Покупка VPS для ИИ часто начинается с неверного вопроса: «Сколько нужно ядер?» Для чат-бота, который отправляет запросы во внешний API, и для локальной модели, которая сама выдаёт токены, слово «сервер» означает две разные покупки. В первом случае нужен надёжный Linux-хост для приложения. Во втором счёт определяет видеопамять GPU, а стоимость за месяц легко вырастает в десятки раз. Разобраться стоит до заказа, иначе небольшой бот окажется на дорогой GPU-машине, а модель на 14B параметров будет пытаться работать там, где ей физически не хватает памяти.
Ниже разберём, чем VPS отличается от VDS и выделенного сервера, когда ИИ действительно требует GPU, как оценить процессор, RAM, диск, сеть и географию, а также какие бюджеты закладывать в 2026 году. Материал рассчитан на разработчика, владельца малого бизнеса и автора AI-сервиса, которому нужен выбор под задачу, а не каталог тарифов.
VPS, VDS и виртуальная машина: в названиях больше маркетинга, чем разницы
VPS расшифровывается как Virtual Private Server, VDS как Virtual Dedicated Server. Оба термина обычно описывают виртуальную машину, работающую на физическом сервере провайдера. Гипервизор делит CPU, память, диск и сеть между клиентами, а каждому выдаёт отдельную ОС, root-доступ и свой публичный IP-адрес. Вы ставите Ubuntu, Docker, базы данных, модели и сервисы так, будто это небольшой собственный компьютер в дата-центре.
Жёсткой индустриальной границы между VPS и VDS нет. Одни провайдеры называют VPS тариф с разделяемыми вычислительными потоками, а VDS тариф с закреплёнными vCPU. Другие используют слова как синонимы. Карточку услуги стоит читать по пяти строкам: тип CPU, гарантия RAM, вид диска, лимит IOPS и устройство канала.
Для AI-приложения полезнее такая шкала:
- Shared VPS. Соседи делят физические ядра. Подойдёт для Telegram-бота, API-обёртки, очереди задач, маленькой базы и панели администратора. Во время чужого пика время ответа способно вырасти.
- VDS с выделенными vCPU. Провайдер резервирует вычислительные потоки, поэтому задержка и сборка контейнеров ведут себя ровнее. Это частый выбор для продакшен-сервиса вокруг внешнего ИИ API.
- Cloud VM. Та же виртуальная машина, но с почасовой оплатой, образами, сетями, снапшотами и автоматическим масштабированием. Удобна, когда нагрузка меняется или инфраструктура собирается из нескольких компонентов.
- GPU VM. Виртуальная машина с выделенной видеокартой, переданной внутрь гостевой ОС. Для инференса и обучения это отдельный класс, где память GPU ценнее количества обычных ядер.
- Выделенный сервер. Весь физический компьютер арендует один клиент. Он даёт предсказуемую производительность, несколько GPU и свободу настроек, но старт занимает дольше, а месячный платёж нельзя выключить на ночь.
- Managed AI или serverless GPU. Провайдер берёт на себя часть инфраструктуры: развёртывание модели, endpoint, масштабирование либо запуск коротких задач. Вы платите за запросы, секунды работы или токены. Контроль ниже, зато не нужно администрировать драйверы и планировщик.
Контейнер или Kubernetes не являются альтернативой VPS. Docker упаковывает приложение, Kubernetes управляет множеством контейнеров, а запускать их всё равно нужно на виртуальной или физической машине. Для одного бота Kubernetes обычно добавляет расходов на поддержку. Он становится оправданным, когда сервис уже состоит из нескольких реплик, очередей, воркеров и требует автоматического восстановления.
Сначала определить, где выполняется ИИ
Это решение экономит большую часть бюджета. Если продукт отправляет текст в OpenAI, Anthropic, Gemini, Mistral или российский облачный API, модель выполняется у поставщика. Ваш VPS обслуживает вебхуки, авторизацию, историю диалога, биллинг, RAG-поиск и интерфейс. GPU на таком сервере не ускорит ответ модели: он нужен только если вы переносите генерацию, эмбеддинги или обработку изображений на свою сторону.
