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。

AI和指紋くん｜生成AI画像のブロックチェーン保護

質感LoRA研究所｜TextureLoRALab