کدام پلتفرم ابر GPU با نیاز شما جور است؟
درخواست دمو«باید برای مصرف واقعی مشتری صورتحساب درست صادر کنم — همین ماه، نه سال آینده.»
بیشتر لایه‌های کنترل در حد اندازه‌گیری مصرف متوقف می‌شوند. رکورد مصرف یا یک CSV تحویل می‌گیرید و بعد باید خودتان نرخ‌گذاری، مالیات، اعتبار برگشتی، پیگیری بدهی و درگاه پرداخت بسازید.
چه هزینه‌ای برای شما دارددو تا سه فصل مصرف GPU می‌گذرد تا اولین صورتحساب درست از سازمان بیرون برود.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
Rafay
APIهای واقعی اندازه‌گیری مصرف به‌همراه ابزاری که خروجی CSV آمادهٔ صورتحساب می‌دهد.
کجا متوقف می‌شود: صدور صورتحساب صراحتاً خارج از دامنهٔ کارشان است — وبلاگ مهندسی خودشان این را گفته است.
منابعrafay.co/the-kubernetes-current/gpu-cloud-billing-from-usage-metering-to-billingبررسی‌شده در 2026-08-23 - #2پوشش نمی‌دهد
NVIDIA (Run:ai / BCM)
زمان‌بندی و مدیریت کلاستر.
کجا متوقف می‌شود: به ازای هر سرور به شما لایسنس می‌فروشد. هیچ سازوکار صورتحساب برای مستأجر ندارد.
www.nvidia.comwww.nvidia.com/en-us/software/run-aiwww.nvidia.com/en-us/data-center/base-command/managerمنابعdocs.nvidia.com/ai-enterprise/latest/product-support-matrix/index.htmlبررسی‌شده در 2026-08-23 - #3پوشش نمی‌دهد
Canonical
MAAS و Juju و Charmed Kubernetes همراه با اشتراک پشتیبانی.
کجا متوقف می‌شود: صورتحساب مشتری درون محصول وجود ندارد؛ این کار به شما یا یک شریک واگذار می‌شود.
منابعubuntu.com/kubernetes/charmed-k8sبررسی‌شده در 2026-08-23 - #4پوشش نمی‌دهد
Platform9
ابر خصوصی و Kubernetes مدیریت‌شده با اشتراک پشتیبانی.
کجا متوقف می‌شود: بدون صورتحساب مستأجر؛ درآمدزایی به پشتهٔ مالی خودتان سپرده می‌شود.
منابعplatform9.comبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
Cast AI · Exostellar
شفافیت و بهینه‌سازی هزینه.
کجا متوقف می‌شود: هزینه را نشان می‌دهد اما هرگز صورتحساب صادر نمی‌کند — و در همین حال به ازای هر CPU از شما هزینه می‌گیرد.
- #6نسبی
OpenNebula
قابلیت Showback داخلی: گزارش هزینهٔ ماهانه به تفکیک ماشین مجازی و گروه، با نرخ‌های قابل تنظیم برای CPU/حافظه/دیسک و خروجی برای سامانهٔ صورتحساب.
کجا متوقف می‌شود: Showback یک گزارش هزینه است نه صورتحساب — مستندات خودشان می‌گوید باید با سامانه‌های chargeback و billing یکپارچه شود. موتور نرخ‌گذاری، مالیات، اعتبار برگشتی و درگاه پرداخت ندارد.
منابعdocs.opennebula.io/7.4/product/cloud_system_administration/multitenancy/showbackبررسی‌شده در 2026-08-23 - #7پوشش نمی‌دهد
k0rdent
تأمین کلاسترهای چندمستأجری با اندازه‌گیری مصرف GPU در بستهٔ k0rdent AI Starter Pack — «تأمین، مدیریت و اندازه‌گیری منابع GPU».
کجا متوقف می‌شود: فقط اندازه‌گیری. صورتحساب مشتری، فهرست قیمت و زنجیرهٔ مارک‌آپ وجود ندارد؛ درآمدزایی به پشتهٔ مالی خودتان واگذار می‌شود.
منابعwww.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23www.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #8تطابق کامل
Cognition-AIما
بهای تمام‌شده ← حاشیهٔ سود ← قیمت واحد ← مارک‌آپ شبکهٔ فروش، در همان محصولی که منابع را تأمین می‌کند.
کجا متوقف می‌شود: از روز اول قابل صورتحساب کردن؛ بدون پروژهٔ یکپارچه‌سازی. محصولی جوان‌تر از بازیگران قدیمی آمریکایی.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«شرکای من باید ابر مرا با برند و قیمت خودشان بفروشند، بدون آنکه حاشیهٔ سود من از بین برود.»
«وایت‌لیبل» در این بازار معمولاً یعنی لوگو و رنگ و دامنه. به‌ندرت به معنای رابطهٔ قیمتی والد ← فرزند است که پلتفرم واقعاً آن را اعمال کند.
چه هزینه‌ای برای شما داردقیمت‌گذاری قراردادهای شرکا در اکسل انجام می‌شود، پس اپراتور تعداد شرکا را تا حدی که مالی بتواند دستی تطبیق دهد محدود می‌کند.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1پوشش نمی‌دهد
OpenNebula · k0rdent
گروه‌ها، VDCها و کلاسترهای چندمستأجری که می‌توانید برندگذاری و به شریک واگذار کنید.
کجا متوقف می‌شود: مستأجری فقط مرز جداسازی است، نه مرز تجاری. هیچ‌کدام فهرست قیمت والد ← فرزند ندارند، پس مارک‌آپ نماینده بیرون از پلتفرم تسویه می‌شود.
منابعopennebula.ioبررسی‌شده در 2026-08-23www.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23 - #2نسبی
Rafay
وایت‌لیبل OEM: برند، رنگ، دامنه و زبان مستأجر. سه سطح: سازمان ← تیم ← کاربر.
کجا متوقف می‌شود: زنجیرهٔ مارک‌آپ والد ← فرزند ندارد، پس حاشیهٔ سود نماینده بیرون از پلتفرم می‌ماند.
- #3پوشش نمی‌دهد
NVIDIA
لایسنس به ازای هر سرور.
کجا متوقف می‌شود: مدل لایسنس اصلاً فروش مجدد با حاشیهٔ سود شما را در نظر نگرفته است.
منابعdocs.nvidia.com/ai-enterprise/latest/product-support-matrix/index.htmlبررسی‌شده در 2026-08-23 - #4پوشش نمی‌دهد
Core42
ابری حاکمیتی که می‌توانید ظرفیتش را بفروشید.
کجا متوقف می‌شود: صورتحساب آن‌ها رو به مشتریان خودشان است. شما در کانال آن‌ها هستید، نه صاحب کانال خودتان.
منابعcore42.aiبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #5تطابق کامل
Cognition-AIما
شش سطح مستأجری — سوپرادمین ← مالی ← زیرسازمان ← سازمان ← پروژه ← کاربر — با قیمت‌گذاری در هر سطح.
کجا متوقف می‌شود: باید واقعاً فهرست قیمت کانال خود را تعریف کنید؛ پلتفرم آن را از خودش نمی‌سازد.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«من ۸ تا ۱۲۸ کارت گرافیک دارم، نه ۸۰۰۰ تا. یک ابر چندمستأجری واقعی در اندازهٔ خودم می‌خواهم، بدون فرض‌های هایپراسکیلری.»
لایه‌های کنترل سازمانی از نظر قیمت، نیروی انسانی و دامنه برای ناوگان‌های بزرگ طراحی شده‌اند. زیر یک اندازهٔ مشخص، هزینهٔ لایسنس و تیم پلتفرم از درآمد GPUها بیشتر می‌شود.
چه هزینه‌ای برای شما داردناوگان‌های کوچک به سمت OpenStack دست‌ساز رانده می‌شوند — یا کلاً از بازار بیرون.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
OpenNebula
واقعاً سبک است: یک نود کنترل می‌تواند یک مجموعهٔ کوچک را اداره کند و کل پلتفرم با لایسنس Apache و بدون هزینه به ازای GPU عرضه می‌شود.
کجا متوقف می‌شود: لایسنس ارزان، اما نیروی انسانی گران. اشتراک‌های Enterprise/AI Factory پشتیبانی اضافه می‌کنند، ولی لایهٔ تجاری رو به مستأجر را خودتان می‌سازید و ارائهٔ خدمات اروپا‌محور است.
- #2نسبی
k0rdent
بستهٔ k0rdent AI Starter Pack صراحتاً «ابر GPU در یک جعبه» برای اپراتورهای تازه‌کار است و تا ۱۴۴ کارت Hopper/Blackwell را پشتیبانی می‌کند.
