راهنمای خرید کارت گرافیک هوش مصنوعی + قیمت H200، H100 و L40S (۱۴۰۵)

کسی که برای اولین بار دنبال خرید کارت گرافیک هوش مصنوعی می‌رود، معمولاً با یک سؤال ساده شروع می‌کند: «کدام کارت بهتر است؟» ولی در عمل سؤال درست این است: «با این بودجه، برای این مدل و این تعداد کاربر، کدام کارت کار را راه می‌اندازد و دو سال دیگر هم به درد می‌خورد؟» در بازار ایران این سؤال یک لایهٔ دیگر هم دارد: کارت از کجا می‌آید، گارانتی‌اش واقعی است یا نه، و قیمتی که امروز در پیش‌فاکتور می‌بینید تا فردا معتبر می‌ماند یا با نوسان دلار عوض می‌شود.

این راهنما را برای تیم‌های فنی، مدیران IT و کسانی نوشته‌ایم که می‌خواهند برای اولین بار یا برای ارتقا، کارت گرافیک مناسب هوش مصنوعی بخرند. قیمت‌ها از فهرست فعلی محصولات سوان‌تک در مهر ۱۴۰۵ آمده و به تومان است؛ چون بازار سخت‌افزار در ایران به نرخ ارز وابسته است، قیمت نهایی را همیشه موقع صدور پیش‌فاکتور استعلام بگیرید.

اول بدانید کارت را برای چه کاری می‌خواهید

بیشترِ خریدهای اشتباه از اینجا شروع می‌شود که تیم قبل از تعریف کار، سراغ کارت می‌رود. سه نوع کار اصلی داریم و هرکدام کارت متفاوتی می‌خواهد:

• استنتاج (Inference): یعنی اجرای یک مدل آماده؛ مثلاً یک چت‌بات داخلی روی Llama یا Qwen، تشخیص پلاک در دوربین‌های پارکینگ، یا OCR فاکتورها. اینجا حافظهٔ کارت و مصرف برق مهم‌تر از قدرت خام است.
• فاین‌تیون (Fine-tuning): یعنی سفارشی کردن یک مدل آماده با داده‌های خودتان؛ مثلاً آموزش یک مدل زبانی روی مکاتبات و آیین‌نامه‌های داخلی سازمان. حافظهٔ بیشتر و پهنای باند حافظه اینجا تعیین‌کننده است.
• آموزش از صفر (Training): ساختن مدل از پایه. این کار در ایران معمولاً فقط در دانشگاه‌های بزرگ، چند شرکت فناوری و پروژه‌های ملی انجام می‌شود و تقریباً همیشه به سرور چند GPU نیاز دارد، نه یک کارت تنها.

اگر سازمان شما هنوز مطمئن نیست کدام دسته است، تقریباً همیشه از استنتاج شروع می‌کند. در این حالت خرید گران‌ترین کارت بازار منطقی نیست؛ بهتر است کارتی بخرید که مدل مورد نظرتان را با حاشیهٔ امن در حافظه جا بدهد.

قاعدهٔ طلایی: اول حافظه، بعد سرعت

در هوش مصنوعی، اولین محدودیتی که به آن می‌خورید معمولاً حافظهٔ کارت (VRAM) است، نه سرعت پردازش. مدلی که در حافظه جا نشود، یا اصلاً اجرا نمی‌شود یا باید آن را بین چند کارت تقسیم کنید که هم پیچیده‌تر است و هم گران‌تر. یک تخمین سرانگشتی که در عمل جواب می‌دهد:

• هر میلیارد پارامتر در دقت ۱۶ بیتی حدود ۲ گیگابایت حافظه می‌خواهد. پس یک مدل ۸ میلیارد پارامتری حدود ۱۶ گیگ، و یک مدل ۷۰ میلیاردی حدود ۱۴۰ گیگ.
• با کوانتیزه کردن به ۴ بیت، این عدد تقریباً به یک‌چهارم می‌رسد؛ یعنی مدل ۷۰ میلیاردی با حدود ۴۰ گیگ هم اجرا می‌شود، البته با کمی افت کیفیت.
• برای کانتکست طولانی و چند کاربر هم‌زمان، ۲۰ تا ۳۰ درصد حافظهٔ اضافه کنار بگذارید. چت‌باتی که روی کاغذ در ۲۴ گیگ جا می‌شود، با ده کاربر هم‌زمان ممکن است به ۳۲ گیگ نیاز داشته باشد.

