يتطلب تشغيل نماذج اللغات الكبيرة (LLMs) محليًا وحدات معالجة رسومات قوية. سواء كنت تريد تشغيل Llama 4، أو Mistral Large، أو DeepSeek R1، فأنت بحاجة إلى الوصول إلى وحدات معالجة الرسومات ذات ذاكرة VRAM كافية. لحسن الحظ، هناك العديد من موفري الخدمات السحابية الذين يقدمون خوادم GPU عند الطلب بأسعار معقولة – بدءًا من 0.10 دولارًا أمريكيًا في الساعة لـ RTX 3090 إلى 2+ دولارًا أمريكيًا في الساعة لأحدث H100.
للمبتدئين، نوصي باستخدام RunPod أو Vast.ai. يقدم RunPod واجهة بسيطة وحاويات Docker ووحدة معالجة رسومات بدون خادم. Vast.ai هو سوق ستجد فيه أقل الأسعار بفضل نموذج نظير إلى نظير الخاص به. كلاهما يدعم أطر العمل الشائعة مثل vLLM، أو استدلال إنشاء النص، أو Ollama.
لنشر وكلاء الذكاء الاصطناعي في الإنتاج، تعتبر Lambda Cloud أو CoreWeave مناسبة. تقدم Lambda مثيلات A100 وH100 مخصصة محسنة للتعلم العميق. يستهدف CoreWeave عملاء المؤسسات بتوفر مضمون واتفاقية مستوى الخدمة. يتمتع كلا الموفرين بتكامل مباشر مع PyTorch وأطر عمل ML الأخرى.
إذا كنت تبحث عن أفضل نسبة السعر إلى الأداء، ففكر في Tensordock أو Salad Cloud. تقدم Tensordock خوادم GPU بسعر يبدأ من 0.10 دولار في الساعة، وتستخدم Salad Cloud شبكة موزعة وتحقق أسعارًا أقل. بالنسبة لتطبيقات المؤسسات كثيرة المتطلبات، توجد خوادم مخصصة من Latitude.sh تتمتع بإمكانية الوصول الكامل إلى الأجهزة المخصصة.
يعد اختيار وحدة معالجة الرسومات المناسبة أمرًا أساسيًا. بالنسبة للطرز التي تصل إلى 13B معلمات، فإن RTX 4090 (24 جيجابايت VRAM) كافية. بالنسبة لطرز 70B، تحتاج إلى A100 (80 جيجابايت) أو وحدات معالجة رسومات متعددة. لتدريب النماذج المخصصة، يعتبر H100 أو GB200 الجديد مثاليين. يمكنك العثور على نظرة عامة كاملة عن مقدمي الخدمة على صفحة خوادم GPU الخاصة بالذكاء الاصطناعي.