Расширенный поиск
Гайды / Руководства / AI и смарт-контракты
16-11-2025, 22:17

GPU-сети для ИИ: полное сравнение io.net, Aethir и Nosana 2025

Децентрализованные GPU-сети становятся ключевым решением для AI-разработчиков, ищущих альтернативу дорогим облачным провайдерам. В этом руководстве мы детально сравниваем три ведущие платформы: io.net, Aethir и Nosana - их цены, производительность и идеальные сценарии использования для обучения моделей и инференса в 2025 году.

Спрос на GPU под ИИ растёт быстрее, чем их успевают выпускать. Облачные провайдеры держат цены высоко, очереди на топовые ускорители тянутся на недели, а стартапы и Web3-команды ищут любые способы снизить стоимость инференса и обучения моделей.

На этом фоне вырос целый класс DePIN-проектов — децентрализованных сетей физических ресурсов. В сегменте вычислений это GPU-сети, которые собирают под одним «зонтиком» тысячи видеокарт по всему миру и отдают их в аренду разработчикам ИИ. В этом гайде разберём три таких проекта:

  • io.net — Solana-ориентированная сеть для AI-нагрузок;
  • Aethir — enterprise-GPU для ИИ и гейминга;
  • Nosana — маркетплейс GPU для инференса.

Мы сравним их по фокусу, экономике и типичным сценариям, а главное — покажем, как практично выбрать и запустить нужную платформу под свои задачи.

1. Что такое децентрализованные GPU-рынки и кому они нужны

В классическом облаке (AWS, GCP, Azure) провайдер сам владеет железом, сам его администрирует и продаёт вам доступ по фиксированным тарифам. В децентрализованных сетях логика другая:

  • есть множество владельцев GPU (дата-центры, майнеры, энтузиасты);
  • есть протокол, который объединяет их ресурсы, следит за выполнением задач и расчётами;
  • есть токен и/или off-chain биллинг, который стимулирует участников держать сеть онлайн.

В идеале вы получаете:

  • цены ниже, чем в «большом облаке», за счёт использования простаивающих GPU и конкуренции поставщиков;
  • гибкость: возможность быстро наращивать и сбрасывать мощности;
  • прозрачность (on-chain учёт, открытая статистика по нодам и пулу GPU).

Такие сети уже активно используют:

  • команды, которые запускают RAG-сервисы, ботов и ассистентов в проде и хотят контролировать косты;
  • исследователи и стартапы с нерегулярными, но тяжёлыми обучающими задачами (fine-tuning, LoRA, эмбеддинги);
  • Web3-проекты, выстраивающие DePIN-и агентную инфраструктуру вокруг LLM/AI-сервисов;
  • владельцы GPU, которым интересно монетизировать оборудование, вместо того чтобы держать его выключенным.

Подробно про сам класс DePIN-проектов и риски мы разбираем в вики-статье «DePIN: децентрализованные сети физических ресурсов». Здесь сфокусируемся на трёх конкретных GPU-сетях.

2. Краткий профиль: io.net, Aethir, Nosana

2.1. io.net — децентрализованный GPU-клауд для AI-нагрузок

io.net позиционирует себя как «децентрализованную GPU-экосистему для AI-нагрузок»: сеть агрегирует тысячи GPU по миру, позволяет запускать обучение и инференс, а благодаря автоматическому планировщику задач и использованию простаивающих мощностей заявляет экономию до десятков процентов относительно крупных облаков.

Ключевые черты io.net:

  • Фокус на AI/ML. Позиционируется именно как платформа для обучения моделей, рендеринга и симуляций, а не просто «облачные сервера общего назначения».
  • Интеграция с Solana-экосистемой. Платформа активно присутствует на мероприятиях и в инфраструктуре Solana, платежи и учёт нагрузки завязаны на быстрые блоки и низкие комиссии сети.
  • Токен IO. Используется для стимулирования провайдеров железа и, частично, как платёжное средство внутри экосистемы.

Более подробный техпрофиль см. в нашей вики «io.net (IO): децентрализованный GPU-клауд для ИИ».

