MornAI (Chenjianyun): เช่าพลังประมวลผล GPU ตั้งแต่ A100 ถึง RTX 4090 ตามชั่วโมง

MornAI เป็นแพลตฟอร์มเช่าพลังประมวลผล GPU ที่วางตำแหน่งว่าเป็นการเข้าถึงการ์ดจอระดับสูงได้ทันที โดยมีรุ่นอย่าง A100, RTX 4090 และ RTX 3090 ในสามรูปแบบคือ โฮสต์คลาวด์ คอนเทนเนอร์คลาวด์ และเครื่องจริง พร้อมคิดค่าบริการตามชั่วโมง วัน สัปดาห์ หรือเดือน และมีส่วนลดสำหรับระยะยาว สำหรับทีมที่ฝึกโมเดลการเรียนรู้เชิงลึก ปรับแต่งโมเดลขนาดใหญ่ หรือทำการคำนวณทางวิทยาศาสตร์ มันแก้ปัญหาที่คุ้นเคย คือไม่ต้องซื้อการ์ด ประกอบเซิร์ฟเวอร์ หาศูนย์ข้อมูล และจัดทีมดูแลระบบก่อนการทดลองแรกจะเริ่มขึ้น


ต้นทุนแฝงของการสร้างเซิร์ฟเวอร์ GPU เองมักถูกประเมินต่ำเกินไป การจัดซื้อใช้เวลา รุ่นที่เลือกไว้เปลี่ยนภายหลังได้ยาก เครื่องที่ว่างก็ยังเสื่อมมูลค่า ไฟฟ้าและระบบระบายความร้อนเป็นค่าใช้จ่ายคงที่ ส่วนเวอร์ชันไดรเวอร์ CUDA และเฟรมเวิร์กกินเวลาวิศวกรไปหลายชั่วโมงก่อนการฝึกจะเริ่ม การเช่าไม่ได้ยืนยันว่าต้นทุนต่อหน่วยจะต่ำกว่าเสมอ คุณค่าของมันอยู่ที่การเปลี่ยนสินทรัพย์ถาวรให้เป็นค่าใช้จ่ายที่เปิดและปิดได้ ซึ่งสำคัญที่สุดเมื่อความต้องการของโครงการผันผวน แนวทางผลิตภัณฑ์ของ MornAI ก็เป็นไปตามตรรกะนี้ คือคอนเทนเนอร์สำหรับงานสั้น โฮสต์คลาวด์เมื่อต้องการควบคุมระบบปฏิบัติการเต็มรูปแบบ และเครื่องจริงเมื่อต้องการประสิทธิภาพแบบเฉพาะตัว

ด้านราคา ผู้ให้บริการระบุว่าอัตราค่า GPU อยู่ที่ 10 ถึง 30 เปอร์เซ็นต์ของคลาวด์สาธารณะแบบดั้งเดิม และกล่าวถึงโครงการที่ให้ทรัพยากรที่ว่างอยู่สร้างรายได้ได้ ข้อมูลเหล่านี้เป็นคำกล่าวอ้างของผู้ให้บริการ และต้นทุนจริงขึ้นอยู่กับรุ่นการ์ด ระยะเวลาเช่า และสต็อกในขณะนั้นอย่างมาก จึงควรคำนวณจากชั่วโมงงานจริงของคุณเองแทนการนำตัวเลขส่วนลดไปใช้ตรง ๆ

ความสามารถหลัก

พลัง GPU ตามต้องการ

การ์ดระดับ A100, RTX 4090 และ RTX 3090 ครอบคลุมการฝึกการเรียนรู้เชิงลึก การปรับแต่งโมเดลขนาดใหญ่ การคำนวณทางวิทยาศาสตร์ และการเรนเดอร์ โดยกำหนดจำนวน GPU พร้อม CPU หน่วยความจำ และดิสก์ได้ แหล่งข้อมูลระบุเพียงตระกูลการ์ด ไม่ได้ให้ขนาดหน่วยความจำ ชนิดการเชื่อมต่อ หรือประสิทธิภาพต่อการ์ด จึงต้องตรวจสอบสเปกที่แน่นอนในหน้าตลาดการประมวลผลก่อนสั่งซื้อ

สภาพแวดล้อมพร้อมใช้

อิมเมจระบบมาพร้อมชุดเครื่องมือการเรียนรู้เชิงลึก โมเดลภาษาขนาดใหญ่ และการคำนวณทางวิทยาศาสตร์ ทำให้อินสแตนซ์ใหม่ไม่ต้องเริ่มจากการติดตั้ง CUDA เปล่า ๆ สำหรับนักวิจัยและทีมเล็กที่ไม่มีทีมดูแลระบบ ชั่วโมงที่ประหยัดได้ตรงนี้มักมีค่ามากกว่าเงินที่ประหยัดได้

