2025 年 2 月 18 日-2 月 20 日，全球区块链行业瞩目的年度盛会——Consensus大会在香港圆满落幕。作为全球Web3领域最具影响力的峰会之一，本届大会吸引了来自全球与 Web3 相关的头部企业、开发者及投资机构，围绕区块链技术创新、去中心化应用与行业合规等议题展开深度探讨。云计算服务商卓普云（AI Droplet）联合国际知名云平台DigitalOcean首次亮相Consensus大会，在展会现场通过前沿技术展示与行业解决方案分享，吸引了许多开发者与企业代表的驻足交流。

![Consensus1.png](https://blog.aidroplet.com/uploads/Consensus1_f8d01bf827.png)

Consensus 大会首度落地香港，彰显了亚洲市场在 Web3 全球化进程中的战略地位。香港特区政府代表在开幕致辞中强调，香港将通过政策支持与技术创新，打造开放、合规的数字资产交易环境。这一背景下，DigitalOcean 与其中国区独家战略合作伙伴卓普云的参展，不仅展示了 DigitalOcean 在云计算基础设施领域的合作成果，更传递出对 Web3 市场长期布局的信心。

在展会现场，DigitalOcean 云平台针对区块链技术场景的解决方案，吸引了众多开发者与企业客户驻足。在展区现场，卓普云的工程师重点介绍了 DigitalOcean 面向区块链场景的四大核心能力：

## 1. 节省成本

-   按需计费：DigitalOcean 的服务采用按需计费模式，企业可以根据实际需要选择计算资源，避免了冗余的硬件采购和维护成本。这对于区块链企业尤为重要，因为它们需要根据项目的波动性灵活调整资源。


-   高性价比：DigitalOcean 以较低的价格提供高效能的云计算资源（如 Droplets 和 GPU Droplets），相比其他云平台，它的成本效益较为突出，尤其适合中小型区块链公司进行快速实验和产品部署。而且 DigitalOcean 的流量费用远远低于大多数老牌云服务平台，迁移至 DigitalOcean 可以帮助区块链企业节省大量成本。


-   自动化和集成工具：DigitalOcean 提供一整套自动化工具，如 API、CLI、Kubernetes 集群等，可以帮助企业自动化资源配置和管理，进一步减少了人工成本。

## 2. 产品服务

-   Droplets：作为 DigitalOcean 的核心产品，Droplets 是虚拟私有服务器，适用于运行区块链节点、开发环境或轻量级的区块链应用。Droplets 支持快速部署，且支持不同操作系统和开发框架，非常适合区块链企业快速启动应用。

-   GPU 裸金属服务器和 GPU Droplets：对于需要进行大规模数据处理、机器学习训练或区块链挖矿的企业，DigitalOcean 提供了GPU裸金属服务器和 GPU Droplets。这些产品可以大幅提高图形处理能力，满足区块链企业在高负载和计算密集型任务中的需求。与此同时，GPU 裸金属服务器可以为区块链企业提供独享的物理计算资源，用于建设区块链基础设施或 DePin 等项目。

-   全球数据中心：DigitalOcean 在全球 16 个数据中心布局，为区块链企业提供全球范围内的低延迟和高可用性的基础设施。无论是针对用户的全球分布，还是针对不同市场的合规需求，DO 的数据中心都能提供支持。

## 3. 高可靠性和安全性

-   高可用性：DigitalOcean 通过全球负载均衡和高可用的网络架构，确保区块链企业的应用在全球范围内 24/7 运行稳定。

-   安全保障：DO 为区块链企业提供包括防火墙、加密存储、DDoS 防护等多种安全功能，保障数据和交易的安全性，符合行业对数据隐私和安全的严格要求。

## 4. 简化区块链部署

-   Kubernetes 集群支持：通过 DigitalOcean 的 Kubernetes 服务，企业可以轻松管理和扩展基于容器的区块链应用，简化了区块链节点的部署和管理工作。对于需要快速迭代和扩展的区块链企业而言，Kubernetes 提供了极大的灵活性和便利。

-   一键部署工具：DigitalOcean 提供了区块链相关的预配置镜像，企业可以通过一键部署快速启动区块链节点和应用，减少了初期的配置时间和技术门槛。

![Consensus2.png](https://blog.aidroplet.com/uploads/Consensus2_90e2e0ddcb.png)

在展会现场， 多家 Web3 企业与卓普云在大会现场商洽，达成进一步沟通以及合作的意向。随着全球 Web3 产业进入”价值落地”新周期，卓普云与 DigitalOcean 的参展，不仅为行业提供了可复用的技术范式，更以扎实的云服务能力为下一波去中心化应用爆发奠定基石。这场东方之珠的科技盛宴，或将成为 Web3 基础设施演进的重要注脚。

large_Consensus1.png

medium_Consensus1.png

small_Consensus1.png

thumbnail_Consensus1.png

xsmall_Consensus1.png

Consensus1.png

DO携卓普云亮相Consensus2025，展示低成本GPU+Droplets区块链方案。

卓普云携手DigitalOcean亮相香港Consensus大会：以技术赋能全球Web3生态

> 作者 | 霞光社 Yinting Hou
>
> 来源：https://new.qq.com/rain/a/20240425A08J4J00

>

正值全球经济转型周期，硅谷及世界各大厂商相继裁员，连创造第二增长曲线的云服务部门，也难逃降本增效的大刀。

4月初，亚马逊官方确认，其云计算服务部门（AWS）正对实体店技术团队以及销售和市场营销部门进行裁员，此举会减少数百名员工。

数据显示，AWS是亚马逊最赚钱的部门之一，2023年第四季度，该部门贡献了亚马逊54%的经营利润。然而，作为行业中最大的计算能力和数据存储租赁服务提供商，AWS的销售增长速度在去年降至历史最低点，这主要因为企业在利率上升的情况下削减了云支出。

经济形势多变，企业经营成本上升，节约云支出是不得不做出的决定，尤其对于中小企业而言，昂贵的云服务成本已经难以支撑。

在亚马逊AWS、微软Azure、谷歌云和阿里云等巨头之外，企业迫切需要寻找经济、适用的云服务平台。

成立于2012年的美国云主机供应商DigitalOcean，因其易用性和性价比，成为中小企业、初创公司和开发者的优先选择。

拥有数百万买家，非洲领先的电子商务平台Jiji，已经使用DigitalOcean的云服务长达10年。该公司联合创始人兼CEO Nick Zorin从一开始就选择了DigitalOcean，这个决定由三个因素驱动：用户友好性、功能性和（价格）负担能力。

Nick Zorin说道，“它的价格具有竞争力，而且易于使用。对我们来说，DigitalOcean很平易近人。我们一成立就使用了它，如今都运作良好。”

2021年3月登陆纳斯达克上市，云厂商DigitalOcean已成为美股“隐形王者”。根据今年2月发布的最新财报数据，DigitalOcean在2023年的收入同比增长了20%，净利润同比增加179.94%。

![2.webp](https://blog.aidroplet.com/uploads/2_4a364fd3af.webp)

图：DigitalOcean IPO

与其他开始面临增长瓶颈的大型云厂商不同，DigitalOcean深耕的中小企业赛道，仍然极具增长潜力。

霞光社获悉，DigitalOcean主要提供四大类别的主机服务器产品，全球布局已扩展到9个地区的15个数据中心，为超过185个国家/地区的62万名客户提供基础架构和软件解决方案。

## 01.美股云厂商“隐形王者”：从“简单”出发

“DigitalOcean成立初期，服务的对象，就是像我一样的开发者，可能业余想开始一个小项目，或者开始创建一家公司，团队只有2~10人或者50~100人，通常这样的开发者、初创公司或中小企业，是被排除在云服务市场之外的。”DigitalOcean VP Apurva Joshi在一次公开分享中表示。

2012年，DigitalOcean联合创始人兼前CEO Ben Uretsky认为，用户需要一种新的云服务方案。市场上的云服务商，提供的定价计划过于复杂，且平台并不总能满足用户的需求。

![3.webp](https://blog.aidroplet.com/uploads/3_6f17865e0a.webp)

图：DigitalOcean联合创始人兼前CEO Ben Uretsky

彼时，亚马逊AWS已经在市场上处于领先地位，DigitalOcean凭借差异化优势，脱颖而出。2012年，创始团队推出第一款产品Droplets（虚拟专用服务器），初始阶段就启动了约1万个云服务实例，并签约了近400个客户。

2013年，DigitalOcean成为首批提供基于SSD的虚拟专用服务器的云托管公司之一。当时，市场上提供实惠虚拟服务器的云托管平台如Linode、Rackspace，服务起价为20美元/月，而DigitalOcean类似产品的起价为5美元/月，还采用了性能更优的SSD存储。

根据第三方机构测评，Droplet启动时间仅为55秒，而其他大型云提供商普遍需要1-3分钟。即便是没有丰富后端经验的人，也可以根据文档，数分钟内完成虚拟机的启动。

定价低且透明，功能简单且好用，市场对DigitalOcean的产品反应明显，从原来每天增加2个客户，到每天签约超过2000个客户，DigitalOcean迎来了大幅增长。从2013年到2015年，公司每年都获得一轮融资。

随着规模扩大，DigitalOcean也在全球开设了数据中心。2013年12月，DigitalOcean在阿姆斯特丹开设了第一个欧洲数据中心。2014年到2016年，公司持续扩张，先后在新加坡、英国伦敦、加拿大多伦多、德国法兰克福和印度班加罗尔建立了数据中心。

**规模不断扩大，但DigitalOcean不忘关注用户体验，“简单”是不变的产品核心本质。** “我们不会为了每月增加数百万美元交易，而去满足企业的一切要求，如果鼓励员工这么做，就会产生‘复杂性’，偏离了我们的核心路线。我们的重点是中小企业，核心是提供简单的解决方案。”Apurva Joshi表示。

在坚持“简单”的路线上，他们也关注用户需求，不断创新，推出更多删繁就简的产品。2018年5月，该公司宣布推出基于Kubernetes的云容器平台。据悉，产品消除运行Kubernetes的许多底层复杂性。用户可以获得独立的Kubernetes集群，并且可以完全访问Kubernetes API。

就在2021年3月24日，DigitalOcean在纽约证券交易所上市，其首次公开募股价格为每股47美元。通过成功的商业模式，该公司实现了每年超过20%的营收增长。

进入资本市场的新一轮考验中，该公司也不断扩展云服务的边界。

![4-1.webp](https://blog.aidroplet.com/uploads/4_1_fb866fd379.webp)

图源：DigitalOcean社区

2022年5月，该公司发布了DigitalOcean Functions，基于开源技术，Functions允许开发人员构建和运行应用程序，而无需管理服务器。同年8月，DigitalOcean以3.5亿美元收购了云托管服务提供商Cloudways。

值得一提的是，去年7月，DigitalOcean以1.11亿美元收购了云计算和人工智能开发初创公司Paperspace，宣布提供GPU云服务，帮助初创企业、成长中的数字企业和独立软件供应商（ISVs）持续为其客户提供有竞争力的AI体验。据悉，每颗H100芯片的租用起价低至2.24美元每小时。

**根据最新财报，DigitalOcean公布的2023年第四季度的盈利、收入和业绩指引均超出预期。** 该季度，公司不计某些成本（例如股票补偿）的盈利为每股44美分，远远高于华尔街每股37美分的目标。报告称，公司年收入运行率增长了11%，季度末达到7.3亿美元。每个客户的平均收入也增加到92.63美元，比去年同期增长6%。

霞光社获悉，目前，DigitalOcean已经在中国开设业务，并通过中国区独家战略合作伙伴卓普云AI Droplet提供技术支持，为中国企业出海提供专业云服务及解决方案。

卓普云AI Droplet由Access Technology Venture组建，以帮助DigitalOcean更好地开拓中国市场。作为DigitalOcean最大的控股股东，Access Technology Venture是一家专注于新型科技企业的投资公司，在国内投过知乎、声网、阿里巴巴、拼多多、Pingcap。据悉，该公司十分看好DigitalOcean的未来，因此不断增加股份，并参与到该公司的经营中。

从100个客户增长到超过60万个客户，至今，DigitalOcean不变的愿景，就是专注于服务的对象，也即中小企业、初创公司和开发者，为他们提供简单且性能高的云服务平台，“**帮助他们简单、经济且高效地建立业务、开拓梦想。** ”

## 02.成功秘诀：关注开发者的“幸福感”

专注中小企业和开发者的需求，DigitalOcean不仅追求产品用户体验上的简单性，在营销上还重视为开发者的工作创造幸福感。

在一次公开分享中，DigitalOcean CMO Carly Brantz的观点令人记忆犹新。她指出，针对开发者的市场营销，不是在网站上发注册广告，而要为开发人员提供价值和快乐，“快乐的开发人员能为企业带来增长，而DigitalOcean就是让开发人员快乐。”

从用户出发，DigitalOcean遵循了PLG（Product Led Growth）这种商业策略，是以终端用户为导向的增长模型。PLG模型将用户体验置于核心，通过提供有价值的产品和服务来吸引用户，并通过用户的参与和分享来推动增长。

PLG模型通常会建立一个活跃的用户社区，用户可以在社区中分享经验、互相支持，从而增强用户黏性和忠诚度。DigitalOcean也不例外，2012年初，就在官网上建立了开发者社区，内部的作者（即开发者）编写发布了10个Linux教程，第一周就吸引了1500名访问者。

![5.webp](https://blog.aidroplet.com/uploads/5_10e36dc15e.webp)

图源：DigitalOcean社区

Carly Brantz分享道，她自2020年1月加入该公司，在疫情大流行期间，她见证了许多具有极大影响力的社区活动，这些活动获得了全球开发者的喜爱和认同。

在DigitalOcean的开发者社区上，超过8000篇教程、文档、科普（cloud education）免费提供给开发者。DigitalOcean还主办发起Hacktoberfest，一年一度的全球“编程马拉松”盛事，旨在支持开源项目，鼓励更多的人对开源社区做出贡献，到2023年10月，这个节日活动已经举办10年。

![6.webp](https://blog.aidroplet.com/uploads/6_f1d65d7a1b.webp)

图源：DigitalOcean社区

根据外媒报道，DigitalOcean在2022年第一季度就通过大量的内容，为官网带来了900万的独立访问用户。

开发者社区能够成功，也来自公司对开发者群体的敏锐洞察。“开发人员通常具有超强技术思维，他们希望能够自己解决问题，不想打电话给销售或客服来帮助他们解决问题。”

Carly Brantz指出，开发者并不需要营销人员跟他们沟通，他们更习惯自己去到社区里，获得资源、学习，建立对网站的信任，自主注册账号，“这些客户通常是业务爱好者、早期学习者及成熟的开发者，甚至是创业公司老板，我们要为他们提供价值，例如社区里的内容，让他们能够简单、清晰地运用，并开展他们的业务。”

事实上，开发者社区的内容一应俱全，即使是非技术人员，也可以根据社区里的教程，轻松设置Droplet并配置网络，新用户使用云服务的门槛大大被降低。

**开发者社区成为DigitalOcean低成本获客的重要渠道，这也是公司营销费用占营业收入比例长期维持在10％左右极低水平的原因。**

一般而言，开发者习惯了一个平台之后，转换成本是比较高的，所以DigitalOcean的用户黏性较强，忠诚度较高，潜在的终身价值（LTV）高。

云厂商的商业模式，一直被认为是B2B，为企业提供云服务。但DigitalOcean的创始人之一曾表示，公司在做的事情是B2D（developer，即开发者）。

始终重视开发者的诉求，让他们简单、高效地开展业务，是DigitalOcean的重要使命。

## 03.量身定制，中小企业“简单”出海方案

“DigitalOcean的云服务，简单、经济且灵活。对于个人开发者、高成长初创企业，以及寻求超大规模提供商替代方案的独立软件供应商（ISVs）和中小企业（SMEs），DigitalOcean是一个有吸引力的选择。它是为商业量身定制的云服务——**让成长中的公司轻松获得动力，并可持续扩展规模。** ”IDC研究副总裁Dave McCarthy指出。

中国企业出海正在成为国际重要趋势，从社交、游戏、电商到企业服务，各行各业已经在海外形成一定的竞争格局。

移动数据分析机构Data.ai在《2024年移动游戏市场报告》中指出，总部位于中国的（游戏）发行商占据了全球三分之一的收入，通过高质量的制作和本地化向日本和美国等市场扩张。

中国跨境电商平台也在辐射全球。Temu布局50个国家/地区并获得4.67亿用户，SHEIN在2023年的收入超过300亿美元。TikTok成为全球社交应用巨头，全球用户超过16亿人，其电商业务也在2023年大幅增长。

跟随着席卷全球的中国平台厂商，中小企业也在加入全球化浪潮。但从普通产品出海，到今天全球化布局扩张，中国企业在海外面临的考验今非昔比。在复杂的地缘政治和飙升的经济成本中，科技实力的较量已经成为必备课题，而成熟的云服务技术支撑，是实现数字全球化的关键一环。

中小企业离不开云服务。云管理平台Flexera发布的《2024年云状况》报告显示，一半的组织在公共云中拥有数据，预计未来12个月内还会增加7%，**中小型企业是云采用率最高的企业。**

对于中小企业出海来说，相对头部知名云厂商，选择功能精简、易于上手和低成本的云服务平台，显得更实际。

Blub Blub开发了一款针对儿童的言语治疗应用程序Speech Blubs，拥有超过10万名订阅者。员工数少于50人，后端工程师仅有3名，小团队运作的Blub Blub选择了DigitalOcean。

![7-1.webp](https://blog.aidroplet.com/uploads/7_1_2e8a0d3ea8.webp)

图源：Blub Blub

最初，Blub Blub依靠Heroku（PaaS平台）来托管其简单的WordPress网站和后端服务。随着Speech Blubs用户群的增长，开发团队感到Heroku的功能受到限制，想要寻找一种既具有成本效益又能够提供更完整的基础设施管理方法的解决方案，同时能够轻松部署更新。

为了寻找更好的替代方案，Blub Blub开始研究云提供商，包括超大规模提供商和其他提供商。他们发现DigitalOcean的定价结构比其他提供商更具成本效益，并对其“简单性”特点留下了深刻的印象。

“DigitalOcean应用平台的性价比是最好的，它比Heroku便宜得多，而且它还抽象了一层我们不需要处理的复杂性，因为我们的团队很小。”Blub Blub首席后端工程师Marko Širec分享道。

Blub Blub最初迁移到DigitalOcean的App Platform，与很多手动配置的云服务不同，DigitalOcean的App Platform简化了部署过程。“**在DigitalOcean上部署我们的应用程序只花了一天时间，而在AWS上却花了几天时间。** ”Marko Širec解释道，“DigitalOcean更简单、更直观。另外，警报和监控功能也非常棒。我们可以轻松地将它们连接到Slack，这对于像我们这样的小团队来说至关重要。”

除了托管网站，DigitalOcean还能托管Blub Blub的Redis数据库等，Blub Blub向 DigitalOcean的过渡对其业务产生了重大影响。凭借更少故障和更快的部署周期，Blub Blub 在响应市场需求方面变得更加敏捷，从而提高了Speech Blubs的客户满意度。

“DigitalOcean为我们节省的成本和时间，对于我们的发展至关重要。因为我们的团队很小，所以我们可以把时间花在构建产品和支持公司的其他部门上，而不是处理基础设施问题，这对公司整体影响很大。” Marko Širec补充道。

正是如此，中小企业由于人员精简，预算有限，DigitalOcean提供的服务恰好是他们所需。

DigitalOcean能够提供低成本服务的关键在于，其高度的自动化和产品设计的精简：通过精简冗余功能，大幅度的降低产品定价；同时降低复杂性，提高了支持效率。**这种高效率与低成本结合的策略，为DigitalOcean形成了显著的成本优势。**

以DigitalOcean云服务为例，只需要跟着文档操作，不需要是个老工程师，也能几分钟就部署好一台云主机。同时，DigitalOcean还提供了大量的“一键式应用程序”，企业可以快速实现业务，从而节省与手动设置和配置的时间。例如一键部署WordPress，快速搭建自己的网站；一键部署Jitis服务，加速社交泛娱乐应用的开发。

**DigitalOcean实惠的定价和透明的计费逻辑适合预算有限的中小企业。** EGLogics CEO兼CTO Ankit Aggarwal就评价道，“DigitalOcean计费很简单。我们可以轻松预测并弄清楚所支付的费用。在AWS中，这一点很难弄清楚，尤其是在多个区域部署后。但是采用DigitalOcean，作为公司的CEO和CTO，我可以轻松了解正在使用哪些服务，以及如何合理控制我的支出。”

根据卓普云科技的解决方案架构师Derek分析，用户在将其服务从一线云服务商如AWS和GCP迁移到DigitalOcean后，成本通常可以减少50%至70%。

“这种显著的成本节约主要得益于DigitalOcean独特的定价结构。云服务的总费用通常包括服务器成本和数据传输费用两大部分。DigitalOcean的定价策略包括为每台云服务器提供从500GiB到11TB不等的免费数据出站传输额度，而其服务器的定价普遍低于其他云服务厂商的定价10%以上。”

提供高性能、低成本服务的云厂商DigitalOcean，帮助企业在全球化发展过程中获得底层竞争力。高质、高效部署全球，DigitalOcean是出海企业云服务的最佳选择。

medium_2.webp

small_2.webp

thumbnail_2.webp

xsmall_2.webp

2.webp

DigitalOcean凭低价+简单杀出重围，中小企业降本70%出海！

“隐形王者”DigitalOcean入华，谁将成为云服务革命的受益者？

原文：[云数智观察](https://mp.weixin.qq.com/s/WBT9oMYwtZDTqR8Gef54yw)

你技术先进、功能丰富，我成本节约、应用便捷；你全球布局、贴身服务，我综合实力强、安全合规……难道服务“出海”企业的云服务商已经这么“卷”了吗？  
  
**不“出海”就出局**

“企业不出海，就会出局！”在新的经济形势、竞争环境下，中国企业“出海”有了更多新意。

在第一波“出海”大潮兴起时，追逐成本最低化的劳动密集型，以及资本密集型企业是“出海”的主力军，代表企业诸如纺织服装、电子装配。当前，又一波“出海”潮起，更多具有全球竞争力的中国品牌，如互联网、游戏、短视频、家电、汽车等企业，主动出击，以全球化的视野开拓全新的市场空间。他们当中的很多企业都是技术驱动型或者思维创新型，正引领着中国“出海”企业实现从量到质的升级。

随着数字经济的蓬勃发展，中国“出海”企业也经历着从“数字化出海”到“出海数字化”的转变。各行各业的出海者借助数字化、智能化技术，践行着业务的转型与创新。在这个过程中，云计算作为不可或缺的数字底座，也成了“出海”企业实现“全球化拓展、本地化运营”的重要基石。

中桥咨询的调研数据显示，在已经“出海”的中国企业中，大企业的占比为63%，中小企业为37%；而在计划“出海”的企业中，大企业为35%，中小企业高达65%。紧随大型国央企“出海”的步伐，越来越多的民营企业、中小企业成为“出海”的生力军。由于规模不同、“出海”需求不同、所处的上云阶段不同，民营企业与中小企业在借云出海方面，一方面潜力巨大，另一方面需求各异，尤其对于成本、灵活性、易用性等十分敏感。如何降低企业“出海”的技术门槛，以更加灵活的架构、更经济的方式，满足差异化的上云需求，对云服务商来说是一个新的考验。



2023年是“一带一路”倡议提出十周年。该倡议在客观上加速了中国企业走向全球化的步伐，并深度融入海外生态。有统计数据显示，2023年，我国有进出口记录的外贸经营主体首次超过60万家。与其在中国市场上“内卷”，不如将目光投向更广阔的全球市场。从国家和政府层面，为推动经济高质量发展，更需要持续推进高水平对外开放，鼓励多种类型的企业积极“出海”，释放跨境业务红利。面对“出海”主体更加广泛和多样，同时高质量“出海”成为刚需，作为“出海”企业的桥头堡，云服务商更要稳中求变，进中求胜。

**云服务商会如何“卷”？**

中国企业加速大规模“出海”，对海外的数字化、云化基础设施的需求更加迫切。这对云服务商来说是千载难逢的机会。与此相适应，国内的一些大型云服务商也加紧了“出海”步伐；而海外的云服务商，则凭借更广泛、深厚的海外站点布局，期待更多中国“出海”企业的到来。机遇意味着更加激烈的竞争。在服务同质化的趋势下，各云服务商如何才能凸显自身的差异化，在这波“出海”大潮中站稳脚跟呢？

IDC研究认为，中国企业“出海”上云时，将面临以下关键挑战：针对繁多的海外安全合规和隐私保护要求，“出海”企业的合规难度加大，合规成本更高；云网基础设施要适应企业业务全球化布局的需求，就必须具备覆盖广泛、接入灵活、统一调度的特质；业务本地化运营是“出海”企业的拦路虎，克服语言文化、风俗习惯、消费习惯的障碍甚至是冲突，更加贴近本地用户的实际需求，实现产品和服务的本地化是“硬道理”。

综合分析总结多家中国成功“出海”企业上云、用云的经验，他们在选择云服务商时通常会考虑以下几方面因素：首先，企业会明确自身的需求和目标，根据业务规模、数据类型、存储需求、数据处理和分析能力等，确定所需要的云服务的类型及规模；其次，考虑到业务的连续性，企业会格外注意云服务商是否具备高可用性、高容错能力的解决方案，提供可靠、稳定的服务，具有良好的信誉和口碑；再次，安全合规能力是云服务商必备的一项能力，云服务商要能提供全面的数据加密、访问控制、安全审计等措施，确保企业数据的安全，并且遵循国际安全标准和相关法律法规；最后，云服务商要具有过硬件的技术实力以及创新能力，能够与时俱进，通过持续的技术、功能和服务上的创新，满足快速变化的市场需求。另外特别值得一提的是，很多用户会纠结于上云的成本，有时甚至会“斤斤计较”。这就要求云服务商能够提供具有竞争力的定价模式和计费方式，在保证业务灵活、稳定、安全的同时，还能有效降低运营成本。



