---
title: "GPU сервер для ИИ: как выбрать подходящие компоненты"
description: "Понятный гайд по серверам для ИИ: когда переходить на GPU, как выбрать VRAM, RAM и NVMe. Строим эффективную и производительную конфигурацию без переплат."
---

[Блог и Новости is\*hosting - Хостинг-провайдер Нового Поколения](https://blog.ishosting.com/ru)

# [GPU сервер для ИИ: как выбрать подходящие компоненты](https://blog.ishosting.com/ru/how-to-choose-a-server-for-ai-development)

 Written by [Мария С.](https://blog.ishosting.com/ru/author/maria-s) | 27.01.2026 9:00:01

Свежие исследования, включая [AI Index 2025](https://www.ibm.com/think/news/stanford-hai-2025-ai-index-report), показывают: выбор оборудования влияет на бюджет ИИ-проекта не меньше, чем архитектура самой модели. Скорость обучения и стоимость инференса напрямую зависят от грамотного баланса вычислительной мощности, памяти и дисков.

В этом гайде мы сравним эффективность CPU и GPU для задач ИИ, объясним, как рассчитать VRAM, RAM и NVMe, и поможем определиться с типом хостинга – от VPS до выделенных GPU-серверов.

Задача этой статьи проста: помочь вам собрать конфигурацию, которая потянет реальную работу, но не заставит переплачивать за простой ресурсов.

## Реальные требования к оборудованию для ИИ сегодня

Всю работу с ИИ можно разделить на четыре ключевых этапа:

- **Исследование и подготовка данных.** Этот этап критически зависит от мощных процессоров, большого объема памяти и быстрых NVMe-накопителей. Поэтому при выборе сервера здесь в первую очередь смотрят на баланс между ядрами CPU и скоростью работы дисков.
- **Обучение моделей и файн-тюнинг** (дообучение). Здесь быстро вскрываются любые "узкие места" оборудования: доступный объем видеопамяти (VRAM) диктует и размер батча, и масштаб самой модели. Приоритеты выстраиваются так: сначала VRAM, затем скорость связи между видеокартами, и только потом – скорость диска.
- **Оценка и инференс.** Процессоры (CPU) без проблем справляются с тестами и запуском небольших моделей. Но как только становится важным время отклика или растет трафик – [GPU-сервер](https://ishosting.com/ru/dedicated/gpu) становится необходимостью.
- **MLOps и поддержка продакшена.** На этом этапе от процессоров требуются ядра и память, чтобы параллельные задачи не мешали друг другу. NVMe здесь нужен для рутинной, но важной работы: быстрых откатов версий, восстановления и перемещения данных без долгого ожидания.

Золотое правило для всех случаев: сначала определите тип нагрузки, затем изучите ограничения оборудования, и только после этого принимайте решение о мощности сервера.

## CPU или GPU: что выбрать для ИИ?

GPU (видеокарты) – суперзвезды параллельных вычислений. Они идеальны для матричной математики, когда нужно выполнить тысячи одинаковых операций одновременно. CPU (процессоры), наоборот, выигрывают в сложной последовательной логике и многозадачности.

Главная сложность – понять, что важнее для вашей задачи. Выбор зависит от архитектуры модели, ее "веса" и требований к задержке (latency) и пропускной способности.

### Сравнительная таблица

Для начала посмотрим на краткое сравнение CPU и GPU для типичных задач, а дальше мы подробно разберём каждый случай и логику выбора.

| **Задача** | **Лучше на CPU** | **Лучше на GPU** |
| --- | --- | --- |
| ETL, токенизация, джойны (joins) | ✅ Простые задачи с упором на RAM | – |
| Классический ML (деревья, линейные модели) | ✅ Стандартный выбор | – |
| Инференс небольших LLM (квантованные 3–7B, умеренный QPS) | ✅Производительности обычно хватает | ✅ Если критична скорость отклика |
| Обучение / файн-тюнинг (CNN, Трансформеры) | – | ✅ Дает кратное ускорение |
| Диффузионные модели (обучение и генерация) | – | ✅ Необходимо для приемлемой скорости |
| High-load инференс | – | ✅ Лучшая пропускная способность и задержка |
| Бюджет | ✅ Ниже порог входа | ✅ Окупается на объемах (цена за результат) |