برای همین است که در جدول‌های پایین، ستون حافظه را مهم‌تر از ستون قیمت ببینید. کارت ارزان‌تری که مدل شما را جا نمی‌دهد، در عمل گران‌ترین انتخاب است.

قیمت کارت گرافیک هوش مصنوعی در ایران (مهر ۱۴۰۵)

جدول زیر کارت‌های دیتاسنتری و حرفه‌ای موجود در سوان‌تک را با قیمت فعلی فهرست نشان می‌دهد. قیمت‌ها به تومان و بدون مالیات بر ارزش افزوده است:

چند نکته که از خود جدول پیداست: اختلاف قیمت L40S و RTX PRO 6000 Blackwell کمتر از ۴۰۰ میلیون تومان است، ولی حافظه دو برابر می‌شود. یا A100 80GB تقریباً نصف H100 قیمت دارد و برای خیلی از پروژه‌های فاین‌تیون هنوز کاملاً کافی است. این‌ها همان جاهایی است که یک خرید هوشمندانه با یک خرید پرهزینه فرق می‌کند.

قیمت کارت گرافیک H200 و H100: ارزش اختلاف را دارد؟

بیشترین جست‌وجوی این روزها دربارهٔ قیمت کارت گرافیک H200 است. H200 در واقع همان معماری Hopper در H100 است، با یک تفاوت بزرگ: حافظهٔ ۱۴۱ گیگابایتی HBM3e به جای ۸۰ گیگ، و پهنای باند حافظهٔ بسیار بالاتر. نتیجه‌اش این است که مدل‌های زبانی بزرگ، مثل مدل‌های ۷۰ میلیارد پارامتری، روی H200 با کوانتیزه‌سازی ملایم روی یک کارت جا می‌شوند و سرعت تولید متن‌شان هم بالاتر است.

با اختلاف قیمت حدود ۷۰۰ میلیون تومانی بین H100 PCIe و H200 در فهرست فعلی، تصمیم ساده است:

• اگر مدل‌تان در ۸۰ گیگ راحت جا می‌شود و بیشتر کارتان آموزش مدل‌های متوسط است، H100 کافی است.
• اگر با مدل‌های بزرگ زبانی کار می‌کنید، کانتکست طولانی لازم دارید یا می‌خواهید چند مدل را هم‌زمان روی یک کارت نگه دارید، H200 تقریباً همیشه ارزش اختلاف قیمت را دارد.
• اگر هنوز نمی‌دانید، از روی ابعاد مدل حساب کنید؛ نه از روی بنچمارک‌هایی که در شبکه‌های اجتماعی دست‌به‌دست می‌شود.

برای مقایسهٔ فنی دقیق‌تر این دو نسل، مقالهٔ پردازنده‌های گرافیکی Hopper H200 و مقایسهٔ A100 و H100 را ببینید.

کارت گرافیک مناسب هوش مصنوعی بر اساس بودجه

بیایید از زاویهٔ بودجه نگاه کنیم، چون در بیشتر سازمان‌های ایرانی اول سقف بودجه مشخص می‌شود و بعد سراغ مشخصات فنی می‌روند:

بودجهٔ زیر ۲ میلیارد تومان

در این سطح، RTX A4000، RTX A5500 یا A2 گزینه‌های واقعی هستند. برای یک چت‌بات داخلی با مدل ۷ تا ۸ میلیارد پارامتری کوانتیزه‌شده، OCR اسناد، یا پروژه‌های بینایی ماشین مثل شمارش محصول در خط تولید کافی‌اند. A5500 با ۲۴ گیگ حافظه در این بازه انتخاب متعادل‌تری است.

