Pods กับ Serverless ควรเลือกอันไหน?

ต้องการโต้ตอบ ต้อง SSH เข้าไปทำงาน งานจะรันต่อเนื่องหลายชั่วโมงขึ้นไป เลือก Pods หากเป็น API ที่จะถูกเรียก ทราฟฟิกมีบ้างไม่มีบ้าง ตอนว่างไม่อยากจ่าย เลือก Serverless มือใหม่เก้าในสิบกรณีควรใช้ Pods ค่าเช่าต่อหน่วยของ Serverless สูงกว่า แต่คิดเงินเฉพาะตอน worker ทำงานจริง

Community Cloud กับ Secure Cloud ต่างกันตรงไหน?

Secure Cloud ใช้ศูนย์ข้อมูลระดับ T3/T4 เสถียรภาพและการปฏิบัติตามกฎดีกว่า ส่วน Community Cloud เป็นระบบแบบเพียร์ทูเพียร์ ราคาถูกกว่าแต่เครื่องอาจถูกเรียกคืน ยกตัวอย่าง RTX 4090 Community ชั่วโมงละ 0.34 ดอลลาร์ Secure 0.74 ดอลลาร์ งานพัฒนาและทดลองใช้ Community งานจริงหรือมีข้อกำหนดการปฏิบัติตามกฎใช้ Secure

จะหลีกเลี่ยงบิลบานปลายอย่างไร?

สำคัญที่สุดคือใช้เสร็จก็หยุด Pod การคิดเงินเป็นนาทีหมายความว่าตอนคุณนอนมันก็คิดเงิน H100 หนึ่งใบลืมปิดหนึ่งสุดสัปดาห์ราวหกสิบกว่าดอลลาร์ อีกอย่างเก็บโมเดลและชุดข้อมูลไว้บน Network Volume ก็จะปิด Pod ได้โดยไม่ต้องดาวน์โหลดใหม่ทุกครั้ง ค่าเก็บข้อมูลต่อ GB ต่อเดือนแค่ 0.05 ถึง 0.10 ดอลลาร์

รันโมเดล 7B ต้องเช่า H100 ไหม?

ไม่ต้อง การอนุมานหรือ LoRA fine-tune ของ 7B ถึง 13B RTX 4090 ที่มี VRAM 24GB มักพอใช้ และเป็นการ์ดที่คุ้มค่าที่สุด (Community ชั่วโมงละ 0.34 ดอลลาร์) จะรันระดับ 70B หรือ fine-tune แบบเต็มพารามิเตอร์จึงจะต้องใช้ 80GB ของ A100/H100 หลายคนเช่า H100 แล้วพบว่าใช้ VRAM ไม่เต็ม

อยากรันโมเดลโอเพนซอร์สแต่ซื้อการ์ดจอไม่ไหว? RunPod ให้คุณเช่า GPU เป็นนาที บทความนี้แยกแยะความต่างของ Pod กับ Serverless ราคาจริงของแต่ละการ์ด และสามจุดที่จ่ายเงินเกินง่ายที่สุด

คู่มือ RunPod ฉบับสมบูรณ์: เช่า H100 หนึ่งใบมารันโมเดล ค่าเช่าต่อชั่วโมงถูกกว่าที่คิด (พร้อมราคาจริงของแต่ละการ์ด)

เพื่อนคนหนึ่งที่ทำงานพัฒนาอิสระในกรุงเทพอยากไป fine-tune โมเดลโอเพนซอร์สตัวหนึ่ง เขาลองไปดูราคาการ์ดจอก่อน พอเห็นราคาเสนอของ H100 ก็ปิดแท็บเงียบ ๆ แล้วเขาถามผมว่า "มีวิธีใช้แค่สองวันไหม?"

มี และต้นทุนสองวันประมาณมื้อเย็นดี ๆ สักมื้อ

RunPod เป็นหนึ่งในแพลตฟอร์ม GPU บนคลาวด์ราคาประหยัดที่ถูกแนะนำบ่อยที่สุดในช่วงนี้ บทความนี้จะอธิบายให้ชัด จะเปิดอย่างไร เลือกแบบไหน แต่ละการ์ดจริง ๆ ราคาเท่าไหร่ และสามจุดที่จ่ายเงินเกินแบบงง ๆ ได้ง่ายที่สุด

นี่คืออะไร

RunPod ให้ทรัพยากรการประมวลผล GPU และ CPU แบบเปิดใช้ได้ทันที สำหรับการฝึก AI, fine-tune, การเรนเดอร์ และงานอื่นที่กินการประมวลผล ตำแหน่งทางการคือให้คุณมีสิทธิ์ควบคุมสภาพแวดล้อมการประมวลผลอย่างเต็มที่ สิ่งที่คุณได้ไม่ใช่ API ที่ถูกจำกัด แต่คือเครื่องที่ SSH เข้าไปได้