### Когда можно обойтись сервером на CPU

Хорошо укомплектованный CPU-сервер справляется с задачами ИИ гораздо лучше, чем принято думать. Вот где он отлично справляется:

- **Подготовка данных** (ETL): препроцессинг, токенизация, конвертация Parquet-файлов и базовый feature engineering (создание признаков).
- **Классический ML**: ансамбли деревьев, линейные модели, поиск аномалий..
- **Инференс легких моделей**: дистиллированные трансформеры и квантованные LLM (3–7 млрд параметров) при небольшом количестве запросов в секунду (QPS). Особенно эффективно с библиотеками, использующими инструкции AVX‑512.
- **Инфраструктура MLOps**: запуск Airflow/Prefect, MLflow, векторных баз данных, API и системы CI/CD.
- **Прототипирование**: проверка пайплайнов данных и отладка циклов обучения на микро-батчах (перед запуском на большом кластере).

Что важно: высокая производительность на ядро и достаточно RAM, чтобы держать датасеты в памяти (in-memory). Быстрый NVMe здесь выступает страховкой – на случай, если данные перестанут помещаться в оперативку.

Ориентируйтесь на 4–16 ядер (vCPU) и объем RAM, превышающий размер вашего датасета в 2–3 раза. Скорость диска должна с запасом перекрывать аппетиты вашего загрузчика данных (data loader).

Совет: начинайте подбор сервера именно с памяти и дисков. Если узким местом станет ввод-вывод (I/O), процессор будет просто простаивать в ожидании данных.

### Когда пора переходить на GPU

Если ваши алгоритмы опираются на тяжелую математику (матричные умножения, свертки) или вы начинаете увеличивать длину контекста и размеры батчей, переход на GPU-сервер сэкономит вам дни, а то и недели работы.

Типичные сценарии, где GPU необходим:

- **Файн-тюнинг моделей** (LLM или Vision Transformers) размером от 7B параметров в формате FP16 или BF16.
- **Обучение диффузионных моделей** для генерации изображений/видео и тяжелые задачи 3D-генерации.
- **Instruction tuning и методы LoRA/QLoRA** для средних и крупных моделей, где потребление VRAM растет пропорционально длине контекста.
- **Высоконагруженный инференс** со строгими требованиями к задержке (SLO). Сюда входят потоковая генерация токенов, реранкеры (rerankers) и мультимодальные модели.
- **Обучение с подкреплением**, где вычисление сетей (policy/value networks) занимает основную часть времени выполнения.

### И все-таки, CPU или GPU?

Вот краткое сравнение в таблице:

| **Задача** | **Лучше на CPU** | **Лучше на GPU** |
| --- | --- | --- |
| ETL, токенизация, джойны (joins) | ✅ Простые задачи с упором на RAM | – |
| Классический ML (деревья, линейные модели) | ✅ Стандартный выбор | – |
| Инференс небольших LLM (квантованные 3–7B, умеренный QPS) | ✅Производительности обычно хватает | ✅ Если критична скорость отклика |
| Обучение / файн-тюнинг (CNN, Трансформеры) | – | ✅ Дает кратное ускорение |
| Диффузионные модели (обучение и генерация) | – | ✅ Необходимо для приемлемой скорости |
| High-load инференс | – | ✅ Лучшая пропускная способность и задержка |
| Бюджет | ✅ Ниже порог входа | ✅ Окупается на объемах (цена за результат) |

## Требования к GPU для разработки ИИ

Если вы определились, что проекту [нужен GPU-сервер](https://blog.ishosting.com/ru/best-gpus-for-large-language-models-hosting), осталось выбрать объем видеопамяти (VRAM) и поколение карт. Чаще всего проблемы с производительностью возникают по трем причинам: нехватка VRAM, низкая пропускная способность памяти или слабая связь (интерконнект) между видеокартами.

### Расчет объема VRAM

VRAM – это первое, во что вы упретесь. В память должны одновременно поместиться веса модели, активации и состояние оптимизатора.

Ниже оставляем ориентиры по объемам.

**Текстовые LLM (~7B параметров):**

- **Инференс** (FP16): нужно 14–16 ГБ.
- **Файн-тюнинг**: от 24 ГБ.
- **С квантованием** (8-bit) **и LoRA/QLoRA** можно втиснуться в 12–16 ГБ, но длинный контекст и крупные батчи быстро съедят этот запас.

