‌های مصرفی رده‌بالا | ارزان، ولی VRAM محدود |
| فاین‌تیون مدل‌های متوسط | A100 | تعادل قیمت و توان |
| آموزش مدل‌های بزرگ | H100 و H200 | گران، ولی زمان را چند برابر کم می‌کند |
| پروژه‌های در مقیاس بسیار بزرگ | نسل جدیدتر مثل B200 | فقط وقتی مقیاس واقعاً بزرگ است |
یک نکته‌ی اقتصادی که خیلی‌ها اشتباه حسابش می‌کنند: کارت گران‌تر همیشه گران‌تر تمام نمی‌شود. برای اجرای یک مدل ۷ میلیارد پارامتری، یک کارت سبک با نرخ حدود نیم دلار در ساعت از A100 با سه تا پنج برابر قیمت بهتر جواب می‌دهد. اما در سمت مقابل، اگر یک آموزش روی A100 بیش از ۲۴ ساعت طول بکشد، سرعت حدوداً سه‌برابری H100 معمولاً هزینه‌ی کل را کمتر می‌کند، چون ساعت‌های کمتری اجاره می‌دهید.
معیار درست، هزینه به‌ازای کار انجام‌شده است، نه قیمت ساعتی.
چرا قیمت یک کارت یکسان تا ۵ برابر فرق می‌کند؟
چون «قیمت ساعتی GPU» یک عدد واحد نیست. ارائه‌دهنده‌ها کارت را در بسته‌های متفاوتی می‌فروشند و آنچه مقایسه می‌کنید اغلب دو چیز متفاوت است.
منابع اختلاف:
- ابرارائه‌دهنده در برابر ارائه‌دهنده‌ی تخصصی. سرویس‌های تخصصی GPU معمولاً حدود نصف نرخ ابرهای بزرگ قیمت دارند.
- بازارهای اشتراکی. ارزان‌ترین نرخ‌ها از بازارهایی می‌آید که میزبانان مستقل ظرفیتشان را عرضه می‌کنند — ارزان، ولی کیفیت و پایداری متغیر است.
- نرخ لحظه‌ای در برابر تضمین‌شده. ظرفیت لحظه‌ای می‌تواند تا حدود نیمی از هزینه را کم کند، اما ممکن است وسط کار قطع شود. برای آموزش با ذخیره‌ی نقطه‌ی بازیابی مناسب است؛ برای سرویس‌دهی زنده نه.
- نوع اتصال کارت که روی عملکرد چندکارتی اثر جدی دارد.
- هزینه‌های جانبی — فضای ذخیره‌سازی و انتقال داده اغلب جدا محاسبه می‌شوند.
نکته‌ی بازار در ۲۰۲۶: در حالی که قیمت APIهای هوش مصنوعی سقوط کرده، نرخ اجاره‌ی GPU تقریباً ثابت مانده — بر اساس شاخصی از ۷۶ ارائه‌دهنده و ۹۸ مدل کارت، رشد نرخ‌های درخواستی در دوازده ماه گذشته تنها حدود ۱.۷ درصد بوده است. یعنی تخفیف از سمت نرخنامه نمی‌آید؛ از سمت انتخاب درست ارائه‌دهنده و اندازه می‌آید.
بزرگ‌ترین تله: اجاره‌ی ماهانه در برابر استفاده‌ی واقعی
یک کارت رده‌بالا با اجاره‌ی حدود ۴ دلار در ساعت، اگر ۲۴ ساعته روشن بماند حدود ۲٬۹۰۰ دلار در ماه هزینه دارد. تله دقیقاً همین‌جاست: پرداخت برای کل ماه و استفاده از یک‌سوم آن.
سه راه برای اجتناب:
- صورتحساب دقیقه‌ای یا ساعتی انتخاب کنید اگر بار کاری‌تان پیوسته نیست.
- بار کاری را دسته‌بندی کنید. به‌جای روشن نگه داشتن سرور برای درخواست‌های پراکنده، کارها را جمع کنید و یک‌جا اجرا کنید.
- محیط توسعه را از محیط اجرا جدا کنید. کدنویسی و دیباگ روی کارت ارزان، اجرای نهایی روی کارت قوی.
قبل از هر تعهد بلندمدت، یک اجرای نمونه بگیرید و زمان واقعی و مصرف واقعی VRAM را اندازه بگیرید. تخمین ذهنی در این حوزه تقریباً همیشه اشتباه است.
اجاره کنم یا سخت‌افزار بخرم؟
برای اکثریت قاطع پروژه‌ها، اجاره. خرید فقط وقتی منطقی است که مصرف پیوسته و بلندمدت داشته باشید و توان مدیریت سخت‌افزار را هم.
منطق ساده است: قیمت خرید کارت‌های حرفه‌ای در رده‌ی ده‌ها تا صدها هزار دلار است، و این فقط قیمت خود کارت است — سرور میزبان، خنک‌کاری، برق و نگهداری جداست. علاوه بر این، نسل‌های جدید مرتب می‌آیند و ارزش سخت‌افزار سریع افت می‌کند.
اجاره سه مزیت دارد که در محاسبات دیده نمی‌شود: بدون سرمایه‌گذاری اولیه، بدون ریسک منسوخ شدن، و امکان تغییر مقیاس در چند دقیقه.
