Buscar y comparar servidores GPU

Un servidor con tarjeta gráfica tiene sentido cuando el trabajo se reparte en miles de hilos paralelos: las operaciones matriciales de las redes neuronales, el renderizado de fotogramas, la codificación de vídeo. Un procesador hace este tipo de tareas muchas veces más despacio, y comprar una tarjeta propia de centro de datos cuesta lo que un coche y la deja parada entre trabajos. La tabla de arriba reúne planes cloud y VPS con GPU de proveedores en Europa, Estados Unidos y Asia; el selector encima de ella muestra también servidores dedicados con tarjeta gráfica.

Para qué se alquila una GPU y cuándo basta una CPU

• Inferencia de redes neuronales. Un modelo de lenguaje de 7 a 70 mil millones de parámetros, reconocimiento de voz, embeddings para buscar en documentos. En una GPU la respuesta llega en segundos y un solo servidor atiende a muchos usuarios a la vez.
• Ajuste fino. El fine-tuning y los adaptadores LoRA sobre datos propios necesitan bastante más memoria de vídeo que ejecutar el mismo modelo: además de los pesos, en memoria van los gradientes y el estado del optimizador.
• Generación de imágenes. Stable Diffusion, Flux y modelos similares generan una imagen en segundos en una tarjeta de clase RTX y en minutos en un procesador.
• Renderizado. Blender Cycles, Redshift, Octane: alquilar unas horas antes de una entrega sale más barato que comprar una estación de trabajo para un solo proyecto.
• Transcodificación de vídeo. Los códecs por hardware NVENC/NVDEC codifican una señal en varias calidades a la vez y descargan al procesador.
• Cálculo científico. Dinámica molecular, simulaciones, procesamiento de imágenes: todo lo que esté escrito para CUDA u OpenCL.

No siempre hace falta tarjeta gráfica. Los modelos de lenguaje pequeños en formato comprimido también funcionan en un procesador normal: más despacio, pero al precio fijo de un VPS corriente. Para un bot interno o el procesamiento de documentos sin requisitos estrictos de velocidad, empiece por la selección VPS para Ollama y pase a una GPU cuando el tiempo de respuesta sea el cuello de botella.

GPU en la nube o servidor dedicado con tarjeta

Una GPU en la nube o un VPS con GPU encaja con tareas cortas e impredecibles. Muchos planes se facturan por horas: arranca el servidor, ejecuta el entrenamiento o el render, lo elimina y paga solo el tiempo real. En estos planes la tarjeta se asigna entera a la máquina virtual (passthrough) o se reparte entre clientes mediante vGPU, y usted recibe una parte de la memoria y de las unidades de cálculo. Conviene preguntarlo: una fracción de tarjeta sirve para inferencia de modelos pequeños, pero no para entrenar.

Un servidor dedicado con tarjeta gráfica pertenece a un solo cliente: sin virtualización entre usted y la tarjeta, rendimiento constante y normalmente más discos y memoria. Compensa con carga continua, cuando un modelo responde a usuarios a todas horas o la cola de render nunca se vacía. Si necesita una máquina potente pero no una GPU, consulte el catálogo general de servidores dedicados.

Cómo leer un plan con GPU

• Modelo y generación de la tarjeta. Las RTX 3090 y 4090 de consumo dan mucho cálculo por su precio y van bien para generar imágenes e inferencia. Las profesionales A2000 y las de clase L4 consumen poco y sirven para inferencia y vídeo. A100 y H100 son para entrenar modelos grandes: más memoria, enlace rápido entre tarjetas y soporte de formatos como BF16 y FP8.
• Memoria de vídeo. Es el límite principal: un modelo que no cabe en la VRAM no arranca o funciona varias veces más lento. Regla aproximada: en precisión completa FP16 mil millones de parámetros ocupan unos 2 GB, con cuantización de 4 bits varias veces menos, más margen para el contexto. Para entrenar, multiplique otra vez por varias veces.
• Número de tarjetas. Dos tarjetas no equivalen a una con el doble de memoria: el modelo hay que dividirlo entre ellas, y la velocidad del enlace entre tarjetas (NVLink o PCIe) influye en el resultado.
• CPU y RAM junto a la tarjeta. Una CPU débil no prepara los datos a tiempo y la tarjeta cara se queda esperando. Conviene que la memoria del sistema no sea menor que la de vídeo.
• Disco NVMe. Datasets, checkpoints y pesos de modelos ocupan de decenas a cientos de gigabytes; un disco lento alarga cada carga.
• Ancho de banda y tráfico. Los pesos de un modelo grande se descargan en gigabytes. Revise la velocidad del puerto y el límite de tráfico para que la primera descarga no se coma la cuota mensual.
• Imágenes preparadas. Una imagen con el driver de NVIDIA, CUDA, PyTorch o Docker con soporte de GPU ahorra una hora de configuración. Compruebe las versiones: un driver antiguo no ejecuta un framework reciente.
• Precio por hora o mensual. Compare según el uso real: con unas horas al día sale más barato el plan por horas, con trabajo continuo el mensual.

Qué comprobar antes de pagar

1. Una hora de prueba. Alquile el servidor una hora, lance su propia tarea y mire la salida de nvidia-smi: modelo de tarjeta, memoria, versión del driver y uso bajo carga.
2. Disponibilidad de tarjetas. Los modelos populares se agotan a menudo, y un plan en la lista no garantiza una tarjeta libre en la ubicación que quiere. Pregunte cuánto tarda la entrega y si se puede reservar un servidor.
3. Ubicación de los datos. Si el modelo trata datos personales de personas en la UE, el RGPD se le aplica como responsable, y un centro de datos dentro de la UE facilita documentar las transferencias. Si no, la ubicación influye sobre todo en la velocidad de descarga de los datasets.
4. Almacenamiento persistente. Al eliminar un servidor por horas su disco suele borrarse. Pregunte si hay volumen persistente o snapshots para no descargar los pesos en cada arranque.
5. Pago. Los planes por horas descuentan de un saldo prepagado y el servidor se detiene cuando llega a cero. La mayoría de proveedores acepta tarjetas, muchos PayPal y las empresas suelen poder pagar por factura; la tabla muestra los métodos de cada plan.

Si la tarjeta solo hace falta para una parte del proyecto, lleve el resto a un servidor normal del catálogo de VPS: la interfaz web y la base de datos viven allí, y el servidor GPU se enciende solo para calcular.