MornAI (Chenjianyun): alquilar GPU A100 y RTX 4090 por horas

MornAI es una plataforma de alquiler de capacidad de cómputo con GPU que se presenta como acceso listo para usar a tarjetas de gama alta. Ofrece modelos como A100, RTX 4090 y RTX 3090, en tres formatos de entrega -servidor cloud, contenedor cloud y máquina física-, con facturación por hora, día, semana o mes y descuentos en los plazos más largos. Para equipos que entrenan modelos de aprendizaje profundo, ajustan grandes modelos o ejecutan cálculo científico, resuelve un problema conocido: ya no hay que comprar tarjetas, montarlas, buscar centro de datos y cubrir la operación antes del primer experimento.


El coste oculto de montar un servidor de GPU propio se subestima con facilidad. La compra tarda, el modelo elegido es difícil de cambiar después, las máquinas paradas siguen depreciándose, la electricidad y la refrigeración son partidas fijas, y las versiones de controladores, CUDA y frameworks consumen horas de ingeniería antes de entrenar nada. Alquilar capacidad no garantiza un precio unitario menor: su valor está en convertir un activo fijo en un gasto que se enciende y se apaga, algo decisivo cuando la demanda del proyecto es irregular. La propuesta de MornAI sigue esa lógica: contenedores para trabajos cortos, servidores cloud cuando hace falta control total del sistema operativo y máquinas físicas cuando se busca rendimiento exclusivo.

En cuanto al precio, el proveedor describe las tarifas de GPU como un 10 a 30 por ciento de lo que cobran las nubes públicas tradicionales, y menciona un programa para que los recursos ociosos generen ingresos. Son afirmaciones del fabricante y el coste real depende del modelo de tarjeta, la duración del alquiler y el stock disponible, así que conviene calcularlo con las horas reales de tu carga de trabajo en lugar de aplicar el descuento directamente.

Capacidades principales

Capacidad de GPU bajo demanda

Las tarjetas A100, RTX 4090 y RTX 3090 cubren entrenamiento de aprendizaje profundo, ajuste fino de grandes modelos, cálculo científico y renderizado, con el número de GPU configurable junto a CPU, memoria y disco. El material de origen enumera familias de tarjetas pero no indica capacidad de memoria, tipo de interconexión ni rendimiento por tarjeta, así que conviene confirmar la especificación exacta en la página del mercado de cómputo antes de contratar.

Entornos preconfigurados

Las imágenes de sistema incluyen pilas de aprendizaje profundo, modelos de lenguaje y cálculo científico, de modo que una instancia nueva no arranca desde una instalación de CUDA en blanco. Para investigadores y equipos pequeños sin personal de operaciones, las horas ahorradas aquí suelen importar más que el dinero ahorrado.

Tres formatos de entrega

El servidor cloud encaja cuando se necesita control completo del sistema operativo, el contenedor cuando el trabajo es corto y reproducible, y la máquina física cuando el entrenamiento o el renderizado exigen exclusividad y rendimiento estable. Cada formato tiene su propia carga operativa y estructura de coste, y un proyecto puede pasar de uno a otro según madura.

Facturación y programación elásticas

La granularidad va de la hora al día, la semana y el mes, con descuentos en los plazos largos, y la plataforma describe una programación de nivel de segundos para ajustar recursos según cambie la demanda. Para cargas de investigación que trabajan a fondo durante un periodo y luego quedan paradas, la facturación por hora suele ser más fácil de controlar que un compromiso mensual.

Infraestructura gestionada y soporte

La plataforma se encarga de la operación del hardware y anuncia soporte experto 24/7, además de acompañamiento uno a uno para trabajos académicos. Los canales concretos, los tiempos de respuesta y el alcance de ese acompañamiento no se detallan en el material de origen.

Primeros pasos

1. Regístrate e inicia sesión en el sitio oficial, mornai.cn.
2. Abre el mercado de cómputo y elige servidor cloud, contenedor cloud o máquina física.
3. Selecciona una imagen de sistema, por ejemplo una con aprendizaje profundo, modelos de lenguaje o cálculo científico ya instalados.
4. Configura el hardware: modelo y número de GPU, y después CPU, memoria y capacidad de disco.
5. Elige el plazo de facturación -hora, día, semana o mes-, con descuento en los plazos semanales y mensuales.
6. Crea la instancia, revísala en la consola e inicia sesión con un clic para empezar a trabajar.