2.2. Aethir — enterprise-GPU для ИИ и облачного гейминга

Aethir строит распределённый клауд вокруг enterprise-GPU: H100 и аналогичных карт, которые используют крупные компании для генеративного ИИ и облачного гейминга. Проект относится к DePIN-сегменту, но изначально смотрит не на розницу, а на корпоративный рынок.

Что важно понимать про Aethir:

  • Ставка на «тяжёлое железо». Цель — дать доступ к high-end GPU уровня H100 тем, кому не хватает ресурсов классических облаков или кто хочет диверсифицировать поставщиков.
  • Корпоративный GTM. В экосистеме много партнёрств с игровыми компаниями, AI-стартапами и инфраструктурными проектами, интеграции с liquid staking/AVS (например, через EigenLayer).
  • ATH-токен. Используется для оплаты вычислений, стейкинга, вознаграждений узлам и программ комьюнити.

Обзор токена и токеномики — в статье «Aethir (ATH): DePIN-сеть enterprise-GPU».

2.3. Nosana — Solana-маркетплейс GPU для инференса

Nosana — децентрализованный GPU-маркетплейс на Solana, который делает упор на дешёвый инференс и использование недозагруженных потребительских GPU:

  • владельцы совместимых видеокарт могут регистрироваться как хосты и зарабатывать на сдаче мощности;
  • разработчики ИИ получают доступ к распределённой сетке GPU с упором на inference-нагрузки (LLM-боты, генерация изображений, сервисы типа API-шлюза);
  • проекты заявляют экономию до нескольких раз по сравнению с традиционными облачными провайдерами при типовых задачах инференса.

Подробнее о NOS-токене и механике marketplace — в гайде «Nosana (NOS): децентрализованный GPU-маркетплейс на Solana».

3. Сравнение io.net, Aethir и Nosana: где чей sweet spot

Критерий io.net Aethir Nosana
Основной фокус AI/ML-нагрузки (обучение и инференс), рендеринг, симуляции Enterprise-ИИ и облачный гейминг с акцентом на high-end GPU Доступный инференс LLM/AI-моделей на распределённых GPU
Тип GPU Смешанный парк (от потребительских до дата-центровых карт) Премиальные дата-центровые GPU (H-серия, A-серия и аналоги) Преимущественно потребительские/«домашние» GPU
Целевая аудитория AI-стартапы, Web3-команды, исследователи, dev-шопы Корпоративные клиенты, игровые студии, крупные AI-компании Небольшие AI-проекты, разработчики ботов и inferencing-сервисов
Блокчейн и стек Глубокая интеграция с Solana и её экосистемой EVM-стек, интеграции с DeFi/AVS и enterprise-инфрой Solana-стек, ориентир на скорость и низкие комиссии
Экономика Токен IO + оплата вычислений, стимулы для провайдеров GPU ATH-токен: оплата compute, стейкинг, награды нодам NOS-токен: marketplace-логика, платежи, стимулы для хостов
Сильные стороны Ставка на AI-кейсы, широкая сеть GPU, интеграция с Solana-AI Фокус на high-end железе, партнёрства с игровыми и AI-проектами Простота входа, акцент на дешевизну инференса и монетизацию домашних GPU
Ограничения Зависимость от стейта DePIN-сегмента и Волатильности токена Порог входа выше (B2B-ориентация, требования к SLA и безопасности) Гетерогенность железа, потенциально выше разброс по latency и надёжности

Никакая из этих платформ не «лучше всех» сама по себе. Правильный вопрос — под что именно вы ищете GPU:

  • для сложного обучения и постоянной нагрузки с жёсткими SLA чаще логичнее смотреть на Aethir или гибрид «свой кластер + DePIN»;
  • для RAG-ботов, тонкого обучения и лабораторных экспериментов подойдёт io.net;
  • для массового инференса и MVP-сервисов с сильным упором на цену — Nosana.