بودجهٔ ۲ تا ۴ میلیارد تومان

اینجا جای L40S، RTX A6000، RTX PRO 6000 Blackwell و A100 است. اگر کارتان بیشتر استنتاج و سرویس‌دهی به کاربر است، L40S و RTX PRO 6000 به‌خاطر حافظهٔ زیاد و پشتیبانی از دقت‌های پایین‌تر انتخاب بهتری‌اند. اگر فاین‌تیون مداوم دارید، A100 80GB هنوز یکی از به‌صرفه‌ترین کارت‌های بازار است. مقایسهٔ این دو خانواده را در مقایسهٔ L40S و A100 مفصل نوشته‌ایم.

بودجهٔ بالای ۶ میلیارد تومان برای هر کارت

این سطح مخصوص H100 و H200 است و معمولاً با یک سرور چند GPU همراه می‌شود، نه یک کارت تکی در کیس معمولی. اگر به این سطح رسیده‌اید، قبل از خرید کارت، زیرساخت برق و خنک‌کننده را هم حساب کنید؛ در ادامه توضیح داده‌ایم چرا.

کارت دیتاسنتری یا کارت گیمینگ؟

یکی از سؤال‌های همیشگی این است: «چرا RTX 4090 یا 5090 نخریم که خیلی ارزان‌تر است؟» برای یک برنامه‌نویس که روی لپ‌تاپ یا سیستم شخصی آزمایش می‌کند، این کارت‌ها انتخاب بدی نیستند. ولی برای سرور سازمانی چند مشکل جدی دارند:

• خنک‌کاری: کارت‌های گیمینگ فن‌های بزرگ کناری دارند و برای جریان هوای جلو به عقب سرورهای رکی طراحی نشده‌اند. چند تا از آن‌ها کنار هم در یک سرور، داغ می‌کنند و افت فرکانس می‌دهند.
• کار ۲۴ ساعته: کارت‌های دیتاسنتری برای کار مداوم زیر بار طراحی شده‌اند؛ کارت گیمینگ برای چند ساعت بازی در روز.
• حافظه و ECC: کارت‌های دیتاسنتری حافظهٔ بیشتر و تصحیح خطا دارند که در آموزش‌های چندروزه جلوی خراب شدن نتیجه را می‌گیرد.
• مجازی‌سازی و تقسیم کارت: قابلیت‌هایی مثل MIG در A100 و H100 اجازه می‌دهد یک کارت را بین چند تیم یا چند سرویس تقسیم کنید؛ کارت گیمینگ این امکان را ندارد.

تفاوت معماری این دو دنیا را در مقالهٔ مقایسهٔ RTX و GTX و آشنایی با هسته‌های CUDA هم توضیح داده‌ایم.

برای کار شخصی و هوش مصنوعی محلی چه کارتی بخریم؟

همه‌ی کسانی که دنبال کارت گرافیک هوش مصنوعی هستند، سرور سازمانی نمی‌خواهند. برنامه‌نویس‌ها، دانشجوها و تیم‌های کوچکی که می‌خواهند مدل‌های زبانی را روی سیستم خودشان اجرا کنند یا با ابزارهایی مثل ComfyUI تصویر بسازند، معمولاً سراغ کارت‌های رده‌ی مصرفی و ورک‌استیشن می‌روند. برای این کاربرد چند نکته مهم است:

• حافظه از همه‌چیز مهم‌تر است: کارت‌های ۲۴ گیگی مثل RTX 4090 و RTX 3090 (حتی دست‌دوم) برای اجرای مدل‌های ۷ تا ۱۴ میلیارد پارامتری و بیشتر مدل‌های تصویرساز، نقطه‌ی شروع محبوبی‌اند. کارت‌های ۳۲ گیگی نسل جدید، فضای بیشتری برای مدل‌های بزرگ‌تر می‌دهند.
• تولید تصویر هم حافظه‌ی زیادی می‌خواهد: مدل‌هایی مثل SDXL با ۸ تا ۱۲ گیگ حافظه کار می‌کنند، ولی مدل‌های جدیدتر و سنگین‌تر مثل Flux، با ۱۶ تا ۲۴ گیگ راحت‌تر اجرا می‌شوند.
• برای کار ۲۴ ساعته یا چند کاربر: کارت‌های ورک‌استیشن مثل RTX A6000 و RTX PRO 6000 Blackwell، با حافظه‌ی بیشتر و خنک‌کاری مناسب کار مداوم، انتخاب مطمئن‌تری‌اند.

