选择哪个云平台跑 AI 训练，价格只是判断的起点。配额申请的难易程度、亚太区域的资源可用性、Spot 实例的稳定性、以及出站流量费用对长期训练任务的影响，这些因素叠加在一起，才决定了实际的 AI 训练成本。
2026 年三大云平台的 GPU 格局已经发生了明显变化。AWS 在 2025 年 6 月将 H100 实例价格下调约 44%，直接反超谷歌云，成为 H100 按需价格最低的主流云厂商。谷歌云的 A100 仍然是三大云中单 GPU 价格最低的选项。阿里云 GPU 服务（2026 年更名为 EGS，Elastic GPU Service）在国内版资源充足，但国际版的 H100 供给极为有限，主要面向亚太市场提供 A100 和 L20 实例。
三平台 GPU 资源概况
AWS 是三大云中 GPU 实例类型最多、资源最充足的平台。H100 实例（p5 系列）在 us-east-1 和 us-west-2 全量可用，A100 实例（p4d 系列）同样成熟稳定，同时提供最新的 B200 实例（p6 系列）和用于推理的 Inferentia2（Inf2）以及训练专用芯片 Trainium2（Trn2）。AWS GPU 实例的生态成熟度最高，和 SageMaker、ECS、EKS 的集成最完善。
谷歌云 的 A100 实例（a2 系列）是三大云中性价比最高的 A100 选项，GCP 在全球多个区域维持了充足的 A100 库存，配额申请审批速度快于 AWS。H100 实例（a3 系列）在 2025 年 AWS 降价后成本劣势明显，但谷歌云有一张独特的牌：TPU（Tensor Processing Unit）。TPU v5e 在主流 LLM 训练任务上的性能与 H100 接近，价格比同等计算量的 H100 便宜约 40%，是谷歌云在 AI 训练领域的核心差异化产品。
阿里云 的 GPU 服务在中国国内版（aliyun.com）有丰富的 A100、H100、L20 资源，是国内出海 AI 团队在数据合规要求下的常见选择。国际版（alibabacloud.com）的 GPU 资源集中在新加坡、香港、日本节点，主要覆盖 A100（gn7e 系列）和 L20（gn8is 系列），H100 在国际版的供给极为有限且不稳定。阿里云 GPU 国际版的核心优势是付款灵活（支持 USDT 和对公转账）、亚太节点网络延迟低，以及与阿里云其他产品的深度集成。
A100 实例按需价格对比
A100 是目前大多数中等规模 AI 训练任务（7B–70B 参数模型微调、推理部署）的主力 GPU，在成本和性能之间取得了较好的平衡。以下是三平台 A100 实例的按需价格参考（2026 年数据，美国/国际区域）：
| 平台 | 实例型号 | GPU 数量 | 按需价格（/小时） | 单 GPU 成本（/小时） |
| 谷歌云 | a2-highgpu-8g | 8 × A100 40GB | ~$26.24 | ~$3.28（最低） |
| AWS | p4d.24xlarge | 8 × A100 40GB | ~$32.77 | ~$4.10 |
| AWS | p4de.24xlarge | 8 × A100 80GB | ~$40.96 | ~$5.12 |
| 阿里云 | gn7e（国际版） | 1 × A100 80GB | ~$4.80 | ~$4.80 |
谷歌云 a2-highgpu 是三大云中按需价格最低的 A100 实例，比 AWS 同等配置便宜约 20%。这个差距在长时间连续训练中相当可观：一个需要 200 小时的 70B 模型训练任务，A100 集群在谷歌云上比 AWS 便宜约 $1,306。
阿里云国际版的 A100（gn7e）单卡价格约 $4.80，略高于 AWS，且最大实例规格受限（单实例 GPU 数量少于 AWS 和 GCP 的 8 卡配置），不适合需要多机多卡并行训练的大规模任务。