ملاحظات کاربران ایرانی
دو محدودیت واقعی وجود دارد که در مقالات انگلیسی‌زبان اصلاً مطرح نمی‌شود: دسترسی و پرداخت به سرویس‌های بین‌المللی برای کاربران ایرانی محدود است، و گزینه‌های داخلی از نظر تنوع کارت و ظرفیت محدودترند.
آنچه در عمل کمک می‌کند:
- نیاز واقعی‌تان را کوچک کنید. کوانتیزاسیون، مدل کوچک‌تر و بهینه‌سازی کد، اغلب نیاز شما را از رده‌ی نایاب به رده‌ی در دسترس منتقل می‌کند.
- قبل از تعهد، تست کنید. کارت واقعی، درایور و نسخه‌ی کتابخانه‌ها را قبل از پرداخت بلندمدت بررسی کنید.
- پرسش درباره‌ی نوع دقیق کارت را رها نکنید. «کارت گرافیک حرفه‌ای» توضیح نیست؛ مدل دقیق و مقدار VRAM را بپرسید.
- تأخیر شبکه را هم بسنجید اگر سرویس بلادرنگ ارائه می‌دهید.
چک‌لیست قبل از خرید
- نیاز VRAM کارم را محاسبه کرده‌ام؟
- مدل دقیق کارت و مقدار VRAM مشخص است؟
- کارت اختصاصی است یا بین چند کاربر تقسیم می‌شود؟
- صورتحساب ساعتی است یا ماهانه؟
- هزینه‌ی فضای ذخیره‌سازی و انتقال داده جداست؟
- پردازنده و رم میزبان برای پیش‌پردازش کافی است؟ این گلوگاه رایج و نادیده‌گرفته‌شده است.
- نسخه‌ی درایور و کتابخانه‌ها با پروژه‌ی من سازگار است؟
- امکان تست کوتاه‌مدت قبل از تعهد وجود دارد؟
سؤالات پرتکرار
سرور GPU سایت من را سریع‌تر می‌کند؟ نه. وب‌سایت‌ها از GPU استفاده نمی‌کنند. اگر سایتتان کند است، مشکل در دیسک، دیتابیس، کش یا کد است.
تفاوت GPU سروری با کارت گرافیک گیمینگ چیست؟ کارت‌های سروری VRAM بیشتر، حافظه‌ی تصحیح‌خطا، طراحی برای کار پیوسته و پشتیبانی بهتر برای اتصال چندکارتی دارند. کارت‌های مصرفی برای آزمایش خوب‌اند ولی برای بار تولیدی پیوسته طراحی نشده‌اند.
برای شروع یادگیری هوش مصنوعی باید سرور GPU بخرم؟ تقریباً هرگز. سرویس‌های نوت‌بوکی رایگان یا ساعتی برای یادگیری کافی‌اند. سرور اختصاصی وقتی معنا پیدا می‌کند که پروژه‌ی واقعی و پیوسته داشته باشید.
چند GPU لازم دارم؟ اگر مدل در حافظه‌ی یک کارت جا می‌شود، یکی. چندکارتی وقتی لازم می‌شود که مدل جا نشود یا بخواهید آموزش را موازی کنید — و پیچیدگی مهندسی قابل‌توجهی اضافه می‌کند.
نرخ لحظه‌ای ارزش ریسکش را دارد؟ برای آموزشی که نقطه‌ی بازیابی ذخیره می‌کند، بله — صرفه‌جویی چشمگیر است. برای سرویسی که باید همیشه در دسترس باشد، نه.
قیمت‌های این مقاله چقدر معتبرند؟ نرخ‌ها را به‌عنوان محدوده‌ی مرجع بین‌المللی ببینید، نه قیمت نهایی. بازار GPU پرنوسان است و شرایط بازار ایران متفاوت است.
جمع‌بندی
سرور GPU ابزار قدرتمندی است که اغلب زودتر از موعد خریده می‌شود.
سه سؤال، به‌ترتیب، قبل از هر تصمیمی:
- آیا کار من واقعاً موازی است؟ اگر نه، GPU پول دور ریختن است.
- آیا می‌توانم از API استفاده کنم؟ برای بیشتر کاربردهای تجاری، ارزان‌تر و ساده‌تر است.
- حداقل VRAM لازم چقدر است؟ این عدد، نه بودجه، باید کارت را انتخاب کند.
و اگر بعد از این سه سؤال هنوز به GPU رسیدید: کارت را با کار تطبیق دهید، صورتحساب ساعتی بگیرید، و قبل از تعهد بلندمدت یک اجرای نمونه بگیرید.
همین منطق «کوچک‌ترین چیزی که کار را انجام دهد» در خرید سرور معمولی هم صادق است؛ راهنمای خرید VPS همان روش را برای سرورهای بدون GPU توضیح داده است.
برای پروژه‌هایی که به زیرساخت عمومی‌تری نیاز دارند — وب، اپلیکیشن، دیتابیس یا API — صفحه هاست و سرور سئونامی گزینه‌های متناسب با همان نیاز را کنار هم گذاشته است.