**Средние LLM (~13B параметров):**

- FP16 занимает 26–28 ГБ.
- Для комфортного файн-тюнинга лучше сразу целиться на 40 ГБ.

**Крупные модели (30–70B):**

- Здесь уже необходим мульти-GPU сетап (параллелизм тензоров или моделей) либо использование адаптеров вместе с грамотным квантованием.

**Vision Transformers и диффузионные модели:**

- Зависят от разрешения и патчинга. 24 ГБ – разумный минимум, но 48–80 ГБ позволят ускорить итерации и упростят работу с чекпоинтами.

**Мультимодальные модели:**

- Связка "токены + пиксели" забивает память моментально. Диапазон 48–80 ГБ – зона комфорта для быстрой работы.

Как только модели становятся больше (или вам нужен длинный контекст без ухищрений), работать с картами на 48–80 ГБ становится куда комфортнее.

Совет: не собирайте сервер «впритык». Оставляйте запас под длинные последовательности и внезапные пики нагрузки. В реальной работе VRAM – это главный входной фильтр; пропускная способность и диски становятся важны уже во вторую очередь.

###### VPS с апгрейдом RAM в любое время

Максимум отдачи от вашего бюджета с VPS. NVMe-диски, 40+ глобальных локаций и гибкие конфигурации.

[Выбрать VPS](https://ishosting.com/ru/vps)

### На что смотреть при выборе GPU

Разные видеокарты в задачах ИИ ведут себя по-разному. При выборе конфигурации советуем обратить внимание на пять факторов:

- **Поколение тензорных ядер** (поддержка BF16/FP8). Влияет и на скорость, и на эффективность использования памяти. Например, поддержка формата FP8 позволяет существенно поднять пропускную способность без ощутимой просадки качества для большинства моделей.
- **Тип памяти и пропускная способность.** Если обучение упирается в скорость передачи данных, память типа HBM выигрывает вчистую. В задачах с интенсивным вводом-выводом именно высокая пропускная способность (ТБ/с) позволяет держать утилизацию GPU на максимуме.
- **Интерконнект** (NVLink vs PCIe). NVLink кардинально меняет эффективность обучения на нескольких картах. Сборки на чистом PCIe тоже работают, но накладные расходы на коммуникацию между GPU будут тормозить масштабирование.
- **Объем VRAM на карту.** Определяет «потолок» того, что можно запустить на одном устройстве. 24 ГБ – стандарт для среднего файн-тюнинга; 48–80 ГБ нужны для длинного контекста и действительно больших батчей.
- **Драйверы и экосистема.** Зрелость стека CUDA/cuDNN часто становится решающим аргументом. Когда сроки горят, никто не хочет тратить время на борьбу с совместимостью библиотек.

Совет для мульти-GPU сборок: если в планах есть обучение на нескольких GPU, заранее продумайте стратегию параллелизма данных и моделей (data/model parallelism). Чтобы видеокарты не простаивали, организуйте быструю подачу сэмплов с NVMe и используйте закрепление памяти хоста.

## Требования к RAM и хранилищу

Процессоры и видеокарты отвечают за вычисления, но именно оперативная память и накопители определяют, насколько плавно данные будут к ним поступать. Если здесь сэкономить, рабочие процессы начнут тормозить задолго до того, как вычислительные мощности будут загружены на 100%.

### Сколько RAM нужно для разных задач

- **Подготовка данных и feature engineering.** Рекомендуемый объем RAM – в 2–3 раза больше самого крупного датасета (или таблицы), который вы планируете держать в памяти.

*Пример*: если вам нужно объединить две таблицы по 20 ГБ, то 64 ГБ RAM – это риск уйти в своп. Безопасным минимумом будет 128 ГБ.

- **Оркестрация обучения**. Даже на мощном GPU-сервере процессор работает «дирижером»: он управляет процессами, стримит батчи на карту, пишет логи и запускает валидацию.

*Расчет*: на каждую активную задачу обучения выделяйте 16–32 ГБ RAM (сверх нужд ОС). Это пространство уйдет на накладные расходы и кеши загрузчиков данных.

- **Сервисы инференса.** Здесь памяти много не бывает. Она расходуется на потоковую генерацию токенов, батчинг и кеширование запросов (особенно в API с множеством клиентов).

*Что учесть*: добавляйте память под веса моделей (если используете стратегии выгрузки/подкачки) и под хранение заранее посчитанных эмбеддингов.