Ориентировочная стоимость GPU-часа (конец 2025 года)

  • io.net: примерно $0.25–0.50 за RTX 4090 и $0.9–1.7 за H100 (по официальной тарифной матрице сети).
  • Aethir: ориентир $0.3–0.5 за A100 и $1.2–2.0 за H100 (enterprise-сегмент, bare-metal, с дисконтом к большим облакам).
  • Nosana: порядка $0.6–0.9 за потребительские GPU уровня RTX 4090 (исходя из break-even-расчётов и заявленной экономии до ~6× относительно традиционного облака).
  • Крупные централизованные облака (AWS / Azure / GCP): в среднем $3–7 за H100-GPU-час и около $0.7–1.5 за mid-range GPU (L4/L40s/«4090-класс») при on-demand-тарифах без спецскидок.

4. Как выбрать рынок GPU под свою задачу

Перед тем как регистрироваться и заводить кошельки, ответьте на семь вопросов:

  • Какой тип нагрузки доминирует: обучение, инференс, рендеринг, симуляции?
  • Насколько критичны SLA и стабильность: это прод для клиентов или внутренний инструмент?
  • Нужны ли вам конкретные модели GPU (H100/A100 и т.п.) или достаточно «mid-range» карт?
  • Какой у вас бюджет на GPU-час, и где проходит граница «слишком дорого»?
  • Есть ли требования к юрисдикции и комплаенсу (данные, персональные данные, финсектор)?
  • Насколько важна интеграция с Web3-стеком (Solana, EVM, on-chain биллинг)?
  • Готовы ли вы жить с волатильностью токенов или хотите максимально фиксированные цены?

После этого уже можно прикладывать конкретные сети:

  • io.net — если вам нужен гибкий AI-клауд с хорошей интеграцией в Solana-экосистему и вы готовы экспериментировать с DePIN-решением вместо традиционного AWS;
  • Aethir — если вы крупный игрок (или строите сервис для крупных клиентов) и вам нужен доступ к enterprise-GPU с упором на SLA;
  • Nosana — если ключевой KPI — минимальный чек за инференс и возможность быстро масштабировать количество параллельных запросов.

5. Пошаговый старт: io.net для AI-команды

Конкретные UI-надписи и расположение кнопок периодически меняются, поэтому ниже — обобщённый сценарий, который поможет не потеряться при первом запуске.

5.1. Подготовка

  1. Опишите workload. Тип модели (LLM, diffusion, эмбеддинги), объём данных, желаемый TPS, допуски по latency и бюджет на месяц.
  2. Решите, где будет жить код. Обычно это Docker-образы с вашим сервисом (API, воркеры) и конфигами под оркестратор.
  3. Подготовьте кошелёк в экосистеме Solana и базовую инфраструктуру CI/CD, чтобы можно было быстро обновлять контейнеры.

5.2. Регистрация и первый проект

  1. Зайдите на сайт io.net и создайте аккаунт (e-mail + OAuth) для своей команды.
  2. Подключите Solana-кошелёк — он нужен для биллинга и операций с токеном IO (если вы планируете участвовать в токеновой экономике).
  3. Создайте первый проект или workspace: задайте название, регион, базовые ограничения по ресурсам.

5.3. Деплой приложения

  1. Опишите конфигурацию кластера. Число GPU, типы карт (если есть выбор), объём RAM/SSD, требования к сети.
  2. Загрузите Docker-образ с вашим сервисом или подключите его из реестра (Docker Hub, GitHub Container Registry и т.п.).
  3. Настройте переменные окружения: ключи к моделям, эндпойнты баз данных, параметры логирования.
  4. Проведите smoke-тест. Запустите небольшой тестовый job или несколько запросов к API, убедитесь, что сервис корректно поднимается и отрабатывает.

5.4. Эксплуатация и оптимизация

  • Включите метрики и логирование (Prometheus/Grafana, OpenTelemetry или встроенные панели платформы).
  • Смотрите на utilization GPU: если загруженность низкая, уменьшайте размер кластера; если постоянно «в красной зоне» — увеличивайте.
  • Проверьте, нет ли «простых» оптимизаций: кэширование, батчинг, quantization, эффективное управление сессиями.

