先把话说明白：这篇文章里的"实测对比"，指的是把几种切分方案摆在一起，按规格、按工程经验、按踩过的坑去横向比，不是我在实验室里跑了一周 3DMark 跑出来的分数。市面上真有那种精确到小数点后两位的对比表，八成是编的。GPU 切分这事的坑，从来不在跑分里，在你签合同那天没问的那几个问题上。
最近一年问我"一张卡能不能分给几个人用"的团队，大概分四类：做云桌面（VDI）的、给设计师配渲染工位的、学校或机构做 AI 教学实训的、以及想把一张卡掰开卖给多个客户做轻量推理的。这四类人的共同点是——卡买得起，但每个人其实用不满；不同点是——他们对"隔离"的要求差了十万八千里，而这恰恰决定了该不该切。
先把结论摆在前面，赶时间看这几条就够：
1. 切分的第一约束是显存，不是算力。一张 24G 的卡，能不能切 4 份，看的是 4×6G 够不够每个人用，而不是这卡有多少 TFLOPS。绝大多数"切完之后卡死"的事故，都是显存超分惹的祸。
2. 三条路线的隔离性差距是数量级的：硬件级切分（MIG 这类）是真隔离，软件级 vGPU 是配额隔离，多容器时间片共享基本等于没隔离。别拿第三条当第一条卖给用户，那是事故源头。
3. 授权费可能吃掉切分省下来的钱。某些软件级 vGPU 方案按并发用户或按卡收授权，一张卡切 8 份，授权费摊上去，算下来比直接给 8 个人一人一张入门卡还贵。授权口径以厂商最新授权政策为准，签之前一定要让服务商把这笔钱单独列出来。
4. 编码会话数是个隐形天花板。云桌面场景里，画面要编码再推给用户，消费级卡上并发编码会话数一直存在限制，显存还剩一半但第 6 个用户连不上，多半撞的就是这个。这个限制的具体数量随驱动版本变化，以 NVIDIA 官方说明与实测为准。
5. 切分不是万能省钱术。人均算力需求高的（比如真的在训练、真在渲染 4K 序列），切了就是互相拖后腿，不如整卡独占。
很多老板脑子里的画面是：一张显卡像切蛋糕一样切成 8 块，8 个人一人一块，各干各的，谁也不影响谁。现实比这粗糙得多。GPU 上有几类资源是可以被"分"的：显存容量、算力时间片（SM 占用）、显存带宽、编解码引擎（NVENC/NVDEC 这类专用硬件单元）、以及 PCIe 通道。这几类资源的可切分程度完全不一样。
显存容量最好分，谁用多少写死就行；算力时间片也能分，靠调度器轮着来；显存带宽很难干净地分，几个人同时刷带宽的时候是互相抢的；编解码引擎是独立的专用硬件，它不看你切了几份，它看自己有几个会话槽位。所以你以为"切成 8 份"是一个动作，其实是五个不同的动作，其中有两个根本切不干净。
这就是为什么不同切分路线的体验差别那么大。下面把三条路线拆开说。
硬件级切分的代表是 NVIDIA 在 A100 这一档数据中心卡上提供的 MIG（Multi-Instance GPU）能力。它的思路是把一张物理卡在硬件层面切成若干"实例"，每个实例拿到独占的 SM、独占的显存通道、独占的 L2 缓存分区，彼此之间有硬件级的隔离边界。A100 40G 上，官方提供了若干档固定规格，最小的一档是 5G 显存，最多可以 7 个实例并存——具体支持哪些规格组合、哪些卡型开放了 MIG，以 NVIDIA 官方文档和卡型为准，别听销售一张嘴。
这条路线的好处是硬：一个实例里跑崩了，原则上不会影响隔壁实例；显存是实打实划走的，不存在超分。代价是不够灵活——规格是固定的几档，不是你想切 6.5G 就能切 6.5G；而且切完之后想改，要重配、要重启，不像软件方案那样随时调。另外，只有部分数据中心卡支持，你手上那张 RTX 4090 是不行的。
软件级 vGPU 是云桌面领域最常见的形态：宿主机上跑虚拟化层，把一张物理卡按"显存配额 + 调度配额"分给若干虚拟机，每个虚拟机看到的是一块"虚拟显卡"，装的是对应的 vGPU 驱动。切几份、每份多大，可以在配置文件里调，比 MIG 灵活。