总之，企业在选择“出海”云服务商时，会在通盘考虑其业务需求的基础之上，对云服务商提供的服务的可靠性、安全合规性、成本效益、管理简便性等进地综合评估，以便选择出最适合自己的“出海”伙伴。

**“大而全”还是“小而美”？**

对于中国“出海”企业来说，在选择云服务商时，到底是“大而全”更好，还是“小而美”更优呢？

这里所说的“大、小”并不完全指云服务商的规模，而是说有一些云服务商可能因为市场宣传等方面的因素，不像亚马逊云科技、阿里云那样名声在外，但就是这些“小而美”的云服务商，其战略布局、技术能力、服务质量等与那些“大而全”的云服务商相比毫不逊色，甚至在上云简便性、成本经济性、服务创新性等方面更具特色。从这个角度说，这些“小而美”的云服务商不应该被中国“出海”企业错过。作为一家务实的云服务商，DigitalOcean就是典型的“小而美”的代表。

那么，DigitalOcean到底“美”在哪里呢？

第一，全球化布局，DigitalOcean云服务兼具高性能与稳定性。“出海”企业往往都有自己宏伟的全球化发展规划，但是跨越多个国家和地区的运营却是一个不能回避的现实难题，一旦云服务出现故障甚至宕机，将造成不可挽回的经济与声誉损失。近日就曝出，国内一家知名云服务商宕机近1个小时。

目前，DigitalOcean在全球9个地区拥有15个分布式数据中心，为全球客户提供了强大的全球基础设施和可靠的网络连接，SLA可用性保障达到99.99%。全球60万+客户选择DigitalOcean的云服务已经充分说明了问题。

由于业务跨越全球多个地方，“出海”企业更需要高并发处理能力与低延迟响应，尤其是程序化广告、社交应用、游戏等应用更是如此。因此，云服务的性能也是“出海”企业首要考虑的因素之一。DigitalOcean的云主机Droplet使用SSD存储有效解决了快速访问数据的问题。同时，云主机还采用了持续迭代的 Intel Xeon和AMD Epyc处理器，能够为企业的关键型业务提供更高性能的支持。

第二，对于“出海”企业来说，尽快融入海外当地市场，实现安全、合规的本地化运营是一道必须跨越的关卡。各个国家都相继出台了严格的关于企业合规、数据中心运营、数据保护等方面的法律法规以及相关标准。“出海”企业必须充分了解并遵守目标国家或地区的法律法规，加强自身的内部管理，提升合规意识，降低合规风险。DigitalOcean是一家全球运营的云服务商，服务着多个国家和地区的客户，熟悉当地的法律法规与运作习惯，可以引导并帮助中国“出海”企业更快地融入当地，少走弯路。

第三，DigitalOcean云服务对用户友好。很多企业专注于自身的业务，而对于云计算、大数据、人工智能等新技术并不擅长。一朵对用户友好的云，可以有效降低用户上云的门槛，加速企业的产品研发和上市速度，更好地拓展市场。DigitalOcean正是以云服务的易用性见长——易部署、易访问、易运营、易维护。举例来说，用户只需打开文档，跟着文档操作，即使不是一名有经验的工程师，也能在几分钟内部署好一台云主机。另外，DigitalOcean还提供了大量“一键式应用程序”，比如通过一键部署WordPress，可快速搭建自己的网站；一键部署Jitis服务，可加速社交泛娱乐应用的开发……总之，这些细节功能与巧思妙想，能够让企业快速开启业务，节省手动配置和操作的时间和精力。

“1分钟、4个步骤，即可开启用户业务的上云之旅”，这句话就位于DigitalOcean网站首页最显眼的地方，也让DigitalOcean的用户津津乐道。

第四，DigitalOcean云服务的成本更可控，让客户感觉轻松、放心。比如，DigitalOcean的流量计费模型很简单，入站传输免费，每台云主机都包含500GB～11TB的免费出站流量，账户下的所有主机的流量会组成一个共享流量池，用来抵扣账户下的入出站流量。DigitalOcean的很多客户一致认同，DigitalOcean的计费模式非常简单，他们可以轻松预测并弄清需支付的费用，即使业务部署在多个区域也会一目了然。这一特点对于中小企业用户来说颇具吸引力。Forrester的研究显示，DigitalOcean可预测的定价和领先的性价比有助于客户实现186%的投资回报率。

第五，扎根中国，服务全球。DigitalOcean已经进入中国市场，通过本地的合作伙伴，更深入地了解中国“出海”企业的需求、应用习惯等，能够提供全面、快捷、贴身的技术支持与服务。

第六，DigitalOcean想用户之所想，与时俱进。随着人工智能、万物互联的快速发展，互联网上必将承载更多应用，从IPv4向IPv6迭代成为大势所趋。相比有些云服务商通过向客户使用的公共IPv4地址收费，以促进用户快速转向IPv6的策略不同，DigitalOcean为开发者提供的IPv4与IPv6均不收取费用。而且DigitalOcean的虚拟私有服务器实例Droplets（云服务器）同时支持IPv4与IPv6。开发者可以在创建Droplet时或创建后，在Droplet上启用IPv6，还可以免费启用一个Reserve IP。



特别值得一提的是，DigitalOcean在2023年中，收购了同样以开发者体验著称的[GPU云平台](https://www.aidroplet.com/product/gpu/)Paperspace，并快速整合到现有云服务业务中。现在，“出海”企业可以通过DigitalOcean获取最新的GPU算力，包括H100、A100、A6000、A5000等。

为了保证业务的连续性，同时也为了给不同的业务提供最适合的云，很多企业都倾向于选择两朵以上的云，甚至是多朵云，“出海”企业也不例外。因此，企业应该习惯和更有策略地与多个云服务商打交道，有效实现多云的协同与互补。无论如何，DigitalOcean为中国“出海”企业提供了多一种上云选择。

DigitalOcean现已通过其合作伙伴[卓普云科技](https://www.aidroplet.com/)，为中国企业提供中文的技术支持和商务支持。

large_haiwaiyunfuwuqi-tuijian.jpg

medium_haiwaiyunfuwuqi-tuijian.jpg

small_haiwaiyunfuwuqi-tuijian.jpg

thumbnail_haiwaiyunfuwuqi-tuijian.jpg

xsmall_haiwaiyunfuwuqi-tuijian.jpg

haiwaiyunfuwuqi-tuijian.jpg

不出海就出局！DigitalOcean凭6大硬核优势成中小企业出海首选云

海外云服务“内卷”，让中国企业出海有了新选择

AWS 从2024 年 5 月，将会向客户使用的每个公共 IPv4 地址收费。这项费用，已附加到几乎所有 AWS 区域和服务中，包括 Lightsail、 EC2 实例、RDS 数据库、EKS 节点和其他服务管理的公共 IPv4 地址。据称，其目的是为了让开发者更节俭地使用 IPv4 地址，并促使更多开发者转而使用 IPv6。但是，在比较成熟的解决方案中，大多数还是会持续选择IPv4，比如防关联浏览器。可以阅读防关联浏览器和购买云服务有什么区别，了解详情。

那么，开启使用 IPv6 对开发者目前的业务会带来什么影响？开发者是否有必要在最开始配置服务时就开启 IPv6？是否还有免费的支持 IPv4 的云服务？我们来逐一分析一下。

### 开启 IPv6 会有什么好处？
首先，IPv4 与 IPv6 的区别，已经是老生常谈了。IPv4 是 32 位的寻址方案，它最多可以支持 43 亿个网络地址，通常以四个十进制的数表示，每个数值范围从0到255，一个完整的IPv4地址大概是这样：192.168.1.1，大家都应该非常熟悉。但是，43 亿个网络地址，在全球联网设备疯狂增长的背景下，已经远远不够用了。而IPv6地址空间则有3.4 x 10^38个，可以满足未来很长一段时间的互联网发展需求。

另外，IPv6 还有一些优势，比如IPv6的地址长度更长，包含更多信息，能够提高路由效率和网络速度，减少网络拥堵和延迟。而且IPv6具有更好的安全性和防护性，可以对网络攻击和黑客入侵进行更好的防范。

### 那为什么 IPv6 迟迟难以普及？
首先，IPv4 已经成为了主流的互联网协议，绝大部分的设备、应用都是基于 IPv4 构建的。而且，IPv4 和 IPv6 是不兼容的协议，如果用户的设备和应用程序只支持 IPv4，那么它们无法与 IPv6 设备进行通信。而且对于整个行业来讲，IPv4升级IPv6可不像系统升级这么简单，涉及到终端、传输路径等各层面的软硬件升级。这就需要时间。

### 什么应用不适合使用 IPv4，更适合使用 IPv6？

对于许多新的应用和服务，尤其是那些需要大量用户连接的应用，如社交媒体、云计算、物联网（IoT）等，IPv4已经无法满足需求。这些应用通常需要大量的IP地址来支持其用户基础，而IPv4地址的短缺显然会限制业务的扩展和增长。

此外，IPv4还存在一些技术上的限制，例如它不支持一些现代网络技术的需求，如服务质量（QoS）、安全性、移动性等。因此，一些新的应用和服务可能选择使用IPv6（Internet Protocol version 6）来避免这些问题。IPv6使用128位地址，提供了更大的地址空间和更好的技术支持，可以满足现代互联网应用的需求。

### 将 IPv4 切换为 IPv6，会带来什么影响？
由于 IPv4 开始收费，可能有些开发者会考虑切换到 IPv6。那么需要考虑一些问题。

假设你开发的是一个应用程序，那么将应用程序的云服务配置从 IPv4 切换到 IPv6 可能会对用户产生一些影响，具体取决于用户的网络环境和设备兼容性。以下是可能的影响：

- 兼容性问题： 尽管IPv6已经存在了一段时间，但仍然有一些网络和设备可能不完全支持IPv6。这意味着一些用户可能会在访问您的应用程序时遇到连接问题或性能下降。
- 网络延迟： 如果用户的网络服务提供商（ISP）在IPv6部署方面存在问题或延迟，可能会导致连接速度变慢或连接不稳定。
- DNS解析问题： 一些用户的DNS服务器可能不正确地解析IPv6地址，这可能会导致连接问题。
- 应用程序代码的修改： 您的应用程序代码可能需要进行一些修改，以确保它能够正确地处理IPv6地址。例如，在代码中确保适当地处理IPv6地址的表示和解析。
- 测试和调试： 切换到IPv6需要进行充分的测试和调试，以确保您的应用程序在IPv6环境中能够正常工作。
- 性能变化： 在某些情况下，IPv6可能会提供更好的性能和更快的连接速度，但这取决于网络和设备的情况。
- 用户需要额外配置：部分用户终端默认状态下并未支持 IPv6，需要进行一些设置，才能正确解析IPv6地址。

所以开发者最好还是根据用户的设备、网络情况，制定相应方案，而且开发者应该向用户提供适当的通知，告知他们应用程序将进行IPv6切换，并说明可能的影响和改变。如果可能的话，开发者可以逐步实施IPv6切换，而不是一次性地进行切换。这样可以更好地管理和解决潜在的问题。

### DigitalOcean 云服务免费为开发者提供 IPv4 与 IPv6
目前 DigitalOcean 的虚拟服务器实例Droplets（云服务器）支持 IPv4 与 IPv6。开发者可以在创建 Droplet 时或创建后在 Droplet 上启用 IPv6。在创建 Droplet 期间启用 IPv6 会自动配置 Droplet 的网络接口。

DigitalOcean 为开发者提供的IPv4与 IPv6 均不收取费用。不仅如此，DigitalOcean 的服务器定价普遍低于其他云服务厂商定价10%以上。

在价格亲民的同时，DigitalOcean 的性能也不逊于 AWS、Google Cloud 等云服务，阅读AWS 或 DigitalOcean – 哪个云平台最适合你？。在一项性能基准测试研究中，DigitalOcean 在性能方面的表现出色。该研究报告比较了主流云服务提供商在相似花费水平下的虚拟机（VM）性能。相比于 AWS 和 Google Cloud，在每花费一美元的 CPU 性能方面，DigitalOcean 要高出其它同类产品近40%，甚至50%以上。

small_IPv4-vs-Ipv6-for-business.png

thumbnail_IPv4-vs-Ipv6-for-business.png

xsmall_IPv4-vs-Ipv6-for-business.png

IPv4-vs-Ipv6-for-business.png

开启使用 IPv6 对开发者目前的业务会带来什么影响？开发者是否有必要在最开始配置服务时就开启 IPv6？是否还有免费的支持 IPv4 的云服务？我们来逐一分析一下

AWS Lightsail 的 IPv4 开始收费！跨境云服务IP 地址应该选哪种？

OpenAI 的首批开源 GPT 模型（200 亿和 1200 亿参数）现已登陆 Gradient AI 平台。此次发布让开发者在构建 AI 应用时拥有更高的灵活度和更多选择，无论是快速原型还是大规模生产级智能体，都能轻松上手。

**新特性**

开源 GPT 模型：可直接在 Gradient AI 平台调用 gpt-oss-20b 与 gpt-oss-120b。 

代码 + UI 双支持：既可通过 Serverless Inference API 调用，也可在创建智能体时于控制台直接选择，或在模型沙盒中实时体验。 

一体化体验：统一计费、可观测性与可追溯性，无需再整合多家供应商、账单或监控工具。

**两种方法进行部署**

通过代码方式：通过 Serverless Inference API 直接调用。
```
   import os
    import sys
    from gradient import Gradient

    model_access_key = os.environ.get("GRADIENT_MODEL_ACCESS_KEY")

    if not model_access_key:
        sys.stderr.write("错误：未设置环境变量 GRADIENT_MODEL_ACCESS_KEY。\n")
        sys.exit(1)

    inference_client = Gradient(model_access_key=model_access_key)

    inference_response = inference_client.chat.completions.create(
        messages=[
            {
                "role": "user",
                "content": "为一款环保水瓶写一段产品描述。",
            }
        ],
        model="openai-gpt-oss-20b",
    )

    print(inference_response.choices[0].message.content)
```

通过用户界面的方式：进入「创建智能体」页面，在模型下拉框中选择 gpt-oss-20b 或 120b 即可。


![wechat_2025-08-22_111136_269.png](https://blog.aidroplet.com/uploads/wechat_2025_08_22_111136_269_9f45cfa345.png)

基于DigitalOcean Gradient AI平台与gpt-oss，可构建的场景包括：

*   基于自有知识库训练的客户支持智能体 

*   成本优化的内容生成工具 

*   兼顾性能与价格的 AI 应用

    

本次发布让 Gradient AI 平台朝着「最简单、最灵活的生产级 AI 应用构建方式」又迈进了一步。在 Gradient AI 平台上，我们提供了包括 H200、H100、MI325X、MI300X、L40s 等一系列 GPU 按需实例与裸金属服务器，如需了解详情，可咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com)。


large_images-13.png

medium_images-13.png

small_images-13.png

thumbnail_images-13.png

xsmall_images-13.png

images-13.png

Gradient AI 平台上线 OpenAI 开源 gpt-oss-20b/120b，支持快速部署

DigitalOcean Gradient AI平台现已支持OpenAI gpt-oss 

DigitalOcean 继三月更新之后，又推出一系列全新的托管 Kubernetes 功能，让你从产品中获取更高价值——包括全新支持的 Droplet 类型、可将节点自动缩容至零的能力等。下面一起快速了解这些功能及其如何为你的 Kubernetes 环境与业务带来益处。

## DigitalOcean Kubernetes 现已支持新型号 GPU Droplet

你现在可以在 DigitalOcean Kubernetes 托管服务（简称：DOKS）上运行 GPU 加速工作负载，支持最新 NVIDIA 与 AMD GPU Droplet 类型。这些实例专为 AI/ML 训练与推理、图像/视频处理等计算密集型场景设计。通过原生 GPU 节点支持，你既能享受容器的灵活性，又能获得高性能 GPU 的算力，并完全融入 DOKS 体验。新增 GPU Droplet 型号如下：

| GPU Droplet 型号                     | 说明                                                                                                |
| ---------------------------------- | ------------------------------------------------------------------------------------------------- |
| NVIDIA RTX 4000 Ada Generation GPU | 高性价比的单卡 GPU，适用于内容创作、3D 建模、渲染、视频及推理工作流，兼具性能与能效。                                                    |
| NVIDIA RTX 6000 Ada Generation GPU | 基于 Ada Lovelace 架构，配备第三代 RT Core、第四代 Tensor Core、48 GB 显存，适用于渲染、虚拟工作站、AI、图形与高性能计算。                |
| NVIDIA L40s GPU                    | 可支持 8 卡的 L40S Tensor Core GPU，单卡 48 GB 显存，集成第四代 Tensor Core、第三代 RT Core 与 DLSS 3.0，适用于图形、渲染与视频串流。 |
| AMD MI300X GPU                     | 面向高级 AI 推理与 HPC 工作负载的高性能 GPU，整合强大计算核心与高带宽内存，加速机器学习、数据分析与科学仿真，具备卓越效率与可扩展性。                         |

## 节点池支持缩容至归零

该功能允许节点池在无活跃工作负载时自动缩容至零节点。当节点池空闲，即停止计算计费，非常适合开发/测试环境、按业务时段波动的应用，或使用 GPU/CPU 优化型节点池的间歇性任务。主要特性包括：

1.  节点池最小节点数可设为 0

    1.  通过 UI、CLI 或 API 一键设置 min-nodes=0

    1.  与现有自动扩缩容配置无缝集成

    1.  可精确控制哪些节点池允许缩容至零，实现更高自定义

        

1.  自动扩缩容

    1.  自动检测待调度 Pod，按需动态扩容，保障可用性

    1.  当相关节点池被需要时，Cluster Autoscaler 即时拉起节点，实现基础设施的弹性伸缩

        

1.  成本优化

    1.  空闲节点池零计费，节省开支

    1.  对开发、测试及资源需求波动的场景尤为有利

    1.  实现真正的按使用付费，让 Kubernetes 成本与用量精准对齐

        

现在即可启用真正的按需基础设施，仅在计算资源被实际使用时付费。

## DigitalOcean Kubernetes 已登陆专为 AI 优化的亚特兰大数据中心（ATL1）

DigitalOcean 最新的为 AI 优化过的数据中心 ATL1（位于美国佐治亚州亚特兰大-道格拉斯维尔）已全面上线，你可在美东南地区部署全托管 Kubernetes 集群。作为 DigitalOcean 最新且规模最大的数据中心，ATL1 专为高密度 GPU 基础设施打造，面向 AI/ML 工作负载优化。对于延迟敏感型应用、AI/ML 推理任务及区域化部署，可获得更快响应、更低数据传输延迟与更优性能。

## DigitalOcean Kubernetes Routing Agent 正式发布（GA）

DigitalOcean 宣布 DOKS Routing Agent 全面可用（GA）。这是一款全托管方案，可简化 Kubernetes 集群中的静态路由配置。通过 Kubernetes 自定义资源，你可以轻松定义自定义路由、在多个网关间使用 ECMP 等价多路径路由，并在不中断连接的情况下覆盖默认路由。你还可通过标签选择器将路由精准下发到指定节点，适用于 VPN 集成、自定义出口路径及自管 VPC 网关等场景。如需深入了解，请查阅 DigitalOcean [三月发布的博客文章](https://mp.weixin.qq.com/s/7aBtGYj-xN_twp3W1QLg4A)。

DigitalOcean 诚挚推出以上新功能，助你以更快、更高效的方式构建、部署并扩展应用，同时在 Kubernetes 上不断拓展可能性。如果你需要了解更多产品与功能服务的信息，或需要技术支持，欢迎直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)。

medium_wechat_2025-07-29_142545_697.jpg

small_wechat_2025-07-29_142545_697.jpg

thumbnail_wechat_2025-07-29_142545_697.jpg

xsmall_wechat_2025-07-29_142545_697.jpg

wechat_2025-07-29_142545_697.jpg

Kubernetes托管服务支持RTX4000/6000/L40S/MI300X，节点可缩容至零，托管路由Agent GA上线

助力高效构建与应用部署，DigitalOcean Kubernetes 四项新功能上线

使用过DigitalOcean GPU Droplet 服务器的用户应该对我们的一键模型部署功能不陌生。DigitalOcean 的**一键模型部署 (1-Click Models)**  功能是 DO 为开发者和企业提供的一种便捷方式，用于快速部署和运行预训练的生成式 AI 模型，尤其是大型语言模型 (LLM)。这项功能是 DigitalOcean 与 Hugging Face 合作的成果，旨在简化 AI 模型的部署流程，让用户无需复杂的配置即可开始构建 AI 应用。

**一键模型部署 (1-Click Models)**  功能支持多种开源大语言模型，包括LLama、DeepSeek等。现在，该功能又迎来了一位新成员——百度开源的多模态模型 ERNIE 4.5 21B。

## ERNIE 4.5 21B 是什么？

ERNIE（Enhanced Representation through kNowledge IntEgration）4.5-21B-A3B-Base 标志着大语言模型的重大飞跃。该模型源自百度长期深耕的研究成果，因其独特的知识增强架构而备受瞩目，可在复杂自然语言处理任务中展现稳健表现，涵盖高阶文本生成、细腻对话 AI 以及全面摘要。其将真实世界知识融入理解过程的能力使其脱颖而出，成为解决复杂 AI 场景的理想选择。在 DigitalOcean 上部署 ERNIE 4.5-21B，即可在无需繁琐基础设施配置的情况下，快速原型化并扩展超越表层文本处理的 AI 应用。

## ERNIE 4.5 21B 实战：用 Python 实现中英快速互译

ERNIE 4.5-21B 以先进的多模态能力（支持文本、图像、音频、视频）和卓越的计算效率广受好评，既能显著降低 AI 基础设施部署成本，又能维持高性能表现。

我们特意对其翻译能力进行实测：借助 ERNIE 4.5 一键式 GPU Droplet，仅需片刻即可将英文文档逐行精准翻译为中文。这一高效逐行翻译方案还可扩展至 Markdown、DOC 等多种文件格式。

# 为何选择 DigitalOcean 一键式模型？

-   即时部署：一键启动，无需手动安装。
-   性能优化：GPU Droplet 提供强劲、高性价比的 AI 算力。
-   无缝扩展：随业务增长轻松扩缩容。
-   开发者友好：通过 DigitalOcean 云控制台即可直观部署。
-   热门模型云集：DeepSeek、Meta、Mistral、Google 等应有尽有。

## 如何在 DigitalOcean 上部署 ERNIE 4.5-21B-A3B Base

只需几步即可通过一键式模型启动 ERNIE 4.5：

1、登录 DigitalOcean 云控制台，进入“一键式模型”页面。

![image-13.png](https://blog.aidroplet.com/uploads/image_13_52b480b1bd.png)

2、在可用模型中选择 ERNIE。

![image-12-2.png](https://blog.aidroplet.com/uploads/image_12_2_b928464d81.png)

3、目前 ERNIE 仅支持 NVIDIA H100，系统将自动使用该 GPU 配置。

![image-11-2.png](https://blog.aidroplet.com/uploads/image_11_2_615b8c915a.png)

点击“部署”，数分钟内即可运行！

## 与数千名开发者一起，用一键式模型把精力投入创新

DigitalOcean 的一键式模型让你以前所未有的速度集成前沿 AI（如 ERNIE 4.5-21B-A3B-Base）。无论你正在探索科研新边界、构建智能聊天机器人，还是开发高级内容生成工具，仅需一键，即可突破 AI 开发极限。

如果你想进一步了解DigitalOcean GradientAI平台，或平台中的 GPU Droplet服务器，可直接咨询[DigitalOcean中国区独家战略合作伙伴卓普云（AIDroplet.com）](https://www.aidroplet.com/)。

large_images-28-2.png

medium_images-28-2.png

small_images-28-2.png

thumbnail_images-28-2.png

xsmall_images-28-2.png

images-28-2.png

一键部署ERNIE-4.5-21B-A3B上线H100 GPU服务器

DigitalOcean 一键模型部署，新增支持百度开源大模型ERNIE 4.5 21B

DigitalOcean 始终致力于为开发者和数字原生企业提供最强大、最易用的工具，以推动 AI 创新。继上个月推出 AMD Instinct™ MI300X GPU Droplets 云服务器后，我们激动地宣布下一代 AI 加速器——AMD Instinct™ MI325X 现已上线 DigitalOcean 云平台！

## AMD Instinct™ MI325X GPU 为何具有颠覆性？

基于先进的 AMD CDNA™ 3 架构，AMD Instinct™ MI325X 专为 AI 工作负载打造，可在大模型训练、微调、推理及高性能计算（HPC）中提供卓越性能。这些 GPU 现已作为 [GradientAI GPU Droplets](https://www.aidroplet.com/product/gpu/) 提供，即开即用的强大虚拟机，部署简单。

MI325X 的核心优势，助你加速复杂计算、让推理任务更快运行，并带来更高的灵活性与可控性：

-   内存容量与带宽：配备 256 GB HBM3E 显存和 6.0 TB/s 带宽，MI325X 可将超大模型完整载入显存，显著减少跨 GPU 拆分模型的需求，加速复杂运算。与前代相比，内存容量提升 1.8 倍，带宽提升 1.3 倍。
-   AI 推理性能加速：MI325X 的峰值理论 FP16 与 FP8 计算性能比竞品高出 1.3 倍，让你的 AI 模型运行更快、更高效，尤其适合推理场景。
-   ROCm™ 软件平台：全面支持 AMD ROCm™ 开放软件平台，帮助开发者构建和部署强大的 HPC 与 AI 系统。开放生态赋予你所需的灵活性与控制力。

