AutoDL是国内面向人工智能开发者、科研人员与科技企业的GPU算力租用平台，用户可按小时或按量付费租用云端显卡实例，并在其中运行深度学习训练与推理任务。平台以预置深度学习镜像、容器化实例和弹性计费为主要特点，据其合作伙伴摩尔线程介绍，它是国内规模较大的面向个人开发者的人工智能算力租用平台之一。2025年，平台上线了摩尔线程专区，引入国产GPU算力[1]。
定义
AutoDL是一个以容器实例为交付形态的云端GPU算力租用平台，主要面向人工智能方向的学生、科研人员与企业开发者。用户在平台注册并完成实名认证后充值，即可在算力市场挑选地区、显卡型号与数量，创建属于自己的远程Linux实例[2]。实例中提供JupyterLab、终端、SSH等多种入口，用户在其中执行Python训练脚本，或通过VSCode、PyCharm等集成开发环境远程开发[2][3]。
平台按实例「运行中」的状态开始计费，关机后停止计算资源计费，从而使开发者只为实际使用的时长付费[2]。
原理
AutoDL的核心是把物理GPU服务器切分成多个相互隔离的容器实例，每个实例独占分配给它的显卡，不同用户之间不共享同一块GPU[4]。平台按照租用的GPU数量成比例分配CPU与内存，算力市场页面显示的CPU、内存数量是「每卡」的配额，租用两张卡时相应翻倍[4]。平台为每块GPU通常分配4至8个CPU逻辑核心，用于满足多线程异步读取数据的需求，避免中央处理器成为训练的吞吐瓶颈[4]。
实例启动时使用镜像来定义软件环境。基础镜像内置了不同版本的深度学习框架与CUDA工具包，社区镜像则由其他开发者针对特定模型预先配置，用户也可保存自己的环境为个人镜像以便复用。同一实例的数据保存在系统盘与数据盘上，关机后数据仍然保留，但连续关机15天的实例会被释放[2]。平台还内置了代理，用于加速访问代码托管与模型下载站点[5]。
发展历程
AutoDL早期以「AutoDL算力云」的名义提供按量计费的GPU租赁服务，逐步形成了按地区划分的算力市场与基础镜像、社区镜像体系。平台后来自建了面向高校与企业的私有云方案，可将自有GPU服务器以容器方式提供给多用户使用[6]。
2025年5月，摩尔线程与AutoDL达成合作，在平台上联合推出面向个人开发者的「摩尔线程专区」，首次将国产GPU算力开放给人工智能开发者。该专区依托摩尔线程夸娥智算集群的算力支持，首批上线的模型由平台社区的核心开发者自主适配，覆盖计算机视觉与自然语言处理等领域[1]。
应用
平台最主要的用途是深度学习模型的训练与微调，用户可在租用的实例上运行PyTorch、TensorFlow等框架的脚本[7]。由于本地显卡显存有限或实验室缺乏显卡资源的研究者，常借助此类云实例完成实验[8]。平台提供的显卡类型涵盖消费级与专业级，社区指南提到常见型号包括RTX 3090、RTX 4090、RTX 4090D以及A100 80GB等[5]。
除模型训练外，实例也被用于模型推理与部署。有开发者利用平台开放的端口映射，将Web服务或演示界面暴露到公网地址，供他人访问[9]。对显存需求更大的场景，用户可租用多卡实例并通过分布式训练框架进行并行计算[7]。
局限
AutoDL的实例默认没有独立的公网IP，不能随意开放端口。平台只为每个实例的6006与6008两个端口提供公网映射地址，其余端口需要通过SSH隧道转发访问，开放其他端口则要求完成企业认证[9]。此外，容器实例内部不能运行Docker，需要容器化部署的场景只能在本地机器上进行。
资源可用性受供给制约。有使用指南指出，个别热门型号的显卡长期处于满载状态，可能难以租到，用户往往需要换用同代的其他型号或在多个地区之间挑选[5]。内存配额同样是硬性上限，程序占用超过实例分配的内存时进程会被系统终止，因此容量需求大的任务必须选择更高规格的主机或多卡实例[4]。实例连续关机达到15天会被释放，数据因此无法长期存放[2]。
参见
参考资料
- 摩尔线程算力专区正式上线 AutoDL 平台，首次将国产 GPU 算力开放至 AI 开发一线 [引用日期2026-10-14]
- 快速开始¶ [引用日期2026-10-14]
- AutoDL线上GPU服务器高效使用指南：租用流程与Pycharm远程训练实战 [引用日期2026-10-14]
- GPU选型¶ [引用日期2026-10-14]
- autodl-guide [引用日期2026-10-14]
- AutoDL私有云帮助文档 [引用日期2026-10-14]
- 深度学习云服务器选型指南与AutoDL实战教程 [引用日期2026-10-14]
- 02-cloud-dl [引用日期2026-10-14]
- 开放端口¶ [引用日期2026-10-14]