- **Стек MLOps**. Инструменты вроде Airflow, MLflow, Prometheus и векторных баз данных весьма требовательны к памяти. Если вы планируете запускать инфраструктуру на том же сервере, где идет обучение, обязательно закладывайте под эти сервисы отдельный бюджет по RAM.

Золотое правило: конфигурация CPU и RAM должна обеспечивать непрерывный поток данных на видеокарту. Загрузчикам (data loaders) нужны свободные ядра и запас памяти для очередей предзагрузки. Математика проста: любой простой GPU в ожидании данных – это деньги на ветер.

### Роль NVMe в обучении моделей

Обучение и файн-тюнинг – это непрерывный поток. Вы постоянно загружаете фрагменты данных, распаковываете их, проводите аугментацию и собираете в батчи. NVMe минимизирует задержки на пути от диска к памяти GPU.

Реальные преимущества включают:

- **Стабильно высокую скорость** даже при случайном доступе и чтении перемешанных данных.
- **Быстрые чекпоинты** и мгновенные откаты к предыдущим версиям.
- **Ускорение циклов разработки**: пересборка датасетов или повторная токенизация занимают гораздо меньше времени.

## VPS, Выделенный сервер или GPU: что выбрать?

Этот вопрос возникает почти в каждом обсуждении инфраструктуры. Вместо того чтобы сразу сравнивать сухие цифры спецификаций, полезнее посмотреть, как каждый тип сервера ведет себя под реальной нагрузкой.

### Сценарии для VPS

[VPS хостинг](https://ishosting.com/ru/vps) отлично вписывается во многие рабочие процессы ИИ. Это стандартный выбор для оркестрации, подготовки данных, хостинга векторных баз, [CI/CD пайплайнов](https://blog.ishosting.com/ru/how-to-build-a-ci-cd-pipeline), API-шлюзов и инференса компактных моделей. Также VPS хорош для экспериментов, размещения внутренних инструментов и сервисов, которым нужны быстрый NVMe и гарантированные ресурсы.

В линейке **is\*hosting** этому соответствуют тарифы от *Start* до *Exclusive*. Все они работают на быстрых NVMe-накопителях со строго выделенными квотами CPU и RAM.

Начальные планы отлично подходят для легких сервисов и пайплайнов, а тарифы уровня *Premium* и выше дают необходимый запас мощности для требовательной обработки данных. При этом для удобного управления API и веб-интерфейсами к серверу можно подключить любую популярную панель –ispmanager, DirectAdmin, HestiaCP, aaPanel или cPanel.

### Когда лучше купить выделенный сервер

По сути, любые задачи с длительной непрерывной нагрузкой на CPU, большим потреблением памяти, специфическими сетевыми требованиями и строгой изоляцией – это прямой повод выбрать [выделенный bare metal сервер](https://ishosting.com/ru/dedicated/bare-metal).

При высокой нагрузке на процессор и диск выделенный сервер дает главное – предсказуемую производительность. Вы получаете все ресурсы в монопольное пользование и избавляетесь от риска, что «соседи» по виртуализации замедлят вашу работу.

К тому же, это гибкая платформа на вырост: часто такой сервер можно легко масштабировать или доукомплектовать видеокартами, если архитектура проекта потребует перехода с CPU на GPU.

### Почему GPU-серверы – стандарт для обучения ИИ

В современном [*deep learning*](https://blog.ishosting.com/ru/build-deep-learning-server) альтернатив видеокартам фактически нет. GPU-сервер – это, по сути, единственная возможность работать с крупными батчами и длинными контекстами.

Более того, для диффузионных и мультимодальных моделей наличие GPU – жесткое техническое требование. Главная задача здесь – подобрать объем VRAM и пропускную способность памяти так, чтобы они соответствовали модели. Только тогда железо будет не простаивать, а работать на полную мощность.