## DigitalOcean MI325X GPU Droplets 服务器的优势

将 AMD Instinct™ MI325X GPU 融入 DigitalOcean 生态，你将继续享受一贯的简洁、经济、可扩展：

-   简化部署：直观的平台让 AI 基础设施的开通和管理易如反掌，让你专注于应用开发，而非繁琐配置。
-   高性价比：合约价仅 1.69 美元/GPU/小时起，并提供单卡及八卡灵活配置，按需优化成本。
-   无缝集成：MI325X GPU Droplets 可直接融入现有 DigitalOcean 项目，并可与我们的 Kubernetes 服务联动。
-   企业级可靠：享有企业级 SLA、符合 HIPAA 和 SOC 2 合规认证，建立在 DigitalOcean 可信云基础设施之上，安心无忧。

![image-10-2048x1189.png](https://blog.aidroplet.com/uploads/image_10_2048x1189_71c5caae75.png)

DigitalOcean MI325X GPU Droplet 服务器预留实例仅需1.99美元/GPU/小时。

与此同时，DigitalOcean 提供包括AMD MI325X、MI300X，以及 NVIDIA H100、RTX 6000 Ada、RTX 4000 Ada、L40S 等多种型号的 GPU Droplet 服务器。我们致力于普及 AI，赋能数字原生企业无界限地构建、扩展与创新。对于有长期租用GPU 需求的企业，还可享受优惠，详情可直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/product/gpu/)。

medium_WX20250721-151435@2x.jpg

small_WX20250721-151435@2x.jpg

thumbnail_WX20250721-151435@2x.jpg

xsmall_WX20250721-151435@2x.jpg

WX20250721-151435@2x.jpg

256 GB HBM3E、6 TB/s带宽，合约价1.69美元/时，单卡/8卡任选

DigitalOcean 云平台上线 AMD MI325X GPU Droplet 服务器

过去三年，AI的应用场景从科研实验室迅速走向产业落地。大语言模型（LLM）、图像生成、推荐算法、语音识别等技术几乎在所有行业都有探索。对中国企业而言，“出海”已经不再只是一个战略选项，而是业务生存与增长的必然选择。

  


然而，出海过程中的一大技术难题是——算力成本。训练与推理都需要GPU，但顶级GPU（如H100、MI300X）的租用价格高昂，动辄数十美元/小时，并非所有企业都能承受。尤其是对于希望快速试错、迭代产品的中型企业，过度投入不仅会拖慢节奏，还可能让预算失衡。

  


这就引出了一个关键问题：**在海外云** **GPU** **租用场景中，哪些中端GPU能在性能与价格之间找到最佳平衡？**

  


目前，在海外云GPU市场中，被用户对比最多的就是[DigitalOcean的GPU Droplet服务器](https://www.aidroplet.com/product/gpu)。因为其GPU型号丰富，且价格普遍低于其他云平台。

  


本文将聚焦 **RTX 4000** **Ada** **、A4000 和 A5000** 三款NVIDIA中端GPU，并结合 **DigitalOcean GPU** **云服务器** 的实际租用方案，为中国企业技术决策者提供一份深入评测和选型指南。如需了解“[高性能AI推理与工作站GPU](https://blog.aidroplet.com/tutorialsdo-h200-h100-mi300x-mi325x)”与“[AI 训练最佳GPU选型](https://blog.aidroplet.com/tutorialsdo-l40s-rtx4000-rtx6000)”可阅读我们前两篇相关文章。

  


## 结论先行：谁是中端性价比之王？

  


在技术文章中，很多人喜欢把结论放到最后。但对于 CTO 和技术负责人而言，最关心的往往是：**到底选哪一款？**

所以我们先把结论摆出来：

-   如果你的业务以**大模型** **推理**为主，对能效比敏感，**RTX 4000** **Ada** 会是最优选择。
-   如果你的企业正在进行中等规模的训练任务，同时又要兼顾推理，**A4000** 的均衡性价比很适合。
-   如果你的团队已经走到规模化部署阶段，需要更大显存和更稳健的算力池，**A5000** 是一个保险的选择。

换句话说，**RTX 4000** **Ada** **是性价比最佳的入门选项**，A4000 则是探索期企业的“平衡点”，A5000 适合已经跑通商业模式、需要稳定扩张的团队。当然，如果你追求更高的性能，可以考虑 DigitalOcean 的其他 GPU ，比如 RTX 6000 Ada、H100、H200、MI300X或 MI325X等。

  


  


## 产品定位与应用场景

  


### DigitalOcean GPU产品线定位

  


相比AWS、GCP、Azure等传统巨头，DigitalOcean的定位更轻量化，强调“中小企业友好”，提供透明定价和简单易用的控制台。对于正在出海的中国AI企业，这意味着**更低的学习成本与更可预测的开支**。

  


在DigitalOcean GPU产品线中，RTX 4000 Ada、A4000 和 A5000处于“中端核心区间”：

  


-   既不像H100那样高不可攀

-   也不像T4那样性能不足

    -     


这三款显卡，正好覆盖了“推理优化—中型训练—企业级稳定算力”三类典型需求。

  


### 三款GPU典型应用场景

  


**RTX 4000** **Ada**：更适合推理型任务，例如部署 LLM 推理服务、语音识别、实时对话机器人。它的优势在于高能效和较低成本。

**A4000**：定位中间层，既能跑一些中等规模的训练任务，也能承担推理或图像生成任务，适合科研和产品迭代期。

**A5000**：显存更大，训练空间更宽裕，尤其适合已经有稳定业务量的团队去支撑规模化服务。

### AI企业出海GPU选择的考量维度

  


很多CTO在算力选型时会先画一张“风险矩阵”。横轴是**预算**，纵轴是**未来扩展性**。GPU放在哪个位置，直接影响了企业未来半年到一年的技术路径。

-   成本能否承受？——算力账单会不会压垮现金流？
-   是否可扩展？——GPU能不能支撑接下来几轮迭代？
-   稳定性如何？——平台能否保证出海部署的服务质量？

  


## 参数对比与架构分析

  


### 三款GPU核心参数对比

  


| GPU型号        | 架构           | CUDA核心数 | 显存容量 | 显存类型  | 显存带宽     | FP32算力      | 功耗 (TDP) |
| ------------ | ------------ | ------- | ---- | ----- | -------- | ----------- | -------- |
| RTX 4000 Ada | Ada Lovelace | 6,144   | 20GB | GDDR6 | 360 GB/s | 26.7 TFLOPS | 160W     |
| A4000        | Ampere       | 6,144   | 16GB | GDDR6 | 448 GB/s | 19.2 TFLOPS | 140W     |
| A5000        | Ampere       | 8,192   | 24GB | GDDR6 | 768 GB/s | 27.8 TFLOPS | 230W     |

  


（数据来源：NVIDIA官网）

由于三款GPU发布的时间不同，它们采用了两种不同的架构与工艺。

-   **Ada Lovelace (RTX 4000 Ada)** ：更先进的工艺，能效比大幅提升。在推理任务中，单位功耗下的算力表现更优。

-   **Ampere (A4000/A5000)** ：显存更大、更宽，适合训练复杂模型。尤其是A5000，其24GB显存几乎是4000 Ada的“推理专用”定位所无法替代的。

    -     


可以这样理解：

-   如果你是要部署一个7B或13B参数规模的LLM推理服务，RTX 4000 Ada足够了。
-   如果你需要做模型训练实验，A4000是一个中庸之选。
-   如果你要跑20B级别以上的模型或者需要更大batch size，A5000更靠谱。

  


* * *

  


## 性能分析与实测参考

  


### 推理任务表现

在推理场景下，功耗与能效比往往比单纯算力更重要。第三方测试显示（来源：MLPerf社区），**RTX 4000** **Ada** **在Llama-2 7B的推理上，表现接近 A5000，但功耗却只有后者的70%左右**。

对一个准备在海外跑多实例服务的企业来说，这意味着什么？意味着你可以在同样的电力预算下，部署更多节点，从而获得更大的吞吐量。

### 训练任务表现

如果场景转向训练，差异就很明显了：

-   **A4000**：16GB显存，跑中等规模CV任务或小型Transformer时够用。
-   **A5000**：24GB显存，能支撑更大的batch size和更复杂的模型，训练效率比A4000高出20%左右（来源：NVIDIA开发者论坛）。
-   **RTX 4000** **Ada**：带宽受限，在训练场景下表现一般，更适合推理集群。

### 混合负载

如果企业既要训练又要推理，那A4000是折中的方案。而A5000则更适合已经形成稳定负载的团队。RTX 4000 Ada的最佳角色，则是作为推理集群的“前端算力单元”。

  


  


## 六、预算与性价比分析

  


## 海外云GPU租用价格走势

算力选择的核心，不只是跑得快，还要看“算得过”。很多企业在出海时最大的担忧是：GPU账单会不会失控？

根据2025年8月DigitalOcean官网定价：

-   **RTX 4000** **Ada** **：$0.76/小时**
-   **A4000：$0.76/小时**
-   **A5000：$1.38/小时**

  


相比AWS、GCP的同类GPU租用价格（通常比 DigitalOcean 高出30–50%），DigitalOcean在中端GPU上的确具有明显的性价比优势（来源：DigitalOcean官网，AWS EC2定价页面）。而相比Linode来讲，DigitalOcean又能提供更多GPU型号可供选择，因为Linode在同类型GPU中仅能提供RTX 4000 Ada。

  


在 DigitalOcean 的 GPU 云服务中，几款中端 GPU 型号的租用配置如下：

-   **RTX 4000** **Ada**

    -   按需价格：$0.76/小时
    -   vCPUs：8 核
    -   CPU 内存：32GB
    -   存储：500GB（自动扩展）

-   **NVIDIA A4000**

    -   按需价格：$0.76/小时
    -   vCPUs：8 核
    -   CPU 内存：45GB
    -   存储：50GB–2TB 可选

-   **NVIDIA A5000**

    -   按需价格：$1.38/小时
    -   vCPUs：8 核
    -   CPU 内存：45GB
    -   存储：50GB–2TB 可选

  


AWS、GCP、Azure虽然生态丰富，但价格偏高、架构复杂。对于希望快速上线、节省成本的中国AI企业，DigitalOcean GPU对比之下显得更灵活轻量。

DigitalOcean GPU的差异化优势：

-   **简单易用**：控制面板友好，学习成本低。
-   **透明定价**：避免AWS、GCP复杂的“隐藏费用”。
-   **全球网络**：覆盖欧美及东南亚，适合中国企业出海业务落地。

  


对于中国企业来说，最大的难题往往不是GPU本身，而是如何解决跨境支付、合规与本地化支持。[卓普云作为DigitalOcean中国区独家战略合作伙伴](https://www.aidroplet.com/product/gpu)，为出海企业提供中文技术支持和合规咨询，减少了技术团队在非核心问题上的消耗。而且，DigitalOcean 不仅支持信用卡，还支持支付宝、Paypal等支付方式，方便中国出海企业使用。

 


## 选型建议

回顾全文，我们可以给出一个简单但清晰的决策建议：

-   如果你是初创企业，业务重心在推理，选择 **RTX 4000** **Ada**。
-   如果你需要平衡训练与推理，选择 **A4000**。
-   如果你已经有稳定客户和规模化部署需求，选择 **A5000**。

对AI企业出海而言，GPU不仅是一个技术选择，更是一种商业决策。它关系到企业的试错节奏、现金流安全，以及未来半年到一年的技术迭代路径。

而在海外云GPU租用市场中，**DigitalOcean提供了一个兼具透明、简洁与性价比的选项**，这对于中国企业出海来说，意义非凡。

small_images-1.jpeg

thumbnail_images-1.jpeg

xsmall_images-1.jpeg

images-1.jpeg

DigitalOcean 上 RTX 4000 Ada、A4000 与 A5000 的性能与价格差异，结合海外云GPU租用场景，为中国AI企业出海提供性价比最佳的GPU选型指南。

DigitalOcean GPU 选型指南（三）：中端AI GPU性价比之王 RTX 4000 Ada、A4000、A5000

随着人工智能技术的飞速发展，无论是**AI** **推理**、大规模生成式AI应用，还是复杂的三维渲染、专业视频处理与虚拟桌面场景，都对GPU的性能提出了前所未有的要求。过去，大家热衷于追逐H100或H200等专为极致训练设计的超级卡皇，但对于绝大多数企业和开发者而言，更具性价比、能效比和显存容量的平衡型GPU才是理想之选。

在上一篇文章中，我们从AI训练需求的视角，对比了[DigitalOcean 平台上H100、H200与AMD MI300X/MI325X的服务器配置、GPU性能与价格](https://blog.aidroplet.com/tutorialsdo-h200-h100-mi300x-mi325x) 。

本文将深入探讨三款在 [DigitalOcean 云平台上备受关注的高性能 GPU](https://www.aidroplet.com/product/gpu)：**DigitalOcean L40s**、NVIDIA **RTX 6000** **Ada**与上一代旗舰**A6000**。我们将全面剖析它们的性能、定位与成本效益，尤其是在**GPU** **云服务**领域的表现。值得一提的是，这三款GPU均可在**DigitalOcean**上按小时租用，这无疑为我们提供了巨大的灵活性，无需一次性投入数万美元购买昂贵硬件。

## 定位与应用场景概述

要做出明智的硬件选择，首先需要明确每款GPU的核心定位与最适合的应用场景。

-   **NVIDIA L40s：** 作为为数据中心优化而生的GPU，**L40s**主攻AI推理、大规模生成式AI模型的快速响应与多路视频处理。其架构专为提升推理吞吐量而设计，是追求极致性价比与效率的AI工作负载首选。
-   **NVIDIA RTX 6000 Ada：** 这是一款真正的全能型工作站旗舰卡，它在AI推理与专业渲染之间实现了完美的平衡。无论是训练AI模型、进行复杂的3D渲染，还是运行CAD/CAE软件，**RTX 6000 Ada**都能提供顶级的性能与驱动优化支持。
-   **NVIDIA A6000：** 作为上一代Ampere架构的旗舰，**A6000**凭借其高达48GB的巨大显存容量，在今天依然具备强大价值。它特别适合处理超大场景加载、高分辨率渲染以及对显存有严苛要求的兼容性工作。

## 核心参数深度对比

为了更直观地展示这三款GPU的差异，我们整理了以下对比。这里的价格来自 **DigitalOcean** 云平台，该平台的价格相对其它一线云平台更加便宜，且无隐形费用。而且，在你的出站流量超出免费额度之后，DigitalOcean 的所有区域的出站流量费用均为0.01美元/GB，比绝大多数云平台的价格都要便宜。这对于 AI 推理业务来讲，可以节省大量成本。所以它提供了一个极具参考价值的**GPU** **云服务**成本视角。

-   **NVIDIA L40s**

    -   **架构:** Ada Lovelace
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 18,176
    -   **Tensor** **Core (代):** 第4代（568）
    -   **单精度 / FP32 性能:** 91.6 TFLOPS
    -   **Tensor** **性能 (FP8):** 1,466 TFLOPS
    -   **功耗 (最大** **TDP** **):** 350 W
    -   **DigitalOcean 价格 ($/小时):** $1.57

-   **NVIDIA RTX 6000 Ada**

    -   **架构:** Ada Lovelace
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 18,176
    -   **Tensor** **Core (代):** 第4代（568）
    -   **单精度 / FP32 性能:** 91.1 TFLOPS
    -   **Tensor** **性能 (FP8):** 1,457 TFLOPS
    -   **功耗 (最大** **TDP** **):** 300 W
    -   **DigitalOcean 价格 ($/小时):** $1.57

-   **NVIDIA A6000**

    -   **架构:** Ampere
    -   **显存** **容量:** 48 GB GDDR6
    -   **CUDA** **核心数:** 10,752
    -   **Tensor** **Core (代):** 第3代（336）
    -   **单精度 / FP32 性能:** 38.7 TFLOPS
    -   **Tensor** **性能 (** **FP16** **):** 309.7 TFLOPS
    -   **功耗 (最大** **TDP** **):** 300 W
    -   **DigitalOcean 价格 ($/小时):** $1.89

## 应用场景性能分析

单纯的参数对比并不能完全反映实际性能。现在我们将结合DigitalOcean的定价，分析它们在不同场景下的真实表现。

**AI** **推理与** **生成式AI**

-   **L40s**：L40s的优势在AI推理场景下被放大。借助第四代Tensor Core，其FP8吞吐量高达1466 TFLOPS。需要说明的是，Ampere架构的A6000并不支持原生FP8，只能使用FP16进行推理运算，因此在相同任务下效率明显偏低。即便如此，L40s在FP8推理任务上的算力仍接近A6000的5倍。考虑到DigitalOcean上L40s的价格仅为1.57美元/小时，它在高吞吐量推理业务上的成本效益几乎无人能敌。
-   **RTX 6000** **Ada**：性能与L40s非常接近，但其专为工作站场景优化的驱动和功能，使其在兼顾AI与专业图形工作流时更具优势。
-   **A6000**：尽管拥有48GB显存，但由于架构较旧，其仅支持FP16推理，Tensor性能为309.7 TFLOPS，在效率和能效比上都不及新的Ada Lovelace架构。

**3D渲染与实时可视化**

-   **RTX 6000** **Ada**：在大多数专业渲染应用（如Blender、V-Ray、OctaneRender等）中，RTX 6000 Ada凭借Ada Lovelace架构和专为工作站优化的驱动支持，往往能展现出最佳的渲染性能。
-   **L40s**：L40s的渲染性能与RTX 6000 Ada十分接近，在大规模云渲染任务中甚至更具性价比。但在部分特定的专业渲染软件中，由于驱动适配的差异，可能略逊于RTX 6000 Ada。
-   **A6000**：48GB显存让A6000仍能轻松处理超大、超复杂的三维场景，这在高精度建模或影视后期制作中有价值。然而在纯粹的渲染速度上，它已明显落后于新一代Ada架构GPU。

**视频处理与虚拟桌面（** **VDI** **）**

-   **L40s**：凭借新一代NVENC/NVDEC硬件编码器以及强大的Tensor Core，L40s在多路视频处理、AI驱动的视频生成和超分辨率任务中具备明显优势。对云端视频推理服务来说，它是高性能且高性价比的选择。
-   **RTX 6000** **Ada**：在VDI场景中，其稳定的性能和全面的驱动优化为多用户并发提供了更好的一致性和流畅性，尤其适合需要高质量图形渲染与远程交互并重的企业级应用。
-   **A6000**：依然适合需要加载大量纹理和数据的VDI应用，凭借大显存能维持一定优势。但在能效比与综合性能方面，已经不及新一代的Ada系列产品。

## 选型建议

在DigitalOcean的GPU云服务平台上，这三款GPU各具特色，为不同需求的用户提供了灵活的选择。

-   **AI** **推理核心开发者**：在DigitalOcean目前提供的GPU选项中，L40s凭借强大的FP8算力与合理的定价，成为大规模推理任务的高性价比首选。
-   **专业渲染与图形设计者**：RTX 6000 Ada在兼顾AI计算与图形工作流方面展现出最佳平衡，其顶级的渲染性能与成熟的驱动生态，使其特别适合对图形精度和稳定性有严格要求的用户。
-   **显存** **敏感型工作者**：虽然在架构与效率上落后于新一代产品，但A6000凭借48GB显存，在需要加载超大模型或复杂场景时依然有其应用价值，尤其适合预算有限但显存需求突出的任务。

如果您正在寻找一种灵活、可扩展且无需硬件维护的方式来驱动您的AI或图形工作流，强烈建议您在**DigitalOcean**上探索这三款GPU Droplets。按小时计费的模式让您能够以极低的门槛启动项目，并根据需求轻松扩容。现在就访问**DigitalOcean**，开始您的GPU云之旅吧！如果需要更进一步关于部署、配置等建议，可咨询[DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

DigitalOcean上适合AI推理与工作站的GPU服务器，以及价格

DigitalOcean GPU 选型指南（二）：AI 推理最佳之选，L40s、RTX 6000 Ada与A6000全解析

过去几年间，以大型语言模型（LLM）和生成式 AI 为代表的新浪潮席卷全球，对算力基础设施提出了前所未有的严苛挑战。从 GPT-4 到 Llama 3，参数量级的飞跃不仅意味着计算复杂度的几何级数增长，更直接推动了对高性能 GPU 的需求井喷。然而，对于大多数创新型企业和科研团队而言，自建 GPU 服务器集群不仅面临高昂的初始投资、漫长的采购周期，还要承担复杂的运维和折旧成本。

正因如此，像 DigitalOcean 这类按需、按小时付费的 GPU 云服务，正成为解决算力瓶颈的关键。它为开发者提供了一个无需承担重资产风险、灵活且高性能的计算平台。

目前，[DigitalOcean提供了超过18种GPU型号的Droplet云服务器](https://www.aidroplet.com/product/gpu)。有适合大语言模型训练、高性能AI推理的GPU，也有中端 GPU 性价比之王，也有一些更加便宜的GPU型号。我们将分为几篇文章，给大家介绍这些GPU的规格、价格以及适合的业务场景和预算。

本文将聚焦于 DigitalOcean 平台提供的顶级 AI 训练 GPU——NVIDIA H100、H200 以及 AMD MI300X/MI325X，深入对比它们的性能、价格与适用场景，帮助你做出最明智的选型决策。

> 注：文章中的数据基于2025年8月DigitalOcean官网信息，最终价格与优惠信息请最终咨询[Digitalocean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

### AI 训练旗舰 GPU 概览

#### NVIDIA H100

NVIDIA H100 是当前 AI 训练市场的现役旗舰，基于 Hopper 架构打造。它不仅仅是性能上的简单提升，更是为大模型时代量身定制的 GPU。 **核心优势**：H100 引入了**第四代** **Tensor** **Core** 和 **Transformer Engine**。其中，Transformer Engine 能利用 FP8 精度动态加速训练，在保证模型精度不降低的前提下，显著提升训练速度。在当前的大模型训练竞赛中，显存并非唯一的性能指标，但它往往决定了你能否在一台机器上完成端到端的训练流程。H100 的 80GB HBM3 显存使其足以胜任绝大多数中大型 LLM 的训练与微调任务。

#### NVIDIA H200

H200 可视为 H100 的全面升级版，其核心目标是进一步提升显存容量与带宽。 **核心优势**：H200 最核心的亮点在于其搭载了 **141** **GB** **的 HBM3e 显存**，并提供了高达 4.8 TB/s 的显存带宽。相比 H100，H200 在带宽与显存容量上的提升，使其在处理 1T 级别参数模型时的吞吐量提升可达 15% 至 20% [NVIDIA, 2024]。对于需要处理超大上下文窗口、或者进行大规模参数预训练任务的团队来说，H200 毫无疑问是性能的巅峰之选。

#### AMD Instinct MI300X

作为 AMD 在 AI 领域的重磅产品，MI300X 的策略是通过强大的显存容量来抢占市场。 **核心优势**：MI300X 最大的卖点是其高达 **192** **GB** **的 HBM3 显存**，这在单卡上几乎是前所未有的容量。对于预算有限但追求显存极限的项目，AMD MI300X（8x）在性价比上几乎无可匹敌。其庞大的显存容量使其特别适用于需要处理超大数据集、单卡部署大规模模型推理，或进行显存密集型训练任务的场景。

#### AMD Instinct MI325X

MI325X 是 MI300X 的新一代产品，是当前显存容量的巅峰代表。 **核心优势**：MI325X 将单卡显存容量推至了惊人的 **256GB HBM3e**，这打破了当前所有硬件的显存上限。对于寻求极致显存、进行突破性前沿科研，或者尝试训练超大规模、参数量极高的模型而言，MI325X 提供了几乎无限的可能。

### 核心参数与价格深度对比

为了让大家更直观地理解 DigitalOcean 提供的顶级 GPU Droplet 配置间的差异，我们基于官方数据，对每款产品的核心参数进行了详细梳理。以下列表重点展示了硬件配置，而价格信息可能随市场变动，请以 DigitalOcean 官网实时数据为准，或者直接咨询[DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

#### NVIDIA H100 单卡机型配置

-   **核心架构**：Hopper

-   **GPU** **显存**：80 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $3.39/小时
    -   **8卡集群**：按需 $23.92/小时

-   **典型适用场景**：中大型 LLM 训练与微调，尤其适合需要稳定、成熟生态的项目。8卡集群方案是进行超大规模 LLM 预训练和高性能计算 (HPC) 的理想选择。

#### NVIDIA H200 单卡机型配置

-   **核心架构**：Hopper

-   **GPU** **显存**：141 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：24 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $3.44/小时
    -   **8卡集群**：按需 $27.52/小时

-   **典型适用场景**：对显存和带宽要求极高的中大型 LLM 训练，突破性 LLM 预训练，以及前沿科研项目。H200 在显存和带宽上的显著提升，使其在处理大规模模型时能大幅缩短训练时间，从而在**AI 训练成本**上带来潜在优势。

#### AMD Instinct MI300X 单卡机型配置

-   **核心架构**：CDNA 3™

-   **GPU** **显存**：192 GB

-   **Droplet** **内存**：240 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **单卡**：按需 $1.99/小时
    -   **8卡集群**：按需 $15.92/小时

-   **典型适用场景**：超大模型单卡推理与训练，显存密集型大规模计算任务。AMD MI300X 的最大优势在于其极具竞争力的价格和巨大的显存容量，对于预算有限但追求显存极限的项目，其**性价比**几乎无可匹敌。

