Планируя запуск нового проекта на собственной ИТ-инфраструктуре, бизнес ориентируется на цены и сроки поставки, указанные в коммерческом предложении. Поставщики обычно закладывают их со значительным запасом, так как с момента выставления предложения до закупки проходит от нескольких месяцев до полутора-двух лет. Несмотря на это, зачастую к моменту заключения договора выясняется, что заложенная в бюджете сумма будет превышена, а поставка займет больше времени, чем изначально планировалось. Как следствие, запуск проекта откладывается, а его реализация требует дополнительных затрат .
Это не вина поставщика. Корень проблемы в лавинообразном росте использования ИИ, который привел к дефициту GPU-мощностей во всем мире. Спрос на ускорители растет быстрее, чем производство, поэтому кластеры дорожают, а очередь на поставку только растет.
Почему дефицит GPU — это надолго
В цепочке производства несколько звеньев: сама карта, память HBM, компоненты сервера и заводские мощности под них. Задержка в любом звене увеличивает срок поставки.
Гиперскейлеры резервируют производство на годы вперед
Крупнейшие облачные провайдеры, среди них Amazon, Google и Microsoft, резервируют производственные мощности на годы вперед, подписывая долгосрочные контракты. Остальным заказчикам остается очередь, и она продолжает расти.
По подсчетам BloombergNEF, капитальные вложения четырнадцати крупнейших публичных операторов дата-центров в 2026 году составят около 750 млрд долларов против чуть менее 450 млрд годом раньше.
По его последнему прогнозу Gartner, расходы на инфраструктуру дата-центров в 2026 году вырастут на 73,8% и достигнут 879 млрд долларов. Ранее аналитики Gartner называли строительство вычислительных мощностей под ИИ крупнейшим инфраструктурным проектом в истории человечества.
Память HBM: три производителя на весь мир
Отдельным звеном дефицита стала память HBM, которая устанавливается на подложку ускорителя. Она обеспечивает обмен данными с вычислительными ядрами на скорости, недостижимой для обычной памяти.
HBM производят Samsung, SK Hynix и Micron. По оценке TrendForce, контрактные цены на HBM вырастут кратно уже в 2027 году. Предложение обычной DRAM остается ограниченным со второго полугодия 2025 года.
Gartner сообщает о троекратном росте выручки всего сегмента памяти, включая HBM, DRAM и другие типы. В 2026 году она составит 633,3 млрд долларов против 216,3 млрд годом раньше. Цены на DRAM за 2026 год прибавят 125%.
Дефицит серверных компонентов
Сервер собирается из десятков компонентов. По данным обзора TrendForce от 15 апреля 2026 года, срок поставки печатных плат и процессоров достигает года. Из-за этого прогноз роста поставок серверов на 2026 год снижен примерно с 20 до 13% год к году. Причина та же: поставщики отдают производственные мощности под ИИ-серверы, где маржа выше.
Развертывание проекта в облаке провайдера
Альтернативой закупке становится развертывание проекта в публичном облаке. Так бизнесу становятся доступны флагманские ускорители, а срок развертывания в зависимости от выбранной модели услуг составляет от нескольких минут до 3–5 дней.
Основных моделей четыре. Они отличаются тем, какой частью инфраструктуры управляет сама компания и какие задачи берет на себя провайдер.
1. Облачный сервер с GPU
Облачный сервер с GPU — это виртуальная машина с доступом к ресурсам графического процессора. Машине передается либо доля карты через технологии vGPU или MIG, либо карта целиком через PCIe Passthrough. Клиент получает изолированное окружение с заданным объемом VRAM, vCPU, RAM и диска, а оплата начисляется за фактическое время использования или за выделенные ресурсы.
Сервер создается за минуты через панель управления или API. Формат подходит для разработки, тестирования и одновременной работы нескольких небольших моделей, то есть для задач с переменной и невысокой загрузкой карты.
2. Выделенный сервер с GPU
Выделенный сервер с GPU — это физический сервер, все ресурсы которого, включая GPU, CPU, RAM и хранилище, отданы в распоряжение одного клиента. Это обеспечивает предсказуемую производительность, полный контроль над конфигурацией стека от ОС до драйверов и аппаратную изоляцию данных на уровне сервера.
Сервер требует конфигурирования под задачу и передается в работу в течение нескольких дней. Формат выбирают для обучения и дообучения моделей, а также для инференса с требованиями к времени отклика.
3. Частное облако с GPU
Частное облако с GPU — это выделенная виртуальная ИТ-инфраструктура, созданная для одной организации. Ресурсы распределяются между внутренними потребителями — командами, проектами или отделами. Частное облако размещают либо в инфраструктуре провайдера, выделенной под одного клиента, либо на площадке самого клиента.
4. AIaaS
AIaaS (AI as a Service) — это предоставление услуг и инструментов искусственного интеллекта через платформу облачных вычислений. Компания получает доступ к возможностям ИИ и использует их без вложений в базовую инфраструктуру и ее поддержку: машинное обучение, глубокое обучение, обработка естественного языка и компьютерное зрение доступны через API или другие облачные службы.
Вычислительные мощности при этом не арендуются вовсе, инфраструктура остается полностью на стороне провайдера. Подключение занимает от нескольких часов до трех дней, оплата идет за фактическое потребление. Формат закрывает прикладные сценарии на готовых моделях, где собственная инфраструктура не нужна.