کجا متوقف می‌شود: برای ناوگان‌های Hopper/Blackwell انویدیا طراحی شده و با اشتراک و خدمات سازمانی فروخته می‌شود؛ زیر یک رک، هزینهٔ پلتفرم و پشتیبانی بر درآمد GPU غلبه می‌کند.
منابعwww.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23 - #3نسبی
Rafay
از نظر فنی در هر مقیاسی کار می‌کند؛ به سازمان‌ها و نئوکلادها فروخته می‌شود.
کجا متوقف می‌شود: کاربران به هزینهٔ بالای لایسنس و منحنی یادگیری اشاره می‌کنند — هر دو بیشترین فشار را بر ناوگان کوچک می‌آورند.
منابعwww.peerspot.com/products/rafay-reviewsبررسی‌شده در 2026-08-23 - #4پوشش نمی‌دهد
NVIDIA AI Enterprise
یک پشتهٔ کامل هوش مصنوعی روی سیستم‌های گواهی‌شده.
کجا متوقف می‌شود: ۲٬۵۰۰ تا ۵٬۰۰۰ دلار به ازای هر GPU در سال؛ در مقیاس کوچک هم همین نسبت می‌ماند و هرگز ارزان نمی‌شود.
منابعblog.spheron.networkبررسی‌شده در 2026-08-23www.nvidia.com/en-us/data-center/products/ai-enterpriseبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
HUMAIN · Core42 · Khazna
ظرفیت حاکمیتی در مقیاس هایپراسکیل.
کجا متوقف می‌شود: آن‌ها خودشان اپراتورند. چند رکِ متعلق به شما اصلاً کسب‌وکارشان نیست.
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
طراحی‌شده برای یک‌چهارم رک تا چند رک: نصب، اندازه‌گیری و صورتحساب در همین مقیاس.
کجا متوقف می‌شود: برای پروژه‌های ملی ۱۰۰٬۰۰۰ کارتی رقابت نمی‌کنیم.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«می‌خواهم هر شتاب‌دهنده‌ای که چرخهٔ خرید و مناقصه‌ام اجازه می‌دهد بخرم — و دور بعد آن را عوض کنم.»
ارکستراسیون سازنده فقط سخت‌افزار خودش را مدیریت می‌کند و لایسنس به ازای هر سرور گواهی‌شده شمرده می‌شود. بندهای بی‌طرفی سخت‌افزاری در مناقصه‌های دولتی همان‌جا رد می‌شوند.
چه هزینه‌ای برای شما دارد۳۲۰ تا ۶۴۰ هزار دلار در سال روی ناوگان ۱۲۸ کارتی، با ارز و لایسنسی که در کنترل شما نیست.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1تطابق کامل
OpenNebula
روی x86 و ARM معمولی، KVM/LXC/Firecracker اجرا می‌شود، با PCI passthrough انویدیا به‌علاوهٔ vGPU و پارتیشن‌بندی MIG.
کجا متوقف می‌شود: مستندات GPU انویدیا‌محور است؛ AMD و شتاب‌دهنده‌های دیگر فقط به‌صورت PCI passthrough عمومی کار می‌کنند و داستان پارتیشن‌بندی ندارند.
منابعdocs.opennebula.io/7.4/product/cluster_configuration/hosts_and_clusters/vgpuبررسی‌شده در 2026-08-23opennebula.ioبررسی‌شده در 2026-08-23 - #2نسبی
k0rdent
قالب‌های کلاستر مستقل از زیرساخت روی ابر عمومی، بر روی سخت‌افزار فیزیکی و لبه.
کجا متوقف می‌شود: بسته‌بندی AI/GPU حول Hopper و Blackwell انویدیا ساخته شده؛ سخت‌افزار غیرانویدیا بخشی از مسیر محصول‌شده نیست.
منابعwww.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23www.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23 - #3تطابق کامل
Rafay · Exostellar
ارکستراسیون GPU و Kubernetes به‌واقع مستقل از سازنده.
کجا متوقف می‌شود: نسبت به سخت‌افزار بی‌طرف‌اند — اما IaaS، ذخیره‌سازی و صورتحساب را به شما واگذار می‌کنند.
- #4تطابق کامل
Canonical
پشته‌های متن‌باز که روی سخت‌افزار معمولی اجرا می‌شوند.
کجا متوقف می‌شود: هیچ لایهٔ تجاری روی آن وجود ندارد.
منابعubuntu.com/kubernetes/charmed-k8sبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
NVIDIA AI Enterprise / Base Command
عمیق‌ترین مجموعه امکانات انویدیا.
کجا متوقف می‌شود: فقط سیستم‌های گواهی‌شدهٔ انویدیا. AMD، اینتل و شتاب‌دهنده‌های دیگر اصلاً پوشش داده نمی‌شوند.
منابعwww.nvidia.com/en-us/data-center/products/ai-enterpriseبررسی‌شده در 2026-08-23docs.nvidia.com/ai-enterprise/latest/product-support-matrix/index.htmlبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
از نظر معماری مستقل از سخت‌افزار؛ برش GPU با آگاهی از MIG روی مؤلفه‌های متن‌باز.
کجا متوقف می‌شود: قرارداد پشتیبانی سخت‌افزار را همچنان خودتان می‌خرید.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«لایهٔ کنترل باید روی سخت‌افزار من، در حوزهٔ قضایی من اجرا شود و کسی که مسئله را بالا می‌برد در منطقهٔ زمانی من باشد.»
SaaS خارجی در یک دیتاسنتر محلی آزمون مکان را قبول می‌شود و آزمون حوزهٔ قضایی را رد. ارجاع مسئله در فاصلهٔ ۹ منطقهٔ زمانی یعنی ۱۰ تا ۱۴ ساعت رفت‌وبرگشت روی یک حادثهٔ درجه‌یک.
چه هزینه‌ای برای شما داردبارهای کاری طبقه‌بندی‌شده، دفاعی و وزارتی — پرحاشیه‌سودترین لایهٔ بازار منطقه.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1تطابق کامل
Core42
سطوح ایزوله / محدود / متصل، پرسنل محلی تأییدصلاحیت‌شده و ۱۶ دیتاسنتر در امارات پشت آن.
کجا متوقف می‌شود: بهترین گزینه اگر می‌خواهید حاکمیت را اجاره کنید. مستأجر آن‌ها می‌شوید، با اقتصاد آن‌ها.
- #2نسبی
Rafay via Moro Hub
حضور واقعی در امارات از طریق مشارکت اکتبر ۲۰۲۵ با Digital DEWA.
کجا متوقف می‌شود: نرم‌افزار و نقشهٔ راه و ارجاع مسئله همه در سانی‌ویل. حاکمیتی کانالی، نه واقعی.
- #3نسبی
OpenNebula
کاملاً متن‌باز با لایسنس Apache 2.0، قابل نصب در حالت ایزوله، با شرکتی مستقر در مادرید — روایتی قوی از حاکمیت دیجیتال اروپایی بدون وابستگی به SaaS آمریکایی.
کجا متوقف می‌شود: حاکمیت اروپایی است. تیم مهندسی مستقر در منطقهٔ خاورمیانه، تیم نصب محلی و عملیات به زبان محلی ندارد و ساعات پشتیبانی بر اساس وقت اداری اروپاست.
- #4نسبی
k0rdent
هستهٔ متن‌باز، قابل استقرار درون‌سازمانی و در لبه برای ساخت کارخانه‌های هوش مصنوعی حاکمیتی.
کجا متوقف می‌شود: شرکتی با دفتر مرکزی در آمریکا که اکنون در حال تملک توسط IREN است — پرسشی دربارهٔ مالکیت و نقشهٔ راه که به ارث می‌برید، با ارجاع مسئله بیرون از منطقهٔ زمانی شما.
منابعwww.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23www.mirantis.com/company/press-centerبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
Cast AI
بهینه‌سازی SaaS با جهت‌گیری ابر عمومی.
کجا متوقف می‌شود: برای یک مجموعهٔ ایزوله اساساً شکل درستی ندارد.
منابعcast.aiبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
درون‌سازمانی، آمادهٔ حالت ایزوله (air-gap)، تیم مهندسی مستقر در منطقه، نصب توسط همان تیم سازنده.
کجا متوقف می‌شود: درون‌سازمانی یعنی چرخهٔ عمر سخت‌افزار بر عهدهٔ خودتان است.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«یک پلتفرم، یک مدل هویت، یک خط اندازه‌گیری مصرف، یک SLA — نه یک CMP به‌علاوهٔ یک ارکستریتور GPU.»