کارت‌های گیمینگ برای آزمایش و توسعه عالی‌اند، ولی همان‌طور که بالاتر گفتیم، برای سرور سازمانی و کار مداوم با چند کاربر طراحی نشده‌اند.

انویدیا یا AMD؟

بیشترِ ابزارها، کتابخانه‌ها و آموزش‌های هوش مصنوعی اول روی CUDA و کارت‌های انویدیا ساخته و تست می‌شوند؛ به همین دلیل انویدیا هنوز انتخاب کم‌دردسرتر است. AMD با کارت‌های دیتاسنتری مثل سری Instinct و پلتفرم نرم‌افزاری ROCm پیشرفت زیادی کرده و در بعضی کاربردها، به‌خصوص اجرای مدل‌های بزرگ با حافظه‌ی زیاد، رقیب جدی است. ولی پیش از انتخاب AMD، مطمئن شوید نرم‌افزار و مدل‌هایی که استفاده می‌کنید به‌خوبی روی ROCm پشتیبانی می‌شوند. مقایسه‌ی کامل را در مقاله‌ی مقایسه‌ی NVIDIA H200 و AMD MI300X نوشته‌ایم.

هسته‌های تنسور و دقت محاسبات؛ چرا نسل کارت مهم است؟

کارت‌های جدید انویدیا هسته‌های تنسوری دارند که برای ضرب ماتریس، یعنی قلب محاسبات هوش مصنوعی، ساخته شده‌اند. هر نسل از دقت‌های پایین‌تری پشتیبانی می‌کند: A100 از TF32 و BF16، نسل Hopper یعنی H100 و H200 از FP8، و نسل Blackwell از FP4. دقت پایین‌تر یعنی مدل در حافظه‌ی کمتر جا می‌شود و سریع‌تر اجرا می‌شود، با افت کیفیتی که در بیشتر کاربردهای استنتاج قابل‌قبول است. به همین دلیل، دو کارت با حافظه‌ی یکسان ولی نسل متفاوت، ممکن است در عمل سرعت بسیار متفاوتی داشته باشند. برای آشنایی بیشتر، هسته‌های CUDA را بخوانید.

خرید کارت گرافیک در ایران: پنج ریسکی که باید جدی بگیرید

خرید GPU دیتاسنتری در ایران با خرید در دبی یا اروپا فرق دارد. کارت از مسیر واردات غیرمستقیم می‌آید و گارانتی رسمی سازنده عملاً در دسترس نیست. این پنج نکته را قبل از پرداخت بررسی کنید:

1. اصالت و نسخهٔ کارت: در بازار نسخه‌های محدودشده‌ای مثل H800 و H20 هم پیدا می‌شود که برای بازارهای خاص ساخته شده‌اند و توان یا پهنای باند ارتباطی‌شان کمتر است. شمارهٔ مدل دقیق را در پیش‌فاکتور بخواهید و هنگام تحویل، با ابزار nvidia-smi چک کنید.
2. نو یا استوک: کارت‌هایی که از دیتاسنترهای خارجی جمع‌آوری می‌شوند ممکن است ماه‌ها زیر بار سنگین کار کرده باشند. این یعنی لزوماً خراب نیستند، ولی قیمتشان باید متفاوت باشد. دربارهٔ این تصمیم مقالهٔ خرید GPU دست دوم منطقی است؟ را بخوانید.
3. گارانتی واقعی: بپرسید گارانتی را چه کسی می‌دهد، چند ماه است و اگر کارت خراب شد، تعویض چقدر طول می‌کشد. گارانتی‌ای که تعویض را به «ارسال به خارج و برگشت» موکول کند، عملاً یعنی چند ماه خوابیدن پروژه.
4. اعتبار پیش‌فاکتور: با نوسان ارز، بیشتر فروشندگان پیش‌فاکتور را فقط چند روز معتبر نگه می‌دارند. زمان‌بندی تأیید داخلی سازمان را طوری تنظیم کنید که پیش‌فاکتور در صف امضا باطل نشود.
5. زمان تحویل: کارت‌های پرتقاضا مثل H100 و H200 همیشه موجود نیستند. اگر پروژه‌تان تاریخ تحویل دارد، زمان تأمین را کتبی بگیرید.