6. Пошаговый старт: Aethir для enterprise-кейсов

В отличие от io.net и Nosana, Aethir сильнее ориентирован на корпоративных клиентов: здесь больше упор на SLA, партнёрские интеграции и поддержку.

6.1. Определяем требования и сценарии

  • фиксируем списком бизнес-сервисы, которые вы хотите перевести на Aethir (генеративный ИИ, облачный гейминг, инференс в проде);
  • описываем требования к доступности и задержкам (99.9%+, регионы, edge-топология);
  • оцениваем, какие части нагрузки можно вынести в DePIN-клауд, а какие лучше оставить в собственном или традиционном облаке.

6.2. Контакт с командой Aethir

  1. Оставьте заявку на сайте или через партнёрскую форму.
  2. На созвоне с пресейл/архитектором проговорите:
    • потребность по типам GPU и объёмам;
    • особые требования по безопасности и комплаенсу;
    • возможность использования ATH-токена в биллинге или только фиат/стейблкоины.
  3. Получите коммерческое предложение с расчётом тарифа и описанием архитектуры.

6.3. Интеграция и миграция workload’ов

  • Начинайте с non-critical workload: A/B-тест, резервный тренинг, часть инференса.
  • Настройте наблюдаемость (метрики, алерты, трассировку) на стороне Aethir так, чтобы ваша SRE-команда видела картину не хуже, чем в AWS/GCP.
  • Постепенно увеличивайте долю нагрузки в Aethir, если качество и стоимость устраивают.

7. Пошаговый старт: Nosana для инференса и сдачи GPU

7.1. Если вы запускаете инференс-сервис

  1. Создайте аккаунт на сайте Nosana и подключите Solana-кошелёк для биллинга.
  2. Определитесь, как вы будете работать:
    • через web-панель (запуск job’ов и управление задачами);
    • через CLI/SDK, если нужно интегрировать Nosana в CI/CD.
  3. Подготовьте контейнер с inference-сервисом (LLM-API, image-generation, эмбеддинги).
  4. Создайте задачу или пул задач в Nosana, указав:
    • тип и минимальные характеристики GPU;
    • ограничения по времени выполнения;
    • порог стоимости, выше которого job не запускается.
  5. Запустите пилот: прогоните несколько нагрузочных тестов, оцените реакцию по latency и стабильности.

7.2. Если вы хотите сдавать свои GPU

  1. Проверьте, подходит ли ваше железо (GPU, объём памяти, подключение к интернету) под требования Nosana.
  2. Создайте хоста:
    • установите нод-клиент Nosana на машину с GPU;
    • подключите кошелёк и привяжите ноду к аккаунту;
    • установите лимиты по нагрузке (время, температура, максимальная загрузка).
  3. Мониторьте:
    • сколько job’ов проходит через ваш GPU;
    • как меняется доход в NOS и/или стейблкоинах;
    • нет ли перегрева или других аппаратных проблем.

Важно понимать, что доход от сдачи GPU в DePIN-сетях не гарантирован и зависит от спроса, настроек тарифа и общего состояния рынка.

8. Типичные ошибки при работе с децентрализованными GPU-сетями

  • Ожидание «того же самого, только дешевле». DePIN-сети — не полный клон AWS. У них могут быть свои особенности: гетерогенный парк железа, периодическая фрагментация ресурсов, другие SLA. Для критичных прод-нагрузок закладывайте гибридную архитектуру.
  • Игнорирование сети и данных. Часто узлы физически находятся в других регионах. Если ваши базы данных или пользователи далеко, вы можете выиграть в цене GPU, но проиграть в сетевых задержках.
  • Недооценка security и комплаенса. Работа с чувствительными данными (финансы, медицина) через DePIN требует отдельного аудита: шифрование, разделение данных и моделей, юридическая проработка.
  • Привязка бизнес-модели к цене токена. Стоимость IO/ATH/NOS может сильно меняться. Для прод-сервиса лучше считать юнит-экономику в стейблкоинах или фиате, а токен использовать как вспомогательный инструмент, а не основную «валюту» планирования.
  • Отсутствие мониторинга. DePIN-решения нужно мониторить не меньше, а зачастую больше, чем обычный клауд: не ограничивайтесь dashbord’ом провайдера, ставьте свои метрики, алерты и логи.