### Сравнение VPS, выделенного сервера или GPU

| **Тип сервера** | **Преимущества** | **Недостатки** | **Идеально подходит для** |
| --- | --- | --- | --- |
| **VPS** | Быстрый запуск, низкая цена, быстрый NVMe, легкое масштабирование | Общие ресурсы с другими пользователями, нет своей видеопамяти | MLOps, подготовка данных, легкий инференс, управление процессами |
| **Выделенный сервер** | Полная изоляция ресурсов, стабильная производительность, возможность апгрейда | Требуется время на запуск (сборку), стоимость выше, чем у VPS | Тяжелая обработка данных (ETL), задачи с большим потреблением RAM, нагруженные базы данных |
| **GPU-сервер** | Кратное ускорение обучения и инференса, наличие тензорных ядер и VRAM, работа с большими батчами | Высокий бюджет, необходимость точно рассчитывать память и пропускную способность | Файн-тюнинг моделей, нейросети (LLM, Diffusion), высоконагруженный инференс |

## Рекомендуемые конфигурации серверов

Прежде чем выбирать железо, определите проблемное место вашего проекта. Что занимает больше всего времени: подготовка данных, обучение или инференс?

Если работа упирается в очистку, токенизацию и массовое перемещение файлов, то мощный процессор, много RAM и быстрый NVMe принесут куда больше пользы, чем видеокарты.

Но если главная задача – файн-тюнинг или тяжелая генерация, отталкивайтесь от объема VRAM. В этом случае лучше брать GPU-сервер с небольшим запасом для маневра.

### Малые проекты и эксперименты

Задача: разведочный анализ данных (EDA), запуск базовых моделей, прототипирование API и первые эксперименты с дообучением.

- **CPU**: 2–4 vCPU
- **RAM**: 8–16 ГБ
- **Диск**: 50–100 ГБ NVMe

Почему этого достаточно: анализ данных и токенизация будут работать быстро, тесты векторных баз пройдут гладко, а API справится с нагрузкой без сюрпризов.

Нужен ли GPU? Выбирайте недорогой GPU-сервер, только если ваши библиотеки требуют CUDA или нужно протестировать LoRA на небольшой модели. Во всех остальных случаях оставайтесь на CPU – это выгоднее.

### Разработка среднего уровня (mid-level)

Задача: построение продакшн-пайплайнов, регулярный файн-тюнинг моделей (7–13B параметров) и инференс с низкой задержкой.

Вариант на CPU (упор на данные):

- **Конфигурация**: 8–16 vCPU, 64–128 ГБ RAM, 500+ ГБ NVMe.
- **Для чего**: отличный вариант для дата-пайплайнов, векторного поиска, Feature Store и инференса легких моделей.

Вариант с GPU (упор на обучение):

- **Конфигурация**: 24–48 ГБ VRAM, 16–32 vCPU, 64–128 ГБ RAM, 1–2 ТБ NVMe.
- **Для чего**: покроет большинство задач по LoRA/QLoRA и дообучению диффузионных моделей, а также обеспечит мгновенный отклик на инференсе.

### Enterprise-сегмент и масштабные модели

Задача: обучение на нескольких GPU (multi-GPU), работа с длинным контекстом и высоконагруженный мультимодальный инференс.

- **Вычисления**: Кластер из 2–8 GPU по 48–80 ГБ VRAM каждый. Процессор нужно подбирать так, чтобы загрузчики данных работали на полную (обычно это 24–64 ядра).
- **RAM**: 256–512 ГБ – необходимый буфер для загрузчиков, кэшей и валидации.
- **Хранилище**: 2–8 ТБ локального NVMe + подключенное объектное хранилище (S3) для архивов датасетов и чекпоинтов.
- **Интерконнект**: для масштабирования критически важен NVLink (или аналог). В крайнем случае – быстрый PCIe Gen4/Gen5.

На этом уровне затраты на мощный выделенный сервер или небольшой кластер полностью оправданы. Если вы строите гибридную инфраструктуру, выделите CPU-узлы под оркестрацию (Kubernetes, Slurm), а GPU-машины подключите как отдельный пул воркеров. Главное правило: здесь нельзя экономить на объеме VRAM, пропускной способности памяти и качестве интерконнекта.

### Планирование бюджета

Оценивайте не ежемесячный ценник аренды, а стоимость конечного результата. Дорогой [GPU-сервер](https://blog.ishosting.com/ru/best-gpus-for-large-language-models-hosting) может оказаться выгоднее бюджетного варианта, если он сократит время обучения с недели до одного дня и позволит команде быстрее выкатывать обновления.

