用 Lightning AI Studio 在云端 GPU 上跑通训练项目

Lightning AI 是一个面向开发者和 AI 团队的云端开发平台。它把「一台可以随时换机器的开发机」做成了产品：你在浏览器里打开一个 Studio，里面已经跑着 VS Code 和 JupyterLab，先在免费的 CPU 上把代码、依赖、数据都准备好，需要算力时再把底层机器换成 GPU，而不用重装任何东西。这套流程适合两类人：一类是本地没有 GPU、或者不想为了跑一次训练折腾驱动和 CUDA 的开发者；另一类是团队协作场景，希望代码、数据、环境放在同一个地方，成员之间共享而不是各自复制一份。如果你只是想快速了解这个平台能做什么，可以先看 Lightning AI 的工具页，再回到本文按步骤操作。

下面这条路径是「自己动手」的版本：不用 AI agent 代劳，每一步都由你亲手完成。整个过程的核心思路只有一句话——准备工作在 CPU 上做，GPU 只在真正要跑训练时才开。理解这一点，后面的步骤就都顺了。

准备工作

账号

第一步是注册一个 Lightning AI 账号，没有账号无法进行后续任何操作。账号默认从免费档开始，免费档包含 SSH 访问、任意 IDE、不限时的后台执行等能力，足够把项目搭起来并做小规模验证。

注册时有一个实用建议：尽量用公司或学校的邮箱，这类邮箱通常能即时完成验证；通用邮箱域名可能需要更长的验证时间。如果你属于某个组织，注册后还要留意自己落在哪个 teamspace（团队空间）里，因为 teamspace 决定了谁能看到你的 Studio、以及费用记在谁头上。

本地环境（可选，但推荐）

如果你打算完全在浏览器里操作，本地什么都不用装。但如果你希望用自己笔记本上的编辑器写代码，同时让代码和 GPU 留在云端，就需要在本地准备两样东西：

Python 3.11 或更高版本，以及 uv 或 pip 其中之一。
Lightning CLI，通过 lightning-sdk 这个包安装。

安装命令按你手头的工具二选一：

uv tool install lightning-sdk

pip install lightning-sdk -U

装完之后在本地登录一次，命令会打开浏览器完成授权，并把凭据保存下来供后续命令复用：

lightning login

如果你已经在某个 Studio 内部，CLI 是预装好的，登录状态也是现成的，这两步都可以跳过。

需要提前想清楚的两件事

开始之前建议先确认：

用哪个 teamspace。 新建的 Studio 会落在侧边栏当前选中的那个 teamspace 里。如果你属于组织，先看一眼选中的是哪个，避免把实验环境建到不该建的地方。
代码和数据从哪来。 代码通常是一个 Git 仓库，数据则建议走 teamspace 的 Drive（后文会讲）。

操作步骤

第一步：启动一个 Studio

Studio 就是你的云端开发机。新建的 Studio 默认在免费 CPU 上启动，浏览器里已经开好了 VS Code 和 JupyterLab，打开就能写代码。

在网页界面里直接点新建即可。如果你更习惯命令行，用 lightning studio start：

lightning studio start --name my-project --teamspace <OWNER>/<TEAMSPACE> --create

几个参数的含义：

--name：Studio 的名字，后面 SSH、启动、停止都会用到它。
--create：如果这个 Studio 还不存在就创建它。不加这个参数时，命令只会去启动一个已存在的 Studio。
--teamspace：指定归属的团队空间，格式是「所有者/团队空间名」。省略则使用你的默认 teamspace。
--machine：指定机器类型。不传这个参数时默认是 CPU。

这里有一个很关键的习惯：搭环境不需要 GPU。克隆仓库、装依赖、下载数据、跑一个小的冒烟测试，这些在免费 CPU 上都能完成。等到真要开始训练了，再换机器。

第二步：把本地编辑器接上去（可选）

浏览器里的 IDE 开箱即用，不需要任何配置。但很多人更习惯本地编辑器的手感和快捷键。这种情况下，代码、文件、GPU 仍然留在 Studio 上，只是编辑动作发生在你的笔记本上——任何支持 SSH 连接的编辑器都可以。

操作路径是：在 Studio 界面右上角找到 SSH，点 Connect via SSH，选择你的操作系统，然后按页面给出的步骤在本地执行一次初始化命令。之后页面会给出一个形如 ssh <address>@ssh.lightning.ai 的连接串，把它填进编辑器的 SSH 连接里即可。在 VS Code 或 Cursor 中对应的入口叫 Connect to Host；也可以直接在终端里执行这条命令。

如果你装了 CLI，还有更省事的方式：

lightning ssh configure --name my-project

执行后直接连接 my-project 这个名字就行，不用记那一长串地址。

第三步：把代码拉进来并装依赖

在浏览器 IDE 里开一个终端，或者在你刚连上的本地编辑器里开终端，然后按平时在笔记本上的做法克隆仓库、安装依赖：

git clone <repository-url>
cd <repository-directory>
pip install -r requirements.txt