สามรูปแบบการให้บริการ

โฮสต์คลาวด์เหมาะเมื่อต้องควบคุมระบบปฏิบัติการเต็มที่ คอนเทนเนอร์เหมาะกับงานสั้นที่ทำซ้ำได้ และเครื่องจริงเหมาะกับการฝึกและการเรนเดอร์ที่ต้องการความเป็นเอกเทศและประสิทธิภาพที่มั่นคง แต่ละรูปแบบมีภาระการดูแลและโครงสร้างต้นทุนต่างกัน และโครงการสามารถสลับไปมาระหว่างกันได้ตามช่วงเวลา

การคิดค่าบริการและการจัดตารางที่ยืดหยุ่น

การคิดค่าบริการมีทั้งชั่วโมง วัน สัปดาห์ และเดือน โดยส่วนลดเพิ่มขึ้นตามระยะเวลา และแพลตฟอร์มระบุถึงการจัดตารางระดับวินาทีเพื่อปรับทรัพยากรตามความต้องการ สำหรับงานวิจัยที่ทำงานหนักช่วงหนึ่งแล้วหยุด การคิดตามชั่วโมงมักควบคุมต้นทุนได้ง่ายกว่าการผูกมัดรายเดือน

โครงสร้างพื้นฐานแบบมีผู้ดูแลและบริการช่วยเหลือ

แพลตฟอร์มดูแลการทำงานของฮาร์ดแวร์และประกาศบริการช่วยเหลือผู้เชี่ยวชาญตลอด 24 ชั่วโมง พร้อมคำแนะนำแบบตัวต่อตัวสำหรับงานวิชาการ แต่ช่องทางเฉพาะ เวลาตอบสนอง และขอบเขตของคำแนะนำไม่ได้ระบุไว้ในแหล่งข้อมูล

ขั้นตอนเริ่มต้น

1. สมัครและเข้าสู่ระบบที่เว็บไซต์ทางการ mornai.cn
2. เปิดตลาดการประมวลผลและเลือกโฮสต์คลาวด์ คอนเทนเนอร์คลาวด์ หรือเครื่องจริง
3. เลือกอิมเมจระบบ เช่น อิมเมจที่ติดตั้งการเรียนรู้เชิงลึก โมเดลภาษาขนาดใหญ่ หรือการคำนวณทางวิทยาศาสตร์ไว้แล้ว
4. กำหนดฮาร์ดแวร์ เลือกรุ่นและจำนวน GPU จากนั้นตั้งค่า CPU หน่วยความจำ และความจุดิสก์
5. เลือกวิธีคิดค่าบริการ ตั้งแต่ชั่วโมง วัน สัปดาห์ หรือเดือน โดยสัปดาห์และเดือนมีส่วนลด
6. สร้างอินสแตนซ์ ตรวจสอบในคอนโซล แล้วเข้าสู่ระบบด้วยคลิกเดียวเพื่อเริ่มทำงาน

ราคาและการคิดค่าบริการ

• การคิดค่าบริการมีสี่ระดับคือ ชั่วโมง วัน สัปดาห์ และเดือน ยิ่งระยะยาวส่วนลดยิ่งมากขึ้น ทำให้ตั้งงบตามจังหวะของโครงการได้ ไม่ผูกกับเดือนตามปฏิทิน
• ผู้ให้บริการระบุว่าราคา GPU อยู่ที่ 10 ถึง 30 เปอร์เซ็นต์ของคลาวด์สาธารณะแบบดั้งเดิม ซึ่งเป็นการเปรียบเทียบแบบสัมพัทธ์ที่ไม่ได้ระบุคลาวด์หรือรุ่นการ์ดที่ใช้อ้างอิง
• แหล่งข้อมูลไม่เปิดเผยราคาต่อการ์ด ระยะเวลาเช่าขั้นต่ำ เงินประกัน หรือกฎการคืนเงิน จึงต้องตรวจสอบใบเสนอราคาจริงในหน้าตลาดการประมวลผล
• มีการกล่าวถึงโครงการสร้างรายได้จากทรัพยากรที่ว่าง แต่เงื่อนไขการเข้าร่วม วิธีชำระ และรุ่นที่รองรับไม่ได้อธิบายไว้ในแหล่งข้อมูล

เหมาะกับทีมแบบใด

• สตาร์ทอัพด้าน AI ที่ความต้องการพลังประมวลผลแกว่งระหว่างช่วงฝึกโมเดลกับช่วงที่ผลิตภัณฑ์นิ่ง และต้องการเลี่ยงการซื้อฮาร์ดแวร์ครั้งใหญ่
• มหาวิทยาลัยและกลุ่มวิจัยที่มีความต้องการไม่สม่ำเสมอ และมีการทดลองสั้นแต่เข้มข้น
• ทีมวิจัยและพัฒนาขององค์กรที่ฝึกโมเดลขนาดใหญ่หรือเรนเดอร์ซับซ้อน ต้องการจัดตารางแบบยืดหยุ่นและต้นทุนช่วงว่างที่ต่ำลง
• นักพัฒนาและนักออกแบบรายบุคคลที่ใช้การ์ดระดับ 3090 หรือ 4090 สำหรับการอนุมานและการเรนเดอร์เบา ๆ ซึ่งเข้าถึงได้ง่ายกว่าการซื้อเวิร์กสเตชัน

