はじめに
LoRA学習をやるなら、RTX 4090やH100を買う必要はない。
2026年現在、クラウドGPUサービスを使えばH100が1時間あたり約200〜550円で借りられる。RTX 4090の新品価格44万円分で、H100を約1,100時間使える計算だ。
本記事では、高級グラボを「所有」せずにLoRA学習を回すための、クラウドGPU活用の実践的な知見を整理する。
GPU価格の現実（2026年6月時点）
| GPU | 発売時価格 | 2026年現在の価格 | 備考 |
|---|---|---|---|
| RTX 3090 | 約23万円（2020年） | 新品29万円 / 中古15.5万円 | VRAM 24GB |
| RTX 4090 | 約29万円（2022年） | 新品44万円 / 中古30万円 | VRAM 24GB |
| H100 SXM | 約500万円 | - | VRAM 80GB |
2026年に入ってGPU全体の価格が年初比で平均12%上昇。GDDR7メモリのコスト増により、今後さらに8〜15%の値上がりが見込まれている。
所有の隠れコスト
ハードウェア購入価格だけでなく、以下のコストも発生する：
# 所有コストの内訳（年間概算）
hardware_cost = 440_000 # RTX 4090 新品
electricity = 365 * 8 * 0.45 * 30 # 年間電気代（8h/日稼働、450W、30円/kWh）
# → 約39,420円/年
cooling = 20_000 # 冷却・エアコン追加コスト
depreciation = hardware_cost * 0.3 # 年間30%の価値減少
# → 132,000円/年
total_annual = electricity + cooling + depreciation
# → 約191,420円/年（本体代除く）
クラウドGPUという選択肢
RunPodの場合
RunPodは、GPUインスタンスを従量制で借りられるクラウドサービス。
# RunPodでの典型的なLoRA学習セッション
# 1. インスタンスを起動（H100 SXM: ~$2.49/hr）
# 2. 自分の環境をデプロイ
# 3. 学習を実行
# 4. 終わったらインスタンスを停止 → 課金停止
# LoRA学習1回あたりのコスト例
# SDXL LoRA（1000ステップ）: 約15分 → 約60円
# Flux LoRA（2000ステップ）: 約45分 → 約180円
特徴：
- GPU種類を細かく選択可能（RTX 4090 / A100 / H100）
- Docker環境をそのままデプロイできる
- 使わない時間は課金ゼロ
- SSH接続で完全な自由度
Floyoの場合
Floyoは、ComfyUIがプリインストールされたクラウドGPU環境。
# Floyoの特徴
- セットアップ不要（ブラウザだけで完結）
- H100 NVLを搭載
- ComfyUIが標準装備
- "Studio and Enterprise Production" を掲げる商用志向
RunPod vs Floyo の使い分け：
| 観点 | RunPod | Floyo |
|---|---|---|
| セットアップ | 自分で構築 | 不要（プリインストール） |
| 自由度 | 高い（Docker/SSH） | ComfyUI中心 |
| 向いている人 | 環境構築できるエンジニア | すぐ生成を始めたい人 |
| GPU選択 | 多種（4090/A100/H100） | H100 NVL固定 |
| 課金体系 | 従量制 | 従量制 |
コスト比較シミュレーション
# LoRA学習を週3回、1回45分行う場合の年間コスト比較
# ローカル（RTX 4090購入）
local_hardware = 440_000 # 初期投資
local_electricity_year = 39_420
local_depreciation_year = 132_000
local_total_3year = local_hardware + (local_electricity_year + local_depreciation_year) * 3
# → 約954,260円（3年間）
# クラウド（RunPod H100）
cloud_per_session = 180 # 1回あたり約180円（45分）
cloud_sessions_year = 3 * 52 # 週3回 × 52週
cloud_total_3year = cloud_per_session * cloud_sessions_year * 3
# → 約84,240円（3年間）
print(f"ローカル3年間: {local_total_3year:,}円")
print(f"クラウド3年間: {cloud_total_3year:,}円")
print(f"差額: {local_total_3year - cloud_total_3year:,}円")
# → 差額: 約870,020円
毎日8時間フルで回すヘビーユーザーでない限り、クラウドの方がコスト効率は圧倒的に良い。
クラウドGPUで「買わない」ための実践Tips
-
スポットインスタンスを活用 — RunPodのSpot Instanceは通常の30〜50%OFF。中断リスクはあるが、LoRA学習のように短時間で完了するタスクなら十分実用的。
-
学習データとモデルはオブジェクトストレージに保管 — S3互換ストレージにデータセットを置いておけば、どのインスタンスからでもアクセスできる。
-
Dockerイメージを事前に準備 — 環境構築の時間も課金対象。事前にDockerイメージを作っておけば、起動後すぐに学習を開始できる。
-
学習パラメータを事前に検証 — 小さいデータセットでローカル（CPU or 低スペックGPU）でパラメータを確認してから、クラウドで本番学習を回す。
まとめ
2026年のGPU市場において、LoRA学習目的でRTX 4090やH100を購入する合理性は薄い。
クラウドGPUなら：
- 初期投資ゼロで最新GPUが使える
- 使った分だけの従量課金
- 電気代・冷却・スペースの心配なし
- 陳腐化リスクゼロ——常に最新GPUに乗り換え可能
「所有」から「利用」へ。これはGPUに限らず、AI開発インフラ全体のトレンドでもある。
補足：生成物の「信用インフラ」もクラウドで
クラウドGPUで生成した画像を商用利用する際、「どの環境で、いつ、何を使って生成したか」という来歴情報の証明が求められるケースが増えている。
AI和指紋くん は、生成画像の来歴情報をブロックチェーンに記録するSaaS。クラウドGPU環境で生成した画像でも、生成パラメータとタイムスタンプをオンチェーンに刻むことで、商用利用時の信用レイヤーを構築できる。
ハードウェアは借りる。信用は刻む。——これが2026年のAI画像制作のスタンダードになりつつある。
質感LoRA研究所｜TextureLoRALab