它的隔离性是"配额级"的：显存按配额划走，一般不会超分（也有方案允许超分，那是另一个故事）；但算力是靠时间片调度的，隔壁虚拟机在跑重活，你的帧率就是会抖。对办公云桌面、设计工位这种"大部分时间在等用户操作"的负载，抖动基本无感；对持续满载的推理服务，抖动就是实打实的延迟毛刺。
然后是最要命的一条：软件级 vGPU 通常涉及商业授权，计费口径（按并发用户数、按物理卡、按订阅周期）各方案不一样，价格也随政策调整。一律以厂商最新授权政策为准，不要信任何人在文章里写死的授权价，包括这篇——我们不编这个。
第三条路子最省钱：一张物理卡上跑多个容器，靠调度器和显存限制参数来约束每个容器能用多少，谁也不虚拟化谁，大家共享同一份驱动、同一个地址空间。研发小团队内部共用一张卡做实验，这么干完全没问题，很多团队就是这么干的。
但它的隔离性基本为零。一个容器把显存吃满，另一个容器直接 OOM；一个容器写了个死循环占着 SM，其他容器的 kernel 就排队等着。做内部工具平台可以，拿它当"多租户隔离"对外卖，是拿别人的生产环境冒险。这话我说得重一点，是因为真见过这么干然后翻车的。
判断一张卡能切几份，正确的算法是从显存倒推，不是从算力正推。举个例子：你给设计师配工位，一个人开个 Blender 加个 Substance，场景稍微复杂点，显存占用就往 8G 上走；那么一张 24G 的卡，扣掉系统开销，切 2 份是舒服的，切 3 份就要开始省着用，切 4 份（每份 6G）基本是在给用户添堵。
反过来，做轻量推理多租户，一个 7B 的模型做 INT4 量化之后权重就几个 G，加上 KV Cache 和 runtime 开销，一份 5G–8G 是可以跑起来的——那么同一张 24G 的卡切 3 份反而合理。所以"这卡能切几份"这个问题没有标准答案，答案藏在每个租户的实际显存占用曲线里。
实操建议是：先别切，让业务按独占跑一两周，把每个工位的显存峰值（不是平均值）记下来，再在这个峰值上加 20%–30% 余量，最后拿卡的总显存去除。用平均值算出来的切分方案，上线第一天就会 OOM。这个 20%–30% 是工程经验值，不是某个权威机构给的，你自己按业务波动性调，波动大的加更多。
能，但我不推荐新手做。显存超分的原理和内存超分/CPU 超分一样：赌所有人不会同时用满。给 8 个租户每人分 8G 显存的配额，物理卡只有 32G，赌的是同一时刻最多 4 个人在峰值。
问题在于 CPU 和内存超分失败了，最坏结果是变慢——操作系统有 swap、有调度器兜底，卡一卡还能恢复。GPU 显存超分失败的结果是进程直接挂：CUDA out of memory，没有优雅降级这一说。你租给客户的是云桌面，客户正在改的图没保存，进程一崩，画面就没了。这跟"慢一点"完全不是一个性质。
还有一个更隐蔽的：超分环境下，故障是随机的。同一套配置，周一跑得好好的，周三下午三点突然三个人一起 OOM，你查日志查不出规律，因为触发条件是"三个人恰好在同一秒都拉满了显存"。这种随机故障最伤客情，客户不会觉得"概率问题"，他只觉得你这机器不行。
我的态度：教学实训场景可以做一点轻超分（学生在做实验，崩了重开就是了，代价低）；云桌面和对外多租户推理，别超分，显存按峰值写实，切不下的份数就用第二张卡补。切分省的那点钱，赔不上一次批量事故。
单卡选型先看三件事：显存总容量、是否支持硬件级切分、是否有足够的编解码单元。
云桌面和教学实训，优先看显存总量 + 编码能力，算力反而是最不重要的——没人拿云桌面跑训练。这一档里，NVIDIA A16（64G，本身就是为 vGPU 桌面场景设计的）和 T4（16G）是常见的两个方向：A16 显存大、份数多，适合铺量；T4 单份规格够用、成本更低，适合小规模起步。
AI 教学实训，要看清楚学生到底跑什么。跑 PyTorch 入门、跑 ResNet 这类经典模型，8G–10G 一份够用；要跑 7B 模型的推理或轻量微调，一份最好 16G 起。这时候 A100 40G 这种支持硬件级切分的卡价值就出来了——它能切出真隔离的实例，学生互不干扰，也不会有人把整卡显存吃干。A100 40G 在一万网络是官网明示的档位：定制 ¥2800/月、算力云整卡 ¥2500/月，A100 1/20 切片 ¥900（以官网实时价为准）。