#### AMD Instinct MI325X 单卡机型配置

-   **核心架构**：CDNA 3™

-   **GPU** **显存**：256 GB

-   **Droplet** **内存**：164 GiB

-   **Droplet** **vCPU**：20 核

-   **本地存储**：720 GiB NVMe 启动盘，5 TiB NVMe 临时盘

-   **价格**：

    -   **8卡集群**：需联系[卓普云](https://www.aidroplet.com/)获取具体报价

-   **典型适用场景**：需要打破显存上限、进行前沿研究和超大规模模型训练的客户。MI325X 将单卡显存容量推至了惊人的 256GB，是当前显存容量的巅峰代表。

#### 价格与性能分析

-   **H100 vs H200**：H200 的价格略高于 H100，但其显存和带宽的提升能带来更显著的性能优势，特别是在处理大型模型时，可显著缩短训练周期，降低总体训练成本。
-   **NVIDIA vs** **AMD**：AMD MI300X 在价格上展现出强大的竞争力，尤其是在显存密集型任务上，其高显存容量与低成本的结合，使其成为追求高性价比的理想选择。
-   **单卡 vs 8卡集群**：对于绝大多数需要进行大规模训练的场景，**多卡集群**是更高效的选择。从价格上看，DigitalOcean 的 8 卡集群方案提供了更高的性价比，例如 H100x8 的单卡小时成本低于 H100 单卡，这是因为多卡集群在硬件和网络连接上经过了优化，能够提供更高的整体吞吐量。

### 如何根据项目需求进行精准选型？

在为 AI 训练项目选择 GPU 云服务时，单纯看型号和显存往往不足以做出最佳决策。在做GPU选型中遇到难题，也可以咨询[DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)的技术专家。

### 1. 明确模型规模与任务类型

-   **小于 70B 参数的模型**：多用于企业内部定制化微调、行业垂直领域应用，显存需求相对较低，H100 单卡或双卡即可胜任，且生态工具链成熟。
-   **70B–200B 参数的模型**：进入大模型预训练或全量微调阶段，显存与带宽成为瓶颈，H200 或 MI300X 的高显存配置可减少梯度累积轮数，提高吞吐效率。
-   **200B+ 参数的模型**：需使用多卡甚至多节点集群，显存利用率和 NVLink/Infinity Fabric 带宽将直接影响训练时间，推荐 H200×8 或 MI325X×8。

> 在当前的大模型训练竞赛中，显存并非唯一的性能指标，但它往往决定了你能否在一台机器上完成端到端的训练流程。

### 2. 预算与时间窗口的权衡

-   **高预算 & 紧迫时间表**：选择 H200 (8×) 或 H100 (8×)，单轮训练可显著缩短迭代时间，减少项目整体周期。
-   **预算有限但需高** **显存**：MI300X (8×) 以较低的每小时成本提供 1.5TB 显存，尤其适合长周期训练任务，在总成本控制上优势明显。
-   **探索性研发或概念验证（** **PoC** **）** ：可先在单卡 H100/H200 上完成小规模训练验证，待算法与数据集确定后再迁移至多卡集群。

### 3. 决策矩阵示例

-   **极致性能优先**：H200 (8×) → 适合时间敏感的超大规模训练
-   **显存** **容量优先**：MI325X (8×) → 满足 2TB 显存极限需求
-   **性价比优先**：MI300X (8×) → 长周期训练或显存密集型任务
-   **生态与稳定性优先**：H100 系列 → 工具链与社区支持成熟

### 你的 AI 训练旗舰GPU，就在 DigitalOcean

总而言之，DigitalOcean 提供了从 NVIDIA 的 H100、H200，到 AMD 的 MI300X、MI325X 的全方位顶级 GPU 选项，满足了从追求极致性能到追求高性价比的不同需求。无论你的项目规模如何，总能在这里找到最适合你的 AI 训练解决方案。

现在，是时候根据你的项目需求，在 DigitalOcean 平台上选择最适合你的 GPU Droplet，开启你的 AI 训练之旅了。**如果希望抢定GPU资源，或者在选型中遇到困难，可联系[DigitalOcean中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。**

large_images-8-2.png

medium_images-8-2.png

small_images-8-2.png

thumbnail_images-8-2.png

xsmall_images-8-2.png

images-8-2.png

解析DigitalOcean上的H100、H200与MI300X/MI325X GPU服务器

DigitalOcean GPU 选型指南（一）：AI 训练巅峰之选 H100、H200与MI300X/MI325X深度对比

在前不久，阿里通义千问发布了一系列 Qwen 模型。其中，**Qwen3-Coder** 是一个**智能体** **（agentic）** 的**专家混合（Mixture of Experts, MoE）** 模型，拥有 4050 亿总参数和 350 亿激活参数。它专为高性能编程辅助和多轮工具使用而设计。从 Kimi-K2 到 Qwen3-Coder，这两款模型在不到两周的时间内相继发布，这表明各团队正在积极地将专门的开源智能体编程模型推向开发者。Qwen3-Coder 的独特之处在于其较低的总参数量（例如，比 Kimi K2 的 1 万亿参数少）和令人印象深刻的基准测试表现。

Qwen3于今年五月发布，在其技术报告的结论中提到：“我们将致力于改进模型架构和训练方法，以实现有效的压缩、扩展至极长上下文等目的。此外，我们计划增加用于强化学习的计算资源，特别关注从环境反馈中学习的基于智能体的强化学习系统。”

七月发布的更新版Qwen3模型涉及预训练和强化学习（RL）阶段，它使用了修改版的**群组** **相对策略优化（Group Relative Policy** **Optimization** **, GRPO）** ，称为**群组序列策略优化（Group Sequence Policy Optimization, GSPO）** ，以及一个可扩展的系统，能够并行运行 2 万个独立环境。

**Qwen3 的部分特点：**

-   4050 亿参数的专家混合模型，其中 350 亿为激活参数
-   160 个专家，每个 token 激活 8 个
-   25.6 万 token 的上下文长度，使用 YaRN 可扩展到 100 万
-   在长程任务上 SWE-bench 验证得分很高（在 500 轮中得分为 69.6%，而 Claude-Sonnet-4 在 500 轮中为 70.4%）
-   使用群组序列策略优化进行训练
-   较小的 30B A3B Instruct 变体可在单个 H100 GPU 上运行
-   通义千问 Code CLI 作为 Gemini CLI 的分支开源

接下来，我们快速了解一下 Qwen3-Coder 内部结构，然后动手部署，让Qwen3 Coder跑起来。

## **模型概述**

-   **专家混合（MoE）** ：MoE 架构可以在增加模型规模和质量的同时降低计算成本。它采用稀疏的前馈神经网络（FFN）层（称为“专家”），并辅以一个门控机制，将 token 路由到 top-k 个专家，从而只激活每个 token 的一部分参数。
-   **4050 亿总参数，350 亿激活参数**：由于 Qwen3-Coder 采用 MoE 架构，因此存在总参数和激活参数。“总参数”包含模型内的所有参数总和，包括所有专家网络、路由器或门控网络以及共享组件，无论在推理过程中哪些专家被调用。这与“激活参数”不同，后者是指用于特定输入的参数子集，通常包括被激活的专家和共享组件。
-   **专家数量 = 160，激活专家数量 = 8**：这非常有趣，因为（点击链接）……
-   **上下文长度 = 25.6 万 token（原生），使用** **YaRN** **达到 100 万**：**YaRN（Yet another RoPE extensioN method）** 是一种计算高效的方法，用于扩展基于 Transformer 的语言模型的上下文窗口。它在 Qwen3-Coder 中的使用将其上下文长度扩展到了 100 万。
-   **GSPO（** **群组** **序列策略优化）** ：在通义千问的最新论文中，他们介绍了 GSPO，结果表明其训练效率和性能优于 GRPO（群组相对策略优化）。GSPO 稳定了 MoE 强化学习的训练，并有可能简化强化学习基础设施的设计。
-   在基准测试中，Qwen3-Coder 的表现令人印象深刻，其在 SWE-bench 验证上的得分为 67.0%，在 500 轮后增加到 69.6%。500 轮的结果模拟了更真实的编程工作流——模型可以读取反馈（如测试失败），修改代码，重新运行测试，并重复此过程直到解决方案生效。

## **部署运行**

接下来，我们采用一个较小变体 **Qwen3-Coder-30B-A3B-Instruct** ，来进行部署。从这个变体的名称，我们可以了解到，它的总参数为 300 亿，激活参数为 30 亿。instruct 表示它是基础模型的指令微调版本。它具体特性是这样的：

-   **参数数量**：305 亿总参数，33 亿激活参数
-   **层数**：48
-   **注意力头数（GQA）** ：Q 为 32，KV 为 4
-   **专家和激活专家数量**：128 个专家，8 个激活专家
-   **上下文长度**：262,144 个原生上下文（不使用 YaRN）

正如我们所见，这个特定模型的规格略有不同，但可以在单个 H100 GPU 上运行。

**第 1 步：设置 GPU Droplet**

首先设置一个 [DigitalOcean GPU Droplet](https://www.aidroplet.com/product/gpu)，选择 **AI** **/** **ML** 并选择 **NVIDIA H100** 选项。这里我们采用的是DigitalOcean 云平台的 GPU 服务器。目前在市场上，DigitalOcean 相对于其它大型云平台来讲，不仅 GPU 型号更加丰富，而且价格也相对更实惠。而且，DigitalOcean 云平台的产品更加简单易用。

运行 **Qwen3-Coder-30B-A3B-Instruct** 需要 80 GB 显存，所以你也可以选择 DigitalOcean 上的 A100 GPU。

另外，Qwen3 系列的旗舰版本Qwen3-235B-A22B，需要多卡并行才能完整运行，例如2-3张H100或1-2张H200显卡，如果你需要运行期间版本，那么也可以使用 DigitalOcean 上的H200 GPU，这些GPU都支持按需实例或裸金属服务器，详情可咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。


![ai-ml.png](https://blog.aidroplet.com/uploads/ai_ml_6eb6f48f10.png)

**第 2 步：Web 控制台**

GPU Droplet 加载完成后，你将能够打开 Web 控制台。

![web console.png](https://blog.aidroplet.com/uploads/web_console_fdef1a0303.png)

**第 3 步：安装依赖**

```
apt install python3-pip
pip3 install transformers>=4.51.0
```

**第 4 步：运行模型**

```
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-Coder-30B-A3B-Instruct"# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
prompt = "Write a quick sort algorithm."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=65536
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

content = tokenizer.decode(output_ids, skip_special_tokens=True)

print("content:", content)
```

**通义千问 Code：开源** **CLI**

**通义千问 Code** 是一个用于处理 Qwen3-Coder 模型智能体编程任务的开源命令行界面。它是 Gemini CLI 的一个分支，经过修改以与通义千问的能力无缝协作。

我们提供了安装 CLI、配置和使用 Qwen3-Coder 模型运行它的步骤。

**第 1 步：安装 Node.js（20 或更高版本）**

开始之前，请确保你的设备上安装了 Node.js 20+。

在你的终端中运行：

```
node -v
```

**第 2 步：安装通义千问 Code** **CLI**

Node.js 准备好后，全局安装通义千问 Code：

```
npm install -g qwen-code
```

这使得 `qwen-code` 命令可以在你系统的任何位置使用。

**第 3 步：获取** **API** **密钥**

从 openAI 获取一个 API 密钥。

```
export OPENAI_API_KEY="your_api_key_here"export OPENAI_BASE_URL="https://dashscope-intl.aliyuncs.com/compatible-mode/v1 "export OPENAI_MODEL="qwen3-coder-plus"
```

**第 4 步：Vibe Code**

在终端中输入 `qwen`，你就可以开始编程了。


![qwencode cli.png](https://blog.aidroplet.com/uploads/qwencode_cli_1c56029ebe.png)
对于使用 Qwen3-Coder 的其他方式，请查看通义千问 Coder 的博客文章。

## 最后思考

我们很高兴看到社区成员们玩转这些开源的智能体编程模型，如 Qwen3-Coder、Kimi K2、Devstral，并将它们整合到自己的工作流中。Qwen3-Coder 最令我们印象深刻的是其上下文窗口。它原生支持 25.6 万 token，并可扩展到 100 万，我们很期待看到该模型在实际软件工程用例中与其它开源模型相比有多有效。凭借其令人印象深刻的上下文窗口、可通过 Qwen3-Coder-30B-A3B-Instruct 访问的较小变体，以及通义千问 Code CLI 的推出，该模型有望为开发者提供强大的智能体编程辅助。

另外，你在DigitalOcean上，还可以通过“1-click model” 一键部署其他开源模型。如果你需要进一步了解DigitalOcean 上的 GPU或AI相关产品，可以咨询 [DigitalOcean 中国区独家战略合作伙伴卓普云aidroplet.com](https://www.aidroplet.com/)。

large_images-12.png

medium_images-12.png

small_images-12.png

thumbnail_images-12.png

xsmall_images-12.png

images-12.png

5分钟学会在H100 GPU Droplet上运行最新的开源AI编程模型。

从零开始：用Qwen3-Coder在H100上构建你的智能编程工作流

微调大型语言模型不再需要烧钱或对高端企业级基础设施的苛刻要求。像 [DigitalOcean GPU Droplet](https://www.aidroplet.com/product/gpu/) 这样经济实惠的云解决方案，配备了强大的 H100 或 RTX 6000 显卡，让开发者和小型团队能够完全掌控并自信地部署 AI 模型。无论你是构建更智能的聊天机器人、领域专用助手，还是仅仅探索生成式 AI 的能力，工具都比以往任何时候都更容易获取。真正的挑战是：寻找经济实惠、可靠的 GPU 资源，而且没有复杂的计费或设置。

这就是 DigitalOcean GPU Droplet 最能发挥价值的地方之一。

在本文中，我们将深入探讨为什么微调 LLM 很重要，GPU Droplet 如何使其更简单、更经济实惠，并分享一些明智的策略，即使在预算有限的情况下也能减少 GPU 使用量、降低成本并获得强大的性能。

## 关键点

-   微调 LLM 可以实现领域特定定制，提高客户支持、摘要或代码生成等任务的性能。
-   由于大型模型对内存、计算和存储的高要求，完全微调通常成本高昂。
-   DigitalOcean 的 GPU Droplet 提供了一种经济实惠的替代方案，让开发者可以按需访问 NVIDIA 和 AMD GPU，而无需长期绑定。
-   参数高效微调（PEFT）技术，如 LoRA 和 QLoRA，显著降低了 GPU 需求，同时保持了准确性。
-   量化（例如 INT8、INT4）有助于缩小模型大小并提高速度，从而允许 LLM 在有限的硬件上运行。
-   像 LLaMA 3、Mistral、TinyLlama 和 Phi-2 这样的开源模型针对微调进行了优化，更适合预算有限的设置。
-   Weights & Biases 或 TensorBoard 等跟踪工具有助于保持实验的组织性和效率。
-   像梯度检查点、安排非高峰期训练和销毁空闲 Droplet 这样的最佳实践有助于节省成本。

## 为什么需要微调 LLM？

Llama、Mistral 或 GPT 等强大的模型是在海量数据集上训练的。它们功能强大，也是通用模型，因为它们可以回答各种问题、执行任务，并且能够合理地完成许多任务。然而，如果提供特定的用例，这些模型可能无法始终给出最准确的答案。

这就是微调发挥作用的地方。

微调是根据你自己的数据集继续训练现有模型的过程。微调有助于调整模型，使其学习对你的应用程序重要的上下文、术语和风格。

例如，通用 LLM 可能难以对你公司软件的技术问题提供准确的答复。但在根据你的产品文档或支持聊天进行微调后，它在回答这些查询方面会变得更好，几乎就像一位内部专家。

## 为什么完全微调传统上成本高昂

LLM 的完全微调涉及在训练过程中更新所有参数，而现代 LLM 拥有数十亿个参数。这个过程需要大量的计算资源，特别是具有大内存（VRAM）、快速互连和足够带宽以快速移动大量数据的高端 GPU。

例如，微调一个 7B+ 参数的模型，如 LLaMA 或 Mistral，根据数据集大小和批处理配置，可能轻易需要多个 A100 或 H100 GPU 运行数小时甚至数天。除了硬件，还需要分布式设置、可靠的存储和强大的编排工具来管理训练和检查点。所有这些都转化为高昂的运营和基础设施费用，对于许多独立开发者、研究人员或小型团队来说，这是遥不可及的。

更不用说，训练可能需要数小时甚至数天，这意味着更长的运行时间和更高的能源消耗。

## 为什么选择 GPU Droplet？

现在我们都知道，微调大型语言模型或任何深度学习模型通常会带来沉重的基础设施费用。传统的云 GPU 定价可能令人望而却步，特别是当你只是在实验、频繁迭代或在预算有限的情况下运行时。

GPU Droplet 提供了一种简单、对开发者友好的方式来运行 GPU 密集型工作负载，包括微调 LLM。主要优势包括：

-   **经济实惠的定价**
-   **强大的** **GPU**
-   **开发者简便性**
-   **随用随扩展**

| GPU 类型                     | 每小时价格（按需）   | GPU 内存   | Droplet 内存 | vCPU |
| -------------------------- | ----------- | -------- | ---------- | ---- |
| NVIDIA RTX 4000 Ada        | $0.76       | 20 GB    | 32 GiB     | 8    |
| NVIDIA RTX 6000 Ada / L40S | $1.57       | 48 GB    | 64 GiB     | 8    |
| AMD MI300X (单)             | $1.99       | 192 GB   | 240 GiB    | 20   |
| NVIDIA H100 (单)            | $3.39–$6.74 | 80 GB    | 240 GiB    | 20   |
| NVIDIA H100x8              | $2.99 每 GPU | 640 GB   | 1,920 GiB  | 160  |
| AMD MI300Xx8               | $1.99 每 GPU | 1,536 GB | 1,920 GiB  | 160  |

### 预留定价 — 长期使用的更深折扣

如果你计划进行更长的训练周期或在生产环境中托管模型，预留定价可为你节省大量成本。签订 1 年期合约，你可以用比按需价格更低的价格获得强大的 GPU：

| GPU 类型        | 预留价格（/GPU/小时） |
| ------------- | ------------- |
| NVIDIA H100x8 | $1.99         |
| AMD MI325Xx8  | $1.69         |
| AMD MI300Xx8  | $1.49         |

这种预留设置非常适合需要持续访问大规模计算但又希望控制预算的团队或个人。

## 在 DigitalOcean GPU Droplet 上使用 DCGM 启用 GPU 指标

在训练或微调 AI 模型时，监控 GPU 使用情况始终是一个好习惯。借助 DigitalOcean 的 AI/ML 就绪型 GPU Droplet，可以使用 NVIDIA DCGM（数据中心 GPU 管理器）和 DCGM Exporter 轻松启用和监控 GPU 健康状况、内存和温度指标。

以下是快速入门的概述：

### 使用 AI/ML 就绪型 Droplet

使用 AI/ML 就绪型镜像启动 GPU Droplet，该镜像已包含 NVIDIA 驱动程序和工具。对于自定义镜像，你需要手动安装驱动程序和 DCGM。

### 安装 DCGM

使用简单的命令安装 DCGM：

Bash

```
sudo apt-get install -y datacenter-gpu-manager
sudo systemctl restart systemd-journald
```

对于 8-GPU Droplet，你还需要安装：

-   NSCQ 库（特定于你的驱动程序版本）
-   NVIDIA Fabric Manager（通常预装在 AI/ML 镜像中）

### 启用并启动 DCGM 服务

以独立模式运行 DCGM，使其自动启动：

Bash

```
sudo systemctl --now enable nvidia-dcgm
```

检查其是否正在运行：

Bash

```
sudo service nvidia-dcgm status
```

### 在 Docker 中运行 DCGM Exporter

要在 HTTP 端点公开 GPU 指标（对 Prometheus 或自定义仪表板很有用），请在 Docker 容器中使用 DCGM Exporter：

Bash

```
sudo apt-get install -y docker.io
nvidia-ctk runtime configure --runtime=docker
systemctl restart docker
```

然后运行导出器：

Bash

```
docker run -d --rm --gpus all --net host --cap-add SYS_ADMIN \
nvcr.io/nvidia/k8s/dcgm-exporter:<version>-ubuntu22.04 \
-r localhost:5555 -f /etc/dcgm-exporter/dcp-metrics-included.csv
```

### 验证指标

检查指标端点是否正常工作：

Bash

```
curl localhost:9400/metrics
```

你将看到实时 GPU 统计信息，例如时钟速度、内存温度和利用率。

## GPU Droplet 与裸金属 GPU：何时使用哪个

DigitalOcean 还提供裸金属 GPU 的访问权限，它们是专用的单租户服务器，专为高性能需求而设计。如果需要训练大型模型、运行复杂管道，或者工作负载需要完全的硬件控制、一致的性能以及更长的时间，在这种情况下，裸金属是最佳选择。GPU Droplet 适用于快速启动、灵活的工作负载，如微调模型、运行推理或处理适度的数据集。这些虚拟机提供轻松部署、按小时计费，以及足够的电源来完成大多数 AI/ML 任务，而无需硬件管理开销。GPU Droplet 在性能和简单性之间提供了恰当的平衡。

## 经济高效地微调 LLM 的策略

1、使用参数高效微调 (PEFT)

有一些策略绝对可以帮助高效地微调任何大型语言模型。其中之一就是参数高效微调（PEFT）。PEFT 允许微调模型，而无需更新所有参数，这不仅节省了计算成本，还节省了内存。PEFT 技术，如 LoRA（Low-Rank Adaptation）或 QLoRA（Quantized Low-Rank Adaptation），不是重新训练整个模型，而是仅修改一小部分参数，同时保持其余参数冻结。

这种方法大大降低了 GPU 需求并加快了训练速度，使其成为预算有限的理想选择。你无需依赖高成本、高内存实例，而是可以使用 DigitalOcean 上的 NVIDIA RTX 4000 Ada 或 MI300X 等较小的 GPU 实现具有竞争力的性能。

Python

```
from peft import LoraConfig, get_peft_model

lora_config = LoraConfig(
    r=8,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM"
)

model = get_peft_model(base_model, lora_config)
```

2、使用开源模型

像 LLaMA 3、Mistral、Phi-3 和 TinyLlama 这样的开源模型旨在提供强大的性能，同时足够轻量级，可以在更小、更经济实惠的硬件上运行。这些模型不仅可以免费使用和修改，而且其中许多模型都针对高效微调和快速推理进行了优化，因此它们是注重预算的开发者的理想选择。

Python

```
from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "mistralai/Mistral-7B-v0.1"
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto")
```

3、使用量化进行优化

使用量化模型（例如 INT4、INT8）也可以显著减少内存占用，而不会对精度造成重大损失。量化是一种通过降低模型使用的数字精度来使机器学习模型更小、更快的方法。假设你的模型有一个像 7.892345678 这样的数字，以 32 位存储（占用大量内存）。量化不是保留所有这些数字，而是将其四舍五入到更简单的数字，例如 8，并仅使用 8 位存储。这种微小的变化在模型中的数百万（或数十亿）个参数中节省了大量空间。

最流行的经济高效的微调方法之一是 **QLoRA**（Quantized Low-Rank Adapter），它将 4 位量化与 LoRA 适配器结合起来以实现高效训练。它使用 bitsandbytes 库加载量化模型并以最小的内存占用执行微调。你使用 bitsandbytes 以 4 位精度加载模型，然后只训练少量添加的 LoRA 参数。这使得训练和推理都快速且经济实惠。

尝试使用 QLoRA + bitsandbytes 进行量化感知训练。

Bash

```
pip install transformers datasets accelerate peft bitsandbytes
```

**加载** **量化模型**

Python

```
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig

model_name = "meta-llama/Llama-2-7b-chat-hf"# 设置 4 位量化
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype="float16"
)

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    quantization_config=bnb_config,
    device_map="auto"
)

tokenizer = AutoTokenizer.from_pretrained(model_name)
tokenizer.pad_token = tokenizer.eos_token
```

**为 PEFT 添加** **LoRA**

Python

```
from peft import get_peft_model, LoraConfig, TaskType

peft_config = LoraConfig(
    r=8,
    lora_alpha=16,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type=TaskType.CAUSAL_LM
)

model = get_peft_model(model, peft_config)
model.print_trainable_parameters()
```

## 额外提示

现在，让我们讨论一些可以帮助更高效地微调模型的额外提示：

-   **使用 Weights & Biases (WandB) 或 TensorBoard 等工具远程跟踪进度** 像 WandB 或 TensorBoard 这样的工具让你可以从浏览器实时监控训练指标，如损失和准确性。这样，你无需保持 Droplet 打开来检查日志，从而节省时间和金钱。
-   **使用 `gradient_checkpointing=True` 节省 VRAM** 梯度检查点通过牺牲一些计算来减少内存使用。它存储更少的中间激活并在反向传播期间重新计算它们，帮助你在较小的 GPU 上训练更大的模型。
-   **在非高峰时段进行训练（如果可能）**  这可能是一个技巧，但在非高峰时段（例如深夜或周末），GPU 的可用性和性能有时会更好。尽量避免高峰时段，有时这个技巧也能帮助你。
-   **完成后务必销毁你的 GPU Droplet** ，不要只是停止实例；销毁它。这确保你不会为闲置资源付费。忘记这样做是人们意外增加巨额账单最常见的方式之一。
-   **定期保存检查点，特别是对于长时间作业** 如果你的训练过程被中断（由于网络问题、超时等），保存的检查点让你可以从中断的地方恢复，而不是从头开始。这既节省了时间又节省了 GPU 小时数。

