GPU搭載VPS・クラウドGPU比較【AI開発向け】

「AIモデルを動かしてみたいけど、どのGPUクラウドを使えばいいの？」——そんな疑問を持つ方に向けて、RunPod・Vast.ai・Lambda Labsの料金を実際に公式ページからPlaywrightで取得して比較しました。

国内VPSのようにGPUを搭載したプランは少なく、2026年現在はGPU専業のクラウドサービスを使うのが現実的な選択肢です。本記事では実測データをもとに、Linux入門者でも使いやすいサービスの選び方を解説します。

この記事のポイント

RunPodのRTX 4090は$0.69/hr（Secure）/$0.46/hr（Community）——2026年6月Playwright実取得
Vast.aiは市場価格制で同じRTX 4090がavg $0.40/hr（ただし幅大きく$0.13〜$2.67）
Lambda Labsはエンタープライズ向け。H100/B200クラスターを提供するが料金は要アカウント登録
日本リージョンは全社なし——SSH接続は200ms前後を想定すること
入門ならRunPodのRTX 4090 Community Cloud（$0.46/hr）が最もとっつきやすい

検証環境と計測日
クラウドGPUの料金比較（実測）
1. RunPod 主要GPU料金（Secure Cloud・Playwright実取得）
2. Vast.ai 主要GPU料金（市場価格30日平均・Playwright実取得）
各サービスの詳細
サービス比較一覧
VRAM容量の選び方
Ubuntu 24.04 での CUDA 環境確認（Docker 実測）
1. SSH鍵の準備（Ubuntu 24.04 で実行）
日本からの接続遅延（ping 実測）
CPUベンチ参考値（ubuntu:24.04 Docker 実測）
用途別の選び方
まとめ

検証環境と計測日

本記事の数値は以下の環境・方法で取得しています。

項目	内容
計測日	2026年6月13日
料金スクレイプ手段	Python Playwright（各社公式料金ページを直接取得）
コマンド実行環境	ubuntu:24.04 Docker公式イメージ（`docker run --rm`）
ping 計測元	日本国内サーバー（`ping -c 5` 実行）
sysbench	ubuntu:24.04 コンテナ内・2スレッド・10秒×3回

注意

GPUクラウドの料金は頻繁に変わります。本記事の数値は2026年6月13日時点のものです。実際に契約する前に各社の公式ページで最新料金を確認してください。

クラウドGPUの料金比較（実測）

まずRunPodとVast.aiの主要GPU料金をPlaywrightで実取得した結果を見ていきます。Lambda Labsは料金ページがCloudflareで保護されているためアカウント登録が必要で、公開料金の自動取得はできませんでした。

RunPod vs Vast.ai GPU料金比較（Playwright実取得・2026-06-13）

RunPodには「Secure Cloud」と「Community Cloud」の2種類があります。Secure Cloudはデータセンター運営業者が認定した環境で、セキュリティや安定性が高め。Community Cloudは個人・小規模事業者が提供するGPUで、その分価格が安いです。

Vast.aiは逆に、GPU提供者がリソースを出品するマーケットプレイス型。需要と供給で価格が変動するため、タイミングによっては非常に安く借りられますが、突然価格が上がったり、インスタンスが中断されるリスクもあります。

RunPod 主要GPU料金（Secure Cloud・Playwright実取得）

runpod-pricing-scrape: Playwright取得結果

$ python3 run_gpu_pricing_scrape.py # runpod.io/gpu-instance/pricing
RTX A5000 24GB → $0.27/hr ← コスパ最高（Secure Cloud）
RTX 3090 24GB → $0.46/hr （Secure） / $0.39/hr（Community）
RTX 4090 24GB → $0.69/hr （Secure） / $0.46/hr（Community）
RTX 5090 32GB → $0.99/hr （Secure）
A100 PCIe 80GB → $1.39/hr ← 大規模モデル向けコスパ良
A100 SXM 80GB → $1.49/hr
H100 PCIe 80GB → $2.89/hr
H100 SXM 80GB → $3.29/hr ← 最上位
─── billing: per-second / 31リージョン ───────────────────────
ストレージ: $0.10/GB/月（runningコンテナボリューム）

RunPodの課金は秒単位です。「試しに30分だけ動かす」という使い方でも無駄がなく、入門向けには嬉しい仕様です。

Vast.ai 主要GPU料金（市場価格30日平均・Playwright実取得）

vastai-pricing-scrape: Playwright取得結果

$ python3 run_gpu_pricing_scrape.py # vast.ai/pricing
RTX 4090 Ada 24GB → avg $0.40/hr (range: $0.13–$2.67) ← 変動幅に注意
RTX 5090 32GB → avg $0.51/hr (range: $0.21–$53.33)
H100 SXM 80GB → avg $2.00/hr (range: $1.47–$3.64)
H200 Hopper 141GB → avg $3.45/hr (range: $1.97–$4.41)
B200 Blackwell 192GB → avg $4.04/hr
─── 市場価格制・40以上のデータセンター ──────────────────────
Interruptible（中断あり）プランはさらに安価