设计渲染工位，我倾向于少切或者不切。渲染负载的特征是一跑就吃满，而且吃满的时间很长，切分带来的收益很低，互相干扰的代价很高。真要共用，走时间片共享 + 错峰排班，而不是硬切。
这是最容易被忽略的一维。大家都盯着卡，结果系统卡在 CPU 上。
GPU 切分场景里，CPU 的活儿其实不少：虚拟化工位本身的操作系统开销、云桌面协议的编码前处理、推理服务的数据预处理和 tokenize、渲染任务的场景解析和加速结构构建（这部分是纯 CPU 活，GPU 帮不上忙）。经验上，一个轻量办公云桌面工位给 2–4 个 vCPU 是常见的起步配比，设计渲染和推理预处理重的场景要往上加到 4–8 个 vCPU —— 这是配置经验，不是厂商承诺，具体按你实测的 CPU 占用曲线调。
判断方法很简单：切分上线之后，看宿主机的 CPU 负载。如果 GPU 利用率只有 40%，CPU 却常年 80%+，那就是 CPU 瓶颈了，加卡没用，得加核。反过来，GPU 常年 90%+ 而 CPU 很闲，说明切分数还可以往上涨。
另外注意一点：CPU 的核心数还会限制你能挂几张卡、能跑多少 PCIe 通道。选整机的时候别只看"几核"，看 PCIe 通道数和拓扑，不然四张卡插上去其实是抢通道的。
内存和显存是两回事，但很多人算预算的时候只算显存。一个 Windows 云桌面工位，系统本身 + 常用办公套件，内存占用就在 4G–8G 量级；设计类工位打开大型素材，16G 起步、32G 不嫌多。这部分内存是每人一份实打实占掉的，没法共享，也没法超分（内存超分的后果比显存超分温和，但也是卡）。
所以整机内存的算法是：单工位内存 × 并发工位数 + 宿主机系统预留。一张卡切 8 份，就要按 8 个工位备内存，别按 1 张卡备。这个账算漏了，机器开起来才发现只能同时开 4 个工位，另外 4 个在排队。
系统盘和数据盘也要分开想。系统盘放镜像，建议走 SSD，多工位并发启动的时候（早高峰全班一起开机，这个场景在教学实训里特别典型）机械盘直接被打爆。数据盘放素材库和用户目录，容量优先，但如果是渲染工位频繁读写工程文件，还是得 NVMe，不然加载工程的时间比渲染时间还长。
云桌面和教学实训有一个很典型的性能悬崖：早高峰批量开机。50 个工位在 5 分钟内陆续拉起同一个桌面镜像，对存储的压力是每秒几百 MB 甚至上 GB 的读带宽，而且是随机读为主。机械阵列在这时候的表现就是"开机要等十分钟"，用户投诉的第一条永远是这个。
解决办法有两个方向：一是镜像层走 SSD/NVMe，把随机读延迟压下来；二是做镜像缓存和链接克隆（多个工位共享同一份基础镜像的只读部分，只写自己的差异层），把实际读量降一个数量级。第二个方向省的钱通常比第一个多。
对设计渲染工位，NVMe 缓存盘的意义更直接：素材库和工程文件放在大容量机械盘或 SATA SSD 上，前面挂一层 NVMe 做热数据缓存，常用的那几个工程和贴图常驻在缓存里，打开文件的时间从几十秒降到几秒。这个投入对渲染工位的体感提升，比多加一张卡还明显。
另外提醒一句：快照功能很香（比如每日免费快照、30 秒回滚这种），但快照本身占存储空间、也会影响写性能。做快照策略的时候要算进存储预算，别等磁盘满了才发现快照把空间吃光了。
云桌面是唯一一个"网络直接决定体验"的 GPU 场景。训练慢一点用户没感觉，鼠标点下去半秒后才响应，用户立刻就骂人。
端到端时延的预算怎么定？行业里的经验是：办公类云桌面通常希望把端到端时延控制在几十毫秒量级（比如 30–50 ms 这一档）以内，超过这个档位，拖拽窗口和打字会有明显的"隔了一层"的感觉；设计类工位因为要频繁操作大画面，对时延更敏感，要求更严。具体数字取决于你的办公地点到机房的物理距离和链路质量，不要拿别人的测速数据当自己的承诺，自己从实际办公网络打一次再说。