## 小结

微调 LLM 不再需要花费巨资。借助 DigitalOcean GPU Droplet 并使用一些技巧和窍门，开发者和初创公司可以经济高效地轻松定制强大的开源模型。通过结合 LoRA、量化和使用轻量级开源模型等智能技术，即使在预算紧张的情况下，你也可以获得令人印象深刻的性能。因此，如果你一直因成本而推迟微调，现在是时候开始使用 DigitalOcean 经济实惠的 GPU 选项并将你的想法变为现实了。如果你还需要更多技术指导，了解更多 DigitalOcean GPU 机型配置与优惠价格，可直接联系 [DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)。

large_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

medium_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

small_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

thumbnail_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

xlarge_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

xsmall_google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

google-deepmind-LaKwLAmcnBc-unsplash-scaled.jpg

LoRA+QLoRA+量化，RTX4000 0.76美元/时即可微调7B模型，附完整省钱脚本

预算有限如何微调大语言模型？基于 DigitalOcean GPU Droplet 的实践与优化策略

medium_WX20250509-105128@2x-2.jpg

small_WX20250509-105128@2x-2.jpg

thumbnail_WX20250509-105128@2x-2.jpg

xsmall_WX20250509-105128@2x-2.jpg

WX20250509-105128@2x-2.jpg

如何合规部署零踩坑？法案解析+6项自查清单，助出海企业规避敏感数据红线

数据获取受限制？中国出海企业该如何应对、规避美国EO14117法案？

如果一切都在变得智能化，那为什么旅行不能变得更智能呢？正是带着这种想法，我开始了 [Nomado](https://nomado.live/) （下图为产品页面）的开发。旅行不仅仅是预订机票和去美丽的地方，你还需要查找签证信息、制定行程、研究文化、寻找住宿地点，以及做更多的事情。Nomado 解决了所有这些问题，而这些功能中的每一个都得到了 DigitalOcean 的 [GradientAI](https://blog.aidroplet.com/product-updates/gradientai/) 平台的支持。在这篇文章中，我们将看到如何构建 AI 驱动的应用程序来自动化无聊的部分。在深入了解“如何”之前，让我们先了解 GradientAI 平台及其功能。

![1-1-1024x498.png](https://blog.aidroplet.com/uploads/1_1_1024x498_9b57042c9f.png)

### 关键要点
读完本教程，你将能：

- 理解 GradientAI 平台是什么，以及如何使用它构建 AI 驱动的应用程序，包括其核心功能，如 Serverless 推理（serverless inference）、代理路由（agent routing）和知识库
- 学会如何用 GradientAI 平台构建一个旅行应用，实现个性化行程规划、航班信息提供、住宿推荐等功能
- 掌握如何用 GradientAI 平台构建一个智能聊天机器人，能通过专业代理路由处理住宿和常见旅行问题
### GradientAI 平台是什么？
[DigitalOcean GradientAI 平台](https://blog.aidroplet.com/product-updates/gradientai/)是一个完整的工具包，用于构建和运行 GPU 驱动的 AI 代理，无需管理繁琐的基础设施。无论你使用预训练模型还是自己训练的模型，都可以通过函数调用、代理路由，甚至检索增强生成（RAG）管道将它们连接起来，在需要时获取准确的信息。GradientAI 内建代理路由、知识库、护栏机制、 Serverless 推理等功能，让你更轻松地上线真正有用的 AI 代理。

你可以用 GradientAI 很轻松地构建聊天机器人，或者通过 API 构建完整的 AI 应用程序。

### 如何在 Nomado 中使用 GradientAI
在 Nomado 中，我们在三个核心功能中使用了 GradientAI 平台：

- **行程生成**：在签证研究完成后，Nomado 会根据目的地、出行天数和月份，为你生成个性化行程。
![2-3-1024x897.png](https://blog.aidroplet.com/uploads/2_3_1024x897_43c96cca79.png)

- **航班信息获取**：签证搞定、行程定好，接下来你就需要订机票了。此时我们通过 GradientAI 平台获取航班信息。
![3-2-1024x855.png](https://blog.aidroplet.com/uploads/3_2_1024x855_34042df16d.png)
- **聊天界面**：签证和航班安排妥当，行程准备就绪。最后一步是找住宿，并了解当地文化、实用小贴士和预期情况。这个阶段，聊天界面会为你提供支持，它可以回答所有关于住宿和旅行的问题。

![4-1024x557.png](https://blog.aidroplet.com/uploads/4_1024x557_64ee2608e5.png)

### 使用 Serverless 推理生成旅行行程
为了生成行程，我们使用了通过 GradientAI 平台的 Serverless 推理，并且这是如何设置的：
```
const SECURE_AGENT_KEY = process.env.SECURE_AGENT_KEY
const AGENT_BASE_URL = "https://inference.do-ai.run/v1" // 推理端点
const client = hasRequiredEnvVars
  ? new OpenAI({
    apiKey: SECURE_AGENT_KEY,
    baseURL: AGENT_BASE_URL,
  })
  : null
```

Serverless 推理允许你按需运行 AI 模型，无需考虑服务器管理。只需发送请求，模型会在云端运行，并立即返回结果。

当你在 Nomado 规划旅行时，系统的后台工作流程如下：
![image-5-1024x608.png](https://blog.aidroplet.com/uploads/image_5_1024x608_d9bbc1a0b2.png)

#### 步骤 1：你的输入（浏览器端）
你输入：

- 目的地：例如巴黎
- 持续时间：例如 3 天
- 月份：例如 6 月

#### 步骤 2：Next.js 服务器操作以生成行程
服务器接收用户输入，生成如下提示词（prompt）：
```
const prompt = `Your task is to generate a comprehensive travel plan for a ${duration}-day trip to ${destination} in ${visitMonth}. Make sure to bold the headings.
Please provide: 1. A ${duration}-day itinerary with day-by-day activities
2. A detailed packing list tailored to this destination in ${visitMonth}
(considering the local weather and conditions) 3. Local customs and cultural tips 4. Must-try local foods 5. Transportation recommendations
Format your response in markdown with clear sections.`
```
接着通过 Serverless 推理端点调用 GradientAI API。

#### 步骤 3：DigitalOcean GradientAI 处理
请求到达 Serverless 推理服务：

- 加载 llama-3.1-8b-instruct 模型
- 使用上述提示运行模型
- 生成完整的旅行计划
- 发送结果回来

你可以在[ GitHub 示例代码](https://github.com/Haimantika/all-things-travel/blob/main/frontend/app/actions/generate-travel-plan.ts) 中查看完整代码。

### 使用 GradientAI 中的函数路由获取实时航班信息
接下来是获取航班信息，为此我们使用了 GradientAI 平台中的函数路由功能。该函数构建用于从 Tripadvisor API 获取实时航班数据，并允许代理在用户询问航班相关信息时调用此函数。这创建了一个上下文感知系统，提供实时、可操作的航班数据。

函数路由是 DigitalOcean 的 GradientAI 平台的一项功能，允许 AI 代理在需要实时数据或特定计算时调用外部函数。AI 不再编造航班信息，而是调用部署的函数，该函数从 API 获取实际的航班数据。

以下是其工作原理：

- **函数调用**：AI 代理收到用户查询并自动调用部署的函数（我们的 flight-func/flight）
- **实时数据获取**：该函数使用用户参数调用 Tripadvisor API
- **数据处理**：返回并格式化实际的航班数据
- **用户响应**：代理提供准确、可预订的航班信息

#### 步骤 1：浏览器输入航班搜索
用户在浏览器中输入：

- 出发城市：“纽约”
- 到达城市：“伦敦”
- 出发日期：“2024-06-15”
- 行程类型：“往返”或“单程”
- 返回日期：“2024-06-22”（往返）

#### 步骤 2：Next.js 服务器操作进行航班搜索
服务器操作接收用户输入并创建一个详细的提示：
```
const prompt = `You are a travel agent and your task is to show users flights
along with flight numbers based on the source and destination they input.
Please provide flight information in the following format: Outbound Flights(${fromCity} to ${toCity} on ${departureDate}): Airline FlightNumber: Departing[Airport] at[Time], arriving[Airport] at [Time](Flight Duration:[Duration], non-stop/with layover) ${tripType==="round-trip"?`Return Flights(${toCity} to ${fromCity} on ${returnDate}): Airline FlightNumber: Departing[Airport] at[Time], arriving[Airport] at
[Time](Flight Duration:[Duration], non-stop/with layover)`:""}
For each flight, include: - The type of flight(Boeing 737, Airbus A320, etc.) - Airline name and flight number - Airport codes - Exact departure and arrival times - Flight duration - Layover information if applicable - Direct booking links from Skyscanner, Kayak, or Expedia Format your response in markdown with clear sections. Do NOT include any extra notes, disclaimers, or introductory text. Only output the flight details as described.`
```
#### 步骤 3：DigitalOcean GradientAI 代理函数路由
DigitalOcean 的 GenAI 代理：

- 接收提示和用户参数
- 检测到需要实际的航班数据（航空公司、航班号、时间等）
- 调用函数路由：
    - 调用部署的函数（flight-func/flight）在 flight-info 文件夹中
    - 该函数执行代码调用 Tripadvisor API 并使用用户的航班搜索参数
    - 返回实时的航班数据（航空公司、航班号、时间等）
- GenAI 代理接收这些数据并将其格式化为用户友好的响应
- 将完整的航班信息返回给你的服务器操作
#### 步骤 4：响应返回到浏览器进行航班搜索
响应流程：

- 代理发送从 Tripadvisor API 返回的航班信息
- 服务器接收并处理响应：
```
const response = await client.chat.completions.create({
  model: "Llama 3.3 Instruct",
  messages: [{
    role: "system", content: "You are an expert travel agent who specializes in finding specific flight information and providing direct booking links. Your responses should be practical and focused on helping travelers find and book their flights easily. Use real-time flight data and provide accurate information.",
  }, { role: "user", content: prompt }, t], emperature: 0.7, max_tokens: 2000,
})
const content = response.choices[0]?.message?.content || "No response from AI"
return content
```
- 浏览器显示航班选项，用户可以看到真实、可预订的航班。

### 使用 GradientAI 平台构建聊天界面
Nomado 还有一个聊天机器人，你可以使用它来讨论住宿选项以及访问地点的小贴士和技巧。在后端，我们使用代理路由在两个代理之间进行路由，并将网络爬虫 Nomad stays 作为住宿代理的知识库。

代理路由是指从代理指令中引用其他代理的能力。不同的代理可能针对特定任务进行训练或优化，或者具有不同的领域专业知识来处理不同类型的请求。通常包括两种类型的代理：

- **父代理**（在此情况下为住宿代理）处理一般对话并将特定请求路由到专门的子代理
- **子代理**（本地信息代理）针对特定领域或任务进行优化

#### 步骤 1：浏览器输入聊天
用户在浏览器中输入：

- 住宿查询：“在巴黎为我找住宿”或
- 一般旅行查询：“我应该为日本带什么？”
#### 步骤 2：父住宿代理和代理路由
父住宿代理：

- 通过聊天机器人界面接收用户查询
- 分析查询的意图和内容
- 根据查询类型确定适当的路由：
   - 住宿查询 → 使用 Nomad stays 知识库直接处理
   - 旅行/本地信息查询 → 路由到使用 OpenAI 4o 模型的本地信息子代理
- 对于住宿查询：使用从 Nomad stays 抓取的数据生成响应
- 对于其他查询：委托给专门的子代理

#### 步骤 3：响应处理
响应流程根据查询类型而变化：

对于住宿查询：

- 父代理直接处理查询
- 在 Nomad stays 知识库中搜索
- 生成住宿推荐

对于旅行/本地信息查询：

- 父代理路由到本地信息子代理
- 子代理使用 OpenAI 4o 模型处理
- 生成旅行小贴士、文化信息或本地建议
- 将响应发送回父代理

#### 步骤 4：响应返回到浏览器进行聊天

- 用户接收具体、数据驱动的推荐
- 通过父代理保持对话上下文

### 结束语
Nomado 是如何使用 GradientAI 平台将现实世界任务与 AI 功能连接起来的一个例子，而无需管理繁重的基础设施。如果你计划构建类似的东西，以下是一些可能会帮助你的事项：

- 使用 Serverless 推理来生成文本或摘要等任务。
- 使用函数路由插入实时 API，以确保你的 AI 保持最新数据并具有上下文感知能力。
- 使用代理路由和知识库保持答案一致，特别是在你有特定领域的内容或多用例的情况下。

希望这能为你提供构建自己的 AI 驱动工作流程的起点。如果你想了解 Nomado 的内部工作原理，请随时查看开源代码并将其应用于你自己的想法：https://github.com/Haimantika/all-things-travel

如果你还需要进一步了解DigitalOcean的GPU Droplet 云服务器以及GradientAI平台中的详细功能，欢迎咨询 [DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/contact)。

large_1-1-1024x498.png

medium_1-1-1024x498.png

small_1-1-1024x498.png

thumbnail_1-1-1024x498.png

xsmall_1-1-1024x498.png

1-1-1024x498.png

在这篇文章中，我们将看到如何构建 AI 驱动的应用程序来自动化无聊的部分。在深入了解“如何”之前，让我们先了解 GradientAI 平台及其功能。

用AI一键生成行程+订机票+找住宿（附代码）

DigitalOcean 始终专注于提供简单、强大的基础设施，帮助数字原生企业构建和扩展其应用程序。在过去的一年里，我们将这一承诺延伸到人工智能领域，投资于计算、工具和工作流程，使开发者能够更轻松地从头开始构建人工智能应用。

DigitalOcean 相信，要真正释放人工智能的价值，开发者需要的不仅仅是基础设施，他们需要一个贯穿整个开发生命周期的集成体验。因此，我们将 GPU 基础设施（如 GPU Droplet 服务器）、智能代理开发和预构建的人工智能应用程序整合到一个统一的平台中。今天，我们迈出了这一步，推出了 DigitalOcean GradientAI™，我们统一的人工智能云平台。它为你提供了训练、微调、部署和扩展人工智能工作负载所需的一切——不仅仅是孤立的组件，而是一个无缝的、全栈的平台，专为现代人工智能开发而构建。

### 为什么选择 DigitalOcean GradientAI？
随着我们人工智能产品组合的不断发展，我们意识到需要一个独立的品牌标识，以反映我们正在构建的规模和雄心。DigitalOcean GradientAI 这个名字既体现了机器学习的技术根源，也体现了我们平台背后的理念。在模型训练中，梯度引导着每一步的学习——调整权重、减少误差，朝着更好的结果前进。同样，DigitalOcean GradientAI 旨在引导开发者从创意到生产，在每个阶段都提供合适的工具、抽象和基础设施。

无论你是尝试基础模型、构建智能代理，还是大规模部署生产工作负载，DigitalOcean GradientAI 都是你端到端的人工智能云平台。

### GradientAI 有哪些能力？
![2-2.png](https://blog.aidroplet.com/uploads/2_2_67ed73af70.png)
通过 DigitalOcean GradientAI，我们将人工智能产品统一到一个平台下，使其更易于发现、采用和扩展：

- **DigitalOcean GradientAI 基础设施**：包括 GPU Droplets、裸机 GPU、向量数据库和 DO 优化软件等构建模块，帮助提升模型性能和基础设施扩展能力。
- **DigitalOcean GradientAI 平台**：通过无服务器模型集成、函数调用、RAG、外部数据和内置评估工具，构建和监控智能代理。
- **DigitalOcean GradientAI 应用程序**：针对特定用例的预构建代理，如 SRE 自动化和 Cloudways 支持。

如果你已经在使用我们的人工智能工具进行构建，你无需做出任何改变。你现有的所有项目和 API 都将继续按预期工作。我们正在改变的是如何将它们整合在一起，通过更清晰的组织、统一的文档和反映我们人工智能平台全部潜力的产品体验。

### GradientAI 的未来规划
展望未来，我们将继续在整个 DigitalOcean GradientAI 产品组合——基础设施、平台和应用程序——进行投资，帮助你更智能地构建、更快地扩展，并通过人工智能交付真正的价值。

GradientAI 基础设施正在扩展，以支持更高级的工作负载和灵活的部署选项。我们正在增加下一代 GPU 产品，为你提供更大的选择、性能和可负担性，无论是训练还是推理——本周开始提供 AMD Instinct™ MI325X，下个月提供 NVIDIA H200。

DigitalOcean GradientAI 平台正在发展成为最直观、最强大的代理开发环境之一。随着对模型上下文协议（MCP）、多模态功能、代理记忆、洞察和更深入的框架集成的支持即将到来，我们将使从原型到生产的过渡比以往任何时候都更加容易。

通过 DigitalOcean GradientAI 应用程序，我们正在扩展预构建代理库，以覆盖更多实际场景，从客户支持到内部运营，让你无需从零开始就能更快地采用人工智能。

DigitalOcean GradientAI 旨在满足你的需求，帮助你快速从原型走向生产。我们对未来充满期待——迫不及待地想看到你将构建的成果。如需进一步了解 GPU 实例类型、GradientAI 具体功能详情，还是需要技术支持，都可以直接[联系 DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/contact)。

medium_1.jpg

small_1.jpg

thumbnail_1.jpg

xsmall_1.jpg

1.jpg

DigitalOcean GradientAI™ 是统一的人工智能云平台。它为你提供了训练、微调、部署和扩展人工智能工作负载所需的一切——不仅仅是孤立的组件，而是一个无缝的、全栈的平台，专为现代人工智能开发而构建。

DigitalOcean GradientAI：从基础设施到应用，打造全栈式AI开发解决方案

DigitalOcean 的 Kafka 托管服务现已正式支持 Kafka Schema Registry，为开发者提供了一种强大的方式，用于管理其事件驱动应用程序中的模式，并进行验证。Kafka Schema Registry（也称为 Karapace）是一种集中式服务，用于管理和验证 Kafka 消息的模式。它能够确保发送到 Kafka 主题和从 Kafka 主题消费的数据符合定义的结构，从而避免数据兼容性问题。

### 为什么使用 Schema Registry？
对于开发者来说，Kafka Schema Registry 提供了强大的模式治理和标准化的 HTTP 访问 Kafka 服务的功能，从而提高了数据完整性、开发者的工作效率以及系统的互操作性。这有助于赋能 DevOps 团队构建可靠且不断发展的事件驱动应用程序，通过集中化的模式管理和验证来确保数据完整性。Schema Registry 以更安全的方式简化了 Kafka 在多样化系统中的集成。

最终，这个工具为 Kafka 主题带来了结构化。它允许你定义、版本化和验证消息模式，以便生产者和消费者能够保持同步，即使数据在不断演变。它有助于防止破坏性变更，使调试变得更加容易，并确保 Kafka 管道在大规模部署时的可靠性。请注意，Kafka Schema Registry 仅适用于拥有专用 CPU 环境的 Kafka 客户。如需了解更多关于我们的 CPU 优化 Droplets 的信息，请访问DigitalOcean 英文官网的产品文档。

Kafka Schema Registry 的功能特点：

- **模式注册与验证**：有助于提高数据一致性，并减少因数据格式不匹配而导致的运行时错误，从而使应用程序更加稳定。
- **模式演变与兼容性控制**：允许生产者和消费者应用程序独立演变，而不会相互破坏，从而促进敏捷开发并降低部署风险。
- **集中化模式存储**：提供清晰、有组织且易于访问的模式存储库，方便开发者理解数据结构并减少重复工作。
- **Kafka 的 REST 代理**：降低了从多样化平台和应用程序（例如，Web 前端、脚本语言、遗留系统）与 Kafka 交互的门槛，这些平台和应用程序可能无法轻松使用原生 Kafka 客户端。

### 常见开发者使用场景
以下是一些具体的使用场景及其独特优势：

- **微服务通信**：通过确保生产者和消费者微服务对消息格式有共同的理解，防止运行时错误。
- **数据契约和版本管理**：允许数据结构安全演变，使生产者应用程序可以在不干扰下游消费者（可能仍依赖旧版本）的情况下更新模式。
- **ETL 和分析管道**：通过在数据进入管道之前验证其是否符合预期结构，确保数据质量并防止作业失败。
- **API网关**：为外部客户端提供一致且可靠的数据，同时消除猜测，确保每个请求都有可预测的、结构化的负载。
- **机器学习工作流**：确保训练和推理数据的结构完整性，这对于模型的可复现性和有效的调试至关重要。
- 
你可以在 DigitalOcean 后台配置 Kafka 集群时，通过 DigitalOcean 云控制台或 API 启用 Schema Registry。你将获得一个专用的 Schema Registry 端点，它与 Kafka 生产者和消费者客户端无缝配合。

large_images-21-1-1024x589.png

medium_images-21-1-1024x589.png

small_images-21-1-1024x589.png

thumbnail_images-21-1-1024x589.png

xsmall_images-21-1-1024x589.png

images-21-1-1024x589.png

DigitalOcean 的 Kafka 托管服务现已正式支持 Kafka Schema Registry，为开发者提供了一种强大的方式，用于管理其事件驱动应用程序中的模式，并进行验证

DigitalOcean Kafka 托管服务现已支持 Kafka Schema Registry

借助自定义角色——**基于角色的访问控制 (RBAC)** 功能，团队现在可以为个人分配与其操作和安全要求精确对齐的权限，从而强化最小权限原则。这使得权限管理更加精确，通过降低权限过高账户的风险，有助于增强整体基础设施的安全性。自定义角色让您可以完全控制谁可以在您的项目上做什么，从而提高云资源的整体安全性。

接下来，我们将详细介绍什么是自定义角色、它如何工作、主要功能、何时使用以及它如何帮助您的团队。

### 什么是自定义角色？
自定义角色是用户定义的权限集，允许组织根据其特定需求定制访问控制，超越预定义角色中可用的权限。换句话说，自定义角色让您可以创建自己的权限集，而不是仅仅依赖可能不适合您的默认预定义角色（如查看者、账单查看者等）。现在，用户可以定义更详细的自定义权限，以针对特定资源和需求。例如，用户可能只需要对 Droplet 的读取权限，但需要对 Kubernetes 的写入权限。

听听 DigitalOcean 的一位客户对使用自定义角色的评价。这位客户是一家收益管理公司（revenue management company）的联合创始人：

“自定义角色帮助我将我的团队引入 DigitalOcean 云平台，而无需授予所有访问权限。此功能帮助我管理公司内其他用户的访问权限，这是迈向更安全协作的一大进步，这一点至关重要。”

### 自定义角色的主要功能
自定义角色为拥有多个团队的现代数字原生企业提供三大主要功能：

#### 定义特定权限
- 您可以从可用的 IAM 权限中选择与用户需要执行的特定任务相匹配的单个权限。
- 您可以避免授予特定角色不需要的权限，帮助您对环境保持更严格的控制。
#### 控制对资源的访问
- 精细控制将用户可以执行的操作限制在非常具体的任务上，例如只读访问或管理用户角色。
- 当用户使用针对特定资源的特定权限定义自定义角色时，将实施精细控制。这些控制将应用于所有项目中使用的资源。
#### 提高安全性和治理
- 管理员可以帮助确保用户只拥有他们需要的权限，从而最大限度地降低权限滥用或内部威胁的风险。
- 一家收益管理公司的联合创始人表示：“DigitalOcean 的自定义角色帮助我将我的团队引入平台，而无需授予所有访问权限。此功能帮助我管理公司内其他用户的访问权限，这是迈向更安全协作的一大进步，这一点至关重要。”

### 何时使用自定义角色与预定义角色

DigitalOcean 建议尽可能遵循最小权限原则，使用自定义角色。但时间和资源有限等限制可能会限制您在用户访问管理上花费的时间。这就是预定义角色发挥作用的地方！对于许多常见场景，预定义角色（如**所有者、成员、修改者、账单、账单查看者和资源查看者**）是分配访问权限的快速有效方式。如果不需要精细的访问控制，这些在云控制面板中方便提供的角色可以满足标准用例。

当预定义角色与您团队或在给定项目上工作的其他团队成员的具体职责不符时，自定义角色是最佳选择。例如，您可能需要授予用户对 Droplet 的只读访问权限，但需要对 Kubernetes 的写入权限，或者允许某人管理 App Platform，同时限制对 Droplet 的访问。由于这些功能不包含在预定义角色中，因此您需要自定义角色来定制这些权限。

### 自定义角色如何使您的团队受益
自定义角色为大大小小的组织提供了诸多好处，包括：

- **操作灵活性**：借助自定义角色，您可以为兼职贡献者、承包商或专业团队成员定义角色，而无需赋予他们过高的权限。
- **更好的协作**：涉及不同团队（工程、营销、运营）的项目在用户权限方面会迅速变得复杂。借助自定义角色，您可以根据每个团队成员的具体职责，明确界定谁可以访问什么，尤其是在快速发展的团队中。
- **提高安全性和合规性**：自定义角色有助于为销毁资源或访问账单信息等敏感操作设置防护栏。
- **最小权限原则**：作为身份和访问管理领域的一条经验法则，它有助于降低安全漏洞的几率，减少恶意软件传播，并提高整体系统稳定性和安全性。

中国区的 DigitalOcean 客户，如果在配置相关设置时，遇到问题，请[联系我们](https://blog.aidroplet.com/contact)

medium_images-29.jpg

small_images-29.jpg

thumbnail_images-29.jpg

xsmall_images-29.jpg

images-29.jpg

借助自定义角色——基于角色的访问控制 (RBAC)功能，团队现在可以为个人分配与其操作和安全要求精确对齐的权限，从而强化最小权限原则。这使得权限管理更加精确，通过降低权限过高账户的风险，有助于增强整体基础设施的安全性。

DigitalOcean 新增自定义角色：精细化权限管理，提升云资源安全

虚拟私有云（**VPC**）是 DigitalOcean 资源集合的一个私有网络接口。VPC 网络无法从公共互联网或其他 VPC 网络访问，其上的流量也不计入带宽使用量。你可以通过 **VPC 对等连接 **将多个 VPC 网络相互连接。

