导师在群里发了一个 Colab Notebook 链接，说”跑一遍就懂了”。你点开 colab.research.google.com，页面转了半天，最后停在无法访问。本地笔记本没有独显，实验室的服务器要排队——免费 GPU 明明就在那里，却隔着一道打不开的网页。
直答速览：
- 为什么打不开： Colab 是 Google 旗下服务，在中国大陆无法直接连接，这是网络层面的限制，与你的账号或设备无关。
- 怎么解决： 使用 JetStream VPN 连接香港/日本/新加坡等低延迟节点后即可正常访问，长时间训练会话也能稳定保持。
- 值不值得折腾： 值得。Colab 免费提供 GPU 运行环境，预装主流深度学习框架，是学生和研究者上手模型训练成本最低的方式之一。
下面按”打通访问 → 用好 Colab → 补充方案”的顺序展开。
为什么Colab在国内打不开？
Google Colab 依赖 Google 全家桶的基础设施：登录走 Google 账号体系，Notebook 存储在 Google Drive，计算后端连接 Google 的服务器。而 Google 系服务在中国大陆网络环境下不可直达，所以无论是打开 Colab 页面、登录账号，还是 Notebook 与后端运行时之间的长连接，都会失败或频繁中断。
这意味着零散的”镜像站”思路在 Colab 上行不通——它不是一个静态资源站，而是一个需要持续保持 WebSocket 长连接的交互式计算环境。要用 Colab，就需要一条完整、稳定的网络通道。
稳定访问方案：节点怎么选
访问 Colab 对网络的要求和普通网页浏览不同：
- 要能覆盖整个 Google 生态——Colab、Google 账号登录、Google Drive、Cloud Storage 缺一不可；
- 要撑得住长会话——训练一跑几个小时，Notebook 与运行时之间的连接一旦断开，轻则输出丢失，重则运行时被回收；
- 延迟要低——代码补全、单元格执行反馈都是实时交互，延迟高了体验很割裂。
使用 JetStream VPN 时的实操建议：
- 优先选择香港、日本、新加坡节点。这三地物理距离近、链路延迟低，日常打开 Colab、执行单元格的响应基本感觉不到卡顿。
- 长时间训练时保持连接稳定比追求峰值速度更重要。挑一个负载低的节点挂着别动，比频繁切换节点更能保住会话。
- 开启智能分流。只让 Google 系流量走代理，国内网站、公司内网照常直连，跑着训练的同时刷文档、查资料互不影响。
JetStream 支持 Windows、macOS、iOS、Android 全平台，手机上也可以随时打开 Colab 看一眼训练进度。下载 Android 版，或参考桌面端安装教程几分钟即可完成配置。
连接成功后，打开 colab.research.google.com，用 Google 账号登录，新建 Notebook，在菜单”代码执行程序 → 更改运行时类型”中选择 GPU，就可以开始了。
用好Colab的实操技巧
打通访问只是第一步。下面这些技巧能帮你把免费额度用在刀刃上。
挂载 Google Drive 持久化文件
Colab 的运行时是临时的，会话结束后 /content 下的文件会被清空。把数据和模型检查点存到 Google Drive 是最常用的持久化方式：
from google.colab import drive
drive.mount('/content/drive')
# 挂载后即可像本地目录一样读写
import os
os.makedirs('/content/drive/MyDrive/checkpoints', exist_ok=True)训练时定期把 checkpoint 写入 Drive 目录，即使会话中断也能从断点恢复：
# 以 PyTorch 为例
torch.save(model.state_dict(), '/content/drive/MyDrive/checkpoints/model_epoch10.pt')注意：Drive 挂载目录的小文件读写较慢，不适合直接在上面跑高频 IO 的训练数据。正确姿势是把数据集先复制到 Colab 本地磁盘再训练。
大数据集的正确拉取姿势
不要在本地下载数据集再上传到 Colab——浏览器上传又慢又容易断。正确做法是让 Colab 的服务器直接去拉数据，Colab 位于 Google 的数据中心，到 HuggingFace、Kaggle 等平台的带宽远好于你的本地网络：
# 从 HuggingFace 拉取模型/数据集（在 Colab 单元格中运行）
!pip install -q huggingface_hub
from huggingface_hub import snapshot_download