协议选择直接决定带宽消耗。不同桌面传输协议（PCoIP、HDX、Blast 这一类的各家方案）对画面的处理方式不一样：有的以原始像素传输为主，画面清晰但吃带宽；有的做深度压缩，带宽省了但要多一层编解码，CPU 和 GPU 的开销上去了。办公场景（文字、表格、网页）单用户带宽通常在几百 Kbps 到数 Mbps 量级，设计渲染场景拉高画质后会到十 Mbps 量级——这是量级参考，不是实测报告，你得按自己的画质策略实测。
线路上，跨运营商访问是云桌面的老大难。选服务商的时候看有没有 BGP 多线，回国内的业务看有没有 CN2 GIA 这类优化回国链路。一万网络官网明示的是 BGP 多线 + CN2 GIA，节点覆盖华南、华东、华北以及中国香港，这一点对做跨境办公或者分支机构分散的团队很关键——就近接入永远比堆带宽管用。
切分方案把更多人塞进一台机器，代价是这台机器的功率密度上去了。一台插满 GPU 的 4U 服务器，整机功耗可以到几千瓦量级，普通机柜按每柜几 kW 的常规密度是扛不住的——这不是"多插几张卡"的问题，是机柜层面的供电和散热要重新设计。
选机房的时候，问清楚三件事：单柜供电上限是多少、散热方式是风冷还是液冷、单柜能放几台 GPU 服务器。这三个问题答不上来的机房，别放 GPU。风冷机柜塞满高功率 GPU 服务器，夏天就是一场赌博：温度一高，卡降频，算力掉得比你想的快，而且这种掉频是静默的，没人报错，只是变慢。
关于机房这一维，我们只写官网明示项：一万网络是深圳南山总部、自营机柜、深耕 IDC 19 年（成立于 2007 年），自营机柜最快 1 分钟上架；服务侧明示的是 7×24 中文工单、平均 5 分钟响应、硬件故障 10 分钟自动迁移、每日 3 份免费快照 30 秒回滚、5–20G 免费 DDoS 防护、免费备案协助、工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch/TensorFlow。更细的机柜功率和散热规格，以咨询为准，我不替服务商编参数。
这是最容易算错的一笔账。切分的动机是省钱，但切分引入的成本不止硬件：软件级 vGPU 通常要买授权，授权费的口径各家不一样——有的按并发用户数收，有的按物理卡收，有的按订阅周期收，还有的是打包在虚拟化平台的总授权里。具体口径与价格一律以厂商最新授权政策为准，任何写在文章里的"授权多少钱"都可能在明年就过时。
但算法是通用的，你自己套一下：
一条整卡路线：一张卡给一个人独占，成本 = 卡的月租。一条切分路线：一张卡切 N 份给 N 个人，成本 = 卡的月租 ÷ N + 每份授权 ÷ 份 + 虚拟化平台摊分 + 运维复杂度成本。
当授权费按并发用户数收、且单价不低的时候，N 越大，授权费总额涨得越快，到了某个临界点，切分方案的人均成本就超过直接给每人配一张入门卡了。这个临界点在哪，取决于你拿到的授权报价，所以签合同前必须让服务商把授权费单独拆出来报，混在总价里报的一律要求拆。
还有一条隐性成本：运维复杂度。切分方案多了虚拟化层、授权服务器、驱动版本矩阵，出问题的排查路径长得多。5 个人的团队摊不动一个专职运维的工时，这时候"多花点钱买省心"是理性选择，不是浪费。
噪声邻居（noisy neighbor）这个词来自云计算，在 GPU 切分里同样成立，而且表现更直接。
硬件级切分下，邻居基本不吵。你的实例拿到的是独占的硬件资源，隔壁实例在跑什么跟你关系不大。这是它最大的价值，也是它对多租户场景最友好的地方。
软件级 vGPU 下，邻居中等吵。显存是划走的，所以不会因为邻居吃显存而 OOM；但算力是共享时间片的，邻居跑满载时你的任务会变慢，表现为帧率抖动、推理延迟出现毛刺。对办公负载无感，对在线推理服务是实打实的 P99 劣化。
时间片共享下，邻居非常吵。显存可能被吃满导致你 OOM，算力被抢占导致你变慢，甚至驱动层的异常会波及整卡所有容器。这种方案只适合"自己人共用"，不适合"对外出租"。