มันมีสองโหมดหลัก เลือกผิดต้นทุนจะต่างกันมาก

Pods — ได้ทรัพยากร GPU/CPU เฉพาะโดยตรง คุณมีสิทธิ์ควบคุมสภาพแวดล้อมอย่างเต็มที่ คำอธิบายทางการคือคิดเงินเป็นนาที และไม่เก็บค่าทราฟฟิกเข้าออก (ingress/egress) เหมาะกับการพัฒนาแบบโต้ตอบ การฝึก และ fine-tune

Serverless — ดีพลอยแอปพลิเคชัน AI/ML โดยไม่ต้องกำหนดหรือจัดการเซิร์ฟเวอร์เอง คิดเงินตามการใช้ worker ที่ทำงานจริงแทนการจองรายชั่วโมง เหมาะกับบริการอนุมานที่ทราฟฟิกไม่คงที่

นอกจากนี้ยังมีการแบ่งที่สำคัญ Secure Cloud ใช้ศูนย์ข้อมูลระดับ T3/T4 เหมาะกับการใช้งานองค์กร ส่วน Community Cloud เป็นระบบแบบเพียร์ทูเพียร์ ราคาแข่งขันกว่า ความต่างอยู่ที่เสถียรภาพและการปฏิบัติตามกฎ ไม่ใช่ประสิทธิภาพ

ทำอะไรได้บ้าง

fine-tune โมเดลโอเพนซอร์ส: เช่า A100 หรือ H100 หนึ่งใบรัน LoRA หรือ fine-tune แบบเต็มพารามิเตอร์ไม่กี่ชั่วโมงถึงไม่กี่วัน
ทดสอบการอนุมานโมเดลในเครื่อง: เมื่ออยากลองโมเดล 70B พารามิเตอร์แต่เครื่องตัวเองรันไม่ไหว
เรนเดอร์เป็นชุด: การผลิตจำนวนมากของ Stable Diffusion หรือการสร้างวิดีโอ
ดีพลอยบริการอนุมาน: ใช้ Serverless สร้าง API endpoint ที่ขยาย-หดตามความต้องการ
ทดลองและเรียนรู้: อยากลอง GPU แต่ไม่อยากลงเงินหลายแสนบาทซื้อฮาร์ดแวร์ก่อน

วิธีใช้ (ขั้นตอน)

ขั้นที่หนึ่ง: สมัครและเติมเงิน

RunPod ใช้ระบบเติมเงินล่วงหน้า เติมก่อนใช้ ครั้งแรกแนะนำให้เติมขั้นต่ำลองน้ำก่อน อย่าเติมทีเดียวเยอะ

ขั้นที่สอง: เลือก Pod หรือ Serverless

หลักการตัดสินง่ายมาก

ต้องโต้ตอบ ต้อง SSH เข้าไปแก้อะไร งานจะรันต่อเนื่องหลายชั่วโมงขึ้นไป -> Pods
เป็น API ที่จะถูกเรียก ทราฟฟิกมีบ้างไม่มีบ้าง ตอนว่างไม่อยากจ่าย -> Serverless

มือใหม่เก้าในสิบกรณีควรเลือก Pods

ขั้นที่สาม: เลือก GPU และประเภทคลาวด์

นี่คือขั้นที่ราคาต่างกันมากที่สุด ต่อไปนี้คือค่าเช่าต่อชั่วโมงที่ทางการประกาศ (Community Cloud/Secure Cloud):

GPU	VRAM	Community	Secure
RTX 4090	24GB	$0.34	$0.74
A40	48GB	$0.35	$0.44
A100 PCIe	80GB	$1.19	$1.39
A100 SXM	80GB	$1.39	$1.59
H100 PCIe	80GB	$1.99	$2.89
H100 SXM	80GB	$2.69	$3.29

ลองคำนวณดู เช่า H100 PCIe หนึ่งใบด้วย Community Cloud รันเต็ม 24 ชั่วโมง ประมาณ 47.76 ดอลลาร์ คิดเป็นเงินบาทราว 1,600 บาทเศษ รันสองวันไม่ถึง 3,300 บาท นี่คือเหตุผลที่คำถามของเพื่อนผมมีทางออก

