云服务器涨价，未必意味着云厂商单纯提高了利润率。OVHcloud 计划从 9 月起上调价格，部分 2026 版游戏服务器价格最高上涨 87%，其他近期服务器也将上涨 40% 至 59%。创始人 Octave Klaba 表示，6 月的内存成本已经是一年前的 6 倍。
这背后的关键变化是：AI 基础设施正在重新分配整个内存供应链。内存供应商把更多产能转向服务 AI 加速器的高带宽内存（HBM），普通服务器使用的 DRAM、DDR5 和相关组件因此承受了更大的成本压力。最终，价格变化会从 GPU 集群传导到游戏服务器、通用云主机和其他看起来与 AI 无关的产品。
价格上涨并不只发生在 GPU 云上
AI 训练和推理系统需要大量高带宽内存。HBM 与 GPU 紧密配套，能够提供更高的内存带宽，但制造和封装能力有限。当供应商把产能优先分配给 HBM 时，普通服务器内存的供给就会变得更紧张。
OVHcloud 的调整说明，这种影响已经扩散到传统基础设施产品：
- 2026 版游戏服务器价格上涨最高达 87%；
- 其他近期服务器价格上涨约 40% 至 59%；
- 涨价窗口从 9 月开始；
- 内存成本在一年内出现数量级变化。
这类价格调整对用户的影响，取决于合同类型和资源结构。一个主要消耗 CPU、内存和本地存储的游戏服务器，可能比一个计算密集但内存配置较低的实例更容易受到影响。对于自建 Kubernetes 集群、CI runner、缓存服务和数据库节点，内存往往也是成本模型中的重要部分。
AWS 的案例则揭示了另一种传导方式。由于 AWS 会提前多年采购基础设施，它通常能比短期采购的供应商更早锁定资源。不过，AWS 已经重新定价某个预留 GPU 产品，说明长期采购只能缓冲冲击，不能完全消除供应链重估带来的影响。
企业需要重新计算“每台服务器”的真实成本
过去，团队通常把云主机价格视为一个固定数字，再围绕 CPU 核数、内存容量和磁盘大小做选型。当前的市场环境要求把成本拆得更细：
- 实例的基础价格是否会在续约时变化；
- 内存占比是否高于 CPU 和存储；
- 是按需购买、月付，还是使用预留和长期合同；
- 是否能够迁移到内存配置更低的实例；
- 应用是否因为内存不足而产生更高的缓存失效率或数据库成本。
下面的脚本是一个可以直接运行的成本敏感性分析示例。数字不是 OVHcloud 或 AWS 的官方报价，而是用于规划的假设值。将 monthly_servers、memory_gb 和价格参数替换为自己的账单数据，就可以估算不同涨价情景下的月度成本。
from dataclasses import dataclass
@dataclass
class ServerPlan:
name: str
monthly_price: float
monthly_servers: int
memory_gb: int
def monthly_cost(self) -> float:
return self.monthly_price * self.monthly_servers
def scenario(plan: ServerPlan, price_increase: float) -> dict:
new_price = plan.monthly_price * (1 + price_increase)
old_cost = plan.monthly_cost()
new_cost = new_price * plan.monthly_servers
return {
"plan": plan.name,
"old_monthly_cost": round(old_cost, 2),
"new_monthly_price": round(new_price, 2),
"new_monthly_cost": round(new_cost, 2),
"monthly_delta": round(new_cost - old_cost, 2),
}
plans = [
ServerPlan("game-server", monthly_price=120, monthly_servers=20, memory_gb=64),
ServerPlan("api-server", monthly_price=80, monthly_servers=30, memory_gb=32),
ServerPlan("database", monthly_price=240, monthly_servers=6, memory_gb=128),
]
for increase in (0.40, 0.59, 0.87):
print(f"\nPrice increase: {increase:.0%}")
for plan in plans:
print(scenario(plan, increase))
这段代码最适合用来回答三个实际问题：某类实例涨价后每月增加多少支出、哪一类工作负载最敏感，以及迁移到另一种实例规格后需要节省多少成本才能抵消涨幅。若要进一步提高准确性，可以把磁盘、带宽、备份、跨区域流量和许可证费用也纳入模型。
预留资源可以降低波动，但不是万能答案
长期采购和预留实例通常能提高预算可预测性，但它们也会带来锁定风险。当前的供应链变化让“提前锁价”与“提前押注某种规格”变成两个不同问题：
- 如果工作负载稳定，长期合同可能降低价格突然上涨的风险；
- 如果应用正在迁移到更高密度或更低内存的实例，过早预留可能造成资源闲置；
- 如果供应商重新定义产品或调整预留价格，原有假设需要重新验证；
- 如果业务对 GPU 或 HBM 相关资源有刚性需求，普通 CPU 服务器的价格优化无法解决整体容量问题。
因此，采购决策不应只比较当前的月度单价，还要比较合同期限、退出条件、区域可用性和替代实例的迁移成本。对数据库和缓存等内存敏感型服务，减少内存配置可能导致性能下降，表面节省的主机费用可能被更高的数据库 I/O 或缓存未命中成本抵消。
现在可以做的四项检查
面对 AI 带来的基础设施重新定价，团队可以马上执行以下检查：
- 导出过去 6 至 12 个月的云账单，按实例类型和内存容量归类；
- 标记所有将在 9 月或下一个续约周期重新定价的产品；
- 为游戏服务器、数据库、缓存和 CI runner 建立至少两种替代规格；
- 为每类工作负载计算 40%、59% 和 87% 涨价情景下的月度预算；
- 在新合同中确认价格调整条款、预留资源的转移规则和提前退出成本。
AI 需求增长带来的影响，已经不再局限于购买 GPU 的团队。只要业务依赖大量服务器内存，就可能受到同一条供应链的影响。更稳妥的做法是把内存当作独立的成本和容量变量管理，并让实例选型、合同周期和架构迁移计划共同参与预算决策。