A100 的抢占式实例（Preemptible/Spot）可以大幅降低训练成本，三平台折扣幅度均在 60–80% 之间。训练代码需要实现 Checkpoint 机制（定期保存训练进度），实例被回收后从上一个 Checkpoint 恢复，可以在不损失太多训练时间的情况下充分利用抢占式实例的低价。
H100 实例按需价格对比
H100 的训练吞吐量约为 A100 的 3 倍（NVLink 互联带宽大幅提升），适合需要加快训练速度的任务，或者模型规模大到 A100 单机内存不够用的场景。
| 平台 | 实例型号 | GPU 数量 | 按需价格（/小时） | 单 GPU 成本（/小时） |
| AWS | p5.48xlarge | 8 × H100 SXM | ~$55–60 | ~$3.90（最低） |
| 谷歌云 | a3-highgpu-8g | 8 × H100 SXM | ~$88.49 | ~$11.06 |
| 阿里云 | 国际版极为有限 | — | — | — |
AWS 在 2025 年 6 月下调 H100 价格约 44% 后，单 GPU 成本约 $3.90/小时，明显低于谷歌云的 $11.06/小时。谷歌云 H100 的高价在很大程度上反映了其 H100 供给较 AWS 更为紧张，以及定价策略的差异。对于必须使用 H100 的团队（超大规模模型训练、需要 H100 的高内存带宽），AWS 是目前按需价格最合理的选择。
AWS H100 的 Spot 实例价格波动较大，在算力需求平稳时可以达到按需价格的 20–30%，即约 $12–18/小时（整机 8 卡）。2025 年 9 月的 Spot 实测价格约为整机 $12.16/小时，比按需价格便宜约 80%。Spot 价格持续下降的趋势预计在 2026 年下半年仍会持续，随着下一代 H200 和 B200 资源逐步释放，旧代 H100 的 Spot 价格将进一步走低。
谷歌云的 TPU 选项
如果 AI 训练任务的模型架构兼容 TPU（主要的 Transformer 架构都兼容），谷歌云的 TPU v5e 是一个不应该被忽略的选项。TPU v5e 在 LLM 训练任务上的性能与 H100 接近，按计算量折算后的训练成本比 H100 便宜约 40%。
以训练一个 70B 参数模型为例的成本估算：使用 AWS H100（p5 实例）按需训练 72 小时，整机成本约 $7,000；使用谷歌云 TPU v5e 完成同等训练，成本约 $4,000，节省约 43%。
TPU 的主要限制在于编程框架适配：TensorFlow 和 JAX 对 TPU 支持最完善，PyTorch（通过 PyTorch/XLA）也可以使用 TPU，但迁移成本视代码复杂度不同。如果训练代码完全用 PyTorch 编写且没有针对 TPU 做过适配，迁移到 TPU 的工程成本可能抵消价格优势，需要提前评估。关于谷歌云 GPU 和 TPU 实例的完整选型和配额说明，可以参考谷歌云 GPU 定价完全指南。
配额申请：三平台新账号的实际门槛
GPU 实例在三个平台的新账号下默认配额均为零，使用前必须提交申请，审批速度是影响项目上线时间的实际变量。
AWS 的 GPU 配额申请通过 Service Quotas 控制台提交，标准实例（G、P 系列）的审批周期通常在 2–4 周，新账号或消费记录稀少的账号审批更慢，有时需要多次申请或联系支持工程师介入。H100（p5 系列）和 A100（p4d 系列）的配额申请需要提供详细的使用场景说明，申请中包含具体模型规模、训练时长和商业用途的通过率明显高于模糊描述。高权重账号的配额申请审批速度更快、通过率更高，这是通过代理渠道开户的实际价值之一。关于 AI 训练的 GPU 配额申请策略和常见的配额报错处理，可以参考 谷歌云跑 AI 大模型 的配额申请说明，两个平台的申请逻辑高度相似。
谷歌云 的 GPU 配额同样从零开始，但审批周期通常比 AWS 短，大多数情况在 2–7 天内完成，部分区域的 A100 配额申请当天就能获批。GCP 的配额申请页面（IAM → 配额）比 AWS 的 Service Quotas 更直观，新账号的审批通过率相对更高，这让谷歌云在初次使用 GPU 资源时的上手体验优于 AWS。