Советы по оптимизации расходов:

- **Начните с необходимого минимума.** Выберите конфигурацию, которая покрывает базовые требования, и проведите тестовое обучение. Оцените реальную скорость, запас по видеопамяти и нагрузку на диски. Только после этого принимайте решение об апгрейде.
- **Учитывайте «гравитацию данных»** (data gravity). Если ваши данные лежат далеко от вычислительных мощностей, вы заплатите временем и деньгами за трафик и миграцию. Держите данные ближе к GPU.
- **Страхуйтесь бэкапами**. Используйте снепшоты, чтобы мгновенно откатываться после неудачных экспериментов – это дешевле, чем чинить сломанное окружение.
- **Экономьте, где это возможно**. Если конфигурация идет в продакшн, оплачивайте ее наперед. В *is\*hosting* действуют скидки: 5% при оплате за квартал, 10% – за полгода и до 20% – при оплате за год.
- **Оставьте место для роста**. Не обязательно покупать все сразу. Тарифы позволяют докупать RAM, SSD и IP-адреса, когда вы точно поймете свои потребности.

Главное правило: привязывайте расходы к конкретным бизнес-целям. Не покупайте «просто мощный сервер». Ставьте задачу так: «Нам нужно железо, чтобы получить отклик API <150 мс (p95)» или «Нужно дообучить модель 13B до метрики X за 2 дня». Тогда расходы на инфраструктуру станут понятной инвестицией.

###### Выделенный сервер с GPU или без

Когда VPS уже не хватает.

[Выбрать сервер](https://ishosting.com/ru/dedicated)

## Простой алгоритм выбора сервера

Чтобы не гадать и не сомневаться, пройдитесь по этому чек-листу:

1. **Четко сформулируйте задачу**. Прототипирование, обучение с нуля, файн-тюнинг или инференс?
2. **Оцените модель и точность**. Сначала ответьте на вопрос: «Сколько нужно VRAM?». Это сразу прояснит требования к железу.
3. **Задайте планку по скорости и отклику**. Целевые показатели задержки и пропускной способности поставят точку в споре «CPU или GPU» для инференса.
4. **Рассчитайте RAM хоста**. Сравните два требования и выберите наибольшее: объем, равный 2–3 вашим датасетам в памяти и объем, достаточный, чтобы буфер загрузки всегда был полон и видеокарта не ждала данных.
5. **Выберите хранилище**. NVMe – для активного обучения и быстрых чекпоинтов. Как только архивы начнут разрастаться, подключайте внешнее хранилище.
6. **Определитесь с типом сервера**:**VPS** – для управления процессами и легких моделей.**Выделенный сервер** – когда нужна стабильность CPU/RAM/диска 24/7.**GPU-сервер** – для обучения и высоконагруженного инференса.
7. **Сделайте ставку на стабильность.** Ищите честную виртуализацию KVM и живую службу поддержки 24/7. В is\*hosting мы исключили любые «сюрпризы»: у нас понятный биллинг, быстрая активация серверов, локации по всему миру и удобные панели управления.

## Заключение

Подбирать оборудование проще всего, отталкиваясь от реальных задач. Посмотрите, на что уходит время команды: на подготовку данных, проверку гипотез или обслуживание клиентов? Именно эти сценарии должны определять конфигурацию.

Еще одно важное правило: не стройте гигантские системы «про запас». Начинайте с необходимого минимума и добавляйте мощности точечно, там, где реально не хватает ресурсов.

Гибкий подход позволяет расти органично, переходя от базовых настроек к серьезным мощностям. Когда тыл прикрыт надежной инфраструктурой и поддержкой, у вас развязаны руки: можно полностью погрузиться в тесты и доработку продукта.

[View full post](https://blog.ishosting.com/ru/how-to-choose-a-server-for-ai-development)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Мария С."
  },
  "dateModified" : "2026-01-27T09:00:01.428Z",
  "datePublished" : "2026-01-27T09:00:01Z",
  "headline" : "Как выбрать сервер для разработки ИИ: подробный гайд по CPU, GPU и RAM",
  "image" : {
    "@type" : "ImageObject",
    "height" : 1348,
    "url" : "https://25913237.fs1.hubspotusercontent-eu1.net/hubfs/25913237/blog/how-to-choose-a-server-for-ai-development/how-to-choose-a-server-for-ai-development.png",
    "width" : 2396
  },
  "mainEntityOfPage" : "https://blog.ishosting.com/ru/how-to-choose-a-server-for-ai-development",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60.0,
      "url" : "https://help.ishosting.com/hubfs/ishosting-logo-black.svg",
      "width" : 316.66666
    },
    "name" : "Блог"
  }
}
```