注意：Vast.ai の価格幅

Vast.aiのRTX 5090は最安$0.21から最高$53.33まで幅があります（30日平均$0.51）。価格スパイクが起きる可能性があるため、予算管理が難しい面があります。長時間の学習ジョブには向きません。

各サービスの詳細

①RunPod — 入門者に最もおすすめ

RunPodは固定価格・秒課金・Dockerイメージ対応の3点が入門者にとって特に使いやすいです。

ダッシュボードから数クリックでGPUインスタンスを起動できる
NVIDIA公式のnvcr.io/nvidia/pytorchイメージをそのまま使える
秒単位課金なので「少し試してすぐ落とす」が気軽にできる
SSH接続に加え、JupyterLab UIも使える（AI/ML入門者に便利）

Vultr GPU Cloud プランを確認する →

②Vast.ai — 安さ重視の上級者向け

Vast.aiはマーケットプレイス型なので、タイミング次第でRunPodより安いGPUが見つかります。ただし市場価格のため安定性に欠けます。

入札/固定の2モード選択可（On-demand / Interruptible）
Dockerイメージ指定で起動できる
B300・B200など最新Blackwellアーキテクチャも早期対応
UIは英語のみ。設定項目が多く最初は戸惑いやすい

Vast.ai公式料金ページ（Playwright実撮影・2026-06-13）

③Lambda Labs — エンタープライズ・研究向け

Lambda LabsはH100/B200クラスターを提供する高品質GPU専業クラウドです。料金ページはCloudflareで保護されており、アカウント登録後にダッシュボードで確認できます（本記事での自動取得不可・2026-06-13確認）。

H100 SXMクラスター、HGX B200クラスターを提供
チームや研究グループ向けの固定価格プラン
ネットワーク品質・レイテンシが高品質
個人の入門用途には少し敷居が高め

④AWS EC2 — 大企業向け。個人には割高

AWS EC2のGPUインスタンス（p3/p4/p5シリーズ）は信頼性が高い一方、GPU専業クラウドの10倍以上の価格になる場合があります。AWS EC2のp3.16xlargeはV100×8搭載で$24.48/hr、p5はH100×8搭載で$98.32/hr〜です。個人がAIを試すには明らかに割高です。

サービス比較一覧

項目	RunPod	Vast.ai	Lambda Labs	AWS EC2 (p3)
RTX 4090 最安値	$0.46/hr（Community）	avg $0.40/hr（変動）	取扱なし	取扱なし
H100 80GB	$2.89/hr〜	avg $2.00/hr（変動）	要アカウント確認	$98.32/hr〜（p5）
価格形式	固定価格	市場価格（変動）	固定価格	オンデマンド固定
最低課金単位	秒	時間	時間	時間
日本語UI	なし（英語）	なし（英語）	なし（英語）	あり
Dockerイメージ	○（標準対応）	○（標準対応）	△（独自テンプレ）	○
入門のしやすさ	★★★★★	★★★★☆	★★★☆☆	★★☆☆☆

VRAM容量の選び方

AI開発でどのGPUを選ぶかは、扱いたいモデルのパラメータ数とVRAM消費量で決まります。正直、ここで詰まる人が多いです。目安は以下のとおりです。

VRAM容量	向いている用途・モデル例	RunPodでの目安価格
〜16GB	画像生成（Stable Diffusion）、小型テキスト生成（7Bモデル量子化版）	RTX 4000系〜（$0.20〜）
24GB	LLM 7B〜13Bパラメータ（Llama 3・Mistral等）、高品質画像生成	RTX 3090/4090 $0.39〜$0.69/hr
48GB	LLM 30B前後、マルチモーダルモデル	RTX A6000 $0.44〜$0.49/hr
80GB	LLM 70B（Llama 3 70B等）、大規模Diffusionモデル	A100 $1.39〜$1.49/hr
80GB×複数	GPT-4クラスのファインチューニング、大規模学習	H100 $2.89〜$3.29/hr×台数

最初に試すならRTX 3090（24GB VRAM・$0.39/hr Community）が現実的です。Llama 3の8Bモデルを動かすのに十分で、10時間使っても$3.90（約600円）です。

Ubuntu 24.04 での CUDA 環境確認（Docker 実測）

GPU インスタンスを借りた後の手順として、Ubuntu 24.04 での CUDA 関連パッケージの確認をDockerコンテナで実際に行いました。

Ubuntu 24.04 nvidia-cuda パッケージ確認（Docker実測）

ubuntu@linuxlab: ~

$ docker run –rm ubuntu:24.04 bash -c \
‘apt-get update -qq && apt-cache search nvidia-cuda | head -5’
boinc-client-nvidia-cuda – metapackage for CUDA-savvy BOINC client and manager
nvidia-cuda-dev – NVIDIA CUDA development files
nvidia-cuda-gdb – NVIDIA CUDA Debugger (GDB)
nvidia-cuda-samples – Samples which demonstrate features in NVIDIA CUDA Toolkit
nvidia-cuda-toolkit – NVIDIA CUDA development toolkit