9. Чек-лист: безопасный пайплайн AI + GPU-DePIN

  • Разделили workload’ы на критичные и некритичные, для первых держите fallback в традиционном облаке или on-prem.
  • Понимаете, где физически находятся GPU-ноды и как это влияет на latency и требования к данным.
  • Считаете стоимость не только GPU-часа, но и сопутствующих расходов (хранение, сеть, разработка, девопс).
  • Внедрили мониторинг: utilization GPU, ошибки моделей, задержки, таймауты, падения нод.
  • Остановили «инвест-мышление» на входе: используете токены как утилиту для доступа и стимулов, а не как основу финансовой стратегии компании.

Ключевые выводы по GPU-сетям:

  • io.net - лучший баланс для AI/ML нагрузок и интеграции с Solana
  • Aethir - премиум решение для enterprise с high-end GPU
  • Nosana - оптимален для бюджетного инференса и монетизации домашних GPU
  • Экономия до 40-60% против традиционных облаков

FAQ: популярные вопросы о io.net, Aethir и Nosana

Чем io.net отличается от Aethir и Nosana?

io.net фокусируется на AI/ML-нагрузках и глубоко интегрирован с Solana-экосистемой. Aethir нацелен на enterprise-сегмент с high-end GPU и плотными партнёрствами в гейминге и ИИ. Nosana, напротив, делает упор на доступный инференс и сдачу в аренду потребительских GPU, позволяя многим пользователям монетизировать свои видеокарты и снижать стоимость запросов к моделям.

Сколько стоит GPU-час в этих сетях?

Точные цифры постоянно меняются и зависят от типа GPU, региона, спроса и политики конкретного пула. io.net и Nosana подчёркивают, что при типичных AI-задачах можно экономить кратно по сравнению с крупными облаками, Aethir борется за сегмент, где важнее SLA и доступ к топовым картам, чем минимальная цена. Для планирования бюджета используйте их официальные калькуляторы и текущие прайс-листы, а не маркетинговые слоганы.

Можно ли обучать крупные модели в io.net, Aethir или Nosana?

Да, но профиль нагрузки разный. Aethir наиболее логичен для тяжёлого обучения на enterprise-GPU. io.net тоже поддерживает тренинг и fine-tuning, особенно если вам важна интеграция с Solana и гибкая масштабируемость. Nosana сильнее заточена под инференс и короткие job’ы; для длительного обучения она подходит хуже, чем для «огня» запросов к уже обученной модели.

Как сдавать свои GPU через эти сети?

Во всех трёх проектах есть механика для провайдеров железа: вы регистрируете узел, устанавливаете клиент/нод-софт, привязываете кошелёк и задаёте лимиты по ресурсам. Далее протокол направляет к вам job’ы, а вознаграждения перечисляются в токене или стейблкоинах. Важно учитывать расходы на электричество, интернет и амортизацию — «грязный» доход без расчёта этих факторов может вводить в заблуждение.

Безопасно ли использовать DePIN-GPU-сети в продакшене?

Технологически такие сети могут быть достаточно стабильными, но для продакшена нужно учитывать несколько факторов: надёжность конкретного провайдера GPU, юридические риски (где физически обрабатываются данные), требования комплаенса и готовность вашей команды поддерживать гибридную архитектуру. Практичная стратегия — начинать с некритичных нагрузок и постепенно наращивать долю DePIN в общей инфраструктуре, параллельно выстраивая мониторинг и процессы.

Сколько стоит аренда GPU для обучения ИИ?

