AI構築ノウハウ: Docker, ベアメタル, WSLの環境差分を比較してみた一覧に戻るAI構築ノウハウ: Docker, ベアメタル, WSLの環境差分を比較してみた
AI構築でのベアメタル、Docker、WSL2を実務経験から徹底比較。GPU性能では差が少ないが、ファイルI/OではWSLのWindowsドライブ経由が10倍以上遅い。迷ったらDockerが最適解。本番環境はベアメタル、開発はDocker、Windows個人開発はWSL2が推奨。ユースケース別の選択基準と実測データで最適環境を提案します。
AI構築ノウハウ: Docker, ベアメタル, WSLの環境差分を比較してみた
はじめに：環境選択がプロジェクトの成否を分ける
AI開発において「どの環境で構築するか」は、パフォーマンス、開発効率、運用コストに直結する重要な判断です。
本記事では、AI開発でよく使われる3つの実行環境を実務経験に基づいて徹底比較します：
- ベアメタル（ネイティブLinux）：最高性能だが柔軟性に欠ける
- Docker：移植性と再現性に優れるが、オーバーヘッドがある
- WSL2：Windows環境でのLinux開発を実現するが、独特の制約がある
技術的な観点だけでなく、実際のビジネスシーンでの使い分けまで解説します。
3つの環境の基本特性
ベアメタル（ネイティブLinux）
概要
OSが直接ハードウェア上で動作する環境。仮想化レイヤーを介さないため、ハードウェアリソースを最大限に活用できます。
代表的な構成
- Ubuntu Server 22.04/24.04
- NVIDIA Driver + CUDA直インストール
- Python仮想環境（venv, conda）
Docker
概要
コンテナ技術を使った軽量な仮想化環境。アプリケーションとその依存関係を「コンテナ」としてパッケージ化し、どこでも同じように動作させられます。
代表的な構成
- Docker + Docker Compose
- NVIDIA Container Toolkit（GPU対応）
- 公式イメージ（pytorch/pytorch, tensorflow/tensorflow等）
WSL2（Windows Subsystem for Linux）
概要
Windows上でLinuxカーネルを動かす技術。Windows環境を維持しながら、Linuxツールチェーンを利用できます。
代表的な構成
- WSL2 + Ubuntu 22.04
- CUDA on WSL（Windows NVIDIA Driver経由）
- VS Code Remote WSL連携
総合比較表
ご紹介
弊社では下記プロダクトを取り扱いしております。ご興味ありましたらご覧ください。
Docker
| パフォーマンス | ⭐⭐⭐⭐⭐ | | |
| 最高性能 | ⭐⭐⭐⭐ | | |
| ほぼネイティブ | ⭐⭐⭐ | | |
| GPUは良好、I/Oがやや遅い | | | |
| セットアップ難易度 | ⭐⭐ | | |
| 手動設定多数 | ⭐⭐⭐⭐ | | |
| Dockerfileで自動化 | ⭐⭐⭐⭐⭐ | | |
| Windows環境なら最速 | | | |
| 環境再現性 | ⭐⭐ | | |
| 手動で管理 | ⭐⭐⭐⭐⭐ | | |
| コード化可能 | ⭐⭐⭐ | | |
| ある程度可能 | | | |
| 移植性 | ⭐⭐ | | |
| 環境依存 | ⭐⭐⭐⭐⭐ | | |
| どこでも動作 | ⭐⭐ | | |
| Windows限定 | | | |
| GPU対応 | ⭐⭐⭐⭐⭐ | | |
| 完全対応 | ⭐⭐⭐⭐ | | |
| nvidia-dockerで対応 | ⭐⭐⭐⭐ | | |
| CUDA on WSLで対応 | | | |
| マルチプロジェクト | ⭐⭐ | | |
| 依存関係の衝突リスク | ⭐⭐⭐⭐⭐ | | |
| 完全分離 | ⭐⭐⭐ | | |
| 仮想環境で対応 | | | |
| 開発体験 | ⭐⭐⭐ | | |
| SSH経由が基本 | ⭐⭐⭐⭐ | | |
| VS Code統合良好 | ⭐⭐⭐⭐⭐ | | |
| Windowsツールと連携 | | | |
| 本番運用 | ⭐⭐⭐⭐⭐ | | |
| 最も安定 | ⭐⭐⭐⭐⭐ | | |
| K8s等で自動化 | ⭐ | | |
| 本番利用は非推奨 | | | |
詳細比較：パフォーマンス
GPU推論速度
実測値（Llama2 7B、batch_size=1での推論）：
- トークン生成速度：52 tokens/sec
- GPU利用率：95-98%
- メモリ転送：最適
- トークン生成速度：50 tokens/sec（▲4%）
- GPU利用率：93-96%
- オーバーヘッド：わずか
- トークン生成速度：48 tokens/sec（▲8%）