判断标准就一句话：如果租户之间需要互相信任，你就必须用更强隔离的方案；如果租户之间根本不认识（比如你把它当产品卖给不同客户），时间片共享一律不考虑。
这条单独拎出来讲，因为它坑人坑得最隐蔽。
云桌面的画面要推送给用户，中间必须经过编码。NVIDIA 卡上有专门的编码硬件单元（NVENC），它是独立于 3D 算力之外的资源。问题在于：并发编码会话数是有限制的，尤其在一些消费级卡型上，历史上一直存在并发会话数的上限，具体数量随驱动版本和卡型变化，以 NVIDIA 官方说明为准。
这会造成一个很迷惑的现象：你按显存算，一张 24G 的卡切 4 份每份 6G，完全合理；结果第 4 个用户连不上或者画面报错，你去查显存，发现还有一半空着。这时候八成撞的是编码会话数上限，不是显存。而且这个限制不会因为你是"虚拟化切分"就翻倍——它是编码引擎自己的槽位。
怎么避？第一，做云桌面选型的时候，优先选面向虚拟化场景设计的数据中心卡（比如 A16 这一类是按 vGPU 桌面场景设计的），而不是拿游戏卡硬上。第二，在采购前让服务商把目标卡型 + 目标驱动版本下的并发编码会话上限实测一遍给你看，写进验收条件。第三，如果你的画质策略允许，可以考虑让部分工位走 CPU 软编码或者降低编码分辨率，但这是妥协方案，不是解法。
推荐走软件级 vGPU 或面向 vGPU 设计的卡型，份数按显存峰值写实、不超分。办公类工位一份 2G–4G 显存通常就够（这是经验区间，具体按你跑的应用实测），设计类工位 8G 起步。粒度上，宁可多一台机器少切几份，也不要把一台机器塞到极限——云桌面的体验对资源争抢极其敏感，塞满的那 20% 就是投诉的来源。
教学场景的特点是负载同质、可预期、崩了代价低。推荐硬件级切分（A100 这种支持 MIG 的），一个学生一个实例，规格统一，作业可复现。份数可以往上限靠，甚至可以轻微超分——学生在做实验，OOM 了重开一个实例就行，不会造成业务损失。但要配好实例模板和快速重建能力，不然一节课全在处理环境问题。
这是三类里对隔离要求最高的，因为租户之间不认识，而且服务是在线的。推荐硬件级切分；拿不到硬件级切分的卡型，就用软件级 vGPU 并把显存写实、明确告知租户是配额隔离（在 SLA 里写清楚会有性能抖动）；时间片共享在这个场景里不要用。粒度按模型实际显存占用加余量，一个实例只跑一个模型的一路或几路并发，不要指望一个实例里塞两个模型还互相不干扰。
该切的三个信号：单用户显存占用远小于单卡显存（比如每人只用 5G，卡有 40G）；负载是间歇性的、大部分时间在等输入（云桌面、教学、交互式开发）；租户数量多但每个都很轻，且能接受配额级隔离。
不该切的三个信号：单用户显存占用接近单卡显存的一半以上（切两份都很勉强，不如一人一张）；负载是持续满载的（渲染农场、批量训练、高并发在线推理），切分只会让所有人一起变慢；以及——算上授权费和运维复杂度之后，人均成本降不下来。第三种情况最常见，也最容易被忽视，因为授权费常常被藏在总价里。
还有一条判断：你的团队有没有人能维护虚拟化层。切分方案多了一整套软件栈，驱动版本、授权服务器、实例模板，全都是要人管的。没人管，就别上复杂方案，整卡独占虽然贵一点，但省心是实打实的成本节约。
下面这张表按"单卡形态"分了 6 档，价位口径分两类：标注「以官网实时价为准」的是一万网络官网明示的档位；标注「预估」的是行业估算，非官方报价，实际以下单时核算为准。授权模式那一列，所有方案统一写「以厂商最新授权政策为准」——这一列的政策变动最快，谁写死谁不靠谱。
| GPU 型号与显存 | 切分方式 | 单卡可分数与每份显存 | 授权模式 | 价格区间 | 适合谁 |
|---|---|---|---|---|---|
| NVIDIA A16 64G（vGPU 专用卡） | 软件级 vGPU，按显存份额划分 | 1/16 切片，每份约 4G（按整卡 64G 等分推算） | 以厂商最新授权政策为准 | A16 1/16 ¥210（官网明示，以官网实时价为准） | 大规模办公云桌面、呼叫中心、密集型 VDI 铺量 |