معماری رایج، Run:ai یا Rafay را روی VMware، OpenShift یا Huawei Cloud Stack سوار می‌کند. دو لایهٔ کنترل، دو تقویم ارتقا، دو قرارداد پشتیبانی.
چه هزینه‌ای برای شما داردلایسنس تکراری، تیم عملیات دوم و ساعت‌ها توپ‌اندازی بین سازندگان، داخل SLAیی که با دقیقه سنجیده می‌شود.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
Canonical
Charmed OpenStack + Kubernetes + Ceph از طریق Juju — نزدیک‌ترین تطابق معماری.
کجا متوقف می‌شود: چارم و پشتیبانی می‌فروشد. تیم شما تبدیل به تیم پلتفرم می‌شود.
منابعubuntu.com/kubernetes/charmed-k8sبررسی‌شده در 2026-08-23canonical.com/cephبررسی‌شده در 2026-08-23 - #2پوشش نمی‌دهد
Rafay · Run:ai
زمان‌بندی عالی GPU و Kubernetes.
کجا متوقف می‌شود: بدون IaaS، بدون سرویس بر روی سخت‌افزار فیزیکی، بدون ذخیره‌سازی. یک لایه است، نه یک پلتفرم.
- #3نسبی
OpenNebula
ماشین مجازی، کانتینر، تأمین سخت‌افزار فیزیکی، ذخیره‌سازی و لبه زیر یک لایهٔ کنترل و یک مدل هویت — از نظر معماری نزدیک‌ترین معادل اروپایی.
کجا متوقف می‌شود: Kubernetes به‌صورت افزونهٔ اپلاینس (OneKE / Rancher Prime) می‌آید و صورتحساب مستأجر وجود ندارد — Showback در حد شفافیت هزینه متوقف می‌شود.
منابعopennebula.ioبررسی‌شده در 2026-08-23docs.opennebula.io/7.4/product/cloud_system_administration/multitenancy/showbackبررسی‌شده در 2026-08-23opennebula.io/subscriptionsبررسی‌شده در 2026-08-23 - #4نسبی
Mirantis (MKE · OpenStack)
OpenStack روی Kubernetes و MKE از یک سازنده: کانتینر، بار کاری هوش مصنوعی و ماشین مجازی با کاتالوگ سرویس، GitOps و یکپارچگی با Run:ai روی ابر، لبه و سخت‌افزار فیزیکی.
کجا متوقف می‌شود: همه‌چیز Kubernetes-محور است — ماشین‌های مجازی به‌جای IaaS درجه‌یک، به‌عنوان یک بار کاری روی K8s اجرا می‌شوند — و صورتحساب مستأجر یا تیم نصب منطقه‌ای ندارد.
منابعwww.mirantis.comبررسی‌شده در 2026-08-23 - #5نسبی
k0rdent
پلتفرم متن‌باز چندکلاستری Kubernetes و هوش مصنوعی با تأمین GPU، اندازه‌گیری مصرف و کاتالوگ سرویس.
کجا متوقف می‌شود: فقط Kubernetes: بدون لایهٔ IaaS درجه‌یک برای ماشین مجازی یا سخت‌افزار فیزیکی، بدون صورتحساب مستأجر و بدون تیم نصب یا پشتیبانی محلی.
منابعwww.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23k0rdent.ioبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
IaaS، Kubernetes، ذخیره‌سازی و GPU از یک لایهٔ کنترل، یک SLA و یک تیم.
کجا متوقف می‌شود: اجرای فازبندی‌شده: IaaS ← کانتینر ← GPU-PaaS.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«اولین مستأجر قابل صورتحساب در همین فصل. سخت‌افزار از روزی که رسید شروع به از دست دادن ارزش کرد.»
کاربران Run:ai از «پیکربندی و راه‌اندازی بسیار پیچیده برای اجرای کارهای ساده» گزارش می‌دهند. اپراتورهای OpenStack ارتقاها را اصلی‌ترین درد خود می‌دانند. خریداران Platform9 از پیاده‌سازی طولانی می‌گویند.
چه هزینه‌ای برای شما داردهر ماه یکپارچه‌سازی یعنی استهلاک و برق و سرمایش، در برابر درآمد صفر.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
k0rdent
بستهٔ AI Starter Pack دقیقاً بر همین وعده فروخته می‌شود: عملیاتی‌کردن GPUها همان روزی که سخت‌افزار می‌رسد، با جداسازی مستأجر و برش GPU از پیش یکپارچه‌شده.
کجا متوقف می‌شود: سریع در زمان‌بندی، نه در صورتحساب — اندازه‌گیری مصرف ارائه می‌شود اما صورتحساب نه، پس اولین مستأجر و اولین صورتحساب درست دو تاریخ متفاوت‌اند.
منابعwww.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23 - #2نسبی
OpenNebula
ردپای کوچک و نصب واقعاً سریع برای اولین کلاستر.
کجا متوقف می‌شود: نصب روز اول سریع است؛ اما لایهٔ تجاری، سیاست پارتیشن‌بندی GPU و یکپارچه‌سازی اپلاینس Kubernetes همچنان پروژهٔ شماست.
منابعopennebula.ioبررسی‌شده در 2026-08-23 - #3نسبی
Platform9
ابر خصوصی مدیریت‌شده که رفتارهای آشنای VMware مثل HA و DRS را شبیه‌سازی می‌کند.
کجا متوقف می‌شود: خریداران می‌گویند پیاده‌سازی زمان‌بر است و یکپارچه‌سازی‌ها نگهداری مداوم می‌خواهند.
- #4نسبی
Rafay
تحویل سلف‌سرویس محیط‌های GPU، از جمله بسته‌بندی Run:ai برای مصرف.
کجا متوقف می‌شود: سریع در زمان‌بندی، کند در درآمدزایی — پروژهٔ صورتحساب همچنان بعداً می‌آید.
منابعrafay.coبررسی‌شده در 2026-08-23rafay.co/the-kubernetes-current/gpu-cloud-billing-from-usage-metering-to-billingبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
Raw OpenStack · Run:ai DIY
حداکثر کنترل، بدون هزینهٔ لایسنس.
کجا متوقف می‌شود: پیچیدگی و بار ارتقا، دلیل مستند عقب افتادن پروژه‌ها فراتر از یک فصل است.
منابعwww.g2.com/products/run-ai/reviewsبررسی‌شده در 2026-08-23www.openstack.org/blogبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
نصب با دامنهٔ مشخص توسط مهندسان خودِ سازنده، با پیکربندی صورتحساب به‌عنوان بخشی از راه‌اندازی.
کجا متوقف می‌شود: ظرفیت استقرار منطقه‌ای است — ابتدا خاورمیانه.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«این جعبه‌های DGX را به‌عنوان یک شرکت خریدیم، اما بیست بخش و صد پروژه هستیم. به هرکدام سهم خودش را بدهید — و عددی که مالی بتواند بابتش تسویهٔ داخلی کند.»
کلاسترهای خرید مستقیم به‌شکل یک استخر تخت می‌رسند. تخصیص می‌گوید کلاستر پر است در حالی که DCGM می‌گوید GPUها روی ۱۵٪ کار می‌کنند؛ پرصداترین تیم صف را می‌برد و تیم پلتفرم کل صورتحساب را می‌بلعد. گزارش ۲۰۲۶ شرکت Cast AI میانگین بهره‌وری GPU در Kubernetes را حدود ۵٪ اعلام می‌کند و بیش از ۸۰٪ سازمان‌های نظرسنجی‌شده توسط VentureBeat می‌گویند GPUهایشان زیر نیمی از ظرفیت کار می‌کنند.
چه هزینه‌ای برای شما داردیک H100 بیکار تقریباً معادل ۸٬۸۵۰ دلار ظرفیت در ماه است که هیچ‌کس بابتش هزینه نمی‌دهد — و هیچ بخشی دلیلی برای آزاد کردنش ندارد.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
NVIDIA (Run:ai / BCM)
در نیمهٔ زمان‌بندی واقعاً قوی است: پروژه‌ها، دپارتمان‌ها، سهمیهٔ منصفانه، تخصیص تضمین‌شده و مازاد GPU، MIG و GPU کسری روی سیستم‌های گواهی‌شدهٔ انویدیا.