DigitalOcean 的 **[Partner Network Connect](https://blog.aidroplet.com/tutorials/do-gcp-multicloud-link/)** 功能让你可以直接在 DigitalOcean 的 VPC 网络与其他公有云提供商或本地数据中心之间建立高带宽、低延迟的网络连接。

要创建一个完整的端到端连接，主要包括以下四个步骤：

- 在 DigitalOcean 上创建一个 [partner attachment](https://docs.digitalocean.com/products/networking/vpc/how-to/create-partner-attachment/#create-a-partner-attachment)
- 在 Megaport 上创建一个 Megaport Cloud Router（MCR）。如果已有 MCR，则可复用。- 
- 在 Megaport Cloud Router 上创建一个 Virtual Cross Connection（VXC）并将其连接到 partner attachment。
- 从 Megaport 创建一条通往另一个云提供商或本地网络的连接。

本文档将介绍如何在 DigitalOcean 上创建 partner attachment，并将其连接到你的 Megaport Cloud Router。如需完成连接的另一半，请参考《[Connect Megaport to Other Clouds or On-premises Datacenters](https://docs.digitalocean.com/products/networking/vpc/how-to/create-partner-attachment/#connect-megaport-to-other-clouds-or-on-premises-datacenters)》文档，获取常见合作伙伴网络的相关 Megaport 资源链接。

#### 创建 Partner Attachment
一个 **partner attachment** 是 DigitalOcean 和 Megaport 之间的连接点。它存在于某个 DigitalOcean 区域中，并可以连接该区域内任意数据中心的 VPC。

你可以在控制面板中、通过命令行工具 doctl 或使用 DigitalOcean API 来创建 partner attachment。

这里有三种方法可以创建，分别是通过控制面板、CLI 和 API。

#### 控制面板操作步骤：
前往控制面板的 Networking（网络）部分下的 Multi-cloud Integrations（多云集成）标签页，然后点击 **Create Partner Attachment（创建合作伙伴连接）**。

在创建页面中，配置以下选项：

- **选择区域**：partner attachment 面向整个区域，而不是区域内的特定数据中心。
- **选择 VPC 网络**：从所选区域中的任意数据中心中选择最多五个 VPC 网络。系统会根据所选区域自动过滤可用的 VPC 列表。
- **选择带宽计划**：计划基于最大预留带宽容量，传输不计流量。
- **配置 BGP（边界网关协议）设置**：所有选项都提供了可用的默认值，但你可以修改 BGP 认证密钥、Peer ASN 以及本地和对端路由器 IP 地址。
- **Megaport 多样性区域（Diversity Zone）**：可选地选择 partner attachment 所连接的 [Megaport 多样性区域](https://docs.megaport.com/mcr/mcr-mve-diversity/)。主要用于高可用性设置，或者如果你已经在特定多样性区域中有一个 Megaport Cloud Router。

最后，你可以为 partner attachment 设置一个唯一的名称（可选）。这个名称随时可以更改。

在控制面板右上角的摘要区域查看总成本后，点击 **Create partner attachment（创建合作伙伴连接）** 按钮以完成创建。

一旦 partner attachment 创建完成，你将被引导至它的详情页面： 
>页面显示“Your partner attachment is ready”并有一个“Continue”按钮 点击 Continue 查看用于在 Megaport 完成设置所需的配置信息。这些信息包括服务密钥和服务时提供的 BGP 详细信息。服务密钥在 Megaport 设置过程中仅使用一次。BGP 信息将在 partner attachment 的 Settings（设置）标签页中持续可用并可编辑。

接下来请继续完成与 Megaport 的连接。

#### CLI（命令行）操作步骤
以下是该段英文内容的中文翻译：

使用 **doctl network attachment create** 命令来创建一个 **partner attachment（合作伙伴连接）：**
```
doctl network attachment create \
  --name "example-attachment" \
  --connection-bandwidth-in-mbps 1000 \
  --naas-provider "MEGAPORT" \
  --region "nyc" \
  --vpc-ids "c5537207-ebf0-47cb-bc10-6fac717cd672"
  ```
请根据你的实际配置修改以下参数：

- **--name**：partner attachment 的名称。可以包含大小写字母、数字和连字符（-）。
- **--connection-bandwidth-in-mbps**：预留带宽，单位为 Mbps。必须匹配 - DigitalOcean 定价页面 上列出的某一档容量。带宽以十进制单位计算（例如，5 Gbps 应填写为 5000）。
- **--naas-provider**：你要连接的网络即服务（Network as a Service）提供商名称。目前仅支持 MEGAPORT。
- **--region**：创建 partner attachment 的区域。
- **--vpc-ids**：要绑定到此连接点的 DigitalOcean VPC ID 列表。你可以使用 doctl vpcs list 查看你所有的 VPC 及其区域和 ID。

你还可以选择性地使用 **--redundancy-zone** 参数指定 **MEGAPORT_BLUE**或 **MEGAPORT_RED**，将你的连接放置在相应的 Megaport 多样性区域中。这主要用于高可用性部署，或当你已经在某个多样性区域中拥有 Megaport Cloud Router。

该命令会返回一张包含新创建的 partner attachment 信息的表格，其中包括一个类似 **03078143-8a69-4170-a441-36f4b7952570** 的 ID，以及四项与 BGP 相关的信息：

- BGP Local ASN
- BGP Local RouterIP
- BGP Peer ASN
- BGP Peer RouterIP

请保存这些 BGP 配置信息，稍后在配置 Megaport 时会用到。

接下来，使用你的 attachment ID 获取生成的服务密钥：
```
doctl network attachment get-service-key <your_attachment_id>
```
将 **<your_attachment_id>** 替换为你从上一步获取的 ID。

该命令会返回一个服务密钥。这个密钥用于将 Megaport 的 VXC 连接回 DigitalOcean，请妥善保存以便后续使用。

输出示例：
```
Value                                   State      CreatedAt
18aa1436-8728-44ec-baac-0d2857868749    CREATED    2025-06-11 13:46:46 +0000 UTC
```
然后获取 BGP 认证密钥：
```
doctl network attachment get-bgp-auth-key <your_attachment_id>
```
同样将 **<your_attachment_id> **替换为你的 ID。

该命令会返回一个认证密钥：
```
Value
0xDcJ9lfTxuhSXyitcfZ5MnrK
```

请保存此密钥，在配置 Megaport 的 BGP 时需要用到。

如需查看 partner attachment 的状态，可使用以下命令：
```
doctl network attachment get <your_attachment_id>
```
当 partner attachment 创建完成但尚未完全连接时，其状态为 **CREATED**。

#### API 操作步骤：
以下是该段英文内容的中文翻译：

向 **/v2/partner_network_connect/attachments** 接口发送一个 POST 请求，使用类似如下的 JSON 数据体：
```
curl -X POST \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DO_TOKEN" \
  --data-binary @- \
  "https://api.digitalocean.com/v2/partner_network_connect/attachments" <<EOF
{
  "name": "<attachment-name>",
  "connection_bandwidth_in_mbps": 1000,
  "region": "AMS",
  "naas_provider": "MEGAPORT",
  "vpc_ids": [
    "c140286f-e6ce-4131-8b7b-df4590ce8d6a",
    "994a2735-dc84-11e8-80bc-3cfdfea9fba1"
  ]
}
EOF
```

请根据你的实际需求修改以下字段：

- **name**：partner attachment 的名称。可以包含大小写字母、数字和连字符（-）。
- **connection_bandwidth_in_mbps**：预留带宽，单位为 Mbps。必须匹配 DigitalOcean 定价页面 上列出的某一档容量，否则 API 会返回错误信息：“invalid connection bandwidth rate provided”。带宽以十进制单位计算（例如，5 Gbps 应填写为 5000）。
- **region**：创建 partner attachment 的区域。
- **vpc_ids**：要绑定到此连接点的 DigitalOcean VPC ID 列表。你可以使用 doctl vpcs list 查看你所有的 VPC 及其区域和 ID。
你还可以选择性地添加 redundancy-zone 字段，设置为 MEGAPORT_BLUE或 MEGAPORT_RED，将你的连接放置在相应的 Megaport 多样性区域中。这主要用于高可用性部署，或当你已经在某个多样性区域中拥有 Megaport Cloud Router。

#### API 响应示例：
API 返回结果如下所示。它包括新创建资源的 ID（例如 **1cf0aad8-292b-40f8-9d32-1fbde6e04991**）以及生成的 BGP 配置信息（**不包括认证密钥**）：
```
{
  "partner_attachment": {
    "id": "1cf0aad8-292b-40f8-9d32-1fbde6e04991",
    "name": "example-ams",
    "urn": "do:partner_attachment:1cf0aad8-292b-40f8-9d32-1fbde6e04991",
    "state": "CREATING",
    "connection_bandwidth_in_mbps": 1000,
    "region": "AMS",
    "naas_provider": "MEGAPORT",
    "vpc_ids": [
      "c140286f-e6ce-4131-8b7b-df4590ce8d6a",
      "994a2735-dc84-11e8-80bc-3cfdfea9fba1"
    ],
    "bgp": {
      "local_asn": 64532,
      "local_router_ip": "169.254.0.1/29",
      "peer_asn": 133937,
      "peer_router_ip": "169.254.0.6/29"
    },
    "created_at": "2024-12-13T12:37:52.152922792Z"
  }
}
```

请保存这些 BGP 配置信息，稍后在配置 Megaport 时会用到。

#### 获取服务密钥
接下来，获取生成的服务密钥：
```
curl -X GET \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DO_TOKEN" \
  "https://api.digitalocean.com/v2/partner_network_connect/attachments/<your_attachment_id>/service_key"
```
将 **<your_attachment_id>** 替换为你从上一步获取的 ID。

API 将返回一个服务密钥。这个密钥用于将 Megaport 的 VXC 连接回 DigitalOcean，请妥善保存以便后续使用。
```
{
  "service_key": {
    "created_at": "2024-12-13T12:37:55Z",
    "value": "6e4fa7f8-8ab2-47c4-956f-dd3be7ca1367"
  }
}
```
#### 获取 BGP 认证密钥
然后获取 BGP 认证密钥：
```
curl -X GET \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DO_TOKEN" \
  "https://api.digitalocean.com/v2/partner_network_connect/attachments/<your_attachment_id>/bgp_auth_key"
  ```
同样将 **<your_attachment_id>** 替换为你的 ID。

API 会返回一个认证密钥：
```
{
  "bgp_auth_key": {
    "value": "0xGb6eHCZQKiaJXtgd1HdULK22m0Rs0zWmR3akyRdOL"
  }
}
```
请保存此密钥，在配置 Megaport 的 BGP 时需要用到。

#### 检查 Partner Attachment 状态

如需查看当前 partner attachment 的状态，可以向它的 URL 发送 GET 请求：
```
curl -X GET \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DO_TOKEN" \
  "https://api.digitalocean.com/v2/partner_network_connect/attachments/<your_attachment_id>"
```
当 partner attachment 创建完成但尚未完全连接时，其状态为 CREATED。

#### 创建 Megaport Cloud Router（MCR）
下一步是创建一个 **Megaport Cloud Router (MCR)**。MCR 会在附加的 Virtual Cross Connections（VXCs）之间路由流量。如果你已经有一个 MCR，可以直接使用。

前往 [Megaport 网站](https://www.megaport.com/)，在 Megaport 门户的 Services 页面顶部，点击 **Create MCR**页面链接。
![2-1.png](https://blog.aidroplet.com/uploads/2_1_0df33e434e.png)

屏幕截图显示了一个蓝色的 “Create MCR” 按钮，并有一个提示说明 MCR 是什么

选择一个位置，最好靠近你在 DigitalOcean 中创建的 partner attachment。

选择 MCR 的速率限制（rate limit），此设置在创建后不可更改。

为 MCR 命名。

选择最短使用期限，默认为 12 个月。如果你只是测试 Partner Network Connect，可以选择 **No Minimum Term（无最短使用期）**。

除非有特殊原因，否则保留 MCR 的 ASN 为默认值（133937）。

完成配置后，你仍需要下单才能完成创建流程。设置好账单信息并完成 MCR 的订购后再继续。

有关此过程的更多详细信息，请参阅 Megaport 的官方文档《Creating an MCR》。

#### 创建 Virtual Cross Connection（VXC）连接到 DigitalOcean
要在 Megaport 和 DigitalOcean 的 partner attachment 之间建立连接，你需要在 Megaport Cloud Router 上添加一个 **Virtual Cross Connection（VXC）**。

此步骤需要使用你在创建 partner attachment 时获得的服务密钥、BGP 认证密钥和 BGP 配置信息。

首先，在 Megaport 门户中找到你的 MCR 服务列表。

![3-1.png](https://blog.aidroplet.com/uploads/3_1_ca873a6f18.png)

屏幕截图显示了 Megaport 门户中的 MCR 列表，“testmcrsfo” 条目旁有一个蓝色的 “Connect” 按钮，旁边还有一个提示：“Add new connection to this MCR”

点击 **+ Connection** 按钮以添加 VXC。

- 选择 Enter Service Key 作为目标类型。
- 输入你在创建 partner attachment 时收到的服务密钥。Megaport 会立即验证密钥，并标记为“Valid Service Key”。
- 为连接命名。
- 选择一个速率限制（Rate Limit），此设置在 VXC 创建后不可更改。最大值取决于你在创建 partner attachment 时选择的带宽。
- 选择最短使用期限，请仔细确认，默认为 12 个月。
- 点击 Next。
- 将 Interface IP Address 设置为你 partner attachment 的 Peer 路由器 IP。
- 点击 Add BGP Connection。在 Local IP 中选择你配置的 Interface IP Address，然后输入 partner attachment 的 BGP 详细信息。请注意交换 Local 和 Peer（例如，DigitalOcean 的 Local 路由器 IP 是 Megaport 的 Peer IP）。将 BGP 认证密钥作为 BGP Password 使用。
- 点击 Add 完成 BGP 连接的添加，然后点击 Next 继续到确认页面。
- 确认你的信息后，点击 Add VXC 以将 VXC 添加到你的 MCR。

与创建 MCR 一样，你也必须下单才能完成 VXC 的创建流程。

有关更详细的说明，请参阅 Megaport 官方文档：[Creating an MCR VXC](https://docs.megaport.com/content/cloud-router/mcr-vxc-creating.htm)

#### 验证 DigitalOcean 与 Megaport 之间的连接
当 MCR 和 VXC 都已配置并下单后，进入 **VXC Configuration Details（VXC 配置详情）** 页面。当连接完全建立后，**Service Status** 和 **BGPIP Address status**指示灯会变为绿色。

返回 DigitalOcean 控制面板，回到你的 partner attachment 的详情页面。当 DigitalOcean 到 Megaport Cloud Router 的连接完成后，连接状态会显示为 **Established（已建立）**。

#### 将 Megaport 连接到其他云平台或本地数据中心
要完成将 DigitalOcean 的 VPC 网络连接到其他云平台或数据中心，你需要从你的 Megaport Cloud Router 创建第二个连接。可在 Megaport 的《Creating an MCR VXC》页面中查看支持的连接类型。

images.svg

DigitalOcean 的 Partner Network Connect 功能让你可以直接在 DigitalOcean 的 VPC 网络与其他公有云提供商或本地数据中心之间建立高带宽、低延迟的网络连接。

DigitalOcean 教程：如何在 DigitalOcean 上创建 Partner Network Connect

构建和扩展云基础设施常常意味着你要面对脆弱的网络配置、难以预测的 IP 行为以及僵化的网络服务商限制。无论是处理不稳定的多云连接、重启后手忙脚乱地更新 IP 允许列表，还是因为 IP 信誉问题而不敢迁移工作负载，这些挑战都给部署带来了不必要的风险和复杂性。

DigitalOcean 发布了三项新功能，可以简化云网络并增强部署灵活性：**Partner Network Connect 现已支持高可用性和 DOKS、Droplet 上的保留 IPv6 地址已正式推出，以及 Bring Your Own IP (BYOIP) 的公开预览版**。这些改进解决了现实世界中的基础设施挑战，并且在设计时充分考虑了简单性、可扩展性和可靠性。

### 新功能一：Partner Network Connect 现已支持高可用性和 DOKS
多云架构固然很好，但如果它们之间的私有连接成为单点故障，那就另当别论了。对于在 DigitalOcean、AWS、Microsoft Azure 或 Google Cloud Platform 等多个云提供商之间路由流量的团队来说，即使是短暂的中断也可能导致机器学习管道、游戏平台或分析服务停滞。传统设置提供的冗余有限，并且从中断中恢复通常需要手动干预或通过公共网络重新路由流量。

**Partner Network Connect 的高可用性**有助于解决这个问题，它允许你在两个独立的 DigitalOcean 网关路由器上配置冗余链接。如果一个链接出现故障，流量会自动进行故障转移，无需手动操作，也不会影响你的客户。

通过完全托管的故障转移，此次更新消除了运营开销，同时有助于满足对延迟敏感或分布式系统的需求。

![1.png](https://blog.aidroplet.com/uploads/1_d889a10064.png)

#### Partner Network Connect 高可用性
主要优点包括：

- **自动故障转移**：消除因单链接故障造成的停机。
- **适用于要求严苛的工作负载**：特别适用于流媒体、AI 或多人应用平台。
- **设置简单**：几分钟内即可配置高可用性连接，无需复杂的 BGP 或自定义故障转移脚本。

#### 为你的 DOKS 工作负载提供多云连接

跨云连接 Kubernetes 集群通常需要脆弱的变通方案、手动路由或暴露在公共互联网上。现在，你可以创建 VPC 原生 DOKS 集群，将你的 VPC 连接到 Partner Attachment，并在 DigitalOcean 上的 DOKS 工作负载与 AWS 或其他云环境中运行的 Kubernetes 工作负载之间建立无缝连接。这使得集群之间能够进行更安全、低延迟的通信，而无需复杂的自定义网络设置。

**实际用例**：SaaS 和广告技术公司通常会跨多个云部署，以优化性能并与合作伙伴生态系统保持一致。例如，一个应用程序可能在 DigitalOcean 上运行，但依赖另一个云提供商获取第三方数据流。通过高可用性 (HA)，这些企业可以保持私有、始终在线的连接，而不会影响安全或速度。

### 新功能二：Droplet 上的保留 IPv6 地址

对于基于 IPv6 构建的应用程序（如区块链节点、实时分析平台或具有严格 IP 允许列表的系统），动态地址分配会带来脆弱性。当 Droplet 被重新创建或重启时，IPv6 的变化可能会中断客户端连接或强制进行痛苦的重新配置。这对于需要可用性和一致访问的服务来说是不可接受的。

**保留 IPv6** 解决了这个问题。你现在可以分配静态 IPv6 地址，独立于任何 Droplet 生命周期。无论你重启、重建还是替换 Droplet，你的 IPv6 地址都保持不变。

#### 主要优点包括：
- **持久地址**：分配一次，可在同一区域内的不同 Droplet 之间移动。
- **升级零停机**：保持客户端连接，无需更改防火墙规则或 DNS。
- **不额外收费**：作为标准功能包含在内，就像 IPv4 预留一样。

![2.png](https://blog.aidroplet.com/uploads/2_0c2d9efa28.png)
DigitalOcean 的实现使得通过 UI 或 API 使用保留 IPv6 变得非常容易。你可以自动化迁移或故障转移，无需复杂的路由逻辑或预热步骤。

**实际用例**：去中心化网络将 IPv6 地址硬编码到客户端二进制文件中。如果没有静态 IP，每次地址更改都需要发布新软件并协调数千个节点，这会造成运营摩擦。保留 IPv6 地址有助于消除这个痛点。同样，注重安全的组织使用固定 IP 来允许列表扫描基础设施，并通过一致、持久的连接验证 DDoS 保护。

### 新功能三：Bring Your Own IP (BYOIP) 公开预览版

在迁移工作负载或扩展多云存在时，IP 地址的稳定性不仅仅是便利，它还是一个必要条件。团队依赖已知的 IP 进行允许列表、品牌推广和电子邮件信誉。更改这些地址可能会中断集成或触发垃圾邮件过滤器。更糟糕的是，一些团队为了保留 IP 信任而完全推迟云迁移。

通过 **BYOIP**（现已开放公开预览），你可以导入自己的公共 IPv4 块并将其分配给 DigitalOcean 上的 Droplet 或 Kubernetes 节点，从而避免重新编号或经历停机。

#### 主要优点包括：

- 保留 IP 信任和可交付性：对于营销平台或电子邮件转发 SaaS 尤其有价值。
- 简化迁移：从其他提供商或本地系统迁移时保留 IP。
- 安全客户端访问：无需重新配置即可维护允许列表。
- 不额外收费：作为标准功能包含在内，你可以自带或使用自己的地址。

配置 BYOIP 只需要三个输入，通常在 7 个工作日内完成，比许多超大规模提供商通常需要的数周过程快得多。无需多个 IP 池或复杂的路由表操作，并且支持虚拟机和托管 Kubernetes。配置完成后，你可以使用与保留 IP 相同的界面和 API 将你的地址分配给 Droplet。
![3.png](https://blog.aidroplet.com/uploads/3_f56b75d4a3.png)

**实际用例**：车队跟踪和物联网平台通常需要数千个设备保持一致的 IP 地址——任何更改都可能触发广泛的重新连接并导致数据丢失。同样，跨区域和合作伙伴提供白标部署环境的 SaaS 平台依赖自定义 IP 来维护受信任的基础设施而不会中断。保留 IP 有助于简化操作并避免迁移麻烦。

这些更新超越了单纯的功能发布，让开发人员和运维工程师能更精确地控制其环境的连接和管理方式。无论你是正在构建 IPv6 原生应用、管理跨云延迟，还是迁移高风险工作负载，我们都致力于在不增加复杂性的前提下，让网络可靠性触手可及。

如果你是 DigitalOcean 客户，希望优化你的 IaaS 设置，你可以[联系 DigitalOcean 中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/contact)，听取产品专家介绍与建议。如果你正在使用 AWS、谷歌云服务、Azure 等云平台，正在寻找海外便宜且简单易用的可靠云平台，欢迎尝试 DigitalOcean 以及 Partner Network Connect 新功能。

large_2.png

medium_2.png

small_2.png

thumbnail_2.png

xsmall_2.png

2.png

DigitalOcean 发布了三项新功能，可以简化云网络并增强部署灵活性：Partner Network Connect 现已支持高可用性和 DOKS、Droplet 上的保留 IPv6 地址已正式推出，以及 Bring Your Own IP (BYOIP) 的公开预览版

DigitalOcean 网络升级：高可用、IPv6、BYOIP 全面上线

2025年，中国 AI 企业在模型训练、产品落地和创新应用上不断刷新人们的认知。DeepSeek-R1、Qwen3 等国产大模型密集亮相，国内大模型产业热潮持续升温。与此同时，一个现实的问题也在被越来越多企业关注：模型虽然训练得起，但如何高效、低成本地部署却成了挥之不去的问题。

尤其是在 GPU 算力仍然紧俏。在英伟达显卡等高端算力资源受限的情况下，2024年，许多中国AI企业正在找到降低训练成本的方法。同时，部署环境的合规性、稳定性、网络质量，都是绕不开的“老大难”。不少企业在部署过程中踩过不少坑。科技巨头可以依靠一些“绕路”的办法购买到高端 GPU ，在自己的机房中进行部署。但是其他大多数企业，则不得不在海外寻找合适的云平台租用GPU。

那么，在“技术已就绪”的今天，AI 企业究竟卡在了哪里？怎样的云 GPU 基础设施，才能真正解决他们的实际问题？

## DeepSeek 让训练成本降了，但部署呢？

2025 年 1 月，一则关于 DeepSeek-R1 的报道登上《第一财经》网站。文章指出，DeepSeek的训练经验让一家中国创业企业的视觉模型训练成本，从500万美元，降低到了100万美金以内。这一消息迅速引发关注：原来训练大模型不再是大公司专属，许多创业公司也能玩得起。

但现实很快泼下一盆冷水：模型是训练好了，好的 GPU 资源更多是在海外，成本和复杂度却居高不下，想要进一步降本比较难。

除此之外，出海企业还面临着多重挑战。**算力** **瓶颈**固然首当其冲，因为AI训练，尤其是大模型训练和推理，对计算能力有着近乎贪婪的需求。其次，**网络连接与延迟**是影响用户体验的隐形杀手。无论是实时翻译、智能推荐还是自动驾驶中的即时决策，都对网络延迟有着极高的要求，确保全球用户能够获得流畅、低延迟的AI服务，是出海成功的必要条件。再者，**数据合规与安全**在海外市场尤为敏感。欧盟的GDPR、美国的CCPA等法规，对数据存储、传输和处理都有严格规定，这要求企业必须构建能够满足国际标准的安全合规基础设施。任何疏忽都可能导致巨额罚款和品牌信誉受损。最后，**跨国基础设施的运维复杂性**也让许多企业望而却步。管理分布在全球各地的服务器、网络设备，处理不同的时区和技术标准，无疑增加了企业的运营负担。

这就是当下中国 AI 企业出海部署的真实处境。

## 海外 AI 部署，到底需要怎样的 GPU 云平台？

回头来看，出海 AI 企业真正需要的，并不是一家“功能最全”的云服务提供商，而是一个能**稳定、安全、用得起、上手快**的 GPU 基础设施。

什么样的云平台符合这些标准？我们可以从三个角度来看：

其一，是部署节点要**覆盖广**且靠近市场——不能所有服务都放在美东、美西，要能覆盖东南亚、欧洲、南美等新兴市场。尤其对那些面向开发者提供 API 的公司而言，部署位置就是响应速度的决定因素。