کارت را کجا نصب می‌کنید؟ سؤالی که خیلی‌ها دیر می‌پرسند

کارت دیتاسنتری مثل H100 یا L40S فن ندارد و برای خنک شدن به جریان هوای قوی سرور تکیه می‌کند. اگر این کارت را در یک کیس معمولی بگذارید، در چند دقیقه داغ می‌شود. پس قبل از خرید کارت، بدانید آن را در کدام سرور یا ورک‌استیشن نصب می‌کنید:

• برای یک یا دو کارت در دفتر، ورک‌استیشن هوش مصنوعی با کارت‌های فن‌دار مثل RTX A6000 یا RTX PRO 6000 منطقی‌تر است.
• برای ۴ تا ۸ کارت، سرورهای GPU مثل H3C R5300 G6 یا Xfusion G5500 V7 لازم است که در رک دیتاسنتر یا اتاق سرور با برق و تهویهٔ مناسب قرار بگیرند.
• اگر هنوز بین ورک‌استیشن و سرور مردد هستید، AI Workstation یا Server را ببینید.

مصرف برق را هم دست‌کم نگیرید. یک H100 PCIe تا ۳۵۰ وات و یک H200 تا ۶۰۰ وات مصرف می‌کند. چهار کارت به‌علاوهٔ پردازنده و دیسک، یعنی سروری که به‌راحتی از ۲٫۵ کیلووات بالا می‌رود؛ و با محدودیت‌های برق تابستان در خیلی از شهرها، UPS و برنامهٔ برق اضطراری بخشی از هزینهٔ خرید است، نه یک هزینهٔ جانبی.

نرم‌افزار و درایور: بخشی که در ایران دردسر دارد

خرید کارت فقط نصف ماجراست. برای کار با هوش مصنوعی به درایور NVIDIA، CUDA، کتابخانه‌هایی مثل PyTorch و معمولاً Docker نیاز دارید. در ایران دسترسی به بعضی از این منابع به‌خاطر تحریم محدود است: بعضی مخزن‌ها و سرویس‌ها به آی‌پی ایران پاسخ نمی‌دهند و دانلود مدل‌های بزرگ از سرویس‌های خارجی کند یا ناممکن می‌شود.

راه‌حل‌های رایجی که تیم‌های ایرانی استفاده می‌کنند: آینه‌های داخلی برای pip و Docker، دانلود یک‌بارهٔ مدل‌ها و نگهداری آن‌ها در استوریج داخلی سازمان، و آماده کردن ایمیج‌های آماده قبل از تحویل سرور. یک تأمین‌کنندهٔ جدی باید بتواند سرور را با درایور و ابزارهای پایه نصب‌شده تحویل بدهد تا تیم شما روز اول درگیر دانلود و نصب نشود. این کار را در سوان‌تک به‌صورت پیش‌فرض برای سرورها انجام می‌دهیم.

اشتباهات رایج در خرید کارت گرافیک هوش مصنوعی

• انتخاب از روی بنچمارک بازی: عدد فریم در بازی هیچ ربطی به سرعت آموزش مدل ندارد.
• نادیده گرفتن حافظه: خرید کارت سریع‌تر با حافظهٔ کمتر، وقتی مدل‌تان جا نمی‌شود.
• خرید چند کارت ارزان به جای یک کارت قوی: برای استنتاج گاهی جواب می‌دهد، ولی برای آموزش، ارتباط بین کارت‌ها گلوگاه می‌شود.
• فراموش کردن برق و خنک‌کاری: کارت ۶ میلیاردی که به‌خاطر گرما با نصف توان کار می‌کند.
• مقایسهٔ پیش‌فاکتورهای غیرهم‌سطح: یکی کارت نو با گارانتی می‌دهد، یکی کارت استوک بدون گارانتی؛ این دو قیمت قابل مقایسه نیستند.