کجا متوقف می‌شود: سهمیه حسابداری نیست. فهرست قیمت داخلی، صورتحساب هر بخش و مدل هزینه‌ای که مالی بتواند تطبیق دهد وجود ندارد — و فقط سخت‌افزار گواهی‌شدهٔ انویدیا را اداره می‌کند.
www.nvidia.comwww.nvidia.com/en-us/software/run-aiwww.nvidia.com/en-us/data-center/base-command/managerمنابعwww.nvidia.com/en-us/software/run-aiبررسی‌شده در 2026-08-23www.nvidia.com/en-us/data-center/base-command/managerبررسی‌شده در 2026-08-23www.nvidia.com/en-us/data-center/products/ai-enterpriseبررسی‌شده در 2026-08-23 - #2نسبی
Cast AI · Saturn Cloud · ابزارهای FinOps
انتساب هزینه بر پایهٔ DCGM به تفکیک پاد و فضای‌نام، تشخیص بیکاری و بازپس‌گیری GPUهایی که نوت‌بوک‌های خاموش نگه داشته‌اند — دید خوبی از اینکه چه کسی چه چیزی را هدر می‌دهد.
کجا متوقف می‌شود: روی کلاستری گزارش می‌دهد که کس دیگری آن را تأمین کرده. انتساب هزینه صورتحساب تسویهٔ داخلی نیست و این ابزارها مالک تخصیص، مرز مستأجری یا صورتحساب نیستند.
منابعcast.ai/blog/gpu-cost-monitoring-kubernetesبررسی‌شده در 2026-08-23saturncloud.io/services/gpu-cost-and-chargebackبررسی‌شده در 2026-08-23cast.ai/reports/kubernetes-optimization-reportبررسی‌شده در 2026-08-23 - #3نسبی
OpenNebula
گروه‌های کاربری و VDC بومی، به‌علاوهٔ Showback: گزارش هزینهٔ ماهانه به تفکیک ماشین مجازی و گروه با نرخ‌های قابل تنظیم.
کجا متوقف می‌شود: Showback یک گزارش است نه موتور تسویهٔ داخلی — مستندات خودشان از یکپارچگی با سامانهٔ صورتحساب می‌گوید. نرخ‌گذاری ساعت GPU و برش MIG مدل نشده است.
منابعdocs.opennebula.io/7.4/product/cloud_system_administration/multitenancy/showbackبررسی‌شده در 2026-08-23docs.opennebula.io/7.4/product/cluster_configuration/hosts_and_clusters/vgpuبررسی‌شده در 2026-08-23 - #4نسبی
Rafay · k0rdent
محیط‌های چندمستأجری و فضای‌نام به ازای هر تیم، با اندازه‌گیری مصرف در پشت آن.
کجا متوقف می‌شود: اندازه‌گیری در حد یک CSV متوقف می‌شود. تبدیل آن CSV به تسویهٔ داخلی قابل دفاع بین بیست مرکز هزینه، پروژهٔ شماست.
منابعrafay.co/the-kubernetes-current/gpu-cloud-billing-from-usage-metering-to-billingبررسی‌شده در 2026-08-23www.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
اکسل و حسن‌نیت
چیزی که بیشتر کلاسترهای خرید مستقیم امروز واقعاً روی آن اداره می‌شوند.
کجا متوقف می‌شود: وقتی زمان کمیاب GPU رایگان به نظر برسد، تقاضا سریع‌تر از حاکمیت رشد می‌کند — این الگوی شکست استاندارد پلتفرم‌های اشتراکی درون‌سازمانی هوش مصنوعی است.
منابعsysart.consulting/insights/gpu-chargeback-quotas-on-prem-ai-platformsبررسی‌شده در 2026-08-23sysart.consulting/insights/qos-fairness-shared-gpu-inference-on-premisesبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #6تطابق کامل
Cognition-AIما
بخش‌ها، پروژه‌ها و شرکت‌های تابعه به‌عنوان مستأجر واقعی با سهمیه، برش MIG/vGPU و فهرست قیمت داخلی — همان موتور نرخ‌گذاری که صورتحساب مشتری بیرونی را می‌سازد، صورتحساب تسویهٔ داخلی هر بخش را هم تولید می‌کند.
کجا متوقف می‌شود: سیاست را باز هم باید خودتان توافق کنید: چه کسی بابت ظرفیت رزروشده اما بیکار پول می‌دهد. کمک می‌کنیم آن را تنظیم کنید، اما نمی‌توانیم به‌جای شما تصمیم بگیریم.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23cloudcostroom.com/blog/how-to-allocate-shared-gpu-cluster-costs-across-teamsبررسی‌شده در 2026-08-23
«می‌خواهم GPUهای خودم را به‌همراه API استنتاج، لایهٔ ذخیره‌سازی یا نرم‌افزار شخص دیگری بفروشم — یک کاتالوگ، یک مارک‌آپ، یک صورتحساب برای شبکهٔ فروشم.»
خریداران در سال ۲۰۲۶ ساعت H100 را مقایسه نمی‌کنند؛ توکن، تأخیر و امکانات پلتفرم را مقایسه می‌کنند. به اپراتورها گفته می‌شود در زنجیرهٔ ارزش بالا بروند — اما لایه‌های کنترلی که اجرا می‌کنند فقط بلدند منابع خودشان را تأمین کنند. هر چیزی که شریک عرضه کند بیرون از سامانه می‌ماند، پس در اکسل قیمت می‌خورد و جداگانه صورتحساب می‌شود.
چه هزینه‌ای برای شما داردهر سرویس شریکی که نتوانید نرخ‌گذاری و مارک‌آپ کنید، حاشیهٔ سودی است که نزد شریک می‌ماند نه در سود و زیان شما.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
hosted.ai
پشتهٔ آمادهٔ نئوکلاد با افزونه‌های قابل سفارشی‌سازی، رابط وایت‌لیبل، صورتحساب خودکار و تأمین سلف‌سرویس روی سخت‌افزار فیزیکی، ماشین مجازی و Kubernetes.
کجا متوقف می‌شود: مدل افزونه حول سرویس‌های خودشان ساخته شده؛ یک پشتهٔ درآمدزایی برای زیرساخت شماست نه بازارگاهی باز از تأمین‌کنندگان بیرونی که آن‌ها را نرخ‌گذاری و بازفروش کنید.
منابعhosted.ai/platformبررسی‌شده در 2026-08-23 - #2نسبی
ARK Labs · Saturn Cloud
اپراتور را در زنجیرهٔ ارزش بالا می‌برد: استنتاج چندمستأجری مدیریت‌شده، نقاط پایانی توکن و پرتال مشتری روی یک ناوگان ترکیبی.
کجا متوقف می‌شود: یک لایه است که به ازای هر GPU فروخته می‌شود. یک محصول به کاتالوگ شما اضافه می‌کند — اما خودِ کاتالوگ نمی‌شود و سرویس شرکا یا زنجیرهٔ قیمت نمایندگان شما را حمل نمی‌کند.
منابعark-labs.cloud/solutions/for-neocloudsبررسی‌شده در 2026-08-23saturncloud.io/docs/operatorsبررسی‌شده در 2026-08-23 - #3نسبی
Rafay
یک کاتالوگ سرویس واقعی: محیط‌های سلف‌سرویس و نرم‌افزار شخص ثالث بسته‌بندی‌شده (از جمله Run:ai) برای مستأجران، به‌علاوهٔ AI Token Factory برای نقاط پایانی استنتاج.
کجا متوقف می‌شود: کاتالوگ نرم‌افزار را تحویل می‌دهد اما قیمت‌گذاری نمی‌کند. مبنای هزینه، زنجیرهٔ مارک‌آپ و صورتحساب ندارد — درآمدزایی به سامانهٔ مالی خودتان واگذار می‌شود.
منابعrafay.coبررسی‌شده در 2026-08-23rafay.co/platform/ai-token-factoryبررسی‌شده در 2026-08-23rafay.co/the-kubernetes-current/gpu-cloud-billing-from-usage-metering-to-billingبررسی‌شده در 2026-08-23 - #4پوشش نمی‌دهد
NVIDIA stack
کاتالوگ عمیق محصولات خودشان — NIM، NeMo، AI Enterprise — روی سیستم‌های گواهی‌شدهٔ انویدیا.
کجا متوقف می‌شود: کاتالوگ آن‌هاست و به ازای هر GPU لایسنس می‌شود. شما فهرست انویدیا را بازفروش می‌کنید، نه کاتالوگ خودتان را با حاشیهٔ سود خودتان.