其二，是**合规安全机制要完善**。这包括项目隔离、虚拟私有网络（VPC）、访问控制、日志审计等。一些企业在 AWS 上配置 IAM 权限常常一头雾水，而如果平台本身就默认启用了数据隔离，那对中小企业就是巨大福音。

其三，是**成本可控、操作简洁**。动辄上百美元一天的 GPU 实例，对许多初创团队来说难以持续使用。而那些需要大量手动配置、安全策略和监控集成的平台，也很容易拖垮一个小团队的研发节奏。

## DigitalOcean：一个适合出海 AI 的轻量级 GPU 云方案

也正因如此，越来越多企业开始关注一些**全球部署友好、成本更合理**的新型云平台。而 DigitalOcean 就是其中非常值得一提的一个。

很多人以为 DigitalOcean 只是面向开发者的轻量级云平台，但实际上，它在海外部署 GPU 服务方面，有着独特的优势：

首先，它的性能稳定可靠，全球有60万的企业与创业者都在使用DigitalOcean的云服务。在GPU云服务方面，DigitalOcean 与NVIDIA、AMD 都有着深度的合作，就连AMD 最新推出的Developer Cloud都是由DigitalOcean提供的支持（你会在网站上看到 Powered by DigitalOcean 字样）。

其次，DigitalOcean 提供默认开启的 VPC 网络隔离能力，每个项目就是独立空间，流量不会外泄，部署更安全。配合它的项目团队权限系统，很容易就能满足合规需求。而且DigitalOcean本身就在欧美、亚太等地区长期提供云基础设施服务，完全符合各地方的数据合规要求。

更重要的是，它的 GPU 实例价格相较 AWS、谷歌云服务等传统平台更加可控，计费规则简单透明。不像一些一线云平台，DigitalOcean 在提供8卡 H100 的同时也提供单卡H100，让你有更多选择。

还有一点，[DigitalOcean 与HuggingFace合作，在平台上提供一键模型部署功能](https://blog.aidroplet.com/tutorials/deepseek-1click-deploy)，在启用[GPU Droplet服务器](https://www.aidroplet.com/product/gpu)的时候就可以直接完成主流开源大模型的部署。DigitalOcean 的控制台设计对开发者极为友好，创建一台 GPU 实例只需几个步骤，甚至支持 API 方式自动部署模型服务。对于没有专业 DevOps 团队的 AI 创业公司来说，既能用得起，也能迅速用起来。

DigitalOcean提供包括H100、H200、MI300x、A6000、A100、A10等近20种 GPU 型号，以下是部分GPU Droplet 服务器的配置与价格，更多优惠价格与GPU服务器可咨询[DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)：

| GPU服务器       | GPU 内存 | 系统内存    | vCPU 数量 | 存储（启动盘 + 暂存盘）           | 出站流量（免费提供） | 网络带宽                               | 按需实例价格 (/GPU/小时)         |
| ------------ | ------ | ------- | ------- | ----------------------- | ---------- | ---------------------------------- | ------------------------ |
| AMD MI300X   | 192 GB | 240 GiB | 20 vCPU | 720 GB+ 5,120 GiB       | 15,000 GiB | 10 Gbps public and 25 Gbps private | $1.99 (一年期合约按需实例低至$1.49) |
| NVIDIA H100  | 80 GB  | 240 GB  | 20 vCPU | 720 GiB NVMe+5 TiB NVMe | 15 TiB     | 10 Gbps public and 25 Gbps private | $3.39（一年期合约按需实例低至$1.99）  |
| RTX 6000 Ada | 48 GB  | 64 GiB  | 8 vCPU  | 启动盘500 GiB NVMe         | 10 TiB     | 10 Gbps public and 25 Gbps private | $1.89                    |
| RTX 4000 Ada | 20 GB  | 32 GiB  | 8 vCPU  | 启动盘500 GiB NVMe         | 10 TiB     | 10 Gbps public and 25 Gbps private | $0.76                    |
| NVIDIA L40S  | 48 GB  | 64 GiB  | 8 vCPU  | 启动盘500 GiB NVMe         | 10 TiB     | 10 Gbps public and 25 Gbps private | $1.57                    |

## 写在最后：中国 AI 出海部署，选对云平台是关键一步

AI 出海，听起来是技术全球化，其实落地就是资源全球化。

模型是否稳定运行、服务是否响应快速、部署是否合规安全，这些都取决于背后的基础设施选型。

与其在功能复杂、价格高昂的大平台中挣扎，不如试试像 DigitalOcean 这样的更轻量、更聚焦、更适配出海业务的云 GPU 平台。

训练成本已经压缩到了万元以内，是时候让部署成本也“配得上”国产大模型的潜力了。如需进一步了解详情，可直接联系[DigitalOcean中国区独家战略合作伙伴卓普云](https://www.aidroplet.com/)。

VPC隔离+全球节点+透明价，DigitalOcean GPU平台助出海企业降本60%，合规部署。

海外 AI 部署：中国出海企业如何选择稳定、安全的云 GPU 基础设施？

随着大模型部署和推理变得越来越普及，开发者和企业对 GPU 的选择也越来越挑剔。特别是像 DeepSeek 这样的开源模型家族，从轻量级的 6.7B，到动辄上百亿甚至数百亿参数的超大模型，背后对算力和显存的要求各不相同。

最近，一则重磅消息在AI圈引起了轩然大波：**连AI巨头OpenAI也在探索并计划使用AMD Instinct MI300x GPU！** 这无疑是对AMD这款高性能GPU的巨大认可，也预示着它将在AI算力领域扮演越来越重要的角色。过去我们经常会围绕H100等NVIDIA GPU来分析它们适合什么AI 业务场景。而现在我们也要考虑考虑AMD这个性价比更好的选项。

如果你正打算在云端部署 DeepSeek 模型，那么一个绕不开的问题就是：到底是用 AMD 的 MI300X，还是 NVIDIA 的 H100？

这两款顶级 GPU 均可在 [DigitalOcean 云平台](https://www.aidroplet.com/product/gpu/)租用，并有明确的价格标准。在 DigitalOcean 上，[MI300X ](https://www.aidroplet.com/productnews/4970/)的按小时价格为 $1.99（年合约价低至 $1.49），而[ H100](https://www.aidroplet.com/productnews/4717/) 则是 $3.39（年合约价可低至 $1.99），且都提供单卡和 8 卡型号。虽然 DigitalOcean 的 MI300X 看起来价格更低，但部署模型需要综合考虑性价比。

我们接下来就从 DeepSeek 不同版本的实际资源需求出发，结合这两款 GPU 的性能和定价，来分析一下在哪些使用场景下选择 MI300X 更划算，而哪些情况下用 H100 更值得。

## MI300X vs H100：显存与算力的博弈

先简单了解一下这两款卡的硬件规格。MI300X 搭载了 192GB 的 HBM3 显存，内存带宽高达 5.3 TB/s。这一点对大模型推理来说非常重要，因为很多模型在部署时首先卡的就是显存限制——不是推不动，而是装不下。而 H100 的单卡显存为 80GB，虽说也不小，但在面对上百亿参数的模型时就不那么“宽裕”了。

不过，H100 的优势则在于其算力。通过 Tensor Core 的加持，它在 FP16 和 INT8 精度下都拥有压倒性的性能，尤其适合大规模训练和高效微调。如果你的工作负载是密集计算型，或者需要极致的低延迟响应，H100 的训练和推理速度会有明显优势。

如果我们把两个GPU的一些基本参数列出来，可能大家能有更直观的感受。

| **参数**    | **MI300X** | **H100 (SXM)**            |
| --------- | ---------- | ------------------------- |
| 显存容量      | 192 GB     | 80 GB                     |
| FP16 理论算力 | 383 TFLOPS | 1979 TFLOPS（含 TensorCore） |
| HBM 带宽    | 5.3 TB/s   | 3.35 TB/s                 |
| 架构优势      | 高显存支持大模型   | 更成熟的软件生态                  |

## MI300X vs H100：不同 DeepSeek 模型对资源的需求


DeepSeek 系列覆盖了多个场景和模型尺寸。比如 DeepSeek-Coder 是专为代码生成优化的，有多个参数级别，最小到 6.7B，大到上百亿。而 DeepSeek-VL 则是多模态的语言-视觉模型，显存需求相对更高。DeepSeek-R1 是目前最重磅的系列，从 67B 到 761B 都有。

不同模型在部署时的“胃口”也完全不同。6B 左右的模型，用一张 24GB 显存的卡也许就能跑，但想要部署 67B、236B 甚至 761B 的版本，往往需要多卡并行，或者干脆上集群。

这就让 MI300X 的显存优势变得尤为突出。比起 H100 多出的 112GB 显存意味着什么？意味着你可以部署更大的模型，使用更大的 batch size，也更容易实现高吞吐推理。尤其是在推理任务中，对显卡主频或 TFLOPS 的要求远不如对显存的依赖。

| 模型版本                | 参数量  | 推荐显存 (推理)      | 推荐 GPU                |
| ------------------- | ---- | -------------- | --------------------- |
| DeepSeek-MoE-16B    | 16B  | ≥40 GB         | MI300X/H100 均可        |
| DeepSeek-Coder-6.7B | 6.7B | ≥24 GB         | MI300X 更具性价比          |
| DeepSeek-VL-7B      | 7B   | ≥32 GB + 多模态支持 | MI300X 更适配多模态         |
| DeepSeek-R1-67B     | 67B  | ≥80–100 GB     | 需要分布式 GPU，MI300X 优势明显 |
| DeepSeek-R1-236B    | 236B | ≥160–200 GB    | 多卡部署，MI300X 显存为关键     |
| DeepSeek-R1-761B    | 761B | ≥512 GB+       | 多节点部署，MI300X 成本更优     |

## DeepSeek 推理 vs 微调：用 MI300x 还是 H100？

如果你的业务主要是推理，比如上线一个问答机器人、代码补全服务，或者提供 API 接口调用大模型，其实更关注的是吞吐量和单位时间成本。这种场景下，MI300X 几乎是天然的性价比之选。它不仅显存大，还便宜，跑同样一个模型，MI300X 不仅能装得下，还能一次跑更多样本，整体来看吞吐比 H100 更划算。

但如果你要做的是微调（fine-tuning）或者 LoRA 微调，尤其是在开发迭代周期比较短、模型需要频繁调优的场景下，H100 的表现就更胜一筹。它的 Tensor Core 和 CUDA 生态，使得主流深度学习框架（比如 PyTorch 和 DeepSpeed）在训练速度上占据优势。举个例子，同样是对 DeepSeek-Coder 做一次 LoRA 微调，H100 可能只需 5 小时，而 MI300X 可能得跑 7 小时以上，长远看下来时间成本也转化为金钱成本。

总个结一下：

1.  **以推理为主：选择 MI300X 更具性价比**

-   DeepSeek-Coder/DeepSeek-VL/DeepSeek-R1 小模型；
-   单卡显存高、支持更大 batch size；
-   成本节省明显（$1.49/hr vs $1.99/hr）；
-   支持高吞吐量部署、多实例并发运行。

2.  **以微调为主：H100 更高效**

-   DeepSeek-Coder 精调（如函数补全、代码生成任务）；
-   Tensor Core 适配主流深度学习框架（PyTorch、Megatron）更成熟；
-   微调速度快，整体训练成本反而更低；
-   软件栈生态更完善，部署配置更轻松。

3.  **多卡** **大模型** **推理/推理微调混合场景：MI300X 多卡部署更经济**

-   DeepSeek-R1-67B、236B、761B 需 2–8 GPU 部署；
-   MI300X 的 192GB 显存使得横向扩展更灵活；
-   性价比优于 H100（尤其在年合约下）。

## MI300X与H100的多卡部署，大模型的性价比战场

当模型参数量突破 100B 的关口，单卡算力已然捉襟见肘，此时多卡部署成为必然选择。以 DeepSeek-R1-236B 和 761B 这样的超大规模模型为例，它们对显存的需求是巨大的，这就使得“单位显存成本”在多卡部署场景中变得至关重要。

在 DigitalOcean 云平台上，我们可以清晰地看到两款 GPU 在年合约价下的显存成本差异：

-   DigitalOcean MI300X： 年合约价每小时 $1.49，配备 192GB HBM3 显存。
-   DigitalOcean H100： 年合约价每小时 $1.99，配备 80GB HBM3 显存。

由此可见，在 DigitalOcean 上，**MI300X 的每 GB 显存成本显著低于 H100，在单位显存上更具性价比**。

更具决定性意义的是 MI300X 的巨大显存容量优势。每张 MI300X 提供 192GB 的 HBM3 显存，远超 H100 的 80GB。这意味着在部署像 DeepSeek-R1-236B 这样对显存要求极高的大模型时，MI300X 能够提供更高的单卡承载能力。根据独立分析，对于大规模模型和高并发推理工作负载，MI300X 在高并发场景下能实现更高的峰值系统吞吐量，并带来更低的**每 token 成本**。其大显存不仅显著提升了多卡部署的灵活性，能够以更少的卡数满足模型显存需求，从而简化部署复杂性并有效降低总体基础设施成本。这使得 DigitalOcean 的 MI300X 成为大规模模型推理，尤其是追求极致性价比和效率的首选。

## 小结

在这个参数爆炸、成本内卷的时代，聪明的 GPU 选型已经不再只是“多快好省”的选择题，而是一场关于资源利用率和业务目标的策略战。如果你正在用 DeepSeek，也在纠结部署在哪张卡上，不妨用今天这些数据和分析，算一笔明白账。

| 任务类型       | 推荐 GPU | 说明                  |
| ---------- | ------ | ------------------- |
| 单卡推理       | MI300X | 显存大，成本低             |
| 多模态推理      | MI300X | 更高 HBM 带宽处理图像更好     |
| 精调/LoRA 微调 | H100   | 更快训练速度              |
| 大模型并发部署    | MI300X | 每卡成本低，更适合 scale-out |
| 极限推理延迟优化   | H100   | 高性能适配低延迟需求          |

综上，MI300X 和 H100 并没有绝对的优劣，真正的选择标准取决于您的使用场景。如果您计划在 DigitalOcean 上部署轻量级 DeepSeek 模型，主要用于推理并希望压缩成本，那么选择 DigitalOcean MI300X 更具性价比，它不仅价格实惠，显存也更大，运行更稳定。如果您在 DigitalOcean 上进行模型微调，且对训练速度有严格要求，那么选择 DigitalOcean H100 会更高效，因为它能节省大量时间。 对于深度混合型业务，例如同时进行推理和 LoRA 微调，并需要兼顾吞吐量和训练时效的场景，您可以在 DigitalOcean 云平台上灵活组合选型，将推理任务部署在 MI300X 上，而训练任务交给 H100。

![4.jpg](https://blog.aidroplet.com/uploads/4_48fe76ca76.jpg)

充分利用 DigitalOcean 的弹性租用机制，您可以做到‘哪款 GPU 适合哪种任务，就让它专门负责哪种任务’。更重要的是，DigitalOcean相对于AWS、谷歌云服务等一线平台来讲，价格更加透明，计费规则更简单。**如需了解更多，可联系[DigitalOcean中国区独家战略合作伙伴卓普云AIDroplet](https://www.aidroplet.com/product/gpu/)咨询更多 GPU 服务器选项，在海外部署稳定可靠且低成本的GPU服务器。**

large_images-10.png

medium_images-10.png

small_images-10.png

thumbnail_images-10.png

xsmall_images-10.png

images-10.png

从参数、性能到价格，哪个GPU更适合部署DeepSeek

MI300X vs H100：DeepSeek 部署在哪个 GPU 上性价比最高？

近日，DigitalOcean（NYS:DOCN）作为全球最简单易用的可扩展云平台，宣布与 AMD 建立合作，为 DigitalOcean 客户提供 AMD Instinct™ GPU，以 AMD Instinct™ MI300X GPU Droplet 的形式支持其 AI 工作负载。此举将能更好地推动人工智能（AI）、机器学习（ML）和高性能计算（HPC）领域的发展。

AMD Instinct™ MI300X GPU 具备卓越的性能，专为加速 HPC 应用和快速增长的生成式 AI 需求而设计，其用例包括大型模型训练、微调、推理以及 HPC 工作负载。这些 GPU 将作为 [DigitalOcean GPU Droplet 云服务器](https://www.aidroplet.com/product/gpu/)提供，并支持 DigitalOcean Kubernetes 工作节点。

![1-5.png](https://blog.aidroplet.com/uploads/1_5_3ff1a51d3b.png)

**AMD** **Instinct™ MI300X** **GPU** **Droplet 的优势包括：**

-   **卓越的** **内存** **性能和容量**：AMD Instinct™ MI300X GPU 拥有行业领先的内存性能和高达 192GB 的高带宽内存 (HBM3)，能够将数百亿甚至数千亿参数的模型完全加载到内存中，从而减少了模型在多个 GPU 之间拆分的必要性，并显著提升了训练和推理的效率。
-   **极具竞争力的定价**：按需付费模式下，**每** **GPU** **每小时仅需 1.99 美元（按需价格）** ，为客户提供经济高效的解决方案。
-   **高度的灵活性和定制性**：客户可以选择**单 GPU 或8 GPU 配置**，以及**[裸金属服务器](https://www.aidroplet.com/productnews/4725/)**，以优化成本并满足其特定的工作负载需求。
-   **ROCm™ 软件平台支持**：借助 AMD ROCm™ 软件平台，客户可以更快地开发出强大的 HPC 和 AI 生产就绪系统。
-   **简便的设置和集成**：与其他云提供商可能需要复杂配置不同，**DigitalOcean 的** **GPU** **Droplet 仅需点击几下即可完成设置**，并提供企业级服务水平协议（SLA），确保简易的部署流程和可靠的性能。
-   **无缝集成 DigitalOcean 生态系统**：GPU Droplet 可与 DigitalOcean 的其他服务无缝集成，简化了开发流程。
-   **合规性**：符合 HIPAA 资格要求并通过 SOC 2 合规认证，确保数据安全和隐私。

![2-7.png](https://blog.aidroplet.com/uploads/2_7_6b9055b3c6.png)

图源自： AMD Advancing AI 2025 大会

除了新的 GPU，**AMD** **的用户还将能够访问 AMD 开发者云**，**这是一个由 DigitalOcean 提供支持的全新平台**，专为快速、高性能的 AI 开发而构建。该平台提供一个完全托管的环境，开发者无需硬件投资或本地设置，即可即时访问 AMD Instinct MI300X GPU。无论是微调大型语言模型（LLM）、基准测试推理性能，还是构建可扩展的推理堆栈，AMD 开发者云都提供了工具和灵活性，让开发者能够即时启动并无限增长。

DigitalOcean 首席产品与技术官 Bratin Saha 表示：“DigitalOcean 与 AMD 的合作再次证明了我们致力于让 AI 更容易为客户所用。通过访问 AMD GPU，DigitalOcean 客户拥有更广泛的 GPU 产品组合，以及最适合其需求的计算配置灵活性。”

AMD 数据中心 GPU 业务公司副总裁 Negin Oliver 表示：“在 AMD，我们很荣幸能与 DigitalOcean 合作，为开发者提供尖端解决方案，以满足开发者赋能和需要大量内存的严苛工作负载。AMD 和 DigitalOcean 共同致力于提供支持不断发展的科技业务所需的关键创新技术。”

![3-5.png](https://blog.aidroplet.com/uploads/3_5_c9326a4384.png)

## 未来计划

DigitalOcean 计划在今年晚些时候进一步扩展其 GPU 产品组合，推出 AMD Instinct™ MI325X GPU，以持续为全球企业提供强大且经济实惠的 GPU 服务器。AMD Instinct™ MI325X GPU 加速器将树立新的 AI 性能标准，为训练和推理提供更强劲的性能。

与此同时，今年 DigitalOcean 与 AMD 携手推出的所有 GPU Droplet 服务器与裸金属服务器，都**同步面向中国区的企业客户**。所有企业都可通过 DigitalOcean 中国区独家战略合作伙伴卓普云（AIdroplet.com）与 DigitalOcean 达成合作，并由卓普云提供中文的商务对接与技术支持服务。**有长期研发计划的企业，还可与卓普云申请更多优惠**，具体详情可访问官网AIdroplet.com咨询卓普云。

large_1-5.png

medium_1-5.png

small_1-5.png

thumbnail_1-5.png

xsmall_1-5.png

1-5.png

MI300X 192GB HBM3每卡1.99美元/时；支持单卡/8卡，按需实例或裸金属任选。

DigitalOcean 携手 AMD 推出 AMD Instinct™ MI300X GPU Droplet，加速 AI 创新

DigitalOcean 云平台宣布，DigitalOcean 最新、最大的数据中心 ATL1 正式在亚特兰大启用！这个新建的数据中心专为满足未来 AI/ML 需求而打造，配备了大量的 [GPU 基础设施](https://www.aidroplet.com/product/gpu/)，是 DigitalOcean 实现“为成长中的科技公司简化云计算和人工智能”这一使命的重要一环。

从现在开始，你就可以在 DigitalOcean 的亚特兰大数据中心（ATL1）部署 DigitalOcean 的各类产品，包括[高级 Droplets（云服务器）](https://www.aidroplet.com/product/cpu-optimized/)、[Spaces 对象存储](https://www.aidroplet.com/product/spaces/)、[负载均衡器](https://www.aidroplet.com/product/loadbalancer/)、[Kubernetes 集群](https://www.aidroplet.com/product/kubernetes/)、托管数据库以及裸金属 GPU 实例。这将为你带来更强的性能、更高的可扩展性和更大的灵活性。

ATL1 的上线标志着 DigitalOcean 的全球数据中心数量扩展到了 16 个，覆盖 10 个区域，也代表着我们在支持下一代人工智能、机器学习和高性能应用方面迈出了重要一步。

### 专为 AI/ML 的未来而建

ATL1 并不只是又一个数据中心——它是专门为推动下一代 AI/ML 发展而设计的，提供了运行全球最先进工作负载所需的基础设施。

### 新数据中心亮点：

#### 巨大的容量

-   包含两个 IT 机房，每个提供 4.5 兆瓦电力，总计 9 兆瓦
-   专为高密度 GPU 部署而设计，具备灵活、可扩展的扩容能力

#### 尖端硬件

-   第一阶段已在首个 IT 机房部署了超过 300 张 GPU，包括 NVIDIA H200 和 AMD Instinct MI300X 集群，用于高性能 AI/ML 工作负载
-   第二个 IT 机房计划于 2025 年上线，届时将进一步增加更多 GPU 基础设施
-   支持 GPU 集群的快速扩展需求

#### DigitalOcean 基础设施服务

-   提供可扩展的计算、存储、网络和 Kubernetes 服务
-   无缝接入 DigitalOcean 的全球私有骨干网络

### 让云和 AI 基础设施更贴近美国南部地区

ATL1 的建成使 DigitalOcean 更好地服务于全球的开发者、初创企业和数字化原生企业。通过在亚特兰大本地部署云和 AI 基础设施，我们可以让客户更容易地访问他们所需的高性能计算资源、存储和 GPU，同时拥有更低延迟、更高可靠性，并延续 DigitalOcean 一贯的易用性和成本优势。

ATL1 位于 Flexential 的亚特兰大-道格拉斯维尔园区，是一个高密度、企业级的设施，专为 AI/ML 工作负载优化，进一步提升了我们客户的性能、可扩展性和安全性。无论你是正在开发 AI 应用、训练机器学习模型、扩展云原生应用，还是孵化下一个伟大的创意，ATL1 都会把最先进的基础设施带到你身边。

目前 DigitalOcean 可提供 H100、H200、MI300X、A6000、L40S、A100 等多种 GPU 服务器，价格优于三大一线云平台，性能可靠，而且流量价格更低，长期使用还有折扣。

large_images-28.png

medium_images-28.png

small_images-28.png

thumbnail_images-28.png

xsmall_images-28.png

images-28.png

ATL1数据中心上线，提供H200/MI300X，转为AI优化的数据中心。

专为 AI 而建！DigitalOcean 云平台亚特兰大数据中心正式启用

DigitalOcean Partner Network Connect 允许您在 DigitalOcean VPC 网络与其他公共云提供商或本地数据中心之间建立高带宽、低延迟的网络连接。

本教程提供如何在 **DigitalOcean** 和 谷歌云服务 **(** **GCP** **)** 之间建立一个**高速、** **低延迟** **的直接网络连接**。你可以把它看作是实现**多云部署（Multi-cloud Deployment）的一种网络基础设施设置。它不是直接关于在两个云上部署应用本身，而是构建一个优化这些应用之间通信的网络基础**。

![1-2-2.png](https://blog.aidroplet.com/uploads/1_2_2_0c145761a1.png)

### 为什么多云部署会选择 DigitalOcean？

多云部署一直是许多企业的在平衡成本与性能的一种策略。AWS、Azure、谷歌云服务等主流平台拥有全球覆盖和强大技术能力，但也伴随着复杂的配置与高昂的费用。所以在采用三大一线云服务的同时，许多企业还会讲一部分业务部署在其它云服务上，DigitalOcean 就是其中之一。

DigitalOcean 是一家总部位于纽约的上市云计算公司，拥有超过60万家企业用户。它提供透明定价、友好的控制面板和一键式部署服务，尤其适合电商平台、API 服务、物流跟踪系统等中小型业务场景。

[许多企业反馈称](https://www.aidroplet.com/usecase/3226/)，从 AWS EC2 迁移至 DigitalOcean Droplet 后，基础设施支出节省可达 **50%-60%** ，特别是在北美、欧洲站点的部署中更为明显。

选择 [DigitalOcean Droplet（DigitalOcean的云主机产品）](https://www.aidroplet.com/)的用户可以获得以下优势：