| NVIDIA T4 16G | 软件级 vGPU / 容器配额共享 | 常见 2–4 份，每份 4–8G（按业务实测调整） | 以厂商最新授权政策为准 | ¥900/月（官网明示，以官网实时价为准） | 小规模云桌面起步、轻量推理多租户试水 |
| NVIDIA RTX 2080Ti 11G | 多容器时间片共享（隔离性最弱） | 建议 2 份，每份 5–6G（不建议再细切） | 无额外 vGPU 授权（以厂商最新授权政策为准） | ¥850/月（官网明示，以官网实时价为准） | 入门渲染工位、内部小团队共用实验环境 |
| NVIDIA RTX 3090 24G | 多容器时间片共享 / 错峰排班 | 建议 2–3 份，每份 8–12G（渲染负载建议不切） | 无额外 vGPU 授权（以厂商最新授权政策为准） | ¥1750/月（官网明示，以官网实时价为准） | 设计渲染工位、小规模共用开发机 |
| NVIDIA V100S 32G | 软件级 vGPU，显存配额划分 | 常见 2–4 份，每份 8–16G（按业务实测调整） | 以厂商最新授权政策为准 | ¥1500/月（定制）/ ¥1450/月（算力云整卡）（官网明示，以官网实时价为准） | 老项目框架兼容、混合负载的教学与推理 |
| NVIDIA A100 40G（支持 MIG 的档位） | 硬件级切分（MIG）+ 软件级 vGPU 可选 | 官方提供多档固定规格，最小 5G 一份，最多 7 个实例并存（以 NVIDIA 官方文档为准） | 以厂商最新授权政策为准 | ¥2800/月（定制）/ ¥2500/月（算力云整卡）/ A100 1/20 切片 ¥900（官网明示，以官网实时价为准） | AI 教学实训、多租户在线推理、要求真隔离的场景 |
看这张表注意一点：价格不是唯一的比较维度。A16 的 1/16 切片单价看着便宜，但那是 4G 一份，你跑不了大模型推理；A100 切出来的实例贵一些，但它是真隔离，能对外卖。选型的正确顺序是：先定隔离级别，再定每份显存，最后才看价格。倒过来选，一定会返工。
如果让我只推一个，我推这个。理由很实在：A100 40G 支持硬件级切分，切出来的实例是真隔离，学生之间、租户之间互不干扰，这是软件方案给不了的。一万网络这边 A100 40G 定制 ¥2800/月、算力云整卡 ¥2500/月，还有 A100 1/20 切片 ¥900 这个档（以官网实时价为准），想小规模试切片的话，从切片档起步成本可控，验证好了再上整卡切 MIG，路径是平滑的。
配置上搭配的建议：CPU 按每实例 4–8 个 vCPU 去配，内存按每实例 16G–32G 备，系统盘上 SSD，数据盘留足素材和数据集的空间。真拿不准配比，就让他们工程师帮你排——一万网络官网明示有工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch/TensorFlow，这套环境自己装一遍能折腾掉两天，有人帮你装好开机即用，这个时间成本省得很实在。
云桌面这个场景我更推荐走 A16 这类按 vGPU 场景设计的卡，而不是拿游戏卡硬上。A16 1/16 ¥210 这个档（以官网实时价为准）对铺量很友好，一份 4G 显存跑办公桌面绰绰有余；需要跑轻设计或轻推理的工位，单独配 T4（¥900/月，以官网实时价为准）补上，一个集群里两种规格混着来，比一刀切省钱。
这个组合还有个实际好处：一万网络节点覆盖华南、华东、华北和中国香港，BGP 多线 + CN2 GIA，团队分散在不同城市或者有跨境办公需求的时候，可以让工位就近接入，端到端时延这条硬指标才压得下来。云桌面的体验九成在网络上，机房选错了，卡再好也没用。
另外，做云桌面一定要配快照策略。官网明示的每日 3 份免费快照、30 秒回滚，对云桌面这种"用户可能把系统搞坏"的场景是刚需——一个工位崩了，回滚一下接着用，比重装镜像快太多。硬件故障那边也有 10 分钟自动迁移的明示服务，7×24 中文工单平均 5 分钟响应。