منابعwww.nvidia.com/en-us/data-center/products/ai-enterpriseبررسی‌شده در 2026-08-23blog.spheron.networkبررسی‌شده در 2026-08-23 - #5پوشش نمی‌دهد
k0rdent
قالب‌های کلاستر و کاتالوگی از سرویس‌ها برای آنچه روی زیرساخت خودتان اجرا می‌شود.
کجا متوقف می‌شود: کاتالوگی فنی بدون لایهٔ تجاری. هیچ‌چیز سرویس یک شریک را نرخ‌گذاری نمی‌کند، مارک‌آپ نمی‌زند و قیمت شبکهٔ فروش تولید نمی‌کند.
منابعwww.mirantis.com/software/mirantis-k0rdent-enterpriseبررسی‌شده در 2026-08-23 - #6پوشش نمی‌دهد
OpenNebula
بازارگاه اپلاینس برای ایمیج‌های ماشین مجازی و کانتینر روی ابر خودتان.
کجا متوقف می‌شود: ایمیج است، نه پیشنهاد فروش. راه‌اندازی سرویس شخص ثالث، قواعد مارک‌آپ یا فهرست قیمت نمایندگان ندارد.
منابعopennebula.ioبررسی‌شده در 2026-08-23 - #7پوشش نمی‌دهد
Platform9
ابر خصوصی مدیریت‌شده با مجموعه‌ای گزیده از افزونه‌ها روی سخت‌افزار شما.
کجا متوقف می‌شود: افزونه‌ها عملیاتی‌اند، نه تجاری. هیچ‌چیز سرویس یک شریک را به یک SKU نرخ‌گذاری‌شده و مارک‌آپ‌خورده تبدیل نمی‌کند.
منابعplatform9.comبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #8تطابق کامل
Cognition-AIما
سرویس‌های شخص ثالث و شرکا به‌عنوان اقلام کاتالوگ در کنار محاسبات خودتان اضافه می‌شوند: ما آن‌ها را بارگذاری می‌کنیم، مبنای هزینه را تعیین می‌کنیم، حاشیهٔ سود شما و مارک‌آپ شبکهٔ فروش را اعمال می‌کنیم و روی همان صورتحساب ساعت GPU صادر می‌شوند.
کجا متوقف می‌شود: هر تأمین‌کنندهٔ جدید یک فرایند راه‌اندازی است — کانکتورها و قلاب‌های اندازه‌گیری با شما پیکربندی می‌شوند، نه سلف‌سرویس از روز اول.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«من روی این تأسیسات و این سخت‌افزار سرمایه گذاشته‌ام. بگویید پربازده‌ترین شیوهٔ بهره‌برداری چیست — و ماهانه اعداد را نشانم دهید.»
سرمایه پیش از مدل عملیاتی رسید. تأسیسات مثل املاک ارزیابی شد، اما GPUهای درونش مثل نیمه‌هادی مستهلک می‌شوند. مالکان کولوکیشن که به GPUaaS وارد می‌شوند ریسک منسوخ‌شدن فناوری را می‌پذیرند که مدل کسب‌وکارشان هرگز نداشته، و بیشترشان هنوز نمی‌توانند درآمد به ازای GPU، رک یا مگاوات را یک‌جا ببینند.
چه هزینه‌ای برای شما دارددارایی فقط وقتی بازمی‌گردد که به‌صورت سرویس فروخته شود. رک‌هایی که به‌عنوان ظرفیت فروخته‌نشده می‌مانند، استهلاکِ تأمین‌مالی‌شده بدون درآمد جبران‌کننده‌اند.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
شرکت‌های مشاوره و سرمایه
چارچوب‌هایی برای درآمدزایی از ظرفیت راکد، ارزیابی چگالی GPU و ساختاردهی پوشش ارزش باقیمانده روی GPU به‌عنوان یک دارایی قابل تأمین مالی.
کجا متوقف می‌شود: استراتژی و ساختاردهی. در پایان کسی پلتفرم آماده‌ای تحویل شما نمی‌دهد.
منابعankuracapitaladvisors.com/insights/from-cost-center-to-cash-machineبررسی‌شده در 2026-08-23www.globaldatacenterhub.com/p/how-to-underwrite-gpu-density-inبررسی‌شده در 2026-08-23www.datacenterdynamics.com/en/opinions/colos-are-buying-into-gpusبررسی‌شده در 2026-08-23 - #2نسبی
DCIM (Modius و مشابه‌ها)
توان، سرمایش و تله‌متری IT را یکپارچه می‌کند تا نشان دهد ظرفیت راکد کجا پنهان شده و مگاوات‌های بازیافته را به موجودی قابل فروش تبدیل کند.
کجا متوقف می‌شود: فقط حقیقت سمت تأسیسات. هرگز ساعت GPU، مستأجر یا درآمد را نمی‌بیند.
منابعmodius.com/blog/how-colocation-providers-find-and-reclaim-stranded-power-capacityبررسی‌شده در 2026-08-23 - #3نسبی
Rafay
لایهٔ کنترلی بالغ که سخت‌افزار را سریع قابل مصرف می‌کند.
کجا متوقف می‌شود: به پرسش «آیا بار کاری اجرا می‌شود؟» پاسخ می‌دهد، نه «این دارایی چقدر درآمد دارد؟». داشبورد بهره‌وری دارد، نه سود و زیان هر رک.
منابعrafay.coبررسی‌شده در 2026-08-23 - #4نسبی
k0rdent
راه‌اندازی سریع چندکلاستری در سراسر ناوگان.
کجا متوقف می‌شود: تله‌متری کلاستر‌محور. هیچ نمای درآمد، هزینه یا بازگشت سرمایه‌ای گره‌خورده به دارایی فیزیکی ندارد.
منابعwww.mirantis.com/k0rdent-ai-pricingبررسی‌شده در 2026-08-23 - #5نسبی
Platform9
عملیات مدیریت‌شده که مجموعه را بدون تیم پلتفرم بزرگ سرپا نگه می‌دارد.
کجا متوقف می‌شود: SLA عملیاتی، نه اقتصاد دارایی. چیزی بازده هر رک یا هر دلار سرمایه‌گذاری‌شده را گزارش نمی‌کند.
منابعplatform9.comبررسی‌شده در 2026-08-23 - #6نسبی
فروش یا اجارهٔ عمدهٔ ظرفیت
سریع‌ترین مسیر به جریان نقدی قابل پیش‌بینی: واگذاری رک‌ها به یک مستأجر بزرگ یا یک اپراتور.
کجا متوقف می‌شود: بازده را در نرخ عمده‌فروشی سقف می‌گذارید و حاشیهٔ خرده‌فروشی، رابطهٔ مشتری و فرصت رشد را به دیگری می‌دهید.
و جایگاه Clastiq Orchestrator در این نیاز
- #7تطابق کامل
Cognition-AIما
دارایی را به محصولی قابل فروش تبدیل می‌کند: مستأجر، فهرست قیمت، حاشیهٔ سود هر SKU و درآمد به ازای GPU و رک، گزارش‌شده از همان سامانه‌ای که منابع را تأمین می‌کند — پس مدل عملیاتی و گزارش سرمایه‌گذار یک چیزند، نه دو چیز.
کجا متوقف می‌شود: ما پلتفرم و مدل تجاری را می‌دهیم، نه تقاضا را. پر کردن رک‌ها همچنان کار بازاریابی و فروش است.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«توان من ثابت و گران است. از همان مگاوات‌ها خروجی قابل فروش بیشتری می‌خواهم — و بابت هر چیزی که مرا به آنجا برساند پول می‌دهم.»
سقف، توان است نه فضای کف. تحلیل مبتنی بر LBNL می‌گوید ۳۰ تا ۵۰٪ ظرفیت نصب‌شده در تأسیسات آمریکا بلااستفاده است، در حالی که داخل رک‌ها GPUها کسری از توانشان را کار می‌کنند: میانگین حدود ۵٪ در کلاسترهای Kubernetes و ۳۰ تا ۴۰٪ در ناوگان‌های سازمانی معمول. پول وات را در هر حالت می‌دهید؛ فقط GPUهای فروخته‌شده و مشغول بابتش درآمد می‌سازند.
چه هزینه‌ای برای شما دارددو اپراتور روی مگاوات یکسان می‌توانند چندبرابر تفاوت درآمد داشته باشند. تفاوت در زمان‌بندی، برش، بازپس‌گیری و قیمت‌گذاری است — نه سخت‌افزار بیشتر.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1نسبی
NVIDIA (DSX MaxLPS، Dynamo، Run:ai)
مهندسی جدی کارایی به ازای وات: توزیع پویای توان بین رک‌ها، استنتاج تفکیک‌شده برای بازیابی محاسبات راکد زیر محدودیت حرارتی، و زمان‌بندی GPU کسری.