Для API-бота обычно хватает 2 vCPU, 4 ГБ RAM и 40-80 ГБ NVMe. При базе PostgreSQL, очереди Celery или BullMQ и нескольких фоновых воркерах разумнее начать с 4 vCPU и 8 ГБ RAM. Подборка материалов и векторный поиск часто расходуют память быстрее, чем кажется: индекс, кеш и сама база должны жить без постоянного swap. Если пользователь загружает документы, сразу отделите объектное хранилище от системного диска.
Локальный ИИ начинается там, где сервер сам держит веса модели. Сюда относятся Ollama, vLLM, llama.cpp, ComfyUI, Stable Diffusion, Whisper, собственные эмбеддинги и fine-tuning. Тут узкое место почти всегда одно: VRAM. У GPU с 16 ГБ видеопамяти может быть отличный процессор рядом, но он не разместит модель, которой после квантования требуется 20 ГБ VRAM. ОЗУ хоста не превращается в видеопамять: выгрузка части слоёв в RAM возможна, но скорость генерации заметно падает.
Какие ресурсы нужны разным AI-задачам
| Сценарий | Стартовая конфигурация | Что ограничивает рост | Обычный бюджет |
|---|---|---|---|
| Бот с внешним LLM API | 2-4 vCPU, 4-8 ГБ RAM, NVMe | лимиты API, база, очередь | примерно 500-3 000 ₽ в месяц без стоимости API |
| RAG, парсинг документов, свой embeddings-сервис | 4-8 vCPU, 8-32 ГБ RAM; CPU или небольшая GPU | память, диск, скорость индексации | примерно 2 000-15 000 ₽ в месяц |
| Локальная текстовая модель 7B-8B в квантовании | GPU 12-16 ГБ VRAM, 16-32 ГБ RAM | VRAM и одновременные запросы | от нескольких десятков рублей в час или аренда GPU по месяцу |
| Модель 14B-32B, качественный инференс | GPU 24-48 ГБ VRAM, 32-64 ГБ RAM | VRAM, пропускная способность памяти, токены в секунду | ориентир 40 000-150 000 ₽ в месяц при постоянной работе |
| Генерация изображений и видео | GPU 16-48 ГБ VRAM, 32 ГБ RAM, быстрый NVMe | VRAM, очередь, место под результаты | чаще выгоднее почасовая аренда |
| Fine-tuning и обучение | от 24 ГБ VRAM, нередко несколько GPU | VRAM, меж-GPU сеть, данные, время экспериментов | от десятков тысяч до сотен тысяч ₽ |
Цифры в таблице дают старт, а не гарантию. Один и тот же размер модели ведёт себя по-разному при FP16, 8-bit и 4-bit квантовании, длинном контексте и нескольких параллельных пользователях. Контекст тоже занимает VRAM: модель, которая уверенно отвечает на короткие вопросы, способна упереться в память после загрузки длинного документа. Перед месячной арендой лучше поднять почасовую GPU VM, загрузить собственную модель, задать длину контекста и измерить токены в секунду на реальном запросе.
Как читать характеристики GPU и не купить мощность «на глаз»
Название видеокарты само по себе мало говорит о пригодности. Для инференса LLM сначала смотрят на объём VRAM, затем на пропускную способность памяти и поддержку нужного стека CUDA, ROCm или конкретного образа. 24 ГБ дают заметно больше свободы, чем 12 ГБ: можно держать более крупную квантованную модель, увеличивать контекст или одновременно обслуживать несколько диалогов. Для модели с тяжёлой мультимодальностью и генерации видео 48-80 ГБ нередко оказываются минимальной практичной категорией.