为什么坑：你按显存算出来能切 8 份，实际连到第 5 个就上不去了，因为并发编码会话数到了上限。这个限制独立存在，不随你的切分配置变化，也不写在显存账上。
怎么避：做云桌面选型，优先选面向 vGPU 场景设计的数据中心卡；采购前要求服务商在目标卡型 + 目标驱动版本下实测并发编码会话上限，写进验收条款，口头承诺不算。
为什么坑：软件级 vGPU 的授权按并发用户或按卡收，切得越细授权总额越高，到某个份数之后人均成本反超"一人一张入门卡"。这笔钱经常混在总价里，你以为省了，其实没省。
怎么避：报价阶段就要求把硬件租金和授权费拆开报，自己算一遍临界点。授权口径与单价以厂商最新授权政策为准，别信任何写死的数字。
为什么坑：GPU 显存超分失败没有优雅降级，直接就是进程挂。而且故障是随机触发的，没法复现、没法排查，客户体验极差——他不会理解"概率问题"，他只看到机器又崩了。
怎么避：云桌面和对外多租户，显存按峰值写实，不超分；切不下的份数用第二张卡补。只有教学实训这类"崩了重开代价低"的场景，才考虑轻微超分。
为什么坑：多容器共享驱动和地址空间，一个容器吃满显存，其他容器直接 OOM；一个容器死循环占着算力，其他人一起排队。这叫"共用"，不叫"隔离"，拿它对外卖多租户产品，是把客户的生产环境当赌注。
怎么避：对外出租一律走硬件级切分或软件级 vGPU，并在合同/SLA 里写清楚隔离级别和可能的性能抖动。时间片共享只用在内部团队共用。
为什么坑：GPU 服务器功率密度高，普通机柜按常规密度设计扛不住。温度一上去，卡就降频——关键是这个降频是静默的，没人报错，只是变慢，你查半天查不出原因。
怎么避：选机房时问清单柜供电上限、散热方式、单柜可放几台 GPU 服务器，这三个问题答不上来的别放。上机后监控卡温和频率曲线，别只监控利用率。
为什么坑：切分方案对驱动版本极其敏感——虚拟化层、vGPU 驱动、CUDA、cuDNN、上层框架（PyTorch/TensorFlow）是一个版本矩阵，任何一个环节对不上，轻则跑不起来，重则性能掉一半。而且切分之后，实例里的驱动版本是由宿主机决定的，用户不能自己随便升。
怎么避：上线前把版本矩阵定死并做成镜像模板，禁止租户自行升级驱动；不确定哪个组合稳定的，直接找服务商的工程师协助部署——一万网络明示提供工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch/TensorFlow，这套事让他们干比自己踩坑划算。
没有标准答案，只有一个算法。先让业务按独占跑一两周，测出每个工位的显存峰值（不是平均值），加上 20%–30% 余量，再用单卡显存去除，得到的就是份数上限。算完之后还要过一遍另外两个闸：CPU 核数和内存够不够 N 份，以及并发编码会话数到没到顶。三个条件都满足的那个 N，才是真的 N。用平均值算出来的方案，上线第一天就会 OOM。
看你对隔离的要求。租户之间不认识、服务是在线的（多租户推理、对外出租），选硬件级切分，比如支持 MIG 的 A100 这一档；租户是自己人、负载是间歇性的（内部云桌面、教学实训），软件级 vGPU 就够用，还更灵活，份数随时能调。硬件级的代价是规格固定、改动要重配；软件级的代价是算力共享、会有抖动，另外要考虑授权费。先定隔离级别，再定份数，最后比价格，顺序别反。
技术上能做，但我不推荐在云桌面和对外多租户场景做。CPU 和内存超分失败的结果是变慢，有操作系统兜底；GPU 显存超分失败是进程直接挂，CUDA out of memory，没有任何优雅降级。更麻烦的是故障随机——三个租户恰好在同一秒拉满才会触发，你查日志查不出规律。教学实训可以做轻超分，因为崩了重开代价低；其他场景，显存按峰值写实，切不下就加卡。