如果你不想在界面里点来点去，也可以从本地直接 SSH 进 Studio 再操作：

lightning studio ssh --name my-project

连进去之后，上面的 git clone 和 pip install 照常执行。

Studio 里还内置了 AI copilot，你也可以直接让它帮你克隆仓库并安装所需依赖，省掉手动敲命令的过程。

这里要记住一个特性：你安装的东西在重启后依然存在。也就是说环境是有持久化的，不需要每次开机重装一遍依赖。这一点直接决定了工作流可以怎么安排——先把环境一次性配好，之后反复启动、停止、换机器都不会白费。

第四步：把数据放进 Drive

每个 teamspace 都有一个 Drive，这个 teamspace 下的所有 Studio、job、deployment 共享同一个 Drive。这意味着数据只需要上传一次，之后每台机器都能读到；而且只有该 teamspace 的成员能看到它。

容量方面，前 10 GB 是免费的。作业写出的文件——比如模型 checkpoint 和日志——也会落在同一个 Drive 上，所以训练产物不需要额外搬运。

上传方式很简单：打开 teamspace 的 Drive 标签页，把文件或文件夹拖进去即可。

第五步：切到 GPU 跑训练

代码就位、依赖装好、数据可读之后，就可以把机器从 CPU 换成 GPU 了。Studio 的设计就是让你在同一个环境里换底层机器，不需要重装任何东西——这也是为什么前面几步都刻意放在 CPU 上做。

换机器时请留意计费：GPU 机器是会产生费用的，免费档的免费额度覆盖的是 CPU 场景。具体的机型、价格与配额请以官网当前信息为准，不同时间点可能调整。

一个完整示例

下面把前面的步骤串成一个从头到尾能跑通的最小流程。假设你要跑的是一个放在 Git 仓库里的训练脚本，数据是一个 CSV 文件。

1. 本地安装并登录

pip install lightning-sdk -U
lightning login

2. 创建并启动一个 CPU Studio

lightning studio start --name demo-train --create

此时 Studio 在免费 CPU 上运行，浏览器里已经可以打开 VS Code。

3. 连进 Studio 准备环境

lightning studio ssh --name demo-train
git clone <repository-url>
cd <repository-directory>
pip install -r requirements.txt

4. 上传数据

在 teamspace 的 Drive 标签页里把 CSV 拖进去。然后在 Studio 里确认脚本能读到这个路径。

5. 在 CPU 上做冒烟测试

先用极小的数据量或极少的步数跑一遍，确认代码没有导入错误、路径没有写错、依赖版本对得上。这一步在免费 CPU 上完成，不产生 GPU 费用。

6. 换成 GPU 正式训练

冒烟测试通过后，把 Studio 的机器切换到 GPU，再执行完整的训练命令。训练过程中写出的 checkpoint 和日志会保存在 teamspace 的 Drive 上，训练结束后可以直接从 Drive 取用。

7. 收尾

训练完成后把 Studio 停掉，避免机器空转产生费用。下次需要继续时重新启动即可，之前装好的依赖和克隆的代码都还在。

注意事项

关于 teamspace 与可见性

新建的 Studio 会进入侧边栏当前选中的 teamspace。如果你属于某个组织，启动前务必确认选中的是哪一个——它同时决定了谁能看到这个 Studio，以及费用记在哪个团队账上。Drive 也是按 teamspace 隔离的，只有该 teamspace 的成员能访问其中的数据。

关于环境持久化

在 Studio 里安装的依赖在重启后仍然保留，这是它和一次性容器最大的区别。反过来说，这也意味着你随手装的东西会一直留在环境里，长期使用后建议定期清理不再需要的包，避免环境越来越臃肿。

关于磁盘与数据

Drive 的前 10 GB 免费，超出部分以及具体的容量上限请以官网当前信息为准。作业产生的 checkpoint 和日志同样占用 Drive 空间，长时间训练、频繁保存 checkpoint 时要留意占用情况。Studio 本身的磁盘大小也可以调整，具体操作与限制以平台当前文档为准。

关于费用

免费档覆盖的是 CPU 场景下的开发与准备。一旦切换到 GPU 机器就会产生费用，因此养成「准备在 CPU、训练才上 GPU、用完就停」的习惯能省下不少开销。机型价格、免费额度、各档位的具体权益都可能调整，做预算前请以官网当前信息为准。

关于 SSH 接入

通过 SSH 连接本地编辑器时，代码和文件仍然存放在 Studio 上，本地编辑器只是一个前端。这意味着网络断开时训练不会中断，但也意味着你不能指望把文件「下载到本地再改」——改动直接发生在云端。如果连接不上，先确认 Studio 处于运行状态，再检查本地是否执行过页面给出的初始化命令。

关于模板

如果你不想从零搭环境，平台提供了训练、微调、推理等方向的模板。模板本质上是一个已经配好代码、数据和环境的 Studio，克隆到自己账号下就能直接读和改。对新手来说，从模板起步往往比从零开始更快看到结果；但如果你要跑的是自己的项目，本文这条「从零开始」的路径更直接。