使い捨てできるGPUクラウド Runpodを使おう！

前置き

はじめまして！株式会社NTTデータグループの技術革新統括本部AI技術部でSmart AI Agent™のエンジニアをしている岸川です。

今回は、GPUクラウドサービス「Runpod」について、実際に研究と仕事で活用してきた経験をもとに紹介します。「ちょっとGPU使いたいだけなのに...」という悩みを持つ方に向けて、Runpodの魅力と具体的な使い方を解説していきます！

免責事項
本記事の料金情報は2025年10月時点のものです。最新の料金やサービス内容は、Runpod公式サイトでご確認ください。また、本記事は筆者の個人的な経験に基づく紹介記事です。

はじめに

機械学習の実験や開発をしていると、こんな悩みに直面していませんか？

Google Colabユーザーの悩み

特に大学院生の方は、こんな経験があるのではないでしょうか。

• Colab Proに課金しているけど、実行時間制限で長時間の学習が中断される...
• もっと高性能なGPUを使いたいけど、さらに課金するのは躊躇する
• 研究の締め切り前に限って、リソース制限が厳しくなる気がする...

クラウド初心者の壁

• Azure・GCP（Google Cloud Platform）・AWS（Amazon Web Services）は高機能すぎて、ちょっとした実験には大げさな気がする
• 設定が複雑で、GPU環境を立ち上げるまでに時間がかかりすぎる

社内システムの制約

• 業務でGPU環境が必要だけど、申請・承認プロセスが煩雑に感じられる...
• 試しに使いたいだけなのに、稟議を通すのに数週間かかる

ハードウェア購入の悩み

• Kaggleコンペのためだけに30万円のGPU搭載PCを買うのは高すぎる
• 技術書の実習でローカルLLMを動かしたいけど、自分のPCではスペック不足

私も研究室でこれらの問題に直面していました。研究室には共有GPUサーバーがなく、実験を回したいのに、手元の環境では不可能でした。かといって、大手クラウドは設定が複雑で、学習コストをかけるほどでもない...

そんなあなたにおすすめしたいサービスがあります！！それが「Runpod」です。

Runpodは「使いたい時に、使った分だけ払う」GPUクラウドサービスです。セットアップは10分、料金は時間単位、そして実験が終わったらすぐ削除。まさに「使い捨て」感覚で、高性能なGPU環境を手に入れることができます。

この記事では、実際に研究と仕事でRunpodを活用してきた経験をもとに、その魅力と具体的な使い方を解説します。

Runpodとは？

Runpodは、GPU特化型のクラウドコンピューティングサービスです。2022年3月にアメリカ・ニュージャージー州で創業され、わずか2年で、Intel CapitalやDell Technologies Capitalといった大手企業から総額2,200万ドル（約30億円）の資金調達に成功しており、急成長を遂げています。

Runpodの3つの特徴

1. 圧倒的な手軽さ
アカウント作成からGPU環境の起動まで、10分程度で完了します。複雑な設定やインフラ知識は不要で、Webブラウザだけで完結します。

2. 従量課金制
使った時間分だけの支払いで、月額固定費は不要です。実験が終わったらすぐに停止できるため、無駄なコストが発生しません。

3. 豊富なGPU選択肢
RTX 5090、H200など、用途に応じて様々なGPUを選択可能。最新の高性能GPUも気軽に試せます。

なぜRunpodなのか？

大手クラウド（AWS・GCP・Azure）と比較して、Runpodには以下のメリットがあります：

• 学習コストが低い: 複雑なネットワーク設定やIAM管理が不要
• 起動が速い: 数分でGPU環境が使える状態に
• 機械学習特化: PyTorch、TensorFlow、JupyterLabなどが最初から用意されたテンプレート

この記事を読むとできるようになること

この記事を読み進めることで、以下のスキルが身につきます：

• Runpodのアカウント作成とクレジット購入
• 目的に合ったGPU・テンプレートの選択
• Pod（GPU環境）の起動と停止
• SSH接続の設定方法
• VS CodeからRunpodへのリモート接続
• JupyterLabでの実験環境構築

それでは、実際の画面を見ながら、Runpodの使い方を解説していきます！

Runpodを使ってみよう

それでは、実際にRunpodを使ってGPU環境を構築する手順を見ていきましょう。

ステップ1: アカウント作成

まず、Runpodの公式サイトにアクセスします。

https://www.Runpod.io/

「Get started」ボタンをクリックして、アカウント作成画面に進みます。

メールアドレスとパスワードを入力してアカウントを作成します。GoogleアカウントやGitHubアカウントでの登録も可能です。

ステップ2: 初期設定

ログインすると、チュートリアルのポップアップが表示されますが、この記事で詳しく説明するので、バツボタンで閉じてしまって大丈夫です。

ステップ3: SSH鍵の設定

RunpodにVS Codeから接続するために、SSH鍵を設定します。

画面左のサイドパネルの一番下から「Settings」を選択し、「SSH Public Keys」のセクションに進みます。

SSH鍵をまだ持っていない場合は、ローカル環境で以下のコマンドを実行して作成します：

ssh-keygen -t ed25519 -C "[e-mail]"