给不了，也不该给。授权口径各家方案不一样，有按并发用户数的、有按物理卡的、有按订阅周期的，还有打包在虚拟化平台总授权里的，而且政策会调整。一律以厂商最新授权政策为准，任何文章里写死的授权价都可能已经过时。你要做的不是找一个"权威报价"，而是让服务商在报价阶段把硬件租金和授权费拆开报，自己算人均成本的临界点——切得越细，授权总额越高，到某个份数之后整卡反而更便宜。
云桌面是唯一一个网络直接决定体验的 GPU 场景，训练慢一点用户没感觉，鼠标点了半秒才响应他立刻就骂人。经验上，办公类云桌面通常希望把端到端时延控制在几十毫秒量级（比如 30–50 ms 这一档）以内，设计类工位更敏感。这个数字取决于你的办公地点到机房的物理距离和链路质量，不要拿别人的测速数据当自己的承诺，从实际办公网络打一次才算数。线路上看有没有 BGP 多线、回国链路有没有 CN2 GIA 这类优化，节点离用户越近越好。
能做，但我不推荐。两个硬伤：一是并发编码会话数在消费级卡上一向是有限制的（具体数量随驱动版本变化，以 NVIDIA 官方说明为准），你按显存算能切 8 份，实际第 5 个就上不去了；二是消费级卡没有面向虚拟化场景的设计，驱动和授权路径都不顺。真要控制成本，宁可选 A16、T4 这类面向 vGPU 场景的卡，或者用 RTX 3090（24G，¥1750/月，以官网实时价为准）走时间片共享给内部小团队用——但那是"共用"，不是"隔离"，别对外卖。
教学场景的三个特点决定了它可以切得比较激进：负载同质（大家跑一样的作业）、可预期（什么时候用、用多久你知道）、崩了代价低（OOM 了重开一个实例就行）。所以我推荐硬件级切分往份数上限靠，甚至可以轻微超分。关键配套是实例模板 + 快速重建——一节课的时间全花在处理环境问题上，那是最失败的教学实训。另外记得配快照和快速回滚，一万个学生里总有人把环境搞坏。
三个信号，撞上一个就该重新算账。一是单用户显存占用接近单卡显存的一半以上，切两份都很勉强，不如一人一张入门卡；二是负载持续满载（渲染农场、批量训练、高并发在线推理），切分只会让所有人一起变慢，因为算力是时间片共享的；三是算上授权费和运维复杂度之后人均成本降不下来——这条最常见也最隐蔽，因为授权费经常混在总价里。还有一种隐性不划算：你团队没人能维护虚拟化层，那多花点钱买整卡独占的省心，是理性的。
切分这事，说白了就是把一张卡的能力按人头摊薄，能摊多少取决于每个人的实际占用，而不是卡的参数表。我看到的大部分翻车案例，问题都不在技术上——技术上三条路线都很成熟——问题在于选型顺序反了：先看到某个切片的低价，再倒推业务去适配那个份数，最后发现显存不够、编码会话不够、授权费超预算。
正确的顺序就三步：先定隔离级别（租户认不认识、服务在不在），再定每份显存（按峰值加余量），最后才比价格。按这个顺序走，切分能给你省下真实的钱；反过来走，省下的那点钱一定会以别的形式还回去，通常是事故和客户流失。
真要给个一句话建议的话：内部共用走时间片，云桌面走软件级 vGPU，对外多租户走硬件级切分。剩下的，把授权费拆出来算一遍再签字。
本文涉及的一万网络 GPU 相关价格与服务口径，参考自一万网络官网（https://www.idc10000.net/）公开页面，包括 GPU 服务器租用、算力云与 GPU 定制相关栏目；硬件切分规格以 NVIDIA 官方公开文档为准（MIG 支持的实例规格、并发编码会话数限制等，以官方最新说明与实测为准）；vGPU 软件授权模式与计费口径以厂商最新授权政策为准，文中不作具体报价。
文中标注「预估」「经验区间」「量级」的数据均为工程经验参考，非官方承诺，亦非实验室实测报告；涉及时延、带宽的部分为设计目标与量级参考，不代表实际测速结果。
具体以签约时最新报价与合同为准。
Copyright © 2013-2020 idc10000.net. All Rights Reserved. 一万网络 科技有限公司 版权所有 深圳市科技有限公司 粤ICP备07026347号
本网站的域名注册业务代理北京新网数码信息技术有限公司的产品