کجا متوقف می‌شود: به سیستم‌های مرجع و سخت‌افزار گواهی‌شدهٔ انویدیا گره خورده و توان عملیاتی را بهینه می‌کند، نه قیمتی که بابتش می‌گیرید. کارایی بدون لایهٔ صورتحساب یعنی صرفه‌جویی هزینه، نه درآمد.
منابعdeveloper.nvidia.com/blog/maximizing-ai-factory-performance-per-watt-with-nvidia-dsx-maxlpsبررسی‌شده در 2026-08-23perspectives.nvidia.com/ai-infrastructure/total-cost-of-ownership/task/faq/recover-stranded-gpu-capacity-thermal-power-constraintsبررسی‌شده در 2026-08-23www.nvidia.com/en-us/software/run-aiبررسی‌شده در 2026-08-23 - #2نسبی
Cast AI · Exostellar · HAMi
بسته‌بندی بهینهٔ بار، مجازی‌سازی GPU و بازپس‌گیری منابع بیکار که بهره‌وری کلاسترهای فعلی شما را به‌شکل قابل اندازه‌گیری بالا می‌برد.
کجا متوقف می‌شود: لایه‌های بهینه‌سازی در محدودهٔ Kubernetes. بهره‌وری را بالا می‌برند و بعد پرسش تجاری — چه کسی بابت ظرفیت بازیافته پول می‌دهد — را به شما برمی‌گردانند.
منابعcast.aiبررسی‌شده در 2026-08-23www.businesswire.comبررسی‌شده در 2026-08-23project-hami.ioبررسی‌شده در 2026-08-23 - #3نسبی
DCIM و ابزارهای سمت توان
توان راکد را در سراسر تأسیسات پیدا می‌کند و مگاوات‌های بازیافته را به درآمد تکرارشونده به ازای مگاوات تبدیل می‌کند.
کجا متوقف می‌شود: در PDU رک متوقف می‌شود. نمی‌بیند GPUهایی که آن توان را می‌کشند درآمدزا هستند یا نه.
منابعmodius.com/blog/how-colocation-providers-find-and-reclaim-stranded-power-capacityبررسی‌شده در 2026-08-23hammerheadco.ai/the-sleeping-giant-tapping-into-the-hidden-power-of-ai-data-centersبررسی‌شده در 2026-08-23 - #4پوشش نمی‌دهد
خرید GPU بیشتر
پاسخ غریزی وقتی ظرفیت کم به نظر می‌رسد.
کجا متوقف می‌شود: در سایتی با محدودیت توان چیزی برای وصل کردن نیست. زیر محدودیت‌های سخت حرارتی و توانی، بازیابی یک مسئلهٔ نرم‌افزاری است — خود انویدیا هم همین را می‌گوید.
و جایگاه Clastiq Orchestrator در این نیاز
- #5تطابق کامل
Cognition-AIما
مستأجران پولی را با برش MIG و vGPU روی همان سخت‌افزار جمع می‌کند، تخصیص‌های بیکار را به موجودی قابل فروش بازمی‌گرداند و هر برش را قیمت‌گذاری می‌کند — پس بهره‌وری بالاتر به‌شکل درآمد صورتحساب‌شده روی همان مصرف برق ظاهر می‌شود، نه صرفاً یک داشبورد سبزتر.
کجا متوقف می‌شود: ما نحوهٔ فروش و اشتراک GPUها را بهینه می‌کنیم. توان تأسیسات، طراحی سرمایش و PUE همچنان مهندسی خودِ دیتاسنتر است.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
«فقط ظرفیت GPU حاکمیتی روی قرارداد می‌خواهم. علاقه‌ای به مالکیت یک پلتفرم ندارم.»
اینجا چیزی خراب نیست — به این خریدار اصلاً نباید پلتفرم ارکستراسیون فروخت.
چه هزینه‌ای برای شما داردخرید پلتفرمی که هرگز آن را اداره نخواهید کرد، گران‌ترین اشتباه این صفحه است.
چه کسانی می‌توانند این نیاز را پاسخ دهند — به ترتیب
- #1تطابق کامل
Core42 · HUMAIN · Ezditek × Gcore
ظرفیت حاکمیتی در مقیاس ملی که اجاره می‌کنید، با پرسنل تأییدصلاحیت‌شده و دیتاسنترهای منطقه‌ای.
کجا متوقف می‌شود: علاوه بر محاسبات، حاشیهٔ سود را هم اجاره می‌کنید.
منابعcore42.aiبررسی‌شده در 2026-08-23humain.aiبررسی‌شده در 2026-08-23ezditek.comبررسی‌شده در 2026-08-23
و جایگاه Clastiq Orchestrator در این نیاز
- #2پوشش نمی‌دهد
Cognition-AIما
پلتفرمی برای اپراتورهایی که مالک سخت‌افزار خودشان‌اند و به مستأجران خود صورتحساب می‌دهند.
کجا متوقف می‌شود: اگر هرگز قصد اجرای زیرساخت ندارید، گزینهٔ درستی نیست. همین را در جلسه صریح می‌گوییم.
منابعcognitiongroup.techبررسی‌شده در 2026-08-23
شش کاری که پلتفرم‌های بزرگ‌تر برای شما انجام نمی‌دهند.
از نظر ارزش بازار و سابقه، چند تأمین‌کننده در این صفحه از ما جلوترند. اما هیچ‌کدام شش کار زیر را انجام نمی‌دهند — نه به این دلیل که نمی‌توانند، بلکه چون مدل کسب‌وکارشان در اندازهٔ شما اجازه نمی‌دهد.
- ۰۱
حاکمیت داده، با متخصص محلی روی زمین
به‌طور پیش‌فرض، Clastiq Orchestrator پلتفرم سازمان‌هایی است که حاکمیت داده اولویت اولشان است. کاملاً درون محدودهٔ شما اجرا می‌شویم؛ بدون لایهٔ کنترل بیرونی، بدون وابستگی تله‌متری و بدون SaaS خارجی که تیم انطباق شما مجبور به تأییدش باشد. و چون مهندسان ما حضور فیزیکی دارند، پشتیبانی انسانی حضوری دریافت می‌کنید که رک، سیاست و نهاد ناظر شما را می‌شناسد.
داده درون سازمان می‌ماند و یک تیم محلی، آنجا که مهم است، کنار سخت‌افزار می‌ایستد.
- ۰۲
نصب کلید‌در‌دست، با تیم حاضر در محل
در منطقه حضور فیزیکی داریم و خودمان نصب می‌کنیم: چیدمان رک، راه‌اندازی MAAS/Juju، Ceph، شبکه، فعال‌سازی GPU و اجرای اولین مستأجر. یک لایسنس و یک PDF و یک کانال چت در منطقهٔ زمانی دیگر تحویل‌تان نمی‌دهیم.
بدون قرارداد با مجری ثالث و بدون پروژهٔ استقرار سه تا شش‌ماههٔ ساعتی‌حساب.
- ۰۳
پشتیبانی انسانی، نه صف تیکت
وقتی مشتری گیر می‌کند، مهندسان ما وارد محیط او می‌شوند، مشکل را بازتولید می‌کنند و حل می‌کنند. پشتیبانی را همان تیمی می‌دهد که محصول را ساخته، نه یک صف پشتیبانی اولیه که از روی دستورالعمل می‌خواند.
چند ساعت توقف به‌جای چند روز — روی سخت‌افزاری که هر ساعت بیکاری‌اش برای شما هزینه دارد.
- ۰۴
سفارشی‌سازی، چون کوچک‌تر از آن نیستید که مهم باشید
ترکیب غیرمعمول شتاب‌دهنده، مدل مستأجری‌ای که هیچ‌کس ندارد، پرتال داخلی برای یکپارچه‌سازی، گزارشی که مدیر مالی‌تان بر آن اصرار دارد — می‌سازیمش. بزرگ‌ترین پلتفرم‌ها آن‌قدر بزرگ‌اند که درخواست یک اپراتور با یک‌چهارم رک یا چند رک برایشان اهمیتی ندارد.
دیگر بابت راه‌حل‌های دور‌زدنی و ابزارهای جانبی حول محصولی که خم نمی‌شود پول نمی‌دهید.
- ۰۵
GPU و CPU در یک پلتفرم
شاید در یک حوزهٔ خاص از یک متخصص عمیق‌تر نباشیم، اما تمام سطحی را که یک اپراتور واقعاً اجرا می‌کند پوشش می‌دهیم: محاسبات GPU و CPU، سخت‌افزار فیزیکی و ماشین مجازی، مستأجر و سهمیه — با یک لایهٔ کنترل.
