Lambda Cloud GPU 云服务器评测：训练、多 GPU 集群与持久化存储
Lambda Cloud 的 On-Demand Cloud 以 Linux GPU 虚拟机、区域化文件系统和多 GPU 集群为核心。本文从训练环境、存储生命周期、SSH 网络、安全边界和计费方式出发，判断它是否适合需要稳定工程环境的 GPU 工作负载。
产品定位与实例形态
Lambda Cloud 的 On-Demand Cloud（ODC）提供 Linux GPU 虚拟机，用户可以按需创建实例，并在任务结束后关闭。官方文档列出的实例覆盖从 A10、A6000、RTX 6000 到 A100、H100、GH200 和 B200 等不同层级，也提供单卡、双卡、四卡和八卡配置。对于需要多 GPU 训练的团队，Lambda 还提供 1-Click Clusters，官方资料说明其可用于 16 到 512 张 H100 等规模的集群。
这种产品结构更接近一套标准化的云服务器基础设施，而不是只提供一个临时容器。它适合需要长期维护环境、固定目录结构、SSH 登录、安装自定义软件和运行多阶段任务的工程团队。选择实例时，应同时记录 GPU 显存、GPU 数量、vCPU、系统内存、根卷大小和所在区域。不能只用 GPU 型号判断训练是否合适，因为数据加载和检查点写入也会受到 CPU、内存、磁盘和网络的影响。
区域和文件系统是关键约束
Lambda 的资源按区域组织。官方区域列表包含东京、大阪、印度、德国、以色列以及美国多个区域，但不是每一种实例在每个区域都有供应。创建实例前，需要先确认目标 GPU 在目标区域的可用性。对于跨区域用户，区域选择还会影响数据上传、远程访问和团队协作的延迟。
Lambda 的 Filesystem 是可挂载的网络持久化存储，适合放置数据集、模型权重和实例状态。它必须与实例位于同一区域和工作区，不能把它当成可以随意跨区域移动的对象。官方文档还提醒，删除实例不会自动删除关联的文件系统；如果文件系统继续保留，就会继续产生存储费用。这是部署时非常容易遗漏的一项生命周期检查。
训练工作负载的验证重点
Lambda 的实例形态适合模型训练、微调、推理服务、科学计算和需要自定义 Linux 环境的任务。多卡配置可以减少手动拼接机器的工作，但多卡训练仍需要检查 CUDA、驱动、NCCL、网络拓扑和框架版本。对于分布式训练，应该先运行小规模通信测试，再运行真实的训练步骤，记录 GPU 利用率、显存峰值、数据读取速度、检查点写入时间和失败恢复时间。
如果工作负载主要是单次推理或短时间实验，完整虚拟机的初始化、数据上传和系统管理成本可能比 GPU 运行时间更重要。反过来，如果任务需要多天运行、持续保存中间结果、重复启动同一环境，实例加文件系统的方式更容易形成稳定的工程流程。评测时应把“创建实例”和“完成任务”分开记录，避免把机器启动时间误认为模型性能。
网络、安全和访问方式
Lambda 的标准连接方式是 SSH。官方说明默认只有 22 端口开放，其他 TCP 或 UDP 端口需要在防火墙规则中明确配置。这个默认值适合先建立受控管理入口，但部署 Web 推理服务、监控系统或内部 API 时，不能为了方便而开放全部端口。建议使用最小端口集、限制来源地址、保护 SSH 密钥，并在实例内部继续使用应用层认证。
数据安全还取决于文件系统权限、工作区权限和备份策略。模型权重、客户数据和日志不应只保存在实例根卷中。需要删除实例时，应先确认文件系统、快照、备份和访问密钥的处理方式。另一个需要注意的政策边界是，Lambda 文档明确说明 ODC 实例禁止加密货币挖矿；文章和部署方案都不应暗示可以绕过这一限制。
计费方式与成本边界
Lambda 文档说明，ODC 实例按运行时间计费，计费以分钟为增量；实例通过健康检查后开始计费，终止后停止计费，实例只要保持运行，即使暂时没有任务也会继续产生费用。文件系统则按照使用容量和时间计费，实例删除后仍可能继续计费。因此，成本核算至少要包含 GPU 实例、根卷或文件系统、数据传输准备、闲置时间和备份保留周期。
适合哪些用户
Lambda Cloud 更适合希望拥有标准 Linux GPU 服务器、需要 SSH 和持久化数据、或者要逐步扩展到多 GPU 集群的团队。它的优点不在于替用户隐藏所有基础设施，而在于把实例、区域、文件系统、网络和集群组织成较清晰的工程对象。代价是用户必须承担环境维护、端口管理、数据生命周期和实例关闭检查。
开始使用时，建议先用一张 GPU 和一个小数据集完成验收，再决定是否扩展到多卡。只有当驱动、框架、通信、存储和恢复流程都被验证后，才适合把长时间训练或生产推理迁移过去。