DigitalOcean GPU Droplets คืออะไร — คู่มือฉบับสมบูรณ์ 2026

NVIDIA and AMD GPU compute on demand, billed by the second.

GPU Droplets คืออะไร

GPU Droplets เป็นบริการเซิร์ฟเวอร์เสมือนของ DigitalOcean ที่แนบการ์ดจอ (GPU) เข้ากับ Droplet เพื่อใช้ประมวลผลงานที่ต้องการพลังการคำนวณสูง เช่น เทรนโมเดล Machine Learning, รัน Inference, หรือ Rendering กราฟิก 3 มิติ ต่างจาก Droplet ปกติที่ใช้แค่ CPU/RAM เพราะ GPU Droplets มาพร้อม NVMe boot disk และ scratch disk ความจุสูงสำหรับเก็บ dataset ขนาดใหญ่

GPU Droplets attach a dedicated GPU to a Droplet for compute-intensive workloads such as ML model training, inference, and 3D rendering—unlike standard Droplets, they come with high-capacity NVMe boot and scratch disks for managing large datasets.

• เหมาะกับทีม data science ที่ต้องการทรัพยากรเทรนโมเดลโดยไม่ต้องซื้อฮาร์ดแวร์เอง
• มาพร้อมเฟรมเวิร์ก deep learning ติดตั้งไว้ล่วงหน้า เช่น PyTorch และ CUDA
• จ่ายเงินตามเวลาที่ใช้จริง ไม่ต้องลงทุนก้อนใหญ่ล่วงหน้า
• ปรับขนาดได้ตั้งแต่ GPU ตัวเดียวไปจนถึงคลัสเตอร์ 8 ตัว

รุ่น GPU ที่เลือกได้

ข้อที่มักถูกมองข้ามคือ digitalOcean เปิดให้เลือก GPU ทั้งจากฝั่ง NVIDIA และ AMD หลายรุ่น ครอบคลุมตั้งแต่งานทั่วไปไปจนถึงงานเทรนโมเดลขนาดใหญ่ระดับ enterprise โดยแต่ละรุ่นมีปริมาณ VRAM และจำนวน vCPU/RAM ที่แนบมาแตกต่างกัน

• NVIDIA: RTX 4000 Ada, RTX 6000 Ada, L40S, HGX H100, HGX H200 (และ HGX B300 ที่กำลังจะเปิดให้บริการ)
• AMD: Instinct MI300X, MI325X, MI350X — มีทั้งแบบตัวเดียวและคลัสเตอร์ 8 ตัว (×8)
• รุ่นเริ่มต้นอย่าง RTX 4000 Ada เหมาะกับงานทดลอง/inference ขนาดเล็ก
• รุ่นระดับบนอย่าง H100/H200/MI300X เหมาะกับการเทรนโมเดลขนาดใหญ่หรือ LLM

สเปก VRAM, vCPU และ RAM

แต่ละรุ่น GPU มาพร้อมจำนวน vCPU และ RAM ที่จัดสรรไว้ให้เหมาะสมกับ VRAM ของการ์ดนั้นๆ ยิ่ง VRAM สูง ยิ่งรองรับโมเดลขนาดใหญ่หรือ batch size ที่มากขึ้นได้

• RTX 4000 Ada: VRAM 20GB, 8 vCPU, RAM 32GB
• RTX 6000 Ada / L40S: VRAM 48GB, 8 vCPU, RAM 64GB
• HGX H100: VRAM 80GB (ตัวเดียว) หรือ 640GB (คลัสเตอร์ 8 ตัว), 20-160 vCPU
• HGX H200: VRAM 141GB (ตัวเดียว) หรือ 1,128GB (คลัสเตอร์ 8 ตัว)

Storage และเครือข่าย

GPU Droplet ทุกรุ่นมาพร้อม NVMe boot disk ขนาด 500GB ถึง 2,046GB สำหรับติดตั้งระบบปฏิบัติการและซอฟต์แวร์ บวกกับ scratch disk แยกต่างหากขนาด 5TB ถึง 40TB สำหรับเก็บ dataset ที่ต้องอ่าน-เขียนความเร็วสูงระหว่างการเทรน ด้านเครือข่ายรองรับ bandwidth สาธารณะ 10 Gbps และเครือข่ายภายใน (private) 25 Gbps สำหรับการสื่อสารระหว่างโหนดในคลัสเตอร์

• NVMe boot disk: 500GB–2,046GB ตามรุ่น GPU
• Scratch disk แยกต่างหาก: 5TB–40TB สำหรับ dataset
• Public bandwidth 10 Gbps, Private bandwidth 25 Gbps

