GPU 服务器租用怎么选
GPU 的价格比 CPU 混乱得多：同样是「A10 一台」，有人租到 4.5 元/小时，有人租到 15 元；有人拿到的是整卡，有人拿到的是三分之一张卡。这篇把价格结构、临界点和五个最常见的坑讲清楚。
先问一件事：你要的是「卡」还是「显存」
GPU 选型里只有一个指标真正决定能不能跑起来——显存。算力决定跑多快，显存决定跑不跑得动。显存不够时程序不是慢，是直接 OOM 退出；而算力不够只是等，等是可以靠时间换的。
所以顺序永远是：先定显存下限，再在满足显存下限的卡里挑性价比，最后才看算力。
常见卡型的显存与价格区间
下表的价格是单卡实例的包月挂牌价（含配套 CPU 与内存），来源为 2026 年 3 月整理的一份阿里云 GPU 实例价目，仅作量级参考；活动价与地域差异会让实际价格上下浮动 30% 以上，下单前必须看结算页。
卡型 显存 配套 CPU/内存 包月挂牌价 折算每小时
T4 GN6i 16 GB 4 核 / 15 GB 1694 元 约 2.4 元
P100 GN5 16 GB 4 核 / 30 GB 1904 元 约 2.6 元
A10 GN7i 24 GB 32 核 / 188 GB 3214 元 约 4.5 元
（A10 分片 1/3） 8 GB 8 核 / 31 GB 1504 元 约 2.1 元
V100 GN6v 16 GB 8 核 / 32 GB 3830 元 约 5.3 元
V100 GN6e 32 GB 12 核 / 92 GB 9495 元 约 13.2 元「折算每小时」是按包月价除以 720 小时算的。它是个有用的锚点：如果你的实际使用时长小于 720 小时，按量付费更便宜；超过就包月。这也是后文临界点公式的起点。
更便宜的选择是第三方算力平台（4090、A100 等卡型按小时卖，常见区间 2～8 元/小时），代价是镜像环境、数据存放位置和可用性没有云厂商的保障。做实验可以，跑不能中断的长任务要谨慎。
按量、包月、长租：临界点在哪
设包月价 M 元，按量单价 p 元/小时，每月实际使用 h 小时。两者相等时：
M = p × h → h* = M / p代入上表：A10 包月 3214 元、按量约 4.5 元/小时，h* ≈ 714 小时。一个月才 720 小时，也就是说包月和按量几乎一样贵——除非你几乎 7×24 跑满，否则按量更灵活。
反过来，如果你的任务分布在几个月里、每个月只跑 100～200 小时，按量的总花费只有包月的四分之一到三分之一。GPU 任务大多是「集中几天冲一次」，这正是按量的场景。
长租（一年期）通常能在包月价上再降 30～50%，但要求你能预测未来一年的用量。真能预测准的课题组不多。
五个最常见的坑
1. 分片 GPU（vGPU / 1/3 卡）。有些实例标着「A10」，实际是虚拟化切分的三分之一张卡（8 GB 显存，型号里常带 SGN7i、VGN7i、vws 字样）。价格便宜一半，但显存和带宽都只有三分之一，多卡训练直接不可用。看到价格异常便宜的「A10」，先确认是不是整卡。
2. 显存估算只看模型参数。训练时占显存的不只是权重，还有梯度、优化器状态、激活值。经验上训练需要权重体积的 4～6 倍，推理只需 1.2 倍左右。一个 7B 的模型用 FP16 权重约 14 GB，训练时没有 40 GB 以上显存会非常难受。
3. 驱动与镜像。GPU 实例必须配套装 NVIDIA 驱动与 CUDA，版本还要和框架匹配。直接用云厂商提供的 GPU 镜像能省掉大半麻烦；自己装则要处理内核头文件、DKMS、CUDA 版本共存。这一步的耗时经常超过跑实验本身。
4. GPU 配额。新的云账号默认 GPU 配额为 0，需要单独申请（通常要写用途、等人工审核）。急着跑实验时才发现不能开机，是最可惜的一种卡壳。提前一天申请。
5. 数据盘与 IO。GPU 算得再快，数据读不进来也没用。训练集放在云盘上时，注意云盘有 IOPS 上限；顺序读大文件的场景建议用本地 NVMe 实例，或者把数据先拷到本地盘。
科研场景怎么选
分子动力学（LAMMPS、GROMACS）：GPU 收益取决于体系规模与力场。五万原子以下，GPU 相对同价 CPU 的优势有限；十万原子以上、且使用 GPU 加速的力场包（如 LAMMPS 的 GPU/KOKKOS 包），收益通常 5～10 倍。长程静电（PPPM）仍在 CPU 上算，所以 GPU 节点要配足够的 CPU 核，经验是每张卡配 4～8 核。
第一性原理（VASP、Quantum ESPRESSO）：官方发行的 VASP 不支持 GPU，社区有 OpenACC 分支但不是官方版本，稳定性与可移植性都要自己承担。指望用 GPU 加速 DFT 的常规计算，多半会失望；GPU 在 DFT 里真正有用的地方是机器学习势的训练与推理。
深度学习 / 机器学习势：这才是 GPU 的主场。单卡训练中小模型、多卡训练大模型；显存按上面「权重 4～6 倍」估。多卡时注意卡间互联——同一台机器内的 NVLink 与跨机器的以太网差一个数量级。
分子对接、虚拟筛选：AutoDock-GPU、GNINA 这类工具属于「小显存、高吞吐」，T4 或分片卡就够用，不必买 A10。这类任务适合按量跑几小时就释放。
自建 GPU 机器还是租
一张 4090 整机自建约 1.5～2.5 万元，A100 80G 整机约 15 万元以上。按三年折旧，4090 每小时的折旧成本约 0.3～0.5 元——比任何云都便宜，前提是它能跑满。跑不满时，闲置的折旧照样发生。判断标准与 CPU 机器完全一致：年使用时长低于 2000 小时，租；高于 4000 小时，考虑自建。
另外还有两个自建才有的隐性成本：电费（一张 4090 满载约 450 W，整机 600 W 以上，一年 7×24 跑电费数千元）与运维（驱动、散热、故障排查）。实验室里最常见的结局是：机器买了，只有一个人会用，其余时间在吃灰。
常见疑问
按量实例用完就释放，数据会丢吗？会。释放实例时系统盘一起销毁。要么把结果同步到对象存储，要么只「停机不收费」而保留磁盘（此时磁盘仍按存储计费，但便宜得多）。
能不能多个人共用一台 GPU 机器？可以，用容器或虚拟环境隔离，配合作业调度（Slurm 单节点也能管 GPU）。但没有调度时，两个人同时跑满一张卡，显存会互相挤爆。
抢占式 GPU 实例划算吗？划算且常见，价格能到按量的三到五成。前提是任务能检查点续算——训练任务隔几分钟存一次 checkpoint，被回收后接着跑即可。