Buscar e comparar servidores GPU

Um servidor com placa de vídeo faz sentido quando o trabalho se divide em milhares de threads paralelas: as operações de matrizes das redes neurais, a renderização de quadros, a codificação de vídeo. Um processador faz esse tipo de tarefa muitas vezes mais devagar, e comprar uma placa própria de data center custa o preço de um carro e a deixa parada entre um trabalho e outro. A tabela acima reúne planos cloud e VPS com GPU de provedores na Europa, nos EUA e na Ásia; o seletor acima dela também mostra servidores dedicados com placa de vídeo.

Para que se aluga uma GPU e quando uma CPU basta

• Inferência de redes neurais. Um modelo de linguagem de 7 a 70 bilhões de parâmetros, reconhecimento de fala, embeddings para busca em documentos. Na GPU a resposta chega em segundos, e um único servidor atende muitos usuários ao mesmo tempo.
• Ajuste fino. Fine-tuning e adaptadores LoRA com seus próprios dados exigem bem mais memória de vídeo do que rodar o mesmo modelo: além dos pesos, gradientes e o estado do otimizador também ficam na memória.
• Geração de imagens. Stable Diffusion, Flux e modelos parecidos geram uma imagem em segundos numa placa da classe RTX e em minutos num processador.
• Renderização. Blender Cycles, Redshift, Octane: alugar por algumas horas antes de um prazo sai mais barato do que comprar uma workstation para um único projeto.
• Transcodificação de vídeo. Os codecs de hardware NVENC/NVDEC codificam um stream em várias qualidades ao mesmo tempo e aliviam o processador.
• Computação científica. Dinâmica molecular, simulações, processamento de imagens: tudo o que foi escrito para CUDA ou OpenCL.

Nem sempre é preciso placa de vídeo. Modelos de linguagem pequenos em formato comprimido também rodam num processador comum: mais devagar, mas pelo preço fixo de um VPS normal. Para um bot interno ou processamento de documentos sem exigência rígida de velocidade, comece pela seleção VPS para Ollama e passe para uma GPU quando o tempo de resposta virar gargalo.

GPU na nuvem ou servidor dedicado com placa

Uma GPU na nuvem ou um VPS com GPU serve para tarefas curtas e imprevisíveis. Muitos planos são cobrados por hora: você liga o servidor, roda o treinamento ou o render, apaga e paga só pelo tempo usado. Nesses planos a placa é repassada inteira para a máquina virtual (passthrough) ou dividida entre clientes via vGPU, e você recebe uma parte da memória e das unidades de cálculo. Vale perguntar: uma fração da placa serve para inferência de modelos pequenos, mas não para treinamento.

Um servidor dedicado com placa de vídeo pertence a um único cliente: sem virtualização entre você e a placa, desempenho estável e normalmente mais discos e memória. Ele compensa com carga constante, quando um modelo responde a usuários 24 horas por dia ou a fila de render nunca esvazia. Se você precisa de uma máquina potente, mas não de GPU, veja o catálogo geral de servidores dedicados.

Como ler um plano com GPU

• Modelo e geração da placa. As RTX 3090 e 4090 de consumo entregam muito cálculo pelo preço e são boas para geração de imagens e inferência. As profissionais A2000 e as da classe L4 são econômicas e servem para inferência e vídeo. A100 e H100 são para treinar modelos grandes: mais memória, ligação rápida entre placas e suporte a formatos como BF16 e FP8.
• Memória de vídeo. É o limite principal: um modelo que não cabe na VRAM não inicia ou roda várias vezes mais devagar. Regra aproximada: em precisão total FP16, um bilhão de parâmetros ocupa cerca de 2 GB, com quantização de 4 bits várias vezes menos, mais folga para o contexto. Para treinamento, multiplique de novo por várias vezes.
• Número de placas. Duas placas não são uma placa com o dobro de memória: o modelo precisa ser dividido entre elas, e a velocidade da ligação entre placas (NVLink ou PCIe) afeta o resultado.
• CPU e RAM ao lado da placa. Uma CPU fraca não prepara os dados a tempo, e a placa cara fica esperando. O ideal é que a memória do sistema não seja menor que a de vídeo.
• Disco NVMe. Datasets, checkpoints e pesos de modelos ocupam de dezenas a centenas de gigabytes; um disco lento estica cada carregamento.
• Banda e tráfego. Os pesos de um modelo grande são baixados em gigabytes. Verifique a velocidade da porta e o limite de tráfego para que o primeiro download não consuma a cota do mês.
• Imagens prontas. Uma imagem com o driver NVIDIA, CUDA, PyTorch ou Docker com suporte a GPU economiza uma hora de configuração. Confira as versões: um driver antigo não roda um framework recente.
• Preço por hora ou mensal. Compare pelo uso real: com algumas horas por dia o plano por hora sai mais barato, com trabalho contínuo o mensal.

O que conferir antes de pagar

1. Uma hora de teste. Alugue o servidor por uma hora, rode sua própria tarefa e veja a saída do nvidia-smi: modelo da placa, memória, versão do driver e uso sob carga.
2. Disponibilidade de placas. Modelos populares esgotam com frequência, e um plano na lista não garante placa livre na localização desejada. Pergunte quanto tempo leva a entrega e se é possível reservar um servidor.
3. Localização dos dados. Se o modelo trata dados pessoais, a LGPD vale para dados de pessoas no Brasil e o GDPR para pessoas na UE; confira o país do data center e as condições de armazenamento. Sem essas restrições, a localização afeta principalmente a velocidade de download dos datasets.
4. Armazenamento persistente. Ao apagar um servidor cobrado por hora, o disco costuma ser apagado também. Veja se há volume persistente ou snapshots para não baixar os pesos de novo a cada início.
5. Pagamento. Planos por hora descontam de um saldo pré-pago, e o servidor é parado quando o saldo zera. A maioria dos provedores aceita cartões, muitos aceitam PayPal e empresas geralmente podem pagar por fatura; a tabela mostra os métodos de cada plano.

Se a placa só é necessária para parte do projeto, leve o resto para um servidor comum do catálogo de VPS: a interface web e o banco de dados ficam lá, e o servidor GPU é ligado só para os cálculos.