认识 Google Colab：在浏览器里白嫖 GPU 的云笔记本，现在还被塞进了 AI 会员

先说一个几乎所有跑过模型的人都经历过的瞬间。

凌晨一点，你把一个训练任务丢进 Colab，看着进度条一格一格往前爬，心想"再跑两小时就出结果了"。然后你困得不行，合上 laptop。

第二天早上打开——虚拟机早就被回收了，两小时白跑，一行日志都没留下。

更气的是，你明明有显卡需求，但你的电脑是一台 2019 年的轻薄本，核显跑个 ResNet 都能听见风扇在哭。去买一张能跑 7B 模型微调的卡？四位数起步，还得配电源、散热、驱动，装完 CUDA 环境再花掉半个周末。

这个死结有个很朴素的解法：你不需要自己有显卡，你只需要有个浏览器。

我一直觉得 Colab 是 Google 这些年做过的、最不性感但最救命的产品之一。它没有发布会，没有炫酷 demo，但它让"我想试试深度学习"这件事的门槛，从"先花一万块配台机器"变成了"打开一个网页"。

今天这篇，就讲这块云上的 Python 笔记本——Google Colab。

什么是 Google Colab

Google Colab（全称 Colaboratory）是 Google 提供的托管式 Jupyter Notebook 服务。你在浏览器里打开就能写 Python、跑代码、画图，不用装 Python，不用装 CUDA，不用配环境。

它帮你做的最核心的一件事是：把一台带 GPU 或 TPU 的云服务器，塞进了一个网页标签页里。

几个关键事实先摆出来：

• Notebook 存在 Google Drive 里，跟你的文档、表格放在一起，换台电脑打开继续写。
• 代码跑在 Google 的云虚拟机上，所以算力和你本地电脑的性能完全无关。你家那台老笔记本，在这里跟一台工作站是平起平坐的。
• 主流机器学习库全部预装：TensorFlow、PyTorch、JAX、scikit-learn、pandas、matplotlib、Hugging Face Transformers……缺什么再 !pip install 一行搞定。
• 免费版就有 GPU 和 TPU 可用。这句话在 2026 年听起来还是有点不真实，但它是真的。

注意一个容易混淆的点：Colab ≠ NotebookLM ≠ Gemini Notebook。前者的老名字叫 Colaboratory，是跑代码的开发环境；后两个是 Google 的 AI 笔记/研究产品，是处理文档和知识的。名字里都带 notebook，但不是一回事。

它到底好用在哪

• 零配置启动：点开 colab.research.google.com，新建笔记本，直接写代码。从"想跑个 Python"到"跑起来了"，中间不需要任何安装步骤。
• GPU / TPU 一键切换：运行时 > 更改运行时类型 > 硬件加速器，选 GPU 或 TPU。免费版通常分到 NVIDIA T4（16GB 显存），付费档能优先拿到 V100、L4、A100 这类 Premium GPU，也能用上 TPU。
• Google Drive 无缝挂载：一行 from google.colab import drive; drive.mount('/content/drive')，你的云端硬盘就挂进了运行时。数据、模型权重、中间产物都有地方存。
• 实时协作：跟 Google Docs 一样的分享逻辑，一个链接发出去，同事能同时看、同时改、还能评论。
• AI 优先（AI-first）的 Colab：这是这两年最大的变化。Colab 现在内置了 Gemini，它是一个真正会动手的编程搭子，而不只是聊天框——后面单独说。
• 可以直接跟 GitHub 打通：Notebook 能存到 GitHub、从 GitHub 打开，版本管理不用另搞一套。
• 教学场景开箱即用：预置了大量教程 Notebook，老师发个链接，学生点开就有完整环境，不用全班一起装环境装到崩溃。

场景：谁在用它，用它干什么

1. 学生和转行者：最低成本的练功房

想学深度学习，卡在"没卡"这一步的人，数量远超你的想象。Colab 免费版给一张 T4，跑 MNIST、跑 CIFAR-10、跑 Transformer 的小实验完全够用。Google 官方的机器学习课程、大量 Kaggle 比赛选手的公开 Notebook，都是基于 Colab 的。

我做过的测算：一张 T4 大概 1.5 到 2 个计算单元/小时（不同来源口径略有出入，按 2 算比较保守）。免费版虽然 Google 不承诺固定的计算单元额度，但日常学习和小实验是撑得住的——真正烧额度的是微调大模型，不是学习。