-   **高性价比**：与 AWS 相比，DigitalOcean 提供可预测且更低的定价，可显著降低基础设施成本。
-   **简洁易用**：DigitalOcean 的用户友好的 UI 和简明的设置流程，让开发者无需具备丰富的云知识即可管理环境。
-   **对开发者友好的功能**：一键部署与配置、托管数据库和内置监控等功能，简化了开发和部署流程。
-   **可扩展性**：DigitalOcean 的基础设施可随需求扩展，让你能在应用流量激增时轻松调整资源。
-   **社区和支持**：庞大的开发者社区和完善的文档，可以帮助你排查问题并优化设置。
-   **专注开发**：减少基础设施管理的复杂性，让你有更多时间专注于构建和改进应用。

### 准备工作

-   一个配置了[受支持区域](https://docs.digitalocean.com/products/networking/vpc/details/availability/)的 VPC 的 DigitalOcean 账户。
-   一个拥有虚拟私有云 (VPC) 的 谷歌云服务 (GCP) 账户。
-   一个拥有 Megaport Cloud Router (MCR) 服务访问权限的 Megaport 账户。

### 步骤 1：在 DigitalOcean 上创建合作伙伴连接（Partner Attachment）

DigitalOcean Partner Network Connect 允许您使用 Megaport 将 VPC 连接到外部网络。

1.  登录您的 **DigitalOcean 账户**。
2.  导航到 **Networking > Multi-cloud Integrations**。
3.  点击 **Create partner Attachment**。

![2-3-2.png](https://blog.aidroplet.com/uploads/2_3_2_bb0991e653.png)

4.  选择您要连接的**区域（Region）** 和 **VPC**。
5.  选择带宽计划。
6.  通过添加 **BGP** **认证密钥（BGP authentication key）** 、**ASN**、**本地路由器** **IP** **（Local** **Router** **IP）和对等路由器 IP（Peer router IP）来配置** **边界网关协议** **设置（** **Border Gateway Protocol** **Settings）** （您可以全部保留默认值）。请保存这些详细信息，因为您将在步骤 3 中再次用到它们。
7.  为其命名，然后点击 **Create partner Attachment**。
8.  复制生成的 **Megaport 服务密钥（Megaport service key）** ，因为完成 Megaport 上的设置将需要它。

### 步骤 2：创建 Megaport Cloud Router (MCR)

接下来，创建 **Megaport Cloud** **Router**。这是在 DigitalOcean 和 GCP 之间路由流量所必需的。路由器在连接到它的虚拟交叉连接 (VXC) 之间路由流量。如果您已有 MCR，则可以使用现有 MCR。

1.  登录您的 **Megaport 账户**。
2.  导航到 **Services > Create** **MCR**。
3.  选择一个地理位置上靠近您的 DigitalOcean 数据中心和 GCP 位置的地点。
4.  通过选择**速率限制（Rate Limit）** 和 **MCR 名称（MCR Name）** 来配置 MCR。
5.  选择您的最短期限——默认最短期限为 12 个月。如果您仅使用此 MCR 测试 Partner Connect，您可能希望选择**无最短期限（No Minimum Term）** 。
6.  将 MCR ASN 保持为默认值 (133937)，除非您在早期配置时指定了其他值。
7.  部署 MCR 并记下 **MCR ID** 以进行进一步配置。
8.  完成 MCR 配置后，您仍然需要订购它才能完成此过程。在继续之前，设置您的账单详细信息并完成 MCR 的订购。

### 步骤 3：在 Megaport 上创建到 DigitalOcean 的虚拟交叉连接 (VXC)

现在，您可以创建从 DigitalOcean 上的合作伙伴连接到您刚刚创建的 Megaport Cloud Router 的连接了。您将通过向 MCR 添加虚拟交叉连接 (VXC) 来实现此目的。

此步骤需要您在 DigitalOcean 上设置合作伙伴连接时检索到的**服务密钥（service key）** 、**BGP** **认证密钥（BGP auth key）** 和 **BGP 配置（BGP configuration）** 。

![3-1-2.png](https://blog.aidroplet.com/uploads/3_1_2_cb8679df55.png)

1.  从“添加连接（Add Connection）”中选择 **“DigitalOcean”** 。
2.  输入您在步骤 1 创建合作伙伴连接时检索到的 **Megaport 服务密钥（Megaport Service key）** 。
3.  Megaport 会立即检查密钥有效性并将其标记为**有效服务密钥（Valid Service Key）** 。
4.  点击 **Next**。
5.  输入**连接名称（Connection Name）** 。
6.  选择**速率限制（Rate Limit）** 。创建 VXC 后，您将**无法**更新此项。最大值是根据您创建互连连接时选择的带宽设置的。
7.  选择您的最短期限。
8.  **接口** **IP** **地址（Interface IP Address）** 。您可以将此字段留空，以将接口配置推迟到 VXC 预配之后。
9.  点击 **Add** **BGP** **Connection**。选择您刚刚配置的本地 IP，然后输入您创建互连连接后检索到的 BGP 详细信息。请记住翻转**本地（Local）和对等（Peer）** ，DigitalOcean 提供的 `local_asn` 是 Megaport 的 **Peer** **ASN**，依此类推。当用户在 DO 上创建合作伙伴连接时，DO 上的本地 ASN 是 DO ASN，因此在 Megaport 上配置 BGP 时，此 ASN 成为对等 ASN——这同样适用于本地和对等路由器 IP。**BGP 密码（BGP Password）** 是您在步骤 10 中检索到的 **BGP 认证密钥（BGP authentication key）** 。
11.  验证您的信息是否正确，点击 **Next**，然后点击 **Add VXC** 将 VXC 添加到您的 MCR。
12.  和 MCR 一样，VXC 仍然需要订购才能完成此过程。
13.  当连接完全建立时，**配置详细信息（Configuration Details）** 状态指示器会变为绿色。这意味着从 DigitalOcean 到 Megaport Cloud Router 的连接已完成。接下来，设置与 GCP 的连接的另一端。

### 步骤4：在 Megaport 上创建到 GCP 的虚拟交叉连接 (VXC)

现在，设置第二个 VXC 以将 **[Megaport Cloud Router](https://docs.megaport.com/cloud/megaport/google/)** 连接到 谷歌云服务（GCP）。登录您的 Google Cloud 控制台以创建配对密钥。

1.  在控制台主菜单中，选择 **Hybrid** **Connectivity** **> Interconnect**。
2.  点击 **Get Started**。
3.  选择 **Partner Interconnect** 并点击 **Continue**。
4.  点击 **I already have a service provider**。
5.  配置您的连接。
6.  点击 **Create**。
7.  出现一个配对密钥。复制配对密钥并点击 **OK**。
8.  在 Megaport 门户中，在之前创建的 MCR 下，点击 **+Connection** 创建 VXC。
9.  选择目标类型**云（Cloud）** ，选择 **Google Cloud**。
10.  输入之前检索到的 **Google Partner Pairing Key**。
11.  将 VXC 与之前创建的 MCR 关联。
12.  确认并部署 VXC。

![4-1-2.png](https://blog.aidroplet.com/uploads/4_1_2_b9bc9f4a64.png)

### 步骤5：验证连接

所有连接建立后，验证 DigitalOcean 和 GCP 之间的连接：

-   在 **DigitalOcean** 中，检查合作伙伴连接的状态。
-   在 **Megaport** 中，确保两个 VXC 均处于活动状态并已正确配置。
-   在 **GCP** 中，确认 Partner Interconnect 链路已建立且流量正在正确传输。
-   通过从 DigitalOcean droplet ping GCP VPC 中的实例来执行测试。

### 小结

您已成功使用 Megaport 的 Partner Interconnect 在 DigitalOcean VPC 和 GCP 之间建立了高带宽、低延迟的连接。此设置可增强跨两个云提供商的工作负载的网络性能。

最后，DigitalOcean 还可为企业用户提供迁移支持。如果需要进一步了解 DigitalOcean 产品与迁移服务，请[联系我们](https://www.aidroplet.com/contact)。

Megaport VXC直连DO VPC与GCP，10Gbps低延迟

DigitalOcean 与 谷歌云服务 (GCP) 多云互连指南：实现高速低延迟网络

处理不可预测的流量高峰对应用程序来说是一项重大挑战。对于管理 Web 应用程序、电子商务平台或 SaaS 解决方案的开发人员、DevOps 工程师和系统管理员而言，当用户活动突然增加，导致基础设施不堪重负时，这个问题就会显现出来。如果没有适当的扩容机制，高流量会减慢服务速度、增加延迟、降低用户体验，甚至导致完全停机——从而造成收入损失和声誉受损。

这个问题通常发生在营销活动、产品发布、季节性事件或你的内容病毒式传播期间。传统的解决方案要么是过度配置资源（这在正常流量期间会浪费资金），要么是手动扩容（这需要持续监控，并且无法足够快地响应突发高峰）。

DigitalOcean 的 Droplet 自动伸缩池 (Droplet Autoscale Pools) 提供了一种无缝的方式来自动调整基础设施以满足需求。该解决方案实时监控应用程序的资源利用率，并根据预定义的阈值动态添加或移除计算资源，确保在高峰期实现最佳性能，同时在活动较低期间最大限度地降低成本。

在本教程中，你将通过实际示例了解自动伸缩的重要性，学习如何使用 DigitalOcean 用户界面 (UI) 和命令行界面 (CLI) 设置 Droplet 自动伸缩池，配置伸缩规则和阈值，优化自动伸缩的最佳实践，监控性能和基准测试伸缩效率，进行负载测试以模拟真实的流量高峰并观察自动伸缩的实际效果，确定正确的自动伸缩池大小，以及有关 DigitalOcean 自动伸缩的常见问题解答。

**理解自动伸缩**

自动伸缩 (Auto-scaling) 是一种云计算功能，可根据当前需求自动调整服务器池中的计算资源数量。自动伸缩使用预定义的规则来根据需要增加或减少容量，而不是手动配置或取消配置服务器。

**自动伸缩的工作原理**

1.  **监控 (Monitoring):** 系统持续监控 CPU 使用率、内存利用率或请求率等资源指标。
2.  **评估 (Evaluation):** 当这些指标超过预定义的阈值时，将触发伸缩操作。
3.  **执行 (Execution):** 在高需求期间自动添加新资源（横向扩展），或在低需求期间移除资源（横向缩减）。

**自动伸缩的优势**

-   **成本优化 (Cost** **Optimization** **):** 仅在需要时为所需资源付费。
-   **性能提升 (Improved Performance):** 即使在流量高峰期也能保持一致的性能。
-   **减少运营开销 (Reduced Operational Overhead):** 无需手动扩容和持续监控。
-   **高可用性** **(** **High Availability** **):** 自动替换不健康的实例以保持服务可靠性。
-   **可伸缩性 (Scalability):** 无需重新设计基础设施即可处理从数百到数百万用户的增长。

**挑战与注意事项**

-   **配置复杂性 (Configuration Complexity):** 设置适当的阈值需要测试和微调。
-   **启动时间 (Boot Time):** 新实例需要时间来初始化，这可能在快速扩容期间导致短暂延迟。
-   **有状态应用程序 (Stateful Applications):** 在本地存储会话数据的应用程序需要额外的考虑。
-   **成本管理 (Cost Management):** 配置不当可能导致不必要的扩容和成本增加。

**真实世界的自动伸缩示例**

**场景 1：电子商务流量高峰** 想象一家在线商店正在进行“黑色星期五”促销活动。流量突然激增，导致响应时间变慢。如果没有自动伸缩，客户会面临延迟或结账失败。有了 Droplet 自动伸缩池，基础设施会自动扩容，防止停机。

**场景 2：SaaS 应用程序处理增长** 一家初创公司推出了一个新功能，导致用户注册量增加。自动伸缩确保系统根据实时需求动态调整，而无需手动配置新服务器。

**前提条件**

在开始之前，请确保你具备以下条件：

-   一个 DigitalOcean 账户。
-   访问 DigitalOcean 控制面板的权限。
-   在你的系统上安装并认证了 `doctl` CLI 工具。
-   对 Droplets 有基本的了解。

**步骤 1 – 创建自动伸缩池**

Droplet 自动伸缩池能够根据资源利用率或固定大小为 Droplet 池启用自动水平扩展。

**使用控制面板创建自动伸缩池**

在 DigitalOcean 控制面板的左侧菜单中，单击 **Droplets**，其中包含 **Droplets** 选项卡和 **Autoscale Pools** 选项卡。

![2-2-2.png](https://blog.aidroplet.com/uploads/2_2_2_8e44b1dcd8.png)

现在单击 **Autoscale Pools** 选项卡上的 **Create an Autoscale Pool** 按钮来创建自动伸缩池。

![3-4.png](https://blog.aidroplet.com/uploads/3_4_572dd2fdc2.png)

**自动伸缩池配置**

在“Autoscale Pool Configuration”部分，你可以选择池的配置，这决定了池的伸缩方式。

-   **Autoscale (自动伸缩)** ：根据 Droplet 的聚合资源利用率动态管理池中的 Droplet 数量。你可以选择：

    -   **Pool Size (池大小)** ：控制池中 Droplet 的最小和最大数量。
    -   **Target Utilization (目标利用率)** ：控制监控哪些指标（CPU、内存或两者）以及在什么阈值下进行伸缩。
    -   **Cooldown Duration (冷却持续时间)** ：自动伸缩池在对池中 Droplet 进行修改之间等待的最短时间。选择一个至少与 Droplet 启动所需时间一样长的冷却持续时间。

-   **Fixed Size (固定大小)** ：在池中维护固定数量的 Droplet。你可以选择：

    -   **Number of Droplets (Droplet 数量)** ：你希望池中拥有的 Droplet 数量。

在本教程中，你将使用 **Autoscale** 配置，根据你的池大小范围和利用率指标自动调整池中的 Droplet 数量。这对于管理不可预测的流量非常理想。

**选择池大小、目标利用率和冷却持续时间**

现在，让我们配置池大小和目标利用率。

![image-5.png](https://blog.aidroplet.com/uploads/image_5_a264d7873e.png)

在此示例中，你已将池大小设置为最少 **1** 个 Droplet，最多 **3** 个 Droplet。 我们将目标 CPU 利用率设置为 **40%** ，内存利用率设置为 **40%** 。当指标超过目标使用百分比时，一个 Droplet 将自动添加到你的自动伸缩池中。当它低于该值时，我们将移除一个。 冷却持续时间设置为 **5 分钟**。它设置了伸缩事件之间的最小等待时间，确保新 Droplet 完全启动并且利用率稳定后再进行进一步调整。

**自动伸缩池 Droplet 配置**

现在你将选择自动伸缩池中 Droplet 的配置。你可以在创建池后随时更新此配置。 选择基础 Droplet 大小、区域和镜像。

![image-6.png](https://blog.aidroplet.com/uploads/image_6_035eb502a2.png)

根据需要配置其他设置，例如 SSH 密钥、高级选项和唯一名称。

![image-7.png](https://blog.aidroplet.com/uploads/image_7_a211dc0f9c.png)

单击右上角的 **Create Autoscale Pool** 按钮。

![image-8.png](https://blog.aidroplet.com/uploads/image_8_61d8307f71.png)

你现在会注意到自动伸缩池正在创建并且处于 **active (活动)** 状态。

![image-9.png](https://blog.aidroplet.com/uploads/image_9_0103c58c91.png)

这将根据自动伸缩池配置中指定的内容创建一个 Droplet。

![image-10.png](https://blog.aidroplet.com/uploads/image_10_e910361b00.png)

**使用** **CLI** **创建自动伸缩池**

你还可以使用 `doctl` 命令行实用程序来创建、配置和管理 Droplet 的自动伸缩池。 你可以参考此官方文档了解如何在你的系统上安装和配置 `doctl`。

一旦安装了 `doctl`，你将需要创建一个 API 令牌。 要生成个人访问令牌，请登录 DigitalOcean 控制面板。 在左侧菜单中，单击 **API**，这将带你进入“Applications & API”页面的“Tokens”选项卡。在 **Personal** **access tokens** 部分，单击 **Generate New Token** 按钮。

![image-11.png](https://blog.aidroplet.com/uploads/image_11_19cf371bdf.png)

使用 API 令牌授予 `doctl` 访问你的 DigitalOcean 账户的权限。在 `doctl auth init` 提示时传入令牌字符串，并为此身份验证上下文指定一个名称。

```
doctl auth init --context <NAME>
```

现在你将被提示复制粘贴你生成的令牌。

```
Output
Please authenticate doctl for use with your DigitalOcean account. You can generate a token in the control panel at https://cloud.digitalocean.com/account/api/tokens
❯ Enter your access token: <TOKEN>
```

现在，使用以下命令列出已成功认证的生成令牌。

```
doctl auth list
```

你应该在输出中看到列出的令牌：

```
Output
mytoken(current)
```

注意：身份验证上下文允许你在多个已认证的账户之间切换。你可以重复上述步骤添加其他 DigitalOcean 账户，然后列出并在身份验证上下文之间切换：

```
doctl auth switch --context <NAME>
```

现在，要验证 `doctl` 是否正常工作，你可以从命令行运行以下命令。

```
doctl account get
```

```
Output
User Email                      Team    Droplet Limit    Email Verified    User UUID                               Status
your_email@digitalocean.com     CMS     10               true              xxxxxx-xxxxx-xxxxxx-a80bb9d13dd8        active
```

现在，使用以下 `doctl` 命令创建一个 Droplet 自动伸缩池。你可以在此 `doctl compute droplet-autoscale` 指南中查看完整的命令参考。 命令是：

```
doctl compute droplet-autoscale create --name my-droplet-pool --image ubuntu-24-04-x64 --region blr1 --size s-1vcpu-1gb --min-instances 1 --max-instances 3 --cpu-target 40 --mem-target 40 --cooldown-minutes 5 --project-id <PROJECT_ID> --ssh-keys <SSH_KEY_ID>
```

这将创建与上一节中从 DigitalOcean 云控制面板生成的配置相同的自动伸缩池。 你可以参考此官方文档了解如何使用 `doctl` 创建自动伸缩池以了解更多信息。

**步骤 2 – 进行** **负载测试** **以测试自动伸缩性能**

为了模拟流量高峰并观察自动伸缩，你将使用 `loadtest` 工具对 Droplet 执行负载测试。这将帮助你评估自动伸缩池在各种负载条件下的性能。

通过 SSH 连接到你的自动伸缩 Droplet 并安装 `loadtest`。

```
sudo npm install -g loadtest
```

负载测试本质上是对请求的配置，以模拟你要测试的系统上的负载。这使其非常灵活，特别擅长实现复杂的用户流程。但它也可以进行简单的测试，所以让我们从简单的开始：

以下是在你的 Droplet 上执行负载测试的命令行命令：

```
loadtest http://your-droplet-ip -n 1000 -c 10 -t 10m
```

此命令将在 10 分钟内以 10 个并发连接向指定的 Droplet IP 模拟 1000 个请求。根据需要调整参数以模拟不同的负载场景。 一段时间后，一旦目标 CPU 和内存利用率超过设定的阈值，你应该会注意到新的 Droplet 被创建以处理负载。

![image-12.png](https://blog.aidroplet.com/uploads/image_12_45e1f2ae9b.png)

你可以使用我们往期关于负载测试简介的[文章](https://www.digitalocean.com/community/tutorials/an-introduction-to-load-testing#load-testing-software)了解更多关于负载测试以及在 Ubuntu 上使用哪些框架进行负载测试的信息。

**确定正确的自动伸缩池大小**

选择正确的池大小取决于工作负载需求。请遵循以下准则：

-   **分析流量模式 (Analyze Traffic Patterns):** 监控 CPU 使用趋势以确定平均负载和峰值负载。
-   **估算资源需求 (Estimate Resource Needs):** 从基础池开始，并根据负载测试结果进行调整。
-   **考虑伸缩速度 (Consider Scaling Speed):** 向上伸缩会添加新实例，这些实例需要时间来初始化。

设置为自动伸缩的池通过将利用率乘以池中当前的 Droplet 数量并对结果向上取整来确定池应具有多少 Droplet。

例如，一个拥有**两个 Droplet**、目标 CPU 利用率为 **80%** 、当前 CPU 利用率为 **95%** 的自动伸缩池将执行以下计算来确定池的大小：

```
ceil(2 Droplets * (95% current CPU / 80% target CPU))
= ceil(2 Droplets * 1.1875)
= ceil(2.375 Droplets)
= 3 Droplets
```

因此，该池将从**两个 Droplet** 扩展到**三个 Droplet**。 如果设置了多个指标，则池将使用所有指标中此计算的最大结果。

你可以参考 DigitalOcean 的官方指南获取详细的自动伸缩池大小建议。

**常见问题解答 (FAQs)**

1.  **DigitalOcean 自动伸缩池是如何工作的？** DigitalOcean 自动伸缩池根据资源利用率或固定大小动态调整池中的 Droplet 数量。这是通过自动水平扩展实现的，确保池大小能够适应变化的工作负载需求。
1.  **所需的最小 Droplet 数量是多少？** 建议至少使用两个 Droplet 以实现冗余和平滑伸缩。这允许负载分配，并确保池可以在不停机的情况下向上或向下伸缩。
1.  **自动伸缩响应流量高峰的速度有多快？** 自动伸缩通过根据**冷却持续时间 (Cooldown Duration)** 向上或向下伸缩来响应流量高峰。这段时间是新实例初始化并变为可用所必需的。为了最大限度地减少伸缩延迟的影响，建议进行预热。 池的冷却持续时间是自动伸缩池在对池中 Droplet 进行修改之间等待的最短时间。 这种冷却可以防止在伸缩过程中的抖动。它还通过在新 Droplet 启动之前销毁旧 Droplet 来防止在配置更改期间发生停机。
1.  **我可以将自动伸缩池与** **负载均衡** **器一起使用吗？** 是的，**DigitalOcean 自动伸缩池**可以与 **DigitalOcean 负载均衡器**结合使用，以确保在池中高效分配流量。这种组合使你的应用程序能够处理增加的流量并动态伸缩。
1.  **如何监控我的自动伸缩性能？** 要监控自动伸缩性能，请使用 DigitalOcean **云控制面板**上的 **Autoscale Pools Tab (自动伸缩池选项卡)** 或 `doctl compute droplet-autoscale list` 命令。这可以提供对自动伸缩池当前状态的洞察，并帮助你优化其配置。
1.  **我可以手动调整自动伸缩池中的 Droplet 数量吗？** 是的，你可以使用 DigitalOcean 控制面板或 **CLI** 手动调整自动伸缩池中的 Droplet 数量。这允许对池大小进行细粒度控制，使你能够响应变化的工作负载需求。
1.  **如果我的 Droplet 数量达到最大限制会发生什么？** 如果 Droplet 数量达到为自动伸缩池设置的最大限制，则不会创建额外的 Droplet。设置适当的最大值至关重要，以确保你的池可以扩展以满足需求，而不会超出资源限制。

**结论**

DigitalOcean 的 Droplet 自动伸缩池为处理不可预测的工作负载和流量模式提供了强大的解决方案。通过遵循本教程，你可以有效地配置自动伸缩、优化性能，并在无需人工干预的情况下确保流量高峰期间的平稳运行。

实施最佳实践，例如使用**负载均衡** **器**分配流量，根据应用程序的性能特征设置适当的伸缩阈值，以及配置最佳的冷却周期，将最大限度地发挥 DigitalOcean 上自动伸缩的优势。

实施 Droplet 自动伸缩池的主要优势包括：

-   **成本优化：** 仅在需要时为所需资源付费。
-   **提高可靠性：** 自动处理流量高峰而不会降低服务质量。
-   **减少运营开销：** 无需手动扩容和持续监控。
-   **增强用户体验：** 无论负载如何，都能保持一致的性能。
-   **业务** **敏捷性** **：** 快速适应不断变化的市场条件和季节性需求。

对于生产工作负载，请考虑使用 **DigitalOcean Monitoring** 实施全面的监控策略，以便更深入地了解应用程序的性能，并随着时间的推移进一步优化你的自动伸缩配置。

通过利用 **DigitalOcean 的基础设施**和自动伸缩功能，你可以构建具有弹性、可伸缩的应用程序，在优化云基础设施成本的同时提供一致的性能。

最后如果你正在寻找支持欧美地区、东南亚等全球范围内的价格便宜的云服务，欢迎尝试 DigitalOcean。如需了解更多，请[联系我们](https://www.aidroplet.com/contact)。

从零开始：用Qwen3-Coder在H100上构建你的智能编程工作流

产品更新

DigitalOcean Gradient AI平台现已支持OpenAI gpt-oss

助力高效构建与应用部署，DigitalOcean Kubernetes 四项新功能上线

DigitalOcean 一键模型部署，新增支持百度开源大模型ERNIE 4.5 21B

DigitalOcean 云平台上线 AMD MI325X GPU Droplet 服务器

教程

DigitalOcean GPU 选型指南（三）：中端AI GPU性价比之王 RTX 4000 Ada、A4000、A5000

DigitalOcean GPU 选型指南（二）：AI 推理最佳之选，L40s、RTX 6000 Ada与A6000全解析

DigitalOcean GPU 选型指南（一）：AI 训练巅峰之选 H100、H200与MI300X/MI325X深度对比

从零开始：用Qwen3-Coder在H100上构建你的智能编程工作流

新闻

卓普云携手DigitalOcean亮相香港Consensus大会：以技术赋能全球Web3生态

“隐形王者”DigitalOcean入华，谁将成为云服务革命的受益者？

海外云服务“内卷”，让中国企业出海有了新选择

AWS Lightsail 的 IPv4 开始收费！跨境云服务IP 地址应该选哪种？