Как выбрать модель услуги
| Критерий | Облачный сервер | Выделенный сервер | Частное облако | AIaaS |
|---|---|---|---|---|
| Что получает компания | ВМ с картой или ее долей | сервер с картами целиком | изолированный пул ресурсов | доступ к моделям через API |
| Типовая задача | разработка, тесты, небольшие модели | обучение, дообучение, инференс под SLA | чувствительные данные, дообучение на своих данных | прикладные сценарии на готовых моделях |
| Загрузка карты | переменная, невысокая | высокая, постоянная | высокая, прогнозируемая | не учитывается |
| Требования к данным | стандартные | стандартные | повышенные, изолированный контур | обработка в РФ по 152-ФЗ |
| Срок развертывания | минуты | несколько дней | от нескольких дней | от нескольких часов до 3 дней |
Что меняется при переходе на аренду
CAPEX и OPEX: рекуррентный платеж вместо капитальных затрат
Покупка оборудования относится к капитальным затратам (CAPEX). В крупных компаниях такие расходы требуют отдельного согласования и вносятся в годовой бюджет.
Аренда переводит расходы в операционные (OPEX). Вместо крупных затрат на старте проекта компания переходит на регулярные рекуррентные платежи.
Различается и логика выбора конфигурации. При закупке оборудование обычно берут с запасом, держа в уме будущие нагрузки. По факту часть мощностей простаивает, хотя оплачена. При аренде объем ресурсов приводится в соответствие с текущей нагрузкой, а расширение под пиковый период не требует покупки карт, которые затем останутся невостребованными.
Эксплуатация
Обслуживание GPU-инфраструктуры требует отдельных компетенций:
- питание высокой плотности и охлаждение;
- замена вышедшего из строя оборудования;
- обновление драйверов и прошивок;
- лицензирование NVIDIA AI Enterprise.
При аренде провайдер берет на себя эксплуатацию физической инфраструктуры. Параметры доступности фиксируются в соглашении об уровне обслуживания, а сроки реакции на инциденты — в договоре.
Масштабируемые мощности и доступ к другим сервисам
Мощности в облаке наращиваются в рамках действующего договора. Переход от одной карты к нескольким, а затем к кластерной конфигурации не требует нового цикла закупки с бюджетированием, согласованием, тендером и ожиданием поставки. Обратное движение тоже возможно: после завершения обучения ресурсы сокращаются до объема, необходимого для инференса.
ИИ-проект при этом не ограничивается ускорителями. Ему требуются:
- хранилище под датасеты;
- база данных;
- резервное копирование.
В облаке эти компоненты подключаются как готовые услуги в том же контуре, где работают GPU, и обмен данными идет внутри площадки. При развертывании на собственной инфраструктуре каждый компонент планируется, закупается и обслуживается отдельно.
GPU-инфраструктура и ИИ-сервисы ITGLOBAL.COM
В инфраструктуре ITGLOBAL.COM доступны все четыре модели услуг: облачный сервер с GPU, выделенный сервер с GPU, частное облако с GPU и AIaaS.
Основу GPU-инфраструктуры составляют ускорители NVIDIA H200, RTX PRO 6000 Blackwell Server Edition, A100/А800. Дата-центры работают в 7 странах: России, Беларуси, Казахстане и Узбекистане, Бразилии, ОАЭ и Китае. Это позволяет разместить проект в нужной юрисдикции. Площадки соответствуют уровню Tier III.
Помимо GPU в том же контуре можно развернуть остальные компоненты проекта: объектное хранилище S3 под датасеты, резервное копирование и базу данных.
AIaaS: корпоративный ИИ-шлюз
AIaaS реализован как единый управляемый API к более чем 100 языковым моделям. В каталог входят российские GigaChat и YandexGPT, зарубежные модели OpenAI, Anthropic, Google и xAI, а также модели с открытыми весами — Llama, Qwen, DeepSeek, Kimi и другие. Переключение между ними не требует изменения кода интеграции.
Запрос проходит через шлюз по фиксированному порядку: аутентификация, проверка прав и квот, DLP-фильтрация промпта и ответа, маршрутизация к выбранной модели, тарификация и запись в лог. Ролевая модель доступа определяет, какие подразделения к каким моделям обращаются и в рамках какого бюджета. Расчет ведется в универсальных ИИ-кредитах — это одна валюта для всех моделей вместо отдельных счетов от каждого поставщика. Сервис развернут в российских дата-центрах и соответствует требованиям 152-ФЗ.
Доступны два формата. Базовый дает единый API с управлением доступом и квотами без развертывания собственной инфраструктуры. Private AI Cloud — изолированный ИИ-контур на GPU ITGLOBAL.COM с возможностью дообучения моделей на данных компании; формат рассчитан на финансовый сектор, госсектор и промышленность.
Часто задаваемые вопросы
Зависит от провайдера и выбранной модели услуги. Виртуальная машина с GPU создается за минуты, подключение к AIaaS занимает от нескольких часов до трех дней. Выделенный сервер и частное облако разворачиваются до 3–5 дней.
Четыре: облачный сервер с GPU, выделенный сервер с GPU, частное облако с GPU и AIaaS. Выбор определяется характером загрузки карты и требованиями к данным: чем выше и постояннее загрузка, тем больше смысла в монопольном доступе к оборудованию; чем строже требования информационной безопасности, тем нужнее изолированный контур.
Зависит от режима доступа к карте. Машина получает карту целиком через PCIe Passthrough либо ее долю через аппаратное или программное разделение GPU. MIG делит карту на изолированные инстансы, vGPU отвечает за способ поставки ресурса виртуальной машине, и два механизма дополняют друг друга. На выделенном сервере карты закреплены за одним клиентом без слоя виртуализации.
Выделенный сервер подходит для постоянной высокой загрузки, когда важны предсказуемая производительность, полный контроль над программным стеком и монопольное использование оборудования. Для пилотов, тестирования и переменной нагрузки удобнее облачный сервер с GPU.
Предыдущая статья
