核心要点
能区分容器 vs 虚拟机及在 ML 中的用途
理解 Docker 封装训练/推理环境
知道 K8s 编排多副本 serving 与 GPU 调度
能说明镜像版本化与 CI/CD 集成
简要回答
容器（Docker）打包 ML 依赖与代码为可移植镜像；Kubernetes 编排调度、扩缩容与 GPU 共享，实现环境一致与弹性 serving。
标准回答
一、先给出结论和背景
- 虚拟化（VM）：Hypervisor 隔离完整 OS，强隔离、较重，适合多租户硬隔离。
- 容器（Container）：共享宿主机内核，轻量、秒级启动，镜像分层缓存——ML 主流选择。
二、拆开关键步骤和判断点
- 对 MLOps 的支持：| 能力 | 说明 |
|------|------|
| 环境一致 | 开发/CI/生产同一镜像，消除「本地能跑」 |
| 可移植 | 云/本地/边缘同一 artifact |
| 版本化 | 镜像 tag 对应模型+代码版本 |
| 编排 | K8s Deployment/HPA 自动扩缩容 |
| GPU | NVIDIA device plugin 调度 GPU 容器 |
| 微服务 | 预处理、推理、后处理拆分解耦 | - 典型流程：1. Dockerfile pin CUDA + Python 依赖
三、补上落地边界和取舍
面试里要把 容器化与虚拟化如何支撑 MLOps 实践 放到训练到上线的链路里说：离线指标只是第一步，还要补特征一致性、版本管理、灰度实验、监控漂移和回滚方案。这样能证明你理解的是生产系统，而不是只会背流程图。
回答思路
【定义】用一句话说清「容器化与虚拟化如何支撑 MLOps 实践」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：把容器当成虚拟机用（每容器塞 systemd）；镜像不设 tag 用 latest；忽视 GPU 资源 request/limit。
追问
追问 1：训练用容器有何坑？
分布式训练需 hostNetwork/NCCL 调优；大数据集用 PVC 或 S3 fuse 而非打进镜像；checkpoint 写持久卷防 pod 重启丢失。
追问 2：Serverless 容器适合 ML 吗？
轻量 CPU 模型、低频调用可行（冷启动加 provisioned concurrency）。大 GPU 模型、低延迟高 QPS 仍用常驻 K8s Deployment。
追问 3：VM 何时仍需要？
强合规隔离、不同客户硬隔离、特殊驱动（部分裸金属 GPU 性能更优）。容器跑在 VM 上是常见多层隔离。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习