我有多年 IT 技術與跨域學習經驗，現在把 AI、Cloud、Infrastructure 串起來。

Docker 真的能解決「在我的電腦可以跑」嗎？

Day 12 我談到一個 AI 開發很常見的問題：「AI 在我的電腦可以跑，為什麼換一台電腦就不行？」

前幾天的文章分享幾個問題與每日觀點，當問題一路追下去，就會遇到 Docker。

我以前接觸 Docker 時，最直覺的理解是：「把程式裝進 Container 裡。」但Docker 對 AI 的價值，不只是「打包程式」，真正從 AI Infrastructure 的角度思考後，我才發現 Docker 更重要的價值，其實是把原本散落在開發環境中的程式、Runtime、Libraries 與 Dependencies，整理成一個可以被建立、分享與部署的環境。Docker 官方也將 Container 定義為包含應用程式及其 dependencies 的標準化執行單位。Container image 則是這個可分享、可部署環境的標準化套件。

對 AI 來說，這件事情尤其重要。Python 版本、Framework、套件、系統 Libraries 與 GPU 相關 Runtime，只要其中一環不同，就可能讓原本成功的 Demo 無法重現。所以把AI Demo用 DOCKER把執行環境變成可以管理、分享與部署的單位。

因此我開始把 Docker 看成 AI Application 與 Infrastructure 之間的一座橋：不是單純「把程式裝進去」，而是嘗試把執行環境也變成可以被管理與交付的東西。Container 的核心就是：把程式與所需 dependencies、runtime、libraries 等一起封裝，讓它能在不同環境中較一致地執行。

但這裡又出現一個問題：

如果 Docker 可以把 AI 的環境封裝起來，那麼只要有 Dockerfile，就真的能保證任何地方都可以重現同一個 AI 環境嗎？

這也是《AI Infrastructure 實戰：AI Demo 為什麼上不了 Production？》接下來要繼續拆解的問題。

關於作者

我是一名 AI × Infrastructure Solution / Integration 技術實作者，專注於 AI、MLOps、Cloud、Docker、Kubernetes、GPU、LLM 與 AI Agent 等技術的整合與落地，跨足 LLM、GPU、Docker、Kubernetes、MLOps 與 AI Agents，持續研究企業 AI 從 Prototype 到 Production 所需要的工程能力。協助企業理解 AI 從 Prototype 到 Production 所需要的技術能力。

本系列同時是《AI Infrastructure 實戰：AI Demo 為什麼上不了 Production？》的延伸實戰筆記。如果想完整理解這些更深的技術問題，未來可以去看這本書(書中包含了一些的範例與提示詞，特別是AMD W7900 48G的使用技術心得，這些是外面很少有的獨家踩坑經驗，未來買書真的賺到！)。敬請期待唷~