คำแนะนำเชิงปฏิบัติในการเลือกการ์ด: การอนุมานโมเดล 7B ถึง 13B หรือ LoRA fine-tune VRAM 24GB ของ RTX 4090 มักพอ และเป็นการ์ดที่คุ้มค่าที่สุด จะรันระดับ 70B หรือ fine-tune แบบเต็มพารามิเตอร์ จึงจะต้องใช้ 80GB ของ A100 หรือ H100 อย่าเพิ่งพุ่งไป H100 ตั้งแต่แรก หลายคนเช่าแล้วพบว่าใช้ VRAM ไม่เต็ม

ขั้นที่สี่: เลือกเทมเพลตหรือคอนเทนเนอร์เอง

RunPod มีเทมเพลตสำเร็จรูป (PyTorch, TensorFlow, WebUI ต่าง ๆ) และยังระบุ container image ของตัวเองได้ มือใหม่ใช้เทมเพลต PyTorch ทางการเลยง่ายที่สุด

ขั้นที่ห้า: ตั้งค่าที่เก็บข้อมูล

ขั้นนี้คนมองข้ามมากที่สุด และจ่ายเงินเกินง่ายที่สุด ค่าเก็บข้อมูลมีดังนี้:

Container Disk: ต่อ GB ต่อเดือน 0.10 ดอลลาร์
Volume Disk (ขณะทำงาน): ต่อ GB ต่อเดือน 0.10 ดอลลาร์
Network Storage รุ่นมาตรฐาน: ต่ำกว่า 1TB ต่อ GB ต่อเดือน 0.07 ดอลลาร์ เกิน 1TB 0.05 ดอลลาร์
Network Storage รุ่นประสิทธิภาพสูง: ต่อ GB ต่อเดือน 0.14 ดอลลาร์

Network Volume เป็นที่เก็บข้อมูลถาวร มีอยู่เป็นอิสระจากทรัพยากรการประมวลผล สามารถ mount เข้ากับหลาย Pod หรือ Serverless endpoint เพื่อแชร์ข้อมูลได้ ฟังก์ชันนี้สำคัญมาก เก็บ weight ของโมเดลและชุดข้อมูลไว้บน Network Volume คุณก็จะปิด Pod ได้ (หยุดคิดเงิน GPU) โดยไม่ต้องดาวน์โหลดโมเดลหลายสิบ GB ใหม่ทุกครั้ง

ขั้นที่หก: เชื่อมต่อลงมือ

พอ Pod ขึ้นแล้วเชื่อมต่อด้วย SSH, JupyterLab, VS Code หรือเว็บพร็อกซี ได้ตามรูปแบบงานของคุณ

เทคนิคขั้นสูง

ใช้ Network Volume แยกการประมวลผลกับข้อมูลให้เป็นประโยชน์ นี่คือเทคนิคประหยัดเงินที่สำคัญที่สุด GPU เป็นของแพงที่คิดเงินเป็นนาที ที่เก็บข้อมูลเป็นของถูกที่เดือนละไม่กี่ดอลลาร์ เก็บข้อมูลไว้บน Volume เปิด Pod เฉพาะตอนต้องใช้ ช่วงว่างระหว่างนั้นไม่จ่ายเงิน GPU เลย

Community Cloud ลองก่อน Secure Cloud ค่อยขึ้น ช่วงพัฒนาและทดลองใช้ Community Cloud ค่า RTX 4090 ต่างกันเกินเท่าตัว รอถึงตอนจะรันงานจริงหรือมีข้อกำหนดการปฏิบัติตามกฎค่อยสลับไป Secure Cloud

ใช้ระยะยาวดู Savings Plan ทางการมีแผนประหยัดสำหรับการใช้ระยะยาว หากคุณแน่ใจว่าจะรันต่อเนื่องหลายสัปดาห์ ควรลองคำนวณดู

ต้องเข้าใจตรรกะการคิดเงินของ Serverless ค่าเช่า Serverless สูงกว่า Pod (เช่น A100 80GB ชั่วโมงละ 2.72 ดอลลาร์ H100 80GB คือ 4.79 ดอลลาร์ RTX 4090 คือ 1.10 ดอลลาร์) แต่มันคิดเงินเฉพาะตอน worker ทำงานจริง ตอนทราฟฟิกเบาบางต้นทุนรวมต่ำกว่า ตอนทราฟฟิกหนาแน่นกลับแพงกว่า Pod คำนวณอัตราการใช้จริงของคุณก่อนค่อยตัดสินใจ

ข้อควรระวัง

ลืมปิด Pod คือความผิดพลาดที่แพงที่สุด การคิดเงินเป็นนาทีหมายความว่าแปดชั่วโมงที่คุณนอนมันก็คิดเงิน H100 หนึ่งใบลืมปิดหนึ่งสุดสัปดาห์ บิลประมาณหกสิบกว่าดอลลาร์ สร้างนิสัยใช้เสร็จก็หยุด หรือตั้งการเตือนงบประมาณให้ดี