Precios y facturación

• La granularidad abarca hora, día, semana y mes, con descuentos mayores en alquileres largos, lo que permite presupuestar según el ritmo del proyecto y no según el mes natural.
• El proveedor describe el precio de las GPU como un 10 a 30 por ciento de las nubes públicas tradicionales, una afirmación relativa que no identifica los proveedores ni los modelos comparados.
• El material de origen no publica precios unitarios por tarjeta, periodos mínimos de alquiler, depósitos ni reglas de reembolso; la cotización real debe consultarse en la página del mercado de cómputo.
• Se menciona un programa de monetización de recursos ociosos, pero las condiciones, la liquidación y los modelos admitidos no se describen en la fuente.

Para qué equipos encaja

• Startups de IA cuya demanda de cómputo oscila entre picos de entrenamiento y fases tranquilas de producto, y que prefieren evitar una compra de hardware.
• Universidades y grupos de investigación con demanda intermitente y experimentos cortos y concentrados.
• Equipos de I+D empresariales con entrenamiento a gran escala o renderizado complejo que necesitan programación elástica y menos coste ocioso.
• Desarrolladores y diseñadores individuales que usan tarjetas 3090 o 4090 para inferencia y renderizado ligeros, con una barrera de entrada menor que comprar un equipo.

Limitaciones y puntos a verificar

• La fuente solo enumera familias de tarjetas, sin capacidad de memoria, rendimiento por tarjeta, interconexión como NVLink ni ancho de banda de red, datos que hay que verificar en la consola antes de comprometerse con entrenamiento multi-GPU.
• La disponibilidad de cada formato depende del stock y las tarjetas populares pueden formar cola en picos de demanda, así que la planificación debe incluir margen.
• La cifra del 10 al 30 por ciento es una comparación del proveedor que no identifica las nubes de referencia ni los modelos, por lo que el cálculo de costes debe usar tus horas y especificaciones reales.
• La seguridad de los datos, las certificaciones de cumplimiento, la residencia de datos y la política de copias no aparecen en la fuente; con datos sensibles o sectores regulados conviene confirmarlo con el proveedor antes de subir nada.
• El alquiler de máquina física implica entrega y confirmación de exclusividad, y no se describen los plazos de aprovisionamiento ni el proceso de baja, por lo que los proyectos cortos deberían validarse primero en servidores cloud o contenedores.
• El soporte 24/7 y el acompañamiento uno a uno se anuncian sin tiempos de respuesta ni límites de servicio declarados, así que un proyecto crítico no debería depender por completo del soporte externo para diagnosticar fallos.

Preguntas frecuentes

¿En qué se diferencia de comprar GPU y montar un servidor?

Comprar tarjetas es una inversión de capital a la que siguen costes de espacio, electricidad, refrigeración y operación, y el modelo elegido es difícil de cambiar. MornAI alquila capacidad por hora, día, semana o mes en servidores cloud, contenedores y máquinas físicas, de modo que se puede detener el alquiler cuando el proyecto termina o la demanda baja. La diferencia está en la flexibilidad de la estructura de coste, no en un precio unitario garantizado menor.

¿Qué GPU están disponibles?

El material de origen enumera A100, RTX 4090 y RTX 3090. Cubren entrenamiento de grandes modelos, aprendizaje profundo y renderizado, pero la capacidad de memoria y la configuración de interconexión deben confirmarse en la página de configuración de instancias del mercado de cómputo.

¿Hay que instalar el entorno uno mismo?

Las imágenes incluyen entornos de aprendizaje profundo, modelos de lenguaje y cálculo científico, así que una instancia nueva normalmente no requiere montar CUDA y los frameworks desde cero. Si el proyecto fija versiones concretas, conviene comprobar antes la combinación de versiones dentro de la imagen.

¿Cómo funciona la facturación?

Se factura por hora, día, semana o mes con descuentos en los plazos largos, y el proveedor sitúa el precio de las GPU en un 10 a 30 por ciento de la nube pública tradicional. Los precios por tarjeta, los periodos mínimos y las reglas de depósito no se publican en la fuente, así que la cotización en vivo del mercado de cómputo es la referencia.