Lambda Labsの使い方【AI特化クラウドGPUレンタル】

「GPU を使って機械学習を試したいけれど、手元に GPU がない……」——そんなときに選択肢になるのがクラウド GPU サービスです。

その中でも Lambda Labs（現在は Lambda に改称）は、H100 や最新の B200 といった本格的な GPU を ML 専用環境として提供するサービスで、CUDA ドライバや深層学習フレームワークがプリインストールされた Ubuntu インスタンスをそのまま起動できます。

本記事では、Lambda の GPU クラウドを Ubuntu 環境で使い始めるまでの流れを、実際にツールを動かして取得した一次データをもとに解説します。公式ページの実取得、SSH 鍵生成（Ubuntu 24.04 で実測）、Python 環境の確認、他サービスとの比較・遅延計測まで含めて紹介します。

Lambda Labs とは

Lambda Labs は米国カリフォルニア州を拠点とする AI インフラ企業です。GPU クラウド（オンデマンドのインスタンスや「1-Click Clusters」）、GPU サーバーのハードウェア販売、大規模クラスター（AIファクトリー）などを提供しています。

2026-06-15 時点の公式サイト（lambda.ai）を Playwright で実取得したところ、トップページのキャッチコピーは「The Superintelligence Cloud」で、グローバルナビから AI FACTORIES / PRODUCTS / PRICING / COMPANY にアクセスできました。ホームページの HTML に含まれていた GPU モデル名は B200・H200・H100 の 3 種類です。汎用 VPS と違い、Lambda のインスタンスは起動直後から NVIDIA CUDA がセットアップ済み（Lambda Stack）で使えます。

①提供している GPU の種類

• NVIDIA H100：Hopper アーキテクチャのフラッグシップ。大規模言語モデルの学習・推論に最適。SXM 版で 80GB VRAM
• NVIDIA H200：H100 の後継。HBM3e メモリ搭載で推論スループットが向上
• NVIDIA B200：Blackwell アーキテクチャの最新鋭。Lambda の「1-Click Clusters」でも展開（HGX B200）

このほか、インスタンスのプランには A100（80GB / 40GB） や Tesla V100 も用意されており、用途と予算に応じて選べます。

②料金は公開されている（要ログインではない）

古い解説記事では「Lambda の料金はログインしないと見られない」と書かれていることがありますが、2026-06-15 時点では lambda.ai/pricing でログイン前から公開されていました。実際に Playwright と requests で取得したのが次の画面とデータです。

料金ページの「Instances」表から取得した、GPU 1 基あたりの時間単価（PRICE/GPU/HR）は以下のとおりです。

※ lambda.ai/pricing の Instances 表より実取得（2026-06-15）。このほか複数 GPU 構成（1x〜8x）が選べます。長期利用向けの「1-Click Clusters」では HGX B200 が 16 GPU 構成で $9.86/hr、H100 が 16 GPU 構成で $6.16/hr と表示されていました。

③他クラウド GPU サービスとの比較

RunPod・Vast.ai との主な違いを整理しました。各社の公開ページを requests で実取得して確認した結果です（2026-06-15）。

Lambda が他サービスと最も異なるのはCUDA 環境（Lambda Stack）がプリインストールされていることです。RunPod はテンプレートを選んで環境を用意する方式で、課金単位も秒・時間と柔軟です。一方の Lambda は厳選した GPU を時間課金で提供し、研究機関・企業向けの安定稼働を優先しています。「使い始めるまでの摩擦が少ない」のが Lambda の評判です。

アカウント作成と SSH 鍵の準備

Lambda を使うにはアカウントが必要です。lambda.ai にアクセスし「Get started」または「Create account」から作成できます。ログイン画面（cloud.lambda.ai）では Google などのソーシャルログインにも対応しています。

手順1：SSH 鍵を生成する

Lambda のインスタンスへの接続はパスワードではなく SSH 鍵（公開鍵認証）で行います。SSH とは暗号化された遠隔ログインの仕組みのことです。ローカルの Ubuntu（または WSL）で、以下のように ed25519 形式の鍵ペアを生成してください。

実際に docker run --rm ubuntu:24.04 で Ubuntu 24.04 公式イメージを起動し、SSH 鍵生成を実行した実測ログが以下です。OpenSSH_9.6p1 Ubuntu-3ubuntu13.16 が確認できました（2026-06-15 実測）。

cat ~/.ssh/lambda_key.pub で表示された公開鍵（ssh-ed25519 AAAA... で始まる 1 行、実測では 96 文字）をコピーしておきます。

手順2：公開鍵を Lambda Cloud に登録する

Lambda Cloud ダッシュボード（cloud.lambda.ai）にログインし、「SSH Keys」→「Add SSH Key」から先ほどコピーした公開鍵（.pub のほう）をペーストして保存します。名前は ubuntu-local や home-pc など分かりやすいものにしてください。

インスタンスの起動と SSH 接続

手順3：インスタンスを起動する

ダッシュボードから「Launch Instance」を選択します。GPU タイプ（H100・A100 など）、リージョン、ストレージ容量を選んで起動します。インスタンスが Running 状態になれば接続可能です。

Lambda は需要が高い時期に在庫が埋まることがあります。目的の GPU が「Sold Out」と表示されたら、時間帯を変えるか、秒課金で柔軟な RunPod のスポット GPU で代替するのが実用的です。

