MornAI (Chenjianyun) : louer des GPU A100 et RTX 4090 à l'heure

MornAI est une plateforme de location de puissance de calcul GPU, présentée comme un accès immédiat à des cartes graphiques haut de gamme. Elle propose des modèles comme l'A100, la RTX 4090 et la RTX 3090 sous trois formes - hôte cloud, conteneur cloud et machine physique -, facturées à l'heure, à la journée, à la semaine ou au mois, avec des remises sur les durées longues. Pour les équipes qui entraînent des modèles d'apprentissage profond, affinent de grands modèles ou font du calcul scientifique, elle règle un problème connu : plus besoin d'acheter des cartes, de monter des serveurs, de trouver une salle et d'assurer l'exploitation avant la première expérience.


Le coût caché d'un serveur GPU maison est souvent sous-estimé. L'achat prend du temps, le modèle choisi est difficile à changer ensuite, les machines inactives continuent de se déprécier, l'électricité et le refroidissement sont des charges fixes, et les versions de pilotes, de CUDA et de frameworks consomment des heures d'ingénierie avant le premier entraînement. Louer ne garantit pas un prix unitaire plus bas : l'intérêt est de transformer un actif immobilisé en dépense que l'on allume et éteint, ce qui compte le plus quand la demande du projet fluctue. L'offre de MornAI suit cette logique : des conteneurs pour les tâches courtes, des hôtes cloud quand il faut la maîtrise complète du système, et des machines physiques quand l'exclusivité de performance est requise.

Côté tarifs, l'éditeur décrit les prix GPU comme représentant 10 à 30 pour cent de ceux des clouds publics traditionnels, et évoque un programme permettant aux ressources inutilisées de générer des revenus. Ce sont des affirmations de l'éditeur, et le coût réel dépend fortement du modèle de carte, de la durée de location et du stock disponible. Mieux vaut donc calculer sur ses propres heures de charge de travail plutôt que d'appliquer directement le pourcentage annoncé.

Fonctions principales

Puissance GPU à la demande

Les cartes de la classe A100, RTX 4090 et RTX 3090 couvrent l'entraînement en apprentissage profond, l'affinage de grands modèles, le calcul scientifique et le rendu, avec un nombre de GPU configurable aux côtés du processeur, de la mémoire et du disque. La source ne cite que des familles de cartes, sans capacité mémoire, type d'interconnexion ni débit par carte : il faut donc vérifier la spécification exacte sur la page du marché de calcul avant de commander.

Environnements préconfigurés

Les images système intègrent des piles d'apprentissage profond, de modèles de langage et de calcul scientifique, si bien qu'une nouvelle instance ne démarre pas sur une installation CUDA vide. Pour les chercheurs et les petites équipes sans personnel d'exploitation, les heures gagnées ici valent souvent plus que l'argent économisé.

Trois formes de mise à disposition

L'hôte cloud convient lorsqu'il faut la maîtrise complète du système, le conteneur aux tâches courtes et reproductibles, et la machine physique aux entraînements et rendus exigeant exclusivité et performance stable. Chaque forme implique sa propre charge d'exploitation et sa structure de coûts, et un projet peut passer de l'une à l'autre au fil de sa maturation.

Facturation et ordonnancement élastiques

La granularité va de l'heure au jour, à la semaine et au mois, avec des remises sur les durées longues, et la plateforme décrit un ordonnancement à la seconde pour ajuster les ressources selon la demande. Pour des charges de recherche intenses par périodes puis inactives, la facturation horaire est généralement plus facile à maîtriser qu'un engagement mensuel.

Infrastructure gérée et support

La plateforme prend en charge l'exploitation du matériel et annonce un support expert 24 heures sur 24, ainsi qu'un accompagnement individuel pour les travaux académiques. Les canaux précis, les délais de réponse et l'étendue de cet accompagnement ne sont pas détaillés dans la source.

Premiers pas

1. S'inscrire et se connecter sur le site officiel, mornai.cn.
2. Ouvrir le marché de calcul et choisir un hôte cloud, un conteneur cloud ou une machine physique.
3. Sélectionner une image système, par exemple avec apprentissage profond, modèles de langage ou calcul scientifique déjà installés.
4. Configurer le matériel : modèle et nombre de GPU, puis processeur, mémoire et capacité de disque.
5. Choisir la durée de facturation - heure, jour, semaine ou mois -, avec remise sur les formules hebdomadaire et mensuelle.
6. Créer l'instance, la vérifier dans la console et se connecter en un clic pour commencer à travailler.