生成された公開鍵（~/.ssh/id_ed25519.pub）の内容をコピーして、Runpodの設定画面に貼り付けます。

cat ~/.ssh/id_ed25519.pub

ステップ4: クレジットの購入

Runpodは従量課金制なので、事前にクレジットを購入する必要があります。

画面左のサイドパネルの「Billing」ボタンをクリックします。

最初は$10〜$20程度購入しておけば、十分試すことができます。クレジットカードやPayPalで支払いが可能です。

ステップ5: GPU Podの作成

いよいよGPU環境を作成します。左メニューから「Pods」を選択します。

5-1. GPU選択

まず、使用するGPUを選択します。

初めての方には、以下のGPUがおすすめです：

• RTX 4090: コスパが良く、ほとんどの実験に十分な性能（$0.6/時間程度）
• RTX 6000 Ada: 業務用途で安定した性能が必要な場合
• H100: 大規模モデルの学習や推論に

画面には各GPUの価格（$/時間）と利用可能な数が表示されるので、予算と用途に合わせて選択しましょう。

5-2. Pod名の設定

分かりやすい名前を付けておくと、複数のPodを管理しやすくなります。

5-3. テンプレート選択

Runpodには、すぐに使える環境が用意されたテンプレートが多数用意されています。

おすすめのテンプレート：

• Runpod PyTorch: PyTorchとJupyterLabがプリインストールされた汎用的な機械学習環境
• Ubuntu: クリーンなUbuntu環境。自分で環境を構築したい場合に
• Runpod Stable Diffusion: Stable Diffusion向けに最適化された画像生成AI環境
• ollama template: Ollamaがプリインストールされた、ローカルLLMの実行・実験用環境

今回は「Runpod PyTorch 2.1」を選択します。これには、PyTorch、CUDA、JupyterLabなどが最初から設定されています。

5-4. デプロイ

デプロイ前に、Instance Pricingを選択できます。

Instance Pricingの選択:

• On-Demand（推奨）: 使った分だけ支払う従量課金。中断されることなく、好きな時に起動・停止可能
• Savings Plan（3ヶ月/6ヶ月/1年）: 長期利用を前提に事前予約することで割引。継続的に使う予定がある場合にお得
• Spot: 最も安価だが、需要が高まると強制終了される可能性がある。中断されても問題ない実験向け

初めて使う場合や、短期的な実験には「On-Demand」を選択することをおすすめします。

設定が完了したら、画面下部の「Deploy On-Demand」ボタンをクリックします。

デプロイが開始されると、以下のような待機画面が表示されます。

通常、1〜3分程度で起動が完了します。

ステップ6: 起動完了

Podが正常に起動すると、以下のような画面が表示されます。

ここから、JupyterLabやSSH接続の情報にアクセスできます。

ステップ7: JupyterLabでの動作確認

まず、JupyterLabで動作確認してみましょう。「JupyterLab」ボタンをクリックします。

ブラウザで新しいタブが開き、見慣れたJupyterLabの画面が表示されます。PyTorchテンプレートを選択した場合、すでに機械学習に必要な環境が整っているため、すぐにコードを実行できます。

VS Codeから接続する

JupyterLabも便利ですが、より本格的な開発にはVS Codeから接続する方法がおすすめです。

ステップ1: Remote Development拡張機能のインストール

VS Codeに「Remote Development」拡張機能をインストールします。

ステップ2: SSH接続設定

VS Codeで設定ファイルを開きます。以下のいずれかの方法で開けます：

方法1: リモートエクスプローラーから
画面左側のアイコンから「リモートエクスプローラー」（パソコンのアイコン）を開き、「SSH」と書いてある部分の歯車マークをクリックして /Users/ユーザ名/.ssh/config を選択します。

方法2: コマンドパレットから
コマンドパレット（Ctrl+Shift+P / Cmd+Shift+P）を開き、「Remote-SSH: Open SSH Configuration File...」を選択します。

RunpodのPod詳細画面で「Connect」タブを開き、最下部の「Direct TCP Ports」に表示されているSSH接続情報を確認します。

画面には 213.173.110.70:35064 のような形式で表示されています。これは：

• : の前（213.173.110.70）がIPアドレス（HostName）
• : の後（35064）がポート番号（Port）

この情報を使って、設定ファイルに以下のように追加します：

Host <Runpod(任意の名前)>
    HostName <IPアドレス>
    User root
    Port <ポート番号>
    IdentityFile ~/.ssh/id_ed25519

ポート番号はPodごとに異なります。必ずRunpodの画面に表示されている番号を使用してください。

設定ファイルを保存したら、以下のいずれかの方法で接続します：

方法1: リモートエクスプローラーから
「リモートエクスプローラー」の上部にある更新ボタン（リフレッシュアイコン）を押して設定を反映させます。表示されたホスト名の右側にある矢印アイコン（フォルダに矢印）をクリックしてSSH接続を開始します。

方法2: コマンドパレットから
コマンドパレット（Ctrl+Shift+P / Cmd+Shift+P）を開き、「Remote-SSH: Connect to Host...」を選択し、先ほど設定したホスト名（例：Runpod-myproject）を選択します。