手順4：SSH で接続する

インスタンスが起動したら、ダッシュボードに表示される IP アドレスへ、登録した鍵で SSH 接続します。ユーザー名は ubuntu です。

Lambda の良さは、この nvidia-smi や nvcc が接続直後から動くことです。VPS にありがちな「CUDA ドライバのセットアップで詰まる」という状況がありません。表示される GPU 名やドライバ・CUDA バージョンは、割り当てられたインスタンスによって変わります。

Python / PyTorch 環境の構築

Lambda のインスタンスは CUDA がプリインストールされていますが、ML ライブラリは自分でインストールします。Ubuntu 24.04 で実際に確認した手順を紹介します。

手順5：Python3 / pip の確認

以下は docker run --rm ubuntu:24.04 で Ubuntu 24.04.4 LTS の公式イメージを起動し、apt install python3 python3-pip python3-venv を実行してバージョンを確認した実測結果です（2026-06-15）。Python 3.12.3 / pip 24.0 が取得できました。

手順6：仮想環境を作って PyTorch をインストールする

システムの Python を汚さないよう、仮想環境（venv）を作ってから PyTorch を入れるのがおすすめです。PyTorch は CUDA バージョンに合ったホイールを指定するのが大切で、cu121・cu124 などをインデックス URL で選びます。

torch.cuda.is_available() が True を返せば GPU 認識は完了です。あとは普段どおり学習スクリプトを動かすだけで、H100 や A100 の演算性能を使えます。

手順7：CUDA 関連の apt パッケージ（必要な場合の参考）

Lambda のインスタンスは CUDA がプリセットされているため通常は不要ですが、追加ライブラリが必要なときのために apt-cache search nvidia-cuda の実測結果を載せておきます（Ubuntu 24.04、2026-06-15 実測）。apt 版の CUDA Toolkit は 12.0 系でした。

Lambda と他プロバイダへの遅延を実測する

本記事の検証ホストから、各プロバイダのドメインへ ping -c 5 でレイテンシを実測しました（2026-06-15）。値が小さいほど通信が近いことを意味します。

結果として、Lambda Labs（lambdalabs.com）への ping は平均 8.0ms（min 6.35ms / max 9.52ms）で、今回計測した GPU クラウドの中では最速でした。参考の Google DNS（6.9ms）にも肉薄しています。一方で Vast.ai は 13.5ms、RunPod は 9.8ms でした。パケットロスはいずれも 0% です。

※ ping -c 5 -W 3 で各ドメインに計測（2026-06-15 実測）。これはあくまでドメイン（多くは CDN 経由）への到達遅延です。実際に GPU インスタンスへ SSH 接続したときの遅延は、選んだデータセンターのリージョンに依存するため、用途に近いリージョンを選ぶのが重要です。

よくあるエラーと解決策

「Permission denied (publickey)」が出る

SSH 接続時に Permission denied (publickey) が出る場合、多くは次のどちらかです。

• ダッシュボードに登録した公開鍵と、-i で指定した秘密鍵が対になっていない → 秘密鍵のパスを確認する
• インスタンス起動時に選んだ SSH 鍵と違う鍵で接続している → ダッシュボードの「SSH Keys」を確認する

「CUDA out of memory」が出る

GPU のメモリが不足すると発生します。バッチサイズを小さくするか、不要なテンソルを解放する torch.cuda.empty_cache() を挟みます。H100 や A100 80GB は大容量ですが、複数モデルを同時に読み込むときは注意が必要です。

pip install torch で CUDA バージョンが合わない

インスタンスの CUDA バージョンを nvcc --version で確認してから、対応したホイール（cu121 / cu124 など）を --index-url で指定してください。バージョンがずれると torch.cuda.is_available() が False になることがあります。

まとめ

Lambda（旧 Lambda Labs）の GPU クラウドを Ubuntu で使い始める流れをまとめます。

• lambda.ai からアカウントを作成できる。料金は lambda.ai/pricing でログイン前から公開されている（実取得：H100 SXM $3.99/GPU/hr、A100 80GB $2.79/GPU/hr、B200 $6.69/GPU/hr ― 2026-06-15）
• SSH 鍵は ssh-keygen -t ed25519 で生成し（Ubuntu 24.04 で OpenSSH_9.6p1・256bit を実測）、ダッシュボードの「SSH Keys」に登録してからインスタンスを起動する
• インスタンスは CUDA がプリインストール済みで、接続直後から nvidia-smi が動く
• Python 3.12.3 / pip 24.0（Ubuntu 24.04.4 実測値）をベースに、venv を作って pip install torch --index-url https://download.pytorch.org/whl/cu124 で PyTorch を導入できる
• 提供 GPU は B200 / H200 / H100 など（2026-06-15 公式サイト確認）。研究者・学習目的向けの安定した ML 専用環境が強み
• 検証ホストからの ping は Lambda が平均 8.0ms と、計測した GPU クラウドの中で最速だった（実測）

GPU 環境が整ったら、まずローカルや VPS でプロトタイプを動かしてから、本格的なトレーニングだけ Lambda の H100 / A100 に任せる、という使い分けが効率的です。サーバーの基本を手元の VPS で先に固めておきたい方は、東京リージョンがあり時間課金で気軽に試せる Vultr から始めてみてください。VPS 各社の実測比較は でも詳しく解説しています。