Tarifs et facturation

• La granularité couvre l'heure, le jour, la semaine et le mois, avec des remises plus fortes sur les longues durées, ce qui permet de budgéter au rythme du projet plutôt qu'au mois calendaire.
• L'éditeur décrit les prix GPU comme 10 à 30 pour cent de ceux des clouds publics traditionnels, une affirmation relative qui ne nomme ni les fournisseurs ni les modèles comparés.
• La source ne publie ni prix unitaire par carte, ni durée minimale de location, ni dépôt de garantie, ni règles de remboursement ; le devis réel doit être consulté sur la page du marché de calcul.
• Un programme de valorisation des ressources inutilisées est mentionné, mais les conditions, le mode de règlement et les modèles éligibles ne sont pas décrits dans la source.

Pour quelles équipes

• Les startups d'IA dont les besoins de calcul alternent entre pics d'entraînement et phases produit plus calmes, et qui préfèrent éviter un achat matériel.
• Les universités et laboratoires à demande intermittente, avec des expériences courtes et concentrées.
• Les équipes de R&D d'entreprise lancées dans des entraînements massifs ou des rendus complexes, qui ont besoin d'ordonnancement élastique et de coûts d'inactivité réduits.
• Les développeurs et designers indépendants qui utilisent des cartes 3090 ou 4090 pour de l'inférence et du rendu légers, avec un seuil d'entrée plus bas que l'achat d'une station de travail.

Limites et points à vérifier

• La source ne liste que des familles de cartes, sans capacité mémoire, débit par carte, interconnexion de type NVLink ni bande passante réseau ; ces éléments doivent être vérifiés dans la console avant de s'engager sur un entraînement multi-GPU.
• La disponibilité de chaque forme dépend du stock, et les cartes populaires peuvent former une file en période de forte demande : les plannings doivent prévoir une marge.
• Le chiffre de 10 à 30 pour cent est une comparaison de l'éditeur qui ne nomme ni les clouds de référence ni les modèles ; le calcul de coût doit reposer sur vos heures et spécifications réelles.
• La sécurité des données, les certifications de conformité, la localisation des données et la politique de sauvegarde ne figurent pas dans la source ; avec des données sensibles ou des secteurs régulés, il faut confirmer avec l'éditeur avant tout envoi.
• La location de machine physique implique livraison et confirmation d'exclusivité, et ni le délai de mise à disposition ni la procédure de résiliation ne sont décrits : les projets courts gagnent à être validés d'abord sur hôte cloud ou conteneur.
• Le support 24/7 et l'accompagnement individuel sont annoncés sans délais de réponse ni périmètre de service précis, donc un projet critique ne devrait pas dépendre entièrement du support externe pour diagnostiquer une panne.

Questions fréquentes

Quelle différence avec l'achat de GPU et un serveur maison ?

L'achat de cartes est un investissement suivi de coûts continus d'espace, d'électricité, de refroidissement et d'exploitation, et le modèle retenu est difficile à changer. MornAI loue de la puissance GPU à l'heure, au jour, à la semaine ou au mois, sous forme d'hôtes cloud, de conteneurs et de machines physiques, ce qui permet d'arrêter la location à la fin d'un projet ou quand la demande baisse. La différence tient à la souplesse de la structure de coûts, pas à un prix unitaire forcément plus bas.

Quels GPU sont disponibles ?

La source cite l'A100, la RTX 4090 et la RTX 3090. Elles couvrent l'entraînement de grands modèles, l'apprentissage profond et le rendu, mais la capacité mémoire et la configuration d'interconnexion doivent être confirmées sur la page de configuration d'instance du marché de calcul.

Faut-il installer l'environnement soi-même ?

Les images incluent des environnements d'apprentissage profond, de modèles de langage et de calcul scientifique, si bien qu'une nouvelle instance ne demande généralement pas de configurer CUDA et les frameworks depuis zéro. Si le projet impose des versions précises, vérifiez d'abord la combinaison de versions présente dans l'image.

Comment fonctionne la facturation ?

La facturation se fait à l'heure, au jour, à la semaine ou au mois, avec remise sur les durées longues, et l'éditeur situe les prix GPU à 10-30 pour cent d'un cloud public traditionnel. Les prix par carte, les durées minimales et les règles de dépôt ne sont pas publiés dans la source : le devis en direct sur le marché de calcul fait référence.