یک پلتفرم به‌جای دو یا سه لایسنس، دو یا سه تیم و چسبِ میان آن‌ها.
- ۰۶
مهندسی قیمت‌گذاری و سیاست برای سازمان‌های واقعی
بیشتر توان مهندسی ما اینجا صرف شده: فهرست قیمت، مارک‌آپ، سطوح نمایندگی، نرخ تسویهٔ داخلی، گردش‌کار تأیید و قواعد سهمیه و سیاست که با شیوهٔ واقعی حاکمیت سازمان شما منطبق است.
تیم مالی و انطباق از روز اول تأیید می‌کنند، به‌جای آنکه جلوی راه‌اندازی را بگیرند.
چهار نوع تأمین‌کننده. هرکدام بخش متفاوتی را حل می‌کنند.
اگر ترجیح می‌دهید بازار را به‌جای نیاز، بر اساس دسته‌بندی مرور کنید: اینها بازیگران بازارند، آنچه می‌فروشند، و جایی که هر دسته متوقف می‌شود.
ارکستراسیون وابسته به سازندهٔ سخت‌افزار
نرم‌افزاری که فقط تراشه‌های خودِ همان سازنده را مدیریت می‌کند.
چه کسانیNVIDIA Run:ai، Base Command / DGX، AMD ROCm، Intel
کجا متوقف می‌شودفقط سخت‌افزار گواهی‌شده. یا GPU خودشان را می‌خرید یا هیچ.
لایهٔ کنترل GPU / Kubernetes
زمان‌بندی GPU و Kubernetes روی هر سخت‌افزاری؛ فروش به سازمان‌ها و نئوکلادها.
چه کسانیRafay، Mirantis k0rdent، Exostellar، Cast AI، Saturn Cloud، ARK Labs، WhaleFlux، LayerOps
کجا متوقف می‌شودبدون IaaS، بدون ذخیره‌سازی، بدون صورتحساب. یک لایه است، نه یک کسب‌وکار کامل.
پلتفرم ابر خصوصی چندلایه
IaaS + کانتینر + ذخیره‌سازی یکپارچه برای استقرارهای حاکمیتی و خصوصی.
چه کسانیOpenNebula، Mirantis، Canonical، Platform9، hosted.ai، Huawei Cloud Stack، Red Hat
کجا متوقف می‌شودپشتهٔ فنی قوی، اما بدون صورتحساب مشتری‌محور و بدون تیم نصب منطقه‌ای.
اپراتورهای حاکمیتی منطقه‌ای
خودشان ابر را اجرا می‌کنند و شما از آن‌ها اجاره می‌کنید.
چه کسانیCore42 / Khazna، e& OneCloud، Telnyx Dubai، HUMAIN، Ezditek × Gcore
کجا متوقف می‌شودشما مستأجر آن‌ها می‌شوید — نه اپراتورِ حاشیهٔ سود خودتان.
نیازتان را بگویید. صادقانه می‌گوییم که گزینهٔ درست هستیم یا نه.
نود دقیقه با مهندسان ما: طراحی رک شما، ترکیب شتاب‌دهنده‌ها، مدل مستأجری و ساختار حاشیهٔ سودتان — در مقایسه با آنچه امروز به شما پیشنهاد می‌شود.
همهٔ منابع این صفحه.
مستندات سازندگان، اطلاعیه‌های مطبوعاتی، گزارش‌های تحلیلگران و سایت‌های بررسی عمومی، بازیابی‌شده در اوت ۲۰۲۶. قیمت‌ها و جزئیات مشارکت‌ها تغییر می‌کند — پیش از استناد راستی‌آزمایی کنید.
- 01cognitiongroup.techhttps://cognitiongroup.tech · بررسی‌شده در 2026-08-23
- 02rafay.cohttps://rafay.co · بررسی‌شده در 2026-08-23
- 03rafay.co — Rafay for AIhttps://rafay.co/rafay-for-ai/ · بررسی‌شده در 2026-08-23
- 04Rafay blog — GPU cloud billing: from usage metering to billinghttps://rafay.co/the-kubernetes-current/gpu-cloud-billing-from-usage-metering-to-billing/ · بررسی‌شده در 2026-08-23
- 05Rafay — AI Token Factoryhttps://rafay.co/platform/ai-token-factory/ · بررسی‌شده در 2026-08-23
- 06Rafay press — Moro Hub (Digital DEWA) partnership, Oct 2025https://rafay.co/company/press-releases/ · بررسی‌شده در 2026-08-23
- 07Moro Hub (Digital DEWA)https://www.morohub.com/ · بررسی‌شده در 2026-08-23
- 08Rafay Partner Elevate programhttps://rafay.co/partners/ · بررسی‌شده در 2026-08-23
- 09PeerSpot — Rafay reviewshttps://www.peerspot.com/products/rafay-reviews · بررسی‌شده در 2026-08-23
- 10G2 — Run:ai reviewshttps://www.g2.com/products/run-ai/reviews · بررسی‌شده در 2026-08-23
- 11NVIDIA — Run:aihttps://www.nvidia.com/en-us/software/run-ai/ · بررسی‌شده در 2026-08-23
- 12NVIDIA — NVIDIA AI Enterprise licensing / certified systemshttps://www.nvidia.com/en-us/data-center/products/ai-enterprise/ · بررسی‌شده در 2026-08-23
- 13NVIDIA AI Enterprise documentation — licensing prerequisiteshttps://docs.nvidia.com/ai-enterprise/latest/product-support-matrix/index.html · بررسی‌شده در 2026-08-23
- 14NVIDIA Base Command Managerhttps://www.nvidia.com/en-us/data-center/base-command/manager/ · بررسی‌شده در 2026-08-23
- 15Spheron — NVIDIA AI Enterprise pricing analysis ($2,500–$5,000/GPU/yr)https://blog.spheron.network/ · بررسی‌شده در 2026-08-23
- 16r/HPC — Bright Cluster Manager repricing ($260 → $4,500 per node)https://www.reddit.com/r/HPC/ · بررسی‌شده در 2026-08-23
- 17The Next Platform — NVIDIA, Bright and cluster managementhttps://www.nextplatform.com/ · بررسی‌شده در 2026-08-23
- 18NVIDIA acquires SchedMD (Slurm), Dec 2025https://www.linkedin.com/company/nvidia/ · بررسی‌شده در 2026-08-23
- 19Reuters — NVIDIA completes Run:ai acquisition (~$700M)https://www.reuters.com/technology/nvidia-completes-acquisition-israeli-ai-firm-runai-2024-12-30/ · بررسی‌شده در 2026-08-23
- 20Tom's Hardware — NVIDIA to open-source Run:aihttps://www.tomshardware.com/tech-industry/artificial-intelligence · بررسی‌شده در 2026-08-23
- 21Mirantishttps://www.mirantis.com/ · بررسی‌شده در 2026-08-23
- 22Mirantis blog — k0rdent Enterprisehttps://www.mirantis.com/blog/ · بررسی‌شده در 2026-08-23
- 23k0rdent (open source)https://k0rdent.io/ · بررسی‌شده در 2026-08-23
- 24Mirantis k0rdent Enterprise — Kubernetes platformhttps://www.mirantis.com/software/mirantis-k0rdent-enterprise/ · بررسی‌شده در 2026-08-23
- 25Mirantis k0rdent AI Starter Pack — 'GPU Cloud in a Box', up to 144 GPUshttps://www.mirantis.com/k0rdent-ai-pricing/ · بررسی‌شده در 2026-08-23
- 26Mirantis — IREN acquisition noticehttps://www.mirantis.com/company/press-center/ · بررسی‌شده در 2026-08-23
- 27OpenNebula — open source cloud & AI platformhttps://opennebula.io/ · بررسی‌شده در 2026-08-23
- 28OpenNebula — subscriptions & Enterprise/AI Factory editionshttps://opennebula.io/subscriptions/ · بررسی‌شده در 2026-08-23
- 29OpenNebula docs — Showback (usage cost reports, integrates with billing platforms)https://docs.opennebula.io/7.4/product/cloud_system_administration/multitenancy/showback/ · بررسی‌شده در 2026-08-23
- 30OpenNebula docs — NVIDIA vGPU & MIG, GPU passthroughhttps://docs.opennebula.io/7.4/product/cluster_configuration/hosts_and_clusters/vgpu/ · بررسی‌شده در 2026-08-23
- 31Canonical — Charmed Kuberneteshttps://ubuntu.com/kubernetes/charmed-k8s · بررسی‌شده در 2026-08-23
- 32Canonical — Cephhttps://canonical.com/ceph · بررسی‌شده در 2026-08-23
- 33Platform9https://platform9.com/ · بررسی‌شده در 2026-08-23
- 34Platform9 blog — VMware alternativeshttps://platform9.com/blog/ · بررسی‌شده در 2026-08-23
- 35Independent vendor analysis — Platform9https://getbreakout.ai/ · بررسی‌شده در 2026-08-23
- 36Core42 — Signature Private Cloudhttps://core42.ai/ · بررسی‌شده در 2026-08-23