2. 微调开源模型：从"跑不通"到"能跑"

Google 官方就在 Colab 上放了 Gemma 的 LoRA / QLoRA 微调 Notebook。LoRA 的思路是冻结原模型、只训练一小撮低秩适配层，显存需求断崖式下降，这让"在单张消费级/云端卡上微调一个开源模型"从实验室特权变成了个人可及的事。

同样是微调，A100 的消耗大约是 13 到 15 个计算单元/小时——是 T4 的 7 到 8 倍。所以选什么卡，本质上是用时间换钱还是用钱换时间的问题。

3. 临时数据分析和可视化

不用 GPU 的场景反而更常见：拿到一份几十 MB 的 CSV，要清洗、聚合、画图。本地跑 pandas 慢到想睡觉，Colab 里可以换成 RAPIDS cuDF——它是 pandas 的 GPU 加速替代品，官方的说法是"零代码改动"就能提速。Google 甚至专门做了一份十分钟上手指南和一个美股数据分析的 demo。

4. 教学和团队共享

发一个 Colab 链接，对方点开就能复现你的全部结果，环境完全一致。这件事在科研和教学里的价值，比"省了几千块显卡钱"要大得多。

5. 需要长时间跑的任务（这是 9 月最大的变化）

以前最痛的就是开头那个场景——标签页一关、网络一抖，训练就废了。2026 年 9 月 28 日，Google 宣布把 Colab 高级权益并进了 Google AI 订阅体系，头号变化就是：Google AI Ultra 订阅用户拿到了 Premium GPU 和不中断的后台执行，不用再盯着浏览器标签页守夜。

AI 优先的 Colab：Gemini 住进了 Notebook

这一层很多人还没用上，但它是 Colab 现在最不一样的地方。官方的说法是，新 Colab 从"一个 Notebook 服务"变成了一个智能编程助手。核心能力有四块：

• 迭代询问：右侧一个对话界面，让它生成代码、解释概念、修 bug。不是给你一段代码让你自己粘贴，而是直接在你的 Notebook 里改。
• 新一代数据科学代理（DSA, Data Science Agent）：这个最狠。你给它一个模糊目标（比如"分析这份销售数据，找出异常"），它会自己规划步骤、生成代码、执行、然后把结果和结论一起呈现给你。它是真的会跑代码的。
• 代码转换：用自然语言描述，让它重构现有单元格、补文档、做优化。
• 智能修错：报错了不用自己复制去搜。Colab 会在 diff 对比视图里反复给出修改建议，你看一眼确认就能应用。

入口在 Notebook 底部的 Gemini 星光图标，点开就是主对话面板。打字的时候还会有 AI 自动补全。

两个前置条件：Google 账号所有者需年满 18 岁，且所在地区受支持。看不到图标先查这两条，别急着以为是 bug。

快速上手：五分钟跑通第一个 GPU 任务

第 1 步：新建 Notebook

打开 colab.research.google.com，点「新建笔记本」。它会自动存进你的 Google Drive。

第 2 步：切到 GPU 运行时

菜单栏 运行时 > 更改运行时类型，把「硬件加速器」选成 GPU（想用 TPU 就选 TPU），保存。

第 3 步：确认显卡到手

新建一个代码单元格，输入：

!nvidia-smi

跑一下，你会看到显卡型号和显存。第一次看到这个输出的时候，我盯着那个"Tesla T4"看了好几秒——我没花钱，我有一张卡了。

第 4 步：挂上 Drive，装依赖

from google.colab import drive
drive.mount('/content/drive')

!pip install -q transformers datasets peft bitsandbytes

第 5 步：想省事就直接用官方 Notebook

不用从零写。搜索"Gemma LoRA fine-tuning Colab"或者去 Google 的官方示例库，打开就能跑，改两行换成你自己的数据就行。

第 6 步：跑长任务记得两件事

一是一定要把 checkpoint 写到 Drive，别只放在运行时本地盘；二是用完就把标签页关掉，也别没事挂着 GPU 运行时——Colab 的资源会优先分配给近期用量少的人，你占着不用，下次轮到你的时候反而排不上。

