Отчет Fluence показывает, что гипермасштабируемые компании берут почти вдвое больше за облачные GPU

Недавний отчет под названием Гонка вычислений ИИ от Fluence выявил, что гипермасштабируемые компании взимают примерно 1,98 раза больше медианной цены на облачные GPU для вычислительных ресурсов. Это открытие особенно актуально для компаний, не относящихся к крупным покупателям, таким как передовые лаборатории и гипермасштабируемые компании.

В отчете указано, что цены значительно варьируются в зависимости от моделей. Например, модель H100 стоит до 2,8 раза больше медианной цены, в то время как модель B200 — 1,4 раза. Почасовые ставки для модели H200 колеблются от $4,08 до $10,60 в зависимости от провайдера.

Длительность обязательств также играет важную роль в ценообразовании. Резервирование на один год может снизить медианную цену на 21%, в то время как трехлетнее обязательство может привести к снижению на 48%. Спотовая мощность доступна по 53% от ставок по запросу для рабочих нагрузок, которые могут терпеть прерывания.

Несмотря на ожидания снижения цен на GPU, отчет показывает, что 17 из 22 отслеживаемых моделей GPU увеличили свою стоимость за последний год. Медианная цена аренды H100 возросла на 13% до 30% в зависимости от анализируемого периода.

Fluence связывает рост цен с изменением спроса в сторону открытых моделей, при этом доля китайских моделей среди компаний в США, Европе и Глобальном Юге значительно увеличилась. В отчете также отмечается, что крупнейшие гипермасштабируемые компании планируют направить капитальные расходы в размере 720–740 миллиардов долларов в 2026 году.

Кроме того, GPU-час становится финансовым активом, и такие биржи, как CME и ICE, объявили о фьючерсах на GPU. Кредиторы также начинают предлагать кредиты под залог GPU, что свидетельствует о растущей финансовизации этого ресурса.

Чтобы помочь покупателям управлять затратами, отчет предлагает несколько стратегий: сравнивать цены на чипы у разных провайдеров, заключать долгосрочные контракты, когда рабочие нагрузки стабильны, подбирать поколения GPU к конкретным моделям и исследовать варианты за пределами гипермасштабируемых компаний, так как большая часть новейшей мощности уже зарезервирована.