高校课题组买GPU算力，核心原则是按需租用、避免一次性重资产投入。科研经费通常按项目周期一到三年拨付，与其采购数万元工作站放实验室吃灰，不如按实际训练任务弹性上云，把每一笔钱都花在跑模型的有效卡时上。本文从需求拆解、自购与上云取舍、避坑清单三个维度给出可直接执行的建议。
一、先算清真实需求再谈采购
很多课题组一上来就问“买几张卡”，却没有先拆任务。建议先把研究方向对应到具体算力规格，避免高配低用或低配跑不动。图像分类、目标检测这类视觉任务，单卡24GB显存即可起步；自然语言预训练或微调7B以上模型，至少两张48GB显存，否则batch size开不起来；3D点云、视频理解、高分辨率遥感则显存优先，建议48GB起步，频繁换卡反而更耽误进度。
建议先用两周时间统计全组任务的平均卡时占用、单次训练时长和峰值并发，再决定采购或租用规模。数据驱动的决策，远比拍脑袋买卡靠谱。
二、自购与上云的取舍
| 方式 | 适合场景 | 主要风险 |
|---|---|---|
| 自购工作站 | 长期稳定、数据不出校 | 硬件折旧快，18个月换代 |
| 云GPU租用 | 项目周期短、突发大任务 | 需规划成本，注意停机计费 |
经验法则是：如果全组每周稳定占用卡时超过80小时且未来两年持续需要，可以考虑自购；如果任务呈脉冲式、经费按年波动，上云更稳妥。还要预留20%预算应对设备维修和扩容。
三、避坑清单
- 采购合同要求至少三年质保与上门服务，实验室无人运维是常见大坑。
- 云算力选支持按量计费、可随时释放的实例，训练结束立即释放，别空跑。
- 数据敏感项目优先选支持校园内网打通、数据可加密的方案。
- 预留散热和供电余量，自购多卡时机箱功率容易被低估。
需要弹性训练资源时，可参考GPU算力租用平台按卡时结算，避免经费沉淀在硬件上，项目结题后也不用处置闲置设备。
常见问题
问：博士生一个人需要独占一张卡吗？答：建议通过Slurm或Kubernetes做多卡共享，四人分时复用一张卡，整体效率远高于一人一机，还能减少排队等待。
