Axi · Сквозной — фон контента (skin) · 16 кат.Axi · Сквозной — фон контента (skin) · 16 кат.

Fluence-Studie: Hyperscaler-GPU-Preise sind fast doppelt so hoch wie spezialisierte Clouds

• Sliv Evgeniya (aktualisiert:)
Fluence-Studie: Hyperscaler-GPU-Preise sind fast doppelt so hoch wie spezialisierte Clouds

Fluence hat eine Studie namens The AI Compute Race vorgestellt, die sich mit den Kosten für die Anmietung von Grafikprozessoren für Aufgaben der künstlichen Intelligenz befasst. Laut dem Bericht sind die veröffentlichten Tarife der großen Cloud-Anbieter im Durchschnitt 1,98-mal höher als die mittleren Tarife spezialisierter GPU-Clouds. Der Unterschied hängt vom Prozessormodell, Anbieter und den Mietbedingungen ab.

Wie sich GPU-Tarife unterscheiden

Die Studie behandelt die Kosten des Cloud-Computings auf NVIDIA H100-, H200- und B200-Grafikprozessoren.

Laut Fluence übersteigen die mittleren Tarife der Hyperscaler die der spezialisierten GPU-Clouds um das 2,8-fache für H100 und um das 1,4-fache für B200.

Für NVIDIA H200 reicht die Spanne der veröffentlichten Tarife von 4,08 bis 10,60 US-Dollar pro GPU-Stunde.

Die Vertragsdauer beeinflusst die Kosten erheblich. Im Vergleich zu Stundentarifen desselben Anbieters bieten jährliche Reservierungen einen mittleren Rabatt von 21 %, und Dreijahresreservierungen bieten 48 %.

Die Anmietung von unterbrechbarer Rechenleistung kostet im Durchschnitt 53 % der Standardkosten für On-Demand-Nutzung. Solche Ressourcen eignen sich jedoch hauptsächlich für Aufgaben, die das Stoppen und Fortsetzen von Berechnungen ermöglichen.

Der Vergleich basiert auf angegebenen Tarifen, die von den tatsächlichen Bedingungen individueller Unternehmensvereinbarungen abweichen können.

GPU-Mietkosten steigen weiter

Laut Daten von GetDeploying, die in der Studie zitiert werden, sind die Mietkosten von 17 der 22 verfolgten Grafikprozessormodelle im vergangenen Jahr gestiegen.

Die mittleren Tarife für NVIDIA H100 sind je nach Vergleichszeitraum um 13–30 % gestiegen.

Die Autoren des Berichts führen die Situation auf die hohe Nachfrage nach Rechenleistung für künstliche Intelligenz und die begrenzte Verfügbarkeit von Ausrüstung zurück.

Ein zusätzlicher Faktor ist die Verbreitung von Modellen mit offenen Gewichten, die Unternehmen eigenständig auf gemieteten oder eigenen GPUs ausführen können.

Laut den in der Studie bereitgestellten Schätzungen könnten die kombinierten Kapitalausgaben der vier größten Hyperscaler im Jahr 2026 720–740 Milliarden US-Dollar erreichen.

Gleichzeitig schließen große KI-Entwickler langfristige Vereinbarungen mit spezialisierten Cloud-Unternehmen ab. Dies begrenzt das Volumen der neuen Rechenleistung, die anderen Kunden zur Verfügung steht.

Finanzinstrumente für GPU-Computing entstehen auf dem Markt

Der Anstieg der Kosten für Rechenressourcen geht einher mit der Entwicklung von Finanzinstrumenten im Zusammenhang mit der GPU-Infrastruktur.

CME Group, Intercontinental Exchange (ICE) und Nodal Exchange haben Pläne angekündigt, Futures-Kontrakte mit Abrechnungen zu starten, die an Rechenkostensindizes gebunden sind.

Solche Instrumente sind dazu gedacht, die Risiken von Änderungen der GPU-Mietpreise zu managen, obwohl ihr tatsächlicher Start von den Bedingungen der jeweiligen Börsen und regulatorischen Verfahren abhängt.

Gleichzeitig entwickelt sich die Kreditvergabe, die durch Recheninfrastruktur gesichert ist. Beispielsweise kündigte Lambda im Oktober an, eine gesicherte Finanzierung von etwa 1 Milliarde US-Dollar mit einem festen Zinssatz von 6,78 % aufgenommen zu haben.

Somit wird Rechenleistung allmählich nicht nur zu einer technologischen Ressource, sondern auch zu einem Gegenstand langfristiger Verträge, Kreditvereinbarungen und Finanzinstrumente.

Das Material dient ausschließlich zu Informationszwecken und stellt keinen finanziellen Rat oder Empfehlung dar.

Kommentare

Überprüfung der Autorisierung...
Lade Kommentare...