چک‌لیست قبل از خرید

1. مدل یا مدل‌هایی که می‌خواهید اجرا کنید و تعداد پارامترشان را بنویسید.
2. تعداد کاربر هم‌زمان و طول کانتکست مورد نیاز را تخمین بزنید.
3. حافظهٔ لازم را با قاعدهٔ ۲ گیگ برای هر میلیارد پارامتر به‌علاوهٔ حاشیهٔ امن حساب کنید.
4. مشخص کنید کارت در ورک‌استیشن نصب می‌شود یا سرور رکی.
5. برق، UPS و خنک‌کاری محل نصب را بررسی کنید.
6. نو بودن، مدل دقیق، مدت گارانتی و زمان تعویض را کتبی بگیرید.
7. تاریخ اعتبار پیش‌فاکتور و زمان تحویل را با فرایند تأیید سازمان هماهنگ کنید.

اگر می‌خواهید برای پروژهٔ مشخص‌تان پیکربندی پیشنهادی و پیش‌فاکتور دقیق بگیرید، مشخصات کار را با کارشناسان سوان‌تک در میان بگذارید. همچنین راهنمای جامع GPU دیتاسنتر NVIDIA برای آشنایی عمیق‌تر با خانواده‌های مختلف کارت مفید است.

سوالات متداول

بهترین کارت گرافیک برای هوش مصنوعی کدام است؟

کارت «بهترین» وجود ندارد؛ کارت مناسب به مدل و بودجه بستگی دارد. برای مدل‌های زبانی بزرگ H200 با ۱۴۱ گیگ حافظه، برای استنتاج سازمانی L40S یا RTX PRO 6000 Blackwell، و برای پروژه‌های سبک RTX A5500 یا A2 انتخاب‌های منطقی‌اند.

قیمت کارت گرافیک H200 در ایران چقدر است؟

در فهرست مهر ۱۴۰۵ سوان‌تک، کارت H200 حدود ۷٬۲۶ میلیارد تومان قیمت دارد. به‌خاطر وابستگی به نرخ ارز، قیمت نهایی را هنگام صدور پیش‌فاکتور استعلام بگیرید.

برای اجرای یک مدل زبانی محلی چه کارتی لازم است؟

برای مدل‌های ۷ تا ۸ میلیارد پارامتری کوانتیزه‌شده یک کارت ۱۶ تا ۲۴ گیگی کافی است. برای مدل‌های ۷۰ میلیاردی حداقل ۴۸ تا ۸۰ گیگ حافظه با کوانتیزه‌سازی، یا H200 لازم است.

آیا می‌توان کارت گرافیک گیمینگ را برای هوش مصنوعی استفاده کرد؟

برای آزمایش و توسعهٔ شخصی بله، ولی برای سرور سازمانی به‌خاطر خنک‌کاری، کار ۲۴ ساعته، حافظهٔ محدود و نبود قابلیت تقسیم کارت توصیه نمی‌شود.

H100 بخرم یا A100؟

اگر بودجه محدود است و کارتان فاین‌تیون مدل‌های متوسط است، A100 80GB با حدود نصف قیمت H100 انتخاب به‌صرفه‌ای است. برای آموزش‌های سنگین و مدل‌های جدیدتر، H100 به‌خاطر سرعت بیشتر ارزش اختلاف قیمت را دارد.

جمع‌بندی

خرید کارت گرافیک هوش مصنوعی با یک سؤال فنی شروع می‌شود و با چند سؤال تجاری تمام می‌شود. اول کار و مدل را تعریف کنید، بعد حافظهٔ لازم را حساب کنید، بعد کارتی را انتخاب کنید که در بودجه‌تان جا شود و محل نصب، برق و خنک‌کاری‌اش هم آماده باشد. در بازار ایران به این‌ها اصالت کارت، گارانتی واقعی و اعتبار پیش‌فاکتور را هم اضافه کنید. با این ترتیب، احتمال اینکه چند میلیارد تومان را صرف کارتی کنید که به کارتان نمی‌آید، تقریباً صفر می‌شود.