Цены на аренду GPU сильно зависят от класса карт и типа провайдера:

  • Классические облака (AWS, Azure, GCP). Для NVIDIA H100 в крупных облаках типичный порядок цен — примерно $6–12 за GPU-час и выше. Обычно H100 продаются не поштучно, а в виде инстанса с 8 GPU, CPU и памятью, поэтому итоговая ставка за машину может быть $90–100+ в час. Для A100 и более простых карт цены ниже, но всё равно остаются «премиум» уровнем.
  • DePIN и альтернативные GPU-провайдеры. Децентрализованные сети и нишевые облака (включая io.net, Aethir, Nosana и других провайдеров из DePIN-сегмента) заявляют экономию до 2–4+ раз относительно гиперскейлеров. Для H100 это условно от $2–4 за GPU-час и выше в зависимости от региона и загрузки, для потребительских карт — ещё дешевле.

Важно: это ориентиры по публичным материалам. Конкретная цена зависит от модели (L4 vs A100 vs H100), региона, длительности аренды, скидок и того, берёте ли вы bare-metal или «упакованный» инстанс с CPU/диском. Для точного бюджета под вашу задачу лучше сразу смотреть калькуляторы и прайс-листы конкретных провайдеров и сравнивать итоговую цену за тренировку/эксперимент, а не только за GPU-час. Для снижения издержек посмотрите наш гайд «Оптимизация стоимости LLM-нагрузок».

io.net vs Aethir: что лучше выбрать?

У io.net и Aethir разная оптика, поэтому «лучше» зависит от вашего кейса:

  • io.net подойдёт, если вы:
    • строите AI/ML-сервис, RAG или ботов с гибким, но не строго enterprise-SLA;
    • цените интеграцию с Solana и Web3-экосистемой (токен IO, DePIN-нарратив);
    • готовы ради экономии GPU принять чуть более «живую» инфраструктуру (децентрализованные поставщики, разнородные GPU, своя DevOps-практика).
  • Aethir логичнее, если вы:
    • двигаетесь в сторону enterprise-кейсов (генеративный ИИ, облачный гейминг, B2B-сервисы);
    • вам критичны high-end GPU (H100/H200 и аналоги) и SLA уровня 99.9%+ с контрактами;
    • готовы общаться с продажами/архитекторами, обсуждать кастомную архитектуру, регионы, безопасность и комплаенс.

На практике многие команды начинают с более «гибких» решений вроде io.net или Nosana под эксперименты и non-critical workload, а по мере роста требований к SLA и клиентам добавляют Aethir и/или классические облака в гибридную архитектуру. Если вам нужен «один провайдер под всё» и жёсткий SLA, Aethir + традиционный облак смотрятся надёжнее; если приоритет — цена и скорость старта, io.net обычно проще и бюджетнее.

Как запустить LLM на Nosana?

У Nosana модель работы — это jobs в контейнерах. Высокоуровневый сценарий для запуска LLM выглядит так:

  1. Подготовить кошелёк и баланс. Нужен Solana-кошелёк с небольшим количеством SOL (на транзакции) и токенов NOS (оплата вычислений).
  2. Подготовить Docker-образ с моделью. Чаще всего используют образ с vLLM или другим inference-сервером (OpenAI-совместимый API). Модель можно подтягивать из Hugging Face через resources в job-спеке.
  3. Написать Nosana Job Specification (JSON). В файле вы описываете:
    • image — контейнер с LLM;
    • entrypoint/cmd — команду запуска сервера (например, vllm.entrypoints.openai.api_server ...);
    • gpu: true — что нужен GPU;
    • expose — порт, на котором сервис слушает HTTP (например, 9000 или 8000);
    • опционально — resources для авто-загрузки модели с Hugging Face.

    В официальной документации есть готовый пример job-спека для DeepSeek-R1 на vLLM — его можно взять как шаблон и поменять только модель и параметры.

  4. Отправить job через CLI или панель. Вы загружаете JSON-файл в Nosana (через веб или CLI), выбираете нужные GPU и лимиты по времени/стоимости и запускаете deployment.
  5. Подключить фронтенд. После старта job Nosana выдаёт endpoint, к которому можно обращаться по OpenAI-совместимому API (или вашему кастомному). Дальше вы просто прокидываете запросы из бота, бекенда или веб-приложения.

Такой подход позволяет быстро оборачивать любые open-source LLM в прод-endpoint: вы приносите Docker-образ и конфиг, Nosana даёт GPU-пул и оркестрацию job’ов. Базовые принципы обкатки и оптимизации (батчинг, квантование, кэш) разберены в гайде по оптимизации LLM-нагрузок.