9 月 28 日的新变化：Colab 权益并入 Google AI 订阅

这条是热点，单独拎出来说清楚。

Google 在 2026 年 9 月 28 日宣布：为 Google AI 订阅会员新增 Google Colab 高级权益。具体来说：

• 符合条件的 Google AI 订阅用户会拿到 Colab 计算单元，并解锁性能更高的 GPU、TPU 等云端算力。
• Google AI Ultra 档位在原本已有的 20TB 起步云存储、最高 20 倍 Gemini 使用额度、YouTube Premium 之外，新增两项：Premium GPU 访问权 和 不中断的后台执行——关掉网页、关掉电脑，长时间训练任务照样跑完。
• 现有的 Colab Pro 和 Pro+ 订阅完全不受影响，照常有效。而且你可以两个都买：Colab Pro/Pro+ 的计算单元和 Google AI 订阅给的计算单元会累加，不会互相抵消。
• 分批开放：未来几周内陆续推送给支持 Colab 的市场中的订阅用户，不是当天全员到账。
• 激活方式：进 Colab 的「付费产品」入口，选择「升级到 Google One」，确认订阅后权益自动生效。必须用同一个 Google 账号，之后在 Colab 的 设置 > 订阅 里能看到是否到账。
• 只有付费的 Google AI 方案才算，免费试用不算。

我的判断：这一步看着是个"权益打包"，实际是 Google 在把算力从"开发者单独买的东西"变成"AI 会员的基础设施"。以前你要为算力单独做一次采购决策，现在它被折叠进了一个你本来就在付的订阅里。对重度用户这是实打实的省钱，对轻度用户是"哦我原来还有这个"——两种都算赢。

那些官方没大声讲的限制

用过都说香，但这几件事最好提前知道，不然会踩得很痛：

• GPU 型号从来不保证。Colab 用的是动态分配的共享资源，你在 Pro 甚至 Pro+ 上，也不保证一定拿到 A100。官方原话是"资源供应没有保证"。别为了 A100 买 Pro+，你会失望。
• 运行时是临时的，不是硬盘。虚拟机一旦被回收、重置，只存在运行时本地盘的文件就全没了。模型和 checkpoint 必须往 Drive 或外部存储写。这是新手丢数据最常见的方式。
• 计算单元 ≠ 小时。1 个 CU 不等于 1 小时 GPU。消耗速率取决于你用的硬件——贵卡烧得快得多。CU 用完之后，付费用户会回落到免费档的限制，直到额度恢复或你再买。
• 免费版的时长限制很硬：笔记本最长约 12 小时，空闲一段时间（大致 30 分钟量级）就断连。Pro+ 在计算单元充足的情况下可连续执行到 24 小时。免费版没有可靠的后台执行——这就是开头那个惨案的来源。
• AI 功能有年龄和地区门槛：18 岁以上、部分地区可用。
• 共享很方便，但要小心：分享出去的 Notebook 里如果挂着你的 API Key，别人就拿到了。敏感凭据请统一走环境变量或密钥管理，别硬编码进单元格。

进阶

想再往深走几步，这几个方向值得试：

• 先把官方示例 Notebook 刷一遍：Colab 自带的机器学习示例（从 Keras 图像分类到 JAX 训练 Transformer 到 miniGPT）是最省事的路线图，比自己瞎找教程靠谱。
• 学会看计算单元的账：跑之前先估算任务要烧多少 CU（硬件单价 × 时长），养成习惯之后，你会开始主动选卡、主动做 checkpoint，省钱效果立竿见影。
• 用 DSA 做完整的数据分析流程：别把它当聊天框用。给它一个模糊的业务目标，看它怎么规划、怎么执行、怎么呈现——你会对"Agent 能做什么"有完全不同的体感。
• 重度需求去看 Colab Enterprise：如果你需要企业级安全合规（IAM、区域存储、跟 BigQuery 和 Vertex AI 打通），那是另一条产品线，别在个人版上硬扛。
• 关注 Google AI 订阅的权益变化：Colab 已经进来了，下一个被折进来的会是什么？这条线值得盯着看。

最后说句立场话：Colab 真正的价值不是"免费"，是"把算力的决策成本降到了零"。你不用再为一个还不确定的想法先花一万块。想法可以先跑起来，跑通了再谈要不要买卡——这个顺序反过来了，而这才是它改变的东西。

更多开源技术干货和学习资料，关注公众号「遇码」，领取专属福利。