Провайдеры предлагают разные уровни. Tesla T4 и A2 подходят для умеренного инференса, транскрибации и экспериментов. RTX 4090, A5000, RTX 6000 Ada и L40S интересны там, где нужна большая VRAM и высокая скорость на одной карте. A100, H100 и H200 берут для серьёзного обучения, крупных моделей или нагруженного инференса. Это не означает, что H100 нужна каждому AI-стартапу. Если сервис выдаёт 200 ответов в день через внешнее API, её покупка превратит инфраструктурный бюджет в дорогой эксперимент.
У российских облаков GPU можно арендовать по часу. Например, Selectel указывает стартовую цену облачной конфигурации с GPU от 58,90 ₽ в час и перечисляет T4, A2, A30, A100, RTX 4090, RTX 6000 Ada и другие варианты. Это около 42 тысяч ₽ за 30 дней непрерывной работы только по стартовой ставке, поэтому выключение тестовой машины после эксперимента даёт ощутимую экономию. В международных облаках порядок цен похож: DigitalOcean публикует $0,76 в час за RTX 4000 Ada с 20 ГБ VRAM, $1,57 за L40S или RTX 6000 Ada с 48 ГБ и $3,39 за H100 с 80 ГБ. У таких услуг тариф меняется, а диски, трафик и резервные копии могут учитываться отдельно.
Почасовая ставка удобна для разработки, batch-обработки, ночной транскрибации и периодического fine-tuning. При круглосуточном продакшене сравнивают месячную аренду, reserved-план и выделенный GPU-сервер. Проверьте условие остановки: у ряда облаков выключенная VM продолжает резервировать GPU и тарифицироваться, а деньги перестают списываться лишь после удаления ресурса. Снапшот диска и декларативная конфигурация помогают удалять машину без страха потерять окружение.
CPU, RAM, диск и сеть: параметры, которые ломают хороший GPU-план
GPU не отменяет остальные части системы. CPU подготавливает запросы, токенизирует текст, распаковывает файлы, ведёт API и воркеры. Для одной видеокарты обычно выбирают 4-8 современных vCPU. Если на хосте параллельно работает база, OCR, конвертация документов и несколько пользователей, 8-16 vCPU избавят от очереди на стороне процессора. Гонка за максимальной частотой без профилирования редко окупается.
ОЗУ требуется модели, ОС, Docker, файловому кешу, базе, векторному индексу и входящим файлам. Для GPU с 16-24 ГБ VRAM разумный минимум хостовой памяти часто равен 32 ГБ. Для 48-80 ГБ VRAM полезно 64-128 ГБ RAM, особенно если предстоит загружать большие датасеты. Постоянный swap на NVMe легко увидеть по резкому ухудшению времени ответа. Это повод увеличить память.
Для системы берите NVMe, а не медленный сетевой HDD. Вес одной модели, кеш Hugging Face, Docker-образы, журналы и результаты генерации быстро съедают 100 ГБ. У рабочего стенда разумно оставить 150-300 ГБ, у сервиса с изображениями и документами хранить данные в S3-совместимом объектном хранилище и настроить жизненный цикл файлов. Отдельный volume удобен для моделей: его можно перенести на другую VM, не копируя всё окружение.
Сеть выбирают по пути данных. Если пользователи в России, а база и приложение в Москве или Санкт-Петербурге, размещение GPU в том же регионе снижает задержку и упрощает соблюдение внутренних требований компании. Если клиенты в Европе, сервер в Германии или Нидерландах даст им более короткий маршрут. Глобальному продукту часто нужны два контура: backend и данные ближе к клиентам, дорогая GPU-очередь в регионе с подходящей картой и ценой. Между ними используют private network, шифрование и очередь задач.
В какой стране размещать AI-сервер
Страна не делает модель умнее. Она влияет на задержку, доступность карт, оплату, правила обработки данных и поддержку. Сервер в России выбирают, когда пользователи и операционная команда находятся здесь, данные нельзя без причины отправлять за рубеж или нужна оплата в рублях и русскоязычная поддержка. При работе с персональными данными граждан РФ юридическую схему следует сверять с юристом и политикой конкретной компании: перенос базы «потому что там дешевле» способен создать проблему с договором и хранением данных.