เครื่องของ Community Cloud อาจถูกเรียกคืน นี่คือธรรมชาติของระบบเพียร์ทูเพียร์ เสถียรภาพสู้ Secure Cloud ไม่ได้ งานฝึกที่ใช้เวลานานต้องทำ checkpoint ให้ดี อย่ารันไปถึงชั่วโมงที่สิบแล้วเพิ่งพบว่าเครื่องหายไป

VRAM ไม่ใช่คอขวดเดียว หน่วยความจำระบบ ดิสก์ I/O และแบนด์วิดท์เครือข่ายล้วนอาจกลายเป็นข้อจำกัด การดาวน์โหลด weight โมเดลขนาด 140GB ก็ใช้เวลา และช่วงเวลานั้น GPU หมุนเปล่าคิดเงิน

ราคามีการเปลี่ยนแปลง ตัวเลขข้างบนคือค่าเช่าที่ทางการประกาศตอนเขียนบทความนี้ ราคา GPU บนคลาวด์ผันผวนไม่น้อย ก่อนสั่งจริงต้องยืนยันที่เว็บไซต์ทางการ

ความเห็นจาก TheAI Academy

ผมคิดว่าคุณค่าที่แท้จริงของ RunPod ไม่ได้อยู่ที่ความถูก แต่อยู่ที่การลดต้นทุนของการ "ลองดู" ให้เกือบเป็นศูนย์

เมื่อก่อนอยากพิสูจน์ไอเดียว่าควรใช้โมเดลใหญ่ไหม คุณต้องโน้มน้าวเจ้านายให้ซื้อการ์ดก่อน หรือเข้าคิวรอทรัพยากร GPU ของบริษัท ตอนนี้คุณจ่ายสามดอลลาร์รันสามชั่วโมงก็รู้คำตอบ การเปลี่ยนแปลงนี้สำคัญเป็นพิเศษต่อนักพัฒนาอิสระและทีมเล็กในไทย เราไม่มีงบประมาณพลังการประมวลผลระดับหลายสิบล้าน สิ่งที่อาศัยคือการใช้เงินทุกบาทให้ตรงจุด

แต่ก็ต้องพูดข้อเสียตรง ๆ เสถียรภาพของ Community Cloud สู้คลาวด์เจ้าใหญ่ไม่ได้จริง สถานการณ์เครื่องถูกเรียกคืน คุณภาพโหนดไม่สม่ำเสมอ มีอยู่จริง ตำแหน่งของมันคือ "ตัวเลือกคุ้มค่าสำหรับการพัฒนาและทดลอง" ไม่ใช่ "ที่รันบริการสำคัญของสภาพแวดล้อมจริง" แยกแยะเรื่องนี้ได้ ก็จะไม่มีความคาดหวังผิด ๆ

ความเห็น: RunPod คือประตูเข้าสู่ GPU ที่สมจริงที่สุดสำหรับนักพัฒนาอิสระและทีมเล็กในไทย จำสองเรื่องก็ประหยัดเงินเสียเปล่าได้กว่าครึ่ง ใช้ Network Volume แยกข้อมูลกับการประมวลผล และใช้เสร็จอย่าลืมปิด

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่านชาวไทย: ครั้งแรกที่ใช้ ให้เติมเงินขั้นต่ำ เปิด Pod ของ RTX 4090 บน Community Cloud รันงานเล็กที่คุณคุ้นเคยให้ทั้งกระบวนการผ่านก่อน ยืนยันว่าคุณจะปิด Pod และจะใช้ Volume ได้แล้วค่อยพิจารณาเปิดการ์ดที่แพงกว่า อีกเรื่องขอเตือน ความหน่วงของการเชื่อมต่อข้ามประเทศส่งผลต่อการพัฒนาแบบโต้ตอบพอสมควร งานที่ใช้เวลานานแนะนำให้ใช้ tmux หรือ screen เพื่อกันการหลุดกลางคัน อยากใช้ร่วมกับฐานข้อมูลเวกเตอร์ทำ RAG ดูได้ที่ คู่มือ Qdrant ของเรา เครื่องมือคลาวด์และโครงสร้างพื้นฐานเพิ่มเติมอยู่ในหมวด เฟรมเวิร์กและโครงสร้างพื้นฐานการพัฒนา AI

แหล่งข้อมูล

(บทความนี้เรียบเรียงจากข้อมูลสาธารณะทางการ ราคาและสเปกยึดตามประกาศล่าสุดของเว็บไซต์ทางการ)