snapshot_download(repo_id="bert-base-chinese", local_dir="/content/model")# 从 Kaggle 拉取数据集：先在 Kaggle 账号设置中创建 API Token（kaggle.json）
!pip install -q kaggle
!mkdir -p ~/.kaggle
# 将 kaggle.json 上传到 Colab 后复制到指定位置
!cp kaggle.json ~/.kaggle/ && chmod 600 ~/.kaggle/kaggle.json
!kaggle datasets download -d zynicide/wine-reviews -p /content/data --unzip关于这两个平台在国内环境下的更多用法，可以参考我们的 Kaggle 数据集下载指南和 Hugging Face 模型下载加速指南——本地开发环境拉模型和在 Colab 里拉模型的策略并不一样，两篇都值得一读。
免费版的限制与断连应对
Colab 免费版有几个需要提前知道的特性（具体额度和策略以官方当前政策为准）：
- 会话有时长上限，到点后运行时会被回收，无法靠任何技巧无限续期；
- 闲置一段时间会自动断开，长时间不与页面交互时尤其明显;
- GPU 型号按可用性动态分配，你无法指定具体型号，高峰期可能暂时分配不到 GPU；
- 资源分配对重度用户有动态限制，连续高强度使用后可能进入一段冷却期。
应对策略围绕一个原则：假设会话随时会断，让断连的代价最小化。
- 训练代码写成可断点续训的形式，每个 epoch（或固定步数）把 checkpoint 存入 Drive；
- 用
nohup思维组织 Notebook：数据准备、训练、评估拆成独立单元格，断了以后能跳过已完成的部分； - 保持本地网络通道稳定——本地 VPN 掉线同样会导致 Notebook 与运行时断开，这也是前文建议选择低负载节点长期挂着的原因；
- 训练日志同步写入 Drive 文件，而不是只依赖单元格输出。
Colab Pro 值不值得买？
如果你的使用频率是”偶尔跑跑课程作业、复现小模型”，免费版够用。出现以下情况再考虑付费版：
- 经常在高峰期分配不到 GPU；
- 模型训练时间明显超过免费版会话上限，断点续训太折腾；
- 需要更大内存或更快的 GPU 档位。
Colab Pro 按月订阅，价格对学生相对友好，且支付走 Google 的国际支付体系（需要一张支持外币的信用卡）。建议先把免费版用到瓶颈，再决定是否升级。
国内替代与补充平台
Colab 不是唯一选择，合理的组合能覆盖更多场景：
- Kaggle Notebook：同样提供免费 GPU 配额，且数据集生态和竞赛社区是独特优势。注意 Kaggle 在国内同样需要网络方案才能稳定使用，连上 JetStream 后二者可以无缝切换。
- 国内 GPU 租用平台：按小时计费的云 GPU 平台适合作为训练补充——当你需要跑几十个小时的完整训练、或需要指定 GPU 型号时，租用比反复对抗免费额度限制更省心。国内平台直连速度快，但通常需要自己配置环境，且从 HuggingFace 拉模型时同样绕不开网络问题。
- 实用组合：用 Colab 做探索和调试（免费、开箱即用），确认方案后把完整训练放到租用的 GPU 上跑，数据和代码通过 Git + 云存储在两边同步。
常见问题
连上 VPN 后 Colab 还是打不开？
先确认代理模式是否覆盖了浏览器流量（全局模式或规则模式均可，但规则需包含 Google 域名），再清除浏览器缓存后重试。如果页面能打开但登录卡住，通常是账号验证环节的网络请求走了直连，切换到全局模式再登录一次即可。
训练到一半 VPN 掉线，任务会丢吗？
Notebook 页面会显示”正在重新连接”。短暂断开后重连，运行时通常还在，单元格里的任务并未停止，只是断开期间的输出可能丢失。断开时间过长则运行时可能被回收——这正是要把 checkpoint 和日志写入 Drive 的原因。
免费版能不能后台挂机跑长任务？
不建议依赖这种方式。免费版对闲置会话和后台执行的容忍度有限，规则也会调整（以官方当前政策为准）。超过免费版能力范围的任务，考虑 Colab Pro 或国内 GPU 租用平台更实际。
手机上能用 Colab 吗？
可以。手机浏览器打开 Colab 可以查看进度、执行单元格，配合 JetStream 的 Android 客户端即可访问。但受限于屏幕和交互，手机更适合看进度而不是写代码。
结语
对没有本地显卡的学生和研究者来说，Colab 依然是上手深度学习成本最低的路径：打开浏览器就有 GPU，环境预装好，Notebook 直接分享。国内使用的关键只有两点——一条稳定的网络通道，和一套应对会话回收的工作习惯。前者交给 JetStream 的低延迟节点和智能分流，后者靠 Drive 挂载与断点续训的写法养成。打通之后你会发现，从点开链接到跑起第一个模型，中间其实只差一次连接。
相关阅读：