Европейские локации подходят продуктам с аудиторией в ЕС, контрактами на обработку данных и требованиями клиентов к региону. США и Канада часто дают широкий выбор GPU и managed-сервисов, но добавляют задержку для российских пользователей и вопросы оплаты. Азия имеет смысл, если там аудитория или поставщики данных. Для российской команды отдельным критерием становятся способы оплаты, проверка аккаунта и возможность получить поддержку до запуска платного продукта.
Не храните в журнале промпты, паспорта, банковские реквизиты и полные тексты договоров «на всякий случай». Если сервис принимает документы, составьте карту: где файл появляется, где извлекается текст, куда уходит запрос к модели, сколько хранится результат и кто имеет доступ к резервным копиям. Передача банковских данных в нейросеть требует отдельного режима доступа и маскирования. Регион сервера закрывает лишь одну часть этой задачи.
Четыре вопроса перед оформлением тарифа
- Модель будет выполняться у вас или у API-поставщика? Во втором случае стартуйте с CPU VDS и измеряйте базу, очередь и лимиты API.
- Какой максимальный запрос должен пройти? Запишите размер модели, квантование, длину контекста, число одновременных диалогов и допустимое время ответа. Это превращает выбор из угадывания в тест.
- Нагрузка постоянная? Постоянный инференс требует сравнения месячного контракта, а пакетная обработка выигрывает от почасовой GPU и автозавершения job.
- Где находятся пользователи и данные? Сначала определите юридические ограничения и задержку, затем выбирайте из доступных в этом регионе GPU.
После ответов соберите минимальный стенд: Docker Compose, секреты в переменных окружения или vault, HTTPS, firewall, отдельный пользователь без root-входа, бэкапы базы и мониторинг CPU, RAM, VRAM, диска и ошибок. Доступ по SSH только по ключам, открытые порты только для нужных сервисов. Снимок сервера перед крупным обновлением Docker, драйверов или модели экономит часы восстановления.
Типичные ошибки и рабочий маршрут выбора
Первая ошибка: платить за GPU, когда всё ценное выполняет внешний API. Вторая: выбирать карту по числу TFLOPS, не проверив VRAM и контекст. Третья: переносить в одну VM базу, публичное приложение, модель и все загружаемые файлы без бэкапов. Четвёртая: брать годовой тариф до замера задержки и стоимости одного пользовательского сценария.
Начните с CPU VDS, если строите интерфейс к внешним моделям. Для локального прототипа арендуйте GPU на несколько часов, повторите реальные запросы и зафиксируйте VRAM, токены в секунду и стоимость с учётом диска. Затем решайте, нужна ли постоянная GPU-машина, несколько реплик или гибридная схема: чувствительные данные и поиск остаются у вас, а тяжёлая генерация уходит в согласованный внешний контур. Вопрос о развитии агентского ИИ в России тоже упирается в инфраструктуру. Для большинства команд первыми ограничениями становятся отсутствие замеров собственной нагрузки и неверный размер сервера.
Хороший VPS для ИИ выбирают после короткого теста, а не после сравнения красивых таблиц. Для небольшого AI-сервиса разумная первая покупка обычно стоит тысячи рублей в месяц. Для собственной локальной модели бюджет начинается там, где появляется VRAM. Сначала докажите, что модель должна жить на вашем сервере, затем платите за видеокарту и регион, которые действительно нужны продукту.
Ориентиры по ценам и доступным GPU проверены 27 июля 2026 года на странице облачных GPU Selectel и в документации DigitalOcean. Тарифы, налоги, доступность локаций и правила оплаты меняются, поэтому перед заказом сверяйте калькулятор выбранного провайдера.
