大多数团队把模型和数据集放在一个云服务商的某个区域，而能抢到的 GPU 却越来越分散在多个云上。一旦计算和数据分离，你就得为跨云读取自己的数据支付高昂的传输费。这篇文章解决的问题很直接：用 SkyPilot 在任何有 GPU 的地方跑任务，同时从 Hugging Face Hub 无任何出口费地读取数据，彻底解耦了存储位置和计算资源的选择。

核心做法是把 Hugging Face Storage 变成 SkyPilot 的一等存储后端。你在任务配置里用 hf:// URL 直接挂载一个 Hub 仓库或 Bucket，就像挂 S3 或 GCS 一样简单。因为 Hugging Face 不收出口费，所以无论 SkyPilot 把任务调度到 AWS、GCP、Lambda 还是你自己的 Kubernetes 集群上，从 Hub 拉取模型和数据都不产生额外费用。具体实现上，挂载模式 (MOUNT) 使用基于 Xet 的 FUSE 驱动，采用惰性读取，代码只拉取实际触及的字节，并且带有本地磁盘缓存。这带来了两个直接好处：一是训练进程几乎能立刻开始使用 GPU，不用等整个数据集下载完；二是跨云工作流不再需要为每个云保留一份数据副本。

这次合作给了 AI infra 一个很实际的启发：“数据引力”可以被技术架构主动消解，而不是被动接受。过去你总得把数据放在算力旁边，或者为跨云读取付税。现在 SkyPilot 和 Hugging Face 的结合展示了一条路——用零出口费的共享存储加上智能调度，让计算真正自由流动。对我这种经常在多云间做训练和推理的人来说，最直接的价值就是不再需要为选择哪个云而纠结，也不用维护一堆云上的存储桶和密钥。这种彻底解耦存储与计算的思路，或许会成为未来分布式 AI 工作负载的标准模式。