ราคาและการคิดเงิน

ตรงนี้สำคัญ — gPU Droplets คิดค่าบริการแบบต่อวินาที (per-second) โดยมีขั้นต่ำ 5 นาทีต่อการใช้งานหนึ่งครั้ง ราคาต่อชั่วโมงเริ่มต้นที่ประมาณ $0.76/GPU สำหรับรุ่นเริ่มต้น ไปจนถึงประมาณ $3.44/GPU สำหรับรุ่นบนสุดอย่าง H200 ข้อควรระวังคือค่าใช้จ่ายยังคงเดินอยู่แม้จะปิดเครื่อง (power off) เพราะ DigitalOcean ยังคงสำรองฮาร์ดแวร์ไว้ให้ — ต้องกด Destroy Droplet เท่านั้นถึงจะหยุดคิดเงิน (ราคา ณ เดือนกรกฎาคม 2026 ตรวจสอบราคาล่าสุดที่เว็บ DigitalOcean เสมอ เพราะ GPU cloud เปลี่ยนราคาบ่อย)

• RTX 4000 Ada: ราว $0.76/ชม. (~$554/เดือน คำนวณจาก 730 ชม.)
• RTX 6000 Ada / L40S: ราว $1.57/ชม. (~$1,145/เดือน)
• AMD MI300X: ราว $1.99/ชม. (~$1,453/เดือน)
• NVIDIA H100: ราว $3.39/ชม. (~$2,475/เดือน)

ภูมิภาคที่เปิดให้บริการ

GPU Droplets ไม่ได้เปิดให้บริการในทุกศูนย์ข้อมูลเหมือน Droplet ทั่วไป โดยปกติจะกระจุกอยู่ในบางภูมิภาคเท่านั้น เช่น NYC2, TOR1, ATL1, RIC1 และ AMS3 — และเนื่องจาก GPU รุ่นใหม่มักมีความต้องการสูง สต็อกในแต่ละภูมิภาคอาจเต็มเป็นครั้งคราว แนะนำให้เช็คหน้า Create Droplet ล่าสุดก่อนวางแผนใช้งานจริงเสมอ

• ภูมิภาคหลักที่มักมี GPU: NYC2, TOR1, ATL1, RIC1, AMS3
• ไม่ใช่ทุกรุ่น GPU จะมีในทุกภูมิภาคที่กล่าวมา
• สต็อกอาจเต็มชั่วคราวในบางช่วงที่มีความต้องการสูง

เหมาะกับงานประเภทไหน

จากที่เราทดสอบจริง — gPU Droplets เหมาะกับงานที่ต้องการพลังประมวลผลแบบขนาน (parallel computing) สูง ซึ่งพบมากในสาย AI/ML และกราฟิก ตัวอย่างเช่นการเทรนโมเดล Deep Learning, การรัน Inference สำหรับแอปพลิเคชัน AI, การประมวลผลภาพ/วิดีโอ, Rendering 3D และงานคำนวณทางวิทยาศาสตร์ (HPC)

• เทรนโมเดล Machine Learning / Deep Learning ขนาดกลางถึงใหญ่
• รัน Inference สำหรับแอป AI ที่มีผู้ใช้จริง (LLM, computer vision)
• Render กราฟิก 3D หรือประมวลผลวิดีโอความละเอียดสูง
• งานคำนวณวิทยาศาสตร์ที่ต้องการ parallel processing (HPC)

เริ่มต้นใช้งาน GPU Droplet

การสร้าง GPU Droplet ทำผ่านหน้า Control Panel เดียวกับ Droplet ทั่วไป เพียงเลือกแท็บ GPU Droplets แทน โดยระบบจะมีอิมเมจที่ติดตั้ง framework AI ยอดนิยมไว้ล่วงหน้าให้เลือกใช้ ทำให้เริ่มเทรนโมเดลได้เร็วโดยไม่ต้องตั้งค่า environment เองตั้งแต่ต้น

• เลือกแท็บ GPU Droplets ในหน้า Create Droplet
• เลือกอิมเมจที่มี PyTorch/CUDA ติดตั้งไว้แล้วเพื่อเริ่มงานเร็วขึ้น
• ตั้งค่า SSH key ก่อนสร้างเพื่อเข้าถึงเครื่องอย่างปลอดภัย
• ทดสอบด้วยรุ่นเล็กสุดก่อน แล้วค่อยขยับขึ้นรุ่นใหญ่เมื่อมั่นใจใน workload

ข้อควรระวังก่อนใช้งานจริง

เพราะ GPU Droplets มีค่าใช้จ่ายต่อชั่วโมงสูงกว่า Droplet ปกติมาก การวางแผนใช้งานจึงสำคัญ ควรตั้งงบประมาณและ monitoring การใช้งานไว้ล่วงหน้า และจำไว้เสมอว่าการ 'ปิดเครื่อง' ไม่เหมือนการ 'ทำลายเครื่อง' — Droplet ที่ปิดอยู่เฉยๆ ยังคงเก็บเงินตามปกติ

• ตั้ง budget alert ผ่าน DigitalOcean Monitoring เพื่อไม่ให้ค่าใช้จ่ายบานปลาย
• จำไว้ว่า power off ≠ หยุดคิดเงิน ต้อง destroy ถึงจะหยุดจริง
• ทดสอบ workload ด้วยรุ่นเล็กก่อนเสมอเพื่อประหยัดต้นทุนตอนพัฒนา
• เช็ค quota และสต็อก GPU ในภูมิภาคที่ต้องการล่วงหน้า

รับ $200 Free Credit →