$ # python3-pip の Candidate バージョン確認
Candidate: 24.0+dfsg-1ubuntu1.3

$ ssh -V
OpenSSH_9.6p1 Ubuntu-3ubuntu13.16, OpenSSL 3.0.13 30 Jan 2024

Ubuntu 24.04 には nvidia-cuda-toolkit がaptリポジトリに存在します。ただし実際のGPUインスタンス上で使うには nvidia-container-toolkit が別途必要になります。RunPod/Vast.aiではGPU対応のDockerイメージ（nvcr.io/nvidia/pytorch:24.01-py3 等）を直接選べるので、CUDAのセットアップを自分でやる必要はほとんどありません。

SSH鍵の準備（Ubuntu 24.04 で実行）

GPU インスタンスにSSHで接続するには、あらかじめed25519鍵を生成して登録しておく必要があります。Ubuntu 24.04 コンテナで実際に生成した結果です。

ubuntu@linuxlab: ~

$ ssh-keygen -t ed25519 -f ~/.ssh/gpu_key -N “” -C “user@gpu-server”
Generating public/private ed25519 key pair.
Your identification has been saved in /root/.ssh/gpu_key
Your public key has been saved in /root/.ssh/gpu_key.pub
The key fingerprint is:
SHA256:I4BoAjYxrZQMmylejNmdYfWahZH1dZ6k6WwI3bug5DA user@gpu-server

$ # 公開鍵をRunPod/Vast.aiのダッシュボードに貼り付ける
$ cat ~/.ssh/gpu_key.pub
ssh-ed25519 AAAA…（公開鍵の内容をコピーしてダッシュボードに登録）

$ # インスタンス起動後に接続
$ ssh -i ~/.ssh/gpu_key root@<インスタンスIP>

実際のSSHバージョンは OpenSSH_9.6p1 Ubuntu-3ubuntu13.16（Ubuntu 24.04 apt実取得）です。鍵生成のコマンドは同じで動作します。

日本からの接続遅延（ping 実測）

RunPod・Vast.ai・Lambda Labsは現時点で日本リージョンを提供していません。日本国内から各サービスのドメインに ping -c 5 を実行した結果です。

ubuntu@linuxlab: ~ — ping 実測（2026-06-13）

$ ping -c 5 vast.ai
rtt min/avg/max/mdev = 1.203/1.240/1.295/0.033 ms
Vast.ai (CDN): avg 1.24ms ← CDN経由のドメインレイテンシ

$ ping -c 5 www.runpod.io
rtt min/avg/max/mdev = 2.062/2.137/2.248/0.062 ms
RunPod (CDN): avg 2.14ms

$ ping -c 5 lambdalabs.com
rtt min/avg/max/mdev = 2.074/2.194/2.295/0.075 ms
Lambda Labs: avg 2.19ms

$ ping -c 5 ec2.ap-northeast-1.amazonaws.com
5 packets transmitted, 0 received, 100% packet loss
AWS EC2東京: ICMPブロック（到達不可）

注意：CDNレイテンシと実SSH接続のレイテンシは別物

上記のpingはサービスのWebドメイン（CDN）へのレイテンシです。実際にGPUインスタンスにSSH接続すると、米国のデータセンターへの通信になるため200ms〜250ms前後を見込んでください。JupyterLabのようなインタラクティブUIはほとんど問題ありませんが、レスポンス速度が重要な対話的CUI操作では慣れが必要です。

CPUベンチ参考値（ubuntu:24.04 Docker 実測）

sysbench CPU ベンチ（ubuntu:24.04 Docker 実測）

GPU インスタンスのCPUスペックは補助的な要素ですが、データのロード処理やAPIサーバーに影響します。参考として ubuntu:24.04 コンテナでsysbenchを3回実行した結果です（GPU非搭載・ローカルDockerホスト）。

ubuntu@linuxlab: ~ — sysbench（2026-06-13）

$ docker run –rm ubuntu:24.04 bash -c \
‘apt-get install -qq sysbench && sysbench cpu –threads=2 –time=10 run’
sysbench 1.0.20 (using bundled LuaJIT 2.1.0-beta2)

1回目: events per second: 2256.05
2回目: events per second: 2670.17
3回目: events per second: 2600.58
3回平均: 2508.9 events/sec (min: 2256 / max: 2670)

※ GPU利用時は推論処理はGPU側が担うため、CPUスペックは補助的要素

用途別の選び方

①とにかく試してみたい（LLM・画像生成の入門）

RunPod Community Cloud のRTX 3090（$0.39/hr）が最もおすすめです。秒課金なので「ちょっと試して落とす」を繰り返せます。Llama 3 8Bを動かすのに24GB VRAMで十分です。1時間=$0.39（約60円）、1日フルで使っても$9.36（約1,400円）です。