ステップ3: プラットフォームの選択

初回接続時は、リモートマシンのプラットフォームを聞かれるので「Linux」を選択します。

ステップ4: 接続の確認

初回接続時は、ホストの信頼性確認が表示されるので、ターミナルで「yes」と入力します。

ステップ5: 接続完了

接続が成功すると、VS CodeがRunpodのGPU環境に接続された状態になります。

これで、ローカルで開発するのと同じ感覚で、高性能GPU環境を使った開発ができます。

動作確認

ターミナルを開いて、GPUが正しく認識されているか確認してみましょう。

nvidia-smi

GPUの情報が表示されれば成功です。また、Pythonのバージョンも確認しておきましょう。

python --version

これで、Runpodの基本的な使い方は完了です！

Podの停止と削除

実験が終わったら、必ずPodを停止または削除しましょう。起動したままにしておくと、使っていなくても課金が続きます。

停止（Stop）と削除（Terminate）の違い

• Stop: Podを一時停止。Pod内のデータは保持されるが、わずかにストレージ料金が発生
• Terminate: Podを完全に削除。Pod内のデータも消えるが、Pod稼働料金は完全に停止

重要: Terminateを実行すると、Pod内のデータは完全に削除されます。必要なデータは事前にローカルにダウンロードするか、後述するNetwork Volumeに保存してください。

課金の仕組み

Runpodの課金は、大きく分けて以下の通りです：

1. Pod稼働料金（従量課金）

• Pod起動中の課金
• StopまたはTerminateで課金停止
• GPU種類によって時間単価が異なる

2. ストレージ料金

Pod作成時に、以下2種類のストレージが自動的に設定されます：

• Container Volume（一時保存領域）: 起動中のみ課金（$0.10/GB/月）
• Disk Volume（永続保存領域）: 停止中も課金が続く（$0.20/GB/月）

例：Disk Volumeを30GB確保している場合、停止中も約$0.008/時間の課金が発生します。

Network Volumeについて
「Network Volume」は、明示的に作成・アタッチした場合のみ課金されます。Storage画面から「New Network Volume」で作成し、Pod作成時に選択することで利用できます（$0.07/GB/月〜）。

デフォルトのPod設定では自動的には作成されないため、意図的に使わない限り、この料金は発生しません。

コスト最適化のポイント
短期的な実験であれば、以下の運用がおすすめです：

1. 実験完了後、必要なデータ（学習済みモデル、結果ファイルなど）をローカルにダウンロード
2. Podを終了（Terminate）して、すべての課金を停止

Stopではなく、Terminateすることで完全に課金を止められます。

また、Podのデプロイボタンを押した瞬間から課金が始まるため、設定の見直しは起動前に行うのが安全です。

停止の手順

Pod一覧画面から、停止したいPodの「Stop」ボタンをクリックします。

停止状態のPodは、いつでも再開できます。ただし、停止中もわずかですがストレージの料金が発生するため、長期間使わない場合はTerminateすることをおすすめします。

削除の手順

完全に削除する場合は、「Terminate」ボタンをクリックします。

確認ダイアログが表示されるので、内容を確認してから削除を実行してください。

継続的な開発環境が必要な場合
頻繁にRunpodを使う場合や、環境構築に時間がかかる場合は、以下の方法を検討してください：

1. カスタムテンプレートの作成: 必要なパッケージをインストールした状態をテンプレート化
2. Network Volumeの活用: データを永続化し、次回起動時に再利用（ただし保持中は課金が続く）

いずれの方法も、コストと利便性のトレードオフを考慮して選択しましょう。

おわりに

この記事では、Runpodの基本的な使い方から実践的な活用例まで紹介しました。

Runpodが特におすすめな人

• 大学院生・研究者: 研究室にGPUがない、または共有サーバーが混雑している
• 機械学習初学者: 高額なGPU PCを買う前に、様々なモデルを試したい
• データサイエンティスト: 業務で一時的にGPU環境が必要
• Kaggler: コンペ期間中だけ高性能環境を使いたい

Runpodの良い点・注意点

良い点:

• セットアップが簡単で、すぐに使い始められる
• 使った分だけの従量課金で、無駄なコストが発生しない
• VS Codeとの連携で、ローカル開発と同じ感覚で使える
• 豊富なGPU選択肢で、用途に合わせた最適な環境を選べる

注意点:

• Podを停止し忘れると課金が続くため、使用後は必ず停止を
• ストレージも課金対象なので、不要なデータは削除を
• 人気のGPUは在庫切れの場合があるため、代替案も検討を

次のステップ

まずは少額（$10程度）のクレジットを購入して、実際に試してみることをおすすめします。

1. アカウント作成とSSH鍵の設定
2. 安価なGPU（RTX 4090など）で基本操作を習得
3. 実際のプロジェクトで活用

「ちょっとGPU使いたいだけなのに...」という悩みは、Runpodで解決できます。この記事が、皆さんの機械学習ライフをより快適にする一助となれば幸いです！

最後まで読んでいただき、ありがとうございました。