阿里云 国际版的 GPU 资源供给主要集中在新加坡节点，A100 实例的配额申请通常需要联系销售或通过代理渠道协助处理，不像 AWS 和 GCP 有标准化的在线申请流程。H100 在国际版几乎没有稳定供给，有 H100 需求的团队不应以阿里云国际版为主力选项。
亚太区域 GPU 资源可用性
面向亚太用户提供 AI 服务（模型推理、API 接口）的团队，需要在亚太区域部署 GPU 实例，三个平台在亚太的资源分布差异明显。
AWS 在亚太的 GPU 资源主要集中在 ap-northeast-1（东京），新加坡（ap-southeast-1）和香港（ap-east-1）的 GPU 实例类型和库存明显少于美国区域。需要在亚太部署 H100 的团队，东京节点是相对最稳定的选择，但配额申请同样需要时间。
谷歌云 的 A100 在亚太区域（asia-southeast1 新加坡、asia-northeast1 东京）的供给相对充足，是三大云中亚太 A100 资源最稳定的平台。如果业务需要同时覆盖亚太用户的推理延迟和训练成本，谷歌云的新加坡节点是较优的选择。
阿里云 在新加坡和香港节点有一定的 A100 资源，且配合阿里云的整体网络架构（OSS、SLB、CDN）使用时，出站流量费相对 AWS 更低。对于出海 AI 业务同时需要存储大量训练数据和对外提供推理 API 的团队，阿里云国际版在亚太的综合成本有一定优势，尤其是训练数据的存储和访问费用低于 AWS 同等配置。
AI 训练成本实测：三平台综合对比
以训练一个 13B 参数的中文大语言模型为基准场景（使用 4 张 A100 80GB，训练时长约 120 小时）：
只算 GPU 计算费用（按需实例）：
- 谷歌云（a2-highgpu）：4 × $3.28 × 120 = $1,574
- AWS（p4de，半实例）：4 × $5.12 × 120 = $2,458
- 阿里云国际版（gn7e）：4 × $4.80 × 120 = $2,304
考虑出站流量（模型 Checkpoint 定期下载到本地，约 500GB）：
- 谷歌云出站费：约 $60（us-central1 出站 $0.12/GB）
- AWS 出站费：约 $45（us-east-1 出站 $0.09/GB，前 10GB 免费）
- 阿里云出站费：约 $60（新加坡节点 $0.12/GB）
使用 Spot/抢占式实例（折扣约 70%）：
- 谷歌云：约 $472 + $60 = $532
- AWS：约 $737 + $45 = $782
- 阿里云：约 $691 + $60 = $751
纯按需计算成本下谷歌云最便宜，引入 Spot 实例后差距缩小，AWS 和阿里云接近。实际训练任务中，Checkpoint 频率、数据集读取方式（是否用对象存储）、多机多卡的节点间通信成本，都会影响最终账单。上面的数字是方向性估算，不代表你的实际账单，以各平台控制台当期报价为准。
什么场景选哪个平台
选 AWS 的场景： H100 是训练任务的必要条件，或者需要在 SageMaker 上管理训练任务和模型部署的完整 MLOps 流程，或者团队已经有其他服务运行在 AWS 上希望减少平台数量。通过亚马逊云账号出售渠道获取高权重账号，GPU 配额申请更顺畅，同时通过亚马逊云代理商充值享受低至 7 折的折扣，叠加 Spot 实例后实际训练成本可以显著低于按需价格。
选谷歌云的场景： A100 是训练主力，或者任务框架兼容 TPU 且希望进一步降低训练成本，或者亚太区域（新加坡、东京）需要稳定的 GPU 资源。谷歌云的 A100 按需价格是三大云中最低的，配额申请审批也相对更快，对于首次在公有云上跑 GPU 训练的团队友好度更高。
选阿里云的场景： 业务同时覆盖国内和海外用户，需要在统一平台管理两侧资源；或者训练数据量大、存储和访问费用是主要成本项，阿里云 OSS 的存储成本和内网访问在亚太区域有优势；或者需要 USDT 或对公转账付款且不想处理信用卡问题的团队。阿里云不适合以 H100 训练为核心需求的场景。