Децентрализованные GPU-сети: какие отзывы и опыт использования?

Если агрегировать публичный опыт команд, которые уже пробовали io.net, Aethir, Nosana и другие DePIN-сети, получается довольно устойчивая картина:

  • Плюсы, которые отмечают чаще всего:
    • Существенная экономия по сравнению с AWS/Azure/GCP — вплоть до 50–80% по типовым инференс-нагрузкам, особенно на потребительских GPU и в регионах с дешёвой энергией.
    • Более гибкая доступность — легче «выцепить» нужные GPU в эпоху дефицита, когда у гиперскейлеров квоты ограничены.
    • Плотная интеграция с Web3: оплата токенами, on-chain учёт, возможность монетизировать свои GPU.
  • Минусы и предостережения из реального опыта:
    • Больше DevOps-нагрузки. Децентрализованные сети не ощущаются как «волшебный AWS» — нужен свой мониторинг, логирование, алерты и fallback, особенно если вы держите прод.
    • Гетерогенное железо и сеть. Разброс по latency, стабильности и качеству узлов выше, чем в классическом дата-центре. Иногда приходится явно фильтровать ноды и держать запас по мощности.
    • Ценовой риск токенов. Модель с оплатой IO/ATH/NOS удобна для экосистемы, но неудобна для финансового планирования: курс может «гулять», и экономию лучше считать в стейблкоинах/фиате.
    • Вопросы комплаенса и данных. Для медицины, финсектора и персональных данных нередко всё равно выбирают гибридный сценарий: чувствительные данные остаются в проверенном облаке или on-prem, DePIN-сети используются под менее критичные нагрузки.

Итого: отзывы в среднем позитивные, если правильно выбрать задачи. DePIN-GPU-сети хорошо ложатся на экспериментальные, RAG-, инференс- и batch-нагрузки, где важнее цена, чем жёсткий SLA уровня банковского продакшена. Для «миссия критикал»-сервисов чаще используют гибрид: часть нагрузки в DePIN, часть — в классическом облаке.

Стоимость H100 в DePIN-сетях

У NVIDIA H100 есть свой «премиум-ценник», и на него удобно смотреть в сравнении:

  • Гиперскейлеры (AWS, Azure, GCP). Публичные прайс-листы показывают, что:
    • 8×H100-инстансы в Azure/Google стоят около $90–100+ в час за весь узел, что даёт примерно $10–13 за один H100-GPU-час до скидок;
    • отдельные отчёты и обзоры фиксируют похожие уровни цен у AWS и других облаков.
  • DePIN и альтернативные GPU-облака.
    • Маркетинговые материалы io.net и других альтернативных провайдеров приводят примеры, где аналогичный 8×H100-сетап стоит в разы дешевле, вплоть до 90–95% экономии в отдельных кейсах;
    • на лендингах и в обзорах DePIN-сетей встречаются ориентиры вида «H100 от ~$2–4 за GPU-час» — но это сильно зависит от провайдера, длительности аренды, региона и наличия акций.

Если очень грубо, для прикидки бюджета можно закладывать диапазоны:

  • Hyperscalers: порядка $6–12+ за H100-GPU-час до скидок и резервирований;
  • DePIN/альтернативные кластеры: условно $2–4+ за H100-GPU-час при удачном выборе провайдера и пула.

Точные цифры быстро меняются по мере выхода новых карт (H200/B200) и ценовых войн между провайдерами, поэтому перед запуском серьёзного проекта лучше сделать свой мини-тендер: собрать коммерческие предложения из 2–3 DePIN-сетей и 1–2 классических облаков и сравнить цену именно под ваш workload (типы моделей, объём данных, длительность обучения).

Полезные материалы

Материал носит исключительно информационный характер и не является индивидуальной инвестиционной рекомендацией (ФЗ-39). Криптовалюты не являются законным средством платежа в РФ (ФЗ-259).

Предыдущая Следующая

Комментариев нет