RunPod تحتسب: 4 وحدات GPU من طراز A100 في السحابة أرخص بـ $124 000 من البنية المحلية (on-prem) خلال 3 سنوات

نشرت RunPod في مدونتها حسابًا لتكلفة الملكية: أربع وحدات NVIDIA A100 في سحابة الشركة ستكلّف خلال ثلاث سنوات أقل بأكثر من $124 000 من عنقود on-prem مماثل. يعادل ذلك نحو $41 000 في السنة وقرابة $3 440 في الشهر. وإذا قُسم المبلغ على 105 120 ساعة GPU (أربع بطاقات تعمل على مدار الساعة طوال 36 شهرًا)، يكون الفارق نحو $1,18 لكل ساعة GPU. وثمة تحفظ مهم: الحساب أجراه مزوّد السحابة نفسه، ولم يُكشف عن المنهجية التفصيلية في الإعلان.

من أين تأتي الفجوة

يتطلب العنقود الخاص إنفاق الأموال قبل أول تشغيل. فلا بد من شراء الخوادم والبطاقات والشبكة والحامل (rack) ومصادر الطاقة. ثم تبدأ النفقات الدورية: الكهرباء والتبريد والموقع واستبدال المكونات المعطّلة ووقت المهندس الذي يتولى كل ذلك. أما السحابة فتحوّل هذه البنود كلها إلى تعرفة بالساعة، مع الدفع فقط مقابل الساعات المستخدمة فعليًا.

ويضاف إلى ذلك عامل عمر العتاد. صدرت A100 في عام 2020، وعلى أفق ثلاث سنوات تنخفض قيمتها السوقية بوضوح مع ازدياد توافر H100 والأجيال الأحدث. فالبطاقة المشتراة تفقد قيمتها في الميزانية، بينما ينتقل المستأجر ببساطة إلى بنية أحدث.

أين قد لا ينجح الحساب

هناك متغير رئيسي واحد في مثل هذه المقارنات: معدل التحميل. فإذا كانت أربع وحدات A100 مشغولة بالتدريب أو الاستدلال (inference) على مدار الساعة تقريبًا، تقترب ساعات الخمول من الصفر، ويتقلص الفارق لصالح السحابة. أما إذا كانت البطاقات مطلوبة في فترات الذروة فقط، مثل ما قبل إطلاق نموذج أو خلال التجارب، فسيظل العتاد الخاص خاملًا معظم الوقت.

وهذه افتراضات أخرى ينبغي التحقق منها في أي حساب من هذا النوع:

• سعر الكهرباء والتبريد في منطقتكم؛
• تكلفة عمل المسؤول عن النظام ودرجة الأتمتة؛
• رسوم تخزين البيانات والحركة الصادرة في السحابة؛
• توافر البطاقات المطلوبة في الوقت المطلوب، خصوصًا في أسابيع الذروة؛
• متطلبات توطين البيانات والامتثال.

الأرقام الرئيسية في الإعلان:

• التكوين: 4× NVIDIA A100؛
• أفق المقارنة: 36 شهرًا؛
• التوفير المعلن: أكثر من $124 000؛
• في المتوسط: نحو $41 300 في السنة و$3 440 في الشهر؛
• المعادل عند التشغيل 24/7: نحو $1,18 لكل ساعة GPU (حساب المحرر استنادًا إلى المبلغ المعلن).

كيف تتحقق باستخدام أرقامك

ابدأ بالتحميل الفعلي. استخرج المقاييس عن الأشهر الثلاثة الأخيرة، وانظر كم ساعة في الأسبوع تعمل فيها وحدات GPU فعلًا في الحساب بدل انتظار البيانات. ثم حدّد نقطة التعادل: عند أي نسبة من الساعات المشغولة يصبح العنقود الخاص أرخص من الاستئجار. وستكون الإجابة متعاكسة بين فريق يبلغ تحميله 20–30% وفريق يبلغ تحميله 85–90%.

بعد ذلك يستحسن إجراء تجربة تجريبية. انقل مهمة نموذجية واحدة، سواء كانت ضبطًا دقيقًا (fine-tuning) أو استدلالًا في بيئة الإنتاج، إلى السحابة لمدة شهر، وقارن الفاتورة الفعلية بالحساب الداخلي. وغالبًا ما يكون الحل الهجين هو الأفضل: الحمل الأساسي على العتاد الخاص، والذروات بالاستئجار.

تبدو حجة RunPod مقنعة للشركات الناشئة والفرق البحثية ذات الجداول غير المنتظمة. أما مع حمل ثابت على مدار الساعة، فينبغي اعتبار رقم $124 000 دافعًا للحساب بنفسك، لا استنتاجًا جاهزًا.