- 37Core42 — $550M HSBC trade finance (Feb + May 2026)https://core42.ai/newsroom · بررسی‌شده در 2026-08-23
- 38G42https://g42.ai/ · بررسی‌شده در 2026-08-23
- 39Khazna Data Centershttps://khaznadatacenters.com/ · بررسی‌شده در 2026-08-23
- 40DataCenterDynamics — Khazna UAE footprinthttps://www.datacenterdynamics.com/ · بررسی‌شده در 2026-08-23
- 41e& enterprise — OneCloud with Oracle Alloyhttps://www.eand.com/ · بررسی‌شده در 2026-08-23
- 42Telnyx — Dubai GPU infrastructurehttps://telnyx.com/ · بررسی‌شده در 2026-08-23
- 43Go Data — UAE GPU cloudhttps://godataglobal.com/ · بررسی‌شده در 2026-08-23
- 44HUMAIN (PIF, Saudi Arabia)https://humain.ai/ · بررسی‌شده در 2026-08-23
- 45NVIDIA newsroom — HUMAIN 18,000 GB300 deploymenthttps://nvidianews.nvidia.com/ · بررسی‌شده در 2026-08-23
- 46Vision 2030 — Saudi AI programmehttps://www.vision2030.gov.sa/ · بررسی‌شده در 2026-08-23
- 47Public Investment Fund — HUMAINhttps://www.pif.gov.sa/ · بررسی‌شده در 2026-08-23
- 48Ezditek × Gcore — nine Saudi AI data centershttps://ezditek.com/ · بررسی‌شده در 2026-08-23
- 49DCNN Magazine — Ezditek and Gcorehttps://dcnnmagazine.com/ · بررسی‌شده در 2026-08-23
- 50S&P Global — Saudi data center market CAGRhttps://www.spglobal.com/ · بررسی‌شده در 2026-08-23
- 51Cast AIhttps://cast.ai/ · بررسی‌شده در 2026-08-23
- 52nOps — Cast AI cost analysishttps://www.nops.io/blog/ · بررسی‌شده در 2026-08-23
- 53SoftwareFinder — Cast AI pricinghttps://softwarefinder.com/ · بررسی‌شده در 2026-08-23
- 54BusinessWire — Exostellar Software Defined GPUhttps://www.businesswire.com/ · بررسی‌شده در 2026-08-23
- 55Startup Stash — Exostellar listinghttps://startupstash.com/ · بررسی‌شده در 2026-08-23
- 56HAMi — CNCF incubating GPU virtualizationhttps://project-hami.io/ · بررسی‌شده در 2026-08-23
- 57Grand View Research — sovereign cloud market ($117.5B 2025 → $648.9B 2033)https://www.grandviewresearch.com/ · بررسی‌شده در 2026-08-23
- 58Fortune Business Insights — sovereign cloud forecast (27.0% CAGR)https://www.fortunebusinessinsights.com/ · بررسی‌شده در 2026-08-23
- 59IDC — sovereign AI stack split forecasthttps://blogs.idc.com/ · بررسی‌شده در 2026-08-23
- 60r/vmware — Broadcom price-increase threadshttps://www.reddit.com/r/vmware/ · بررسی‌شده در 2026-08-23
- 61OpenStack — operator upgrade pain pointshttps://www.openstack.org/blog/ · بررسی‌شده در 2026-08-23
- 62OpenMetal — OpenStack operational complexityhttps://openmetal.io/ · بررسی‌شده در 2026-08-23
- 63OpenStack Foundation — c12n reference stack (OpenStack + K8s + Ceph)https://www.openstack.org/ · بررسی‌شده در 2026-08-23
- 64Cast AI — 2026 State of Kubernetes Optimization Report (23,000+ clusters)https://cast.ai/reports/kubernetes-optimization-report/ · بررسی‌شده در 2026-08-23
- 65Cast AI — GPU cost monitoring: average GPU utilisation ~5%, idle H100 ≈ $8,850/GPU/monthhttps://cast.ai/blog/gpu-cost-monitoring-kubernetes/ · بررسی‌شده در 2026-08-23
- 66VentureBeat Research, July 2026 — 80%+ of enterprises say GPUs run at half capacity or lesshttps://venturebeat.com/orchestration/wall-street-is-debating-the-ai-buildout-enterprises-just-answered-86-say-their-gpus-run-at-half-capacity-or-less · بررسی‌شده در 2026-08-23
- 67INFINITIX — ROI of GPU idle time (most enterprise clusters average 30–40% utilisation)https://ai-stack.ai/en/gpu-roi · بررسی‌شده در 2026-08-23
- 68Cloud Cost Room — allocating shared GPU cluster costs across teamshttps://cloudcostroom.com/blog/how-to-allocate-shared-gpu-cluster-costs-across-teams · بررسی‌شده در 2026-08-23
- 69SysArt — GPU chargeback and quotas for shared on-prem AI platformshttps://sysart.consulting/insights/gpu-chargeback-quotas-on-prem-ai-platforms/ · بررسی‌شده در 2026-08-23
- 70SysArt — QoS and fairness for shared on-prem GPU inference clustershttps://sysart.consulting/insights/qos-fairness-shared-gpu-inference-on-premises/ · بررسی‌شده در 2026-08-23
- 71Saturn Cloud — GPU chargeback: 'allocation says full, DCGM says 15%'https://saturncloud.io/services/gpu-cost-and-chargeback/ · بررسی‌شده در 2026-08-23
- 72Saturn Cloud — platform layer for GPU operators and neocloudshttps://saturncloud.io/docs/operators/ · بررسی‌شده در 2026-08-23
- 73hosted.ai — turnkey neocloud stack: overcommit, white-label UI, billinghttps://hosted.ai/platform/ · بررسی‌شده در 2026-08-23
- 74ARK Labs — 'stop selling GPUs, start selling inference' (neocloud inference layer)https://ark-labs.cloud/solutions/for-neoclouds/ · بررسی‌شده در 2026-08-23
- 75Ankura Capital Advisors — monetising stranded enterprise data center capacityhttps://ankuracapitaladvisors.com/insights/from-cost-center-to-cash-machine/ · بررسی‌شده در 2026-08-23
- 76Modius — how colocation providers find and reclaim stranded power capacityhttps://modius.com/blog/how-colocation-providers-find-and-reclaim-stranded-power-capacity/ · بررسی‌شده در 2026-08-23
- 77DataCenterDynamics — colos buying into GPUs take on technology obsolescence riskhttps://www.datacenterdynamics.com/en/opinions/colos-are-buying-into-gpus/ · بررسی‌شده در 2026-08-23
- 78Global Data Center Hub — how to underwrite GPU density in AI data centershttps://www.globaldatacenterhub.com/p/how-to-underwrite-gpu-density-in · بررسی‌شده در 2026-08-23
- 79NVIDIA — recovering stranded GPU capacity under thermal and power constraintshttps://perspectives.nvidia.com/ai-infrastructure/total-cost-of-ownership/task/faq/recover-stranded-gpu-capacity-thermal-power-constraints/ · بررسی‌شده در 2026-08-23
- 80NVIDIA — maximising AI factory performance per watt with DSX MaxLPShttps://developer.nvidia.com/blog/maximizing-ai-factory-performance-per-watt-with-nvidia-dsx-maxlps/ · بررسی‌شده در 2026-08-23
- 81Hammerhead / LBNL — 30–50% of installed data center power capacity sits unusedhttps://hammerheadco.ai/the-sleeping-giant-tapping-into-the-hidden-power-of-ai-data-centers/ · بررسی‌شده در 2026-08-23
- 82Cognizant — GPU segmentation and multi-tenancy for cost efficiency (MIG, fractional GPU)https://www.cognizant.com/en_us/services/documents/optimizing-resource-utilization-and-reducing-costs-through-gpu-segmentation.pdf · بررسی‌شده در 2026-08-23