1.4 常见疑问速答：把"隔离式沙箱"讲清楚前先扫清误解
文档摘要
1.4 常见疑问速答：把"隔离式沙箱"讲清楚前先扫清误解 前面三节把"痛点""隔离的本质""技术选型"都铺开了。这一节专门收口新手最常抛出的七个疑问。我故意把它们堆在一起，是因为这些问题彼此关联，单独回答容易越解释越乱。先扫清误解，第二章动手时才不会被"可是……"打断。 疑问一：容器里到底有没有装 GPU 驱动？ 这是被问得最多、也最容易答错的问题。标准答案是：容器里不装驱动，驱动只在宿主机内核态运行；容器里只有 CUDA 的用户态运行时库（一堆 ）。当你在容器内 并调用 CUDA，真正向硬件发号施令的，是宿主机内核里的 NVIDIA 驱动；容器内的 只是个"传声筒"，通过 设备文件和宿主机驱动通信。
1.4 常见疑问速答：把"隔离式沙箱"讲清楚前先扫清误解
前面三节把"痛点""隔离的本质""技术选型"都铺开了。这一节专门收口新手最常抛出的七个疑问。我故意把它们堆在一起，是因为这些问题彼此关联，单独回答容易越解释越乱。先扫清误解，第二章动手时才不会被"可是……"打断。
疑问一：容器里到底有没有装 GPU 驱动？
这是被问得最多、也最容易答错的问题。标准答案是：容器里不装驱动，驱动只在宿主机内核态运行；容器里只有 CUDA 的用户态运行时库（一堆 .so）。当你在容器内 import torch 并调用 CUDA，真正向硬件发号施令的，是宿主机内核里的 NVIDIA 驱动；容器内的 libcuda.so 只是个"传声筒"，通过 /dev/nvidia* 设备文件和宿主机驱动通信。
这带来一个关键推论：容器的 CUDA 能力受限于宿主机的驱动版本，而不是镜像里写了多高的 CUDA。比如宿主机驱动只支持到 CUDA 12.2，你容器内镜像写的是 CUDA 12.4，运行时就会报 CUDA driver version is insufficient。所以"选对基础镜像"的前提，永远是"宿主机的驱动先够新"。
疑问二：那为什么不直接在宿主机装好一切，非要套层容器？
因为"宿主机装好"是单点状态，而团队需要的是可复制状态。宿主机装好的环境，只有这台机器有；新人来、机器坏、换云厂商，一切归零。容器把"环境"变成一份文件（镜像），可以存进仓库、拉到任意装了 Docker + 驱动的机器上原样复活。代价只是一点点封装成本，换来的却是"环境即代码"的可迁移性。
疑问三：多个容器共用一张卡，会互相踩吗？
默认情况下，如果多个容器都拿到同一张卡的可见性（比如都 --gpus all），它们共享这块卡的全部显存和算力，会互相抢——一个吃满显存，另一个就 OOM。所以"隔离"不是自动发生的，要靠你给每个容器限定不同的 device 或配合 MPS/MIG。第三章会细讲，这里先记住原则：想互不干扰，就必须显式切分设备视图或算力。
疑问四：Docker 容器安全吗？它和虚拟机比哪个更隔离？
虚拟机隔离更强（内核都分开），容器隔离较弱（共享内核，靠 namespace/cgroup）。但大模型团队内部协作，要的是"环境不互踩、可复现"，而不是"防住恶意代码"。所以用容器足够，且更轻。只有跑不可信代码、需要不同内核时，才上 VM。这点在 1.3 节的选型决策树里已经给过结论。
疑问五：我只有一张 4090 的家用卡，也值得上这套吗？
值得，但要调低预期。单卡单机时，沙箱主要的收益是可复现和整洁：你的实验环境、依赖、数据挂载都规范化，换机器、重装系统、给同事复现都省事。多卡、多人、多机时，收益才指数级放大。换句话说，沙箱不是"大团队专利"，而是"好习惯的起点"。
疑问六：镜像和容器是什么关系，别再绕晕我
一句话：镜像是"模板/蓝图"，容器是"按蓝图跑起来的实例"。同一份镜像可以同时起多个容器；容器删了，镜像还在；镜像改了，旧容器不受影响（除非重建）。你平时 docker run 是"用镜像造一个容器"，docker build 是"把 Dockerfile 做成镜像"。把这对关系记牢，后面所有命令都不会迷路。
疑问七：这套东西和 Kubernetes 冲突吗？
不冲突，是层级关系。你先在容器层面把单机沙箱做对（本教程主线），再用 Kubernetes 做多机调度时，你的工作负载已经是一个"干净容器"，接入 K8s + Device Plugin 几乎是顺理成章。很多团队正是先有这套单机沙箱经验，才敢上 K8s。反之，一上来就 K8s，往往会被"环境都没钉死"的底层问题反噬。
小结：七问七答之后你该有的底气
读完这七条，你应该能在白板上给别人讲清：驱动住哪、库住哪、容器和 VM 差在哪、多容器怎么抢卡、单卡值不值得做、镜像容器什么关系、和 K8s 怎么衔接。这些底气，正是第二章动手搭建骨架前的"安全带"。下一节起，我们正式写配置。