ข้อจำกัดและสิ่งที่ควรตรวจสอบ

• แหล่งข้อมูลระบุเพียงตระกูลการ์ด ไม่มีขนาดหน่วยความจำ ประสิทธิภาพต่อการ์ด การเชื่อมต่ออย่าง NVLink หรือแบนด์วิดท์เครือข่าย ทั้งหมดนี้ต้องตรวจสอบในคอนโซลก่อนตัดสินใจฝึกด้วยหลาย GPU
• ความพร้อมของแต่ละรูปแบบขึ้นอยู่กับสต็อก และการ์ดยอดนิยมอาจต้องรอคิวในช่วงความต้องการสูง ตารางโครงการจึงควรเผื่อเวลาไว้
• ตัวเลข 10 ถึง 30 เปอร์เซ็นต์เป็นการเปรียบเทียบของผู้ให้บริการที่ไม่ได้ระบุคลาวด์อ้างอิงหรือรุ่นการ์ด การประเมินต้นทุนจึงควรคิดจากชั่วโมงและสเปกจริงของคุณ
• ความปลอดภัยของข้อมูล การรับรองมาตรฐาน สถานที่เก็บข้อมูล และนโยบายสำรองข้อมูลไม่ได้กล่าวถึงในแหล่งข้อมูล หากใช้ข้อมูลอ่อนไหวหรืออยู่ในอุตสาหกรรมที่มีข้อบังคับ ควรยืนยันกับผู้ให้บริการก่อนอัปโหลดสิ่งใด
• การเช่าเครื่องจริงมีการส่งมอบและการยืนยันความเป็นเอกเทศ แต่ไม่ได้อธิบายระยะเวลาเปิดใช้งานหรือขั้นตอนเลิกใช้ โครงการระยะสั้นจึงควรทดสอบบนโฮสต์คลาวด์หรือคอนเทนเนอร์ก่อน
• บริการช่วยเหลือตลอด 24 ชั่วโมงและคำแนะนำตัวต่อตัวประกาศไว้โดยไม่มีเวลาตอบสนองหรือขอบเขตบริการที่ชัดเจน โครงการสำคัญจึงไม่ควรพึ่งพาการแก้ปัญหาจากภายนอกทั้งหมด

คำถามที่พบบ่อย

ต่างจากการซื้อ GPU แล้วสร้างเซิร์ฟเวอร์เองอย่างไร

การซื้อการ์ดคือการลงทุนครั้งเดียว หลังจากนั้นยังมีค่าใช้จ่ายด้านสถานที่ ไฟฟ้า ระบายความร้อน และการดูแลระบบต่อเนื่อง และรุ่นที่เลือกไว้เปลี่ยนได้ยาก MornAI ให้เช่าพลัง GPU ตามชั่วโมง วัน สัปดาห์ หรือเดือน ในรูปแบบโฮสต์คลาวด์ คอนเทนเนอร์ และเครื่องจริง จึงหยุดเช่าได้เมื่อโครงการจบหรือความต้องการลดลง ความต่างอยู่ที่ความยืดหยุ่นของโครงสร้างต้นทุน ไม่ใช่การรับประกันว่าราคาต่อหน่วยจะต่ำกว่า

มี GPU อะไรให้ใช้บ้าง

แหล่งข้อมูลระบุ A100, RTX 4090 และ RTX 3090 ซึ่งครอบคลุมการฝึกโมเดลขนาดใหญ่ การเรียนรู้เชิงลึก และการเรนเดอร์ แต่ขนาดหน่วยความจำและการตั้งค่าการเชื่อมต่อต้องยืนยันในหน้าการตั้งค่าอินสแตนซ์ของตลาดการประมวลผล

ต้องติดตั้งสภาพแวดล้อมเองหรือไม่

อิมเมจระบบมีสภาพแวดล้อมการเรียนรู้เชิงลึก โมเดลภาษาขนาดใหญ่ และการคำนวณทางวิทยาศาสตร์อยู่แล้ว อินสแตนซ์ใหม่จึงมักไม่ต้องตั้งค่า CUDA และเฟรมเวิร์กตั้งแต่ต้น หากโครงการผูกกับเวอร์ชันเฉพาะ ควรตรวจสอบชุดเวอร์ชันภายในอิมเมจก่อน

คิดค่าบริการอย่างไร

คิดตามชั่วโมง วัน สัปดาห์ หรือเดือน โดยมีส่วนลดสำหรับระยะยาว และผู้ให้บริการวางราคา GPU ไว้ที่ 10 ถึง 30 เปอร์เซ็นต์ของคลาวด์สาธารณะแบบดั้งเดิม ราคาต่อการ์ด ระยะขั้นต่ำ และกฎเงินประกันไม่ถูกเปิดเผยในแหล่งข้อมูล จึงยึดใบเสนอราคาปัจจุบันบนหน้าตลาดการประมวลผลเป็นหลัก