- GPU利用率：90-94%
- Windows Driver経由のため若干遅延
💡 実務での体感
GPU推論では、3環境とも実用上は問題なし。ベアメタルとDockerの差はほぼ誤差範囲。WSLも許容範囲内ですが、大量バッチ処理では差が出ることがあります。
ファイルI/O速度
- バインドマウント：ほぼネイティブ並み
- ボリューム：やや遅い（5-10%）
- Windowsホスト上のDocker Desktop：大幅に遅い（50%以上）
- WSL内ファイルシステム：ネイティブ並み
- Windowsドライブ（/mnt/c/）：極端に遅い（10倍以上遅い場合も）
⚠️ 重要な注意点
WSLでは必ずLinux側のファイルシステム（/home/以下）で作業してください。Windowsドライブ経由は避けるべきです。大量の画像データやモデルファイルを扱う場合、この差は致命的になります。
詳細比較：セットアップと管理
初期セットアップの難易度
# 手動での設定が多い
sudo apt update && sudo apt upgrade
# NVIDIA Driverインストール
sudo apt install nvidia-driver-535
# CUDAインストール
wget
https://developer.download.nvidia.com/
...
# Pythonセットアップ
sudo apt install python3.11
# 各種ライブラリ...
# Dockerfileで自動化
FROM nvidia/cuda:12.1.0-runtime-ubuntu22.04
RUN apt-get update && apt-get install -y python3.11
COPY requirements.txt .
RUN pip install -r requirements.txt
# PowerShellで簡単インストール
wsl --install -d Ubuntu-22.04
# WSL内で通常のLinux操作
sudo apt update
sudo apt install python3.11
依存関係の管理
- 利点：直接的で理解しやすい
- 欠点：複数プロジェクトで依存関係が衝突する
- 対策：Python仮想環境（venv, conda）で分離
- 利点：完全に分離、衝突なし
- 欠点：イメージサイズが大きくなりがち
- 対策：マルチステージビルドで最適化
- 利点：Linuxツールがそのまま使える
- 欠点：Windows側との連携で混乱しやすい
- 対策：WSL内で完結させる
詳細比較：開発体験（DX）
コーディング環境
- SSH + VS Code Remote SSH
- ターミナルベースの作業
- サーバーマシンへの接続必須
- VS Code Dev Containers拡張
- ローカルでコンテナ内開発
- docker-compose.ymlで環境定義
- VS Code Remote WSL
- WindowsとLinuxのシームレスな統合
- エクスプローラーからWSL内ファイルにアクセス可能
利点：最も快適な開発体験（Windows環境の場合）
デバッグとトラブルシューティング
- システムログが直接確認できる
- ハードウェアレベルのトラブルも把握しやすい
- ただし、環境が壊れると復旧が大変
- コンテナのログが分離されている
- 問題が起きてもコンテナを再作成すればOK
- ただし、ネットワークやボリュームの問題は複雑
- Windowsとの相互作用が絡むと複雑
- ネットワーク設定がトリッキー
- WSLの再起動で解決することも多い
ユースケース別の推奨環境
ケース1：プロトタイピング・PoC開発
- 素早く環境構築できる
- 試行錯誤しやすい
- 環境を壊しても復旧が簡単
WSL2を選ぶ場合：Windows PCで開発する個人開発者
ケース2：本番運用（オンプレミス）
- 最高のパフォーマンス
- 安定性が最優先
- 長期運用を見据えた構成
ベアメタルを選ぶ場合：シンプルな構成、単一サーバー
Dockerを選ぶ場合：複数サーバー、スケーラビリティ重視
ケース3：AIモデルのトレーニング
- GPU性能を最大限に活用
- 長時間実行の安定性
- ファイルI/Oが高速
注意点：大規模なトレーニングでは、数%の性能差が積み重なって大きな差になります。
ケース4：推論API提供（FastAPI等）
- 環境の再現性が高い
- スケーリングしやすい
- CI/CDとの統合が容易
- 複数バージョンの並行運用が可能
- FastAPI + Uvicorn
- NVIDIA Container Toolkit
- Docker Compose or Kubernetes
ケース5：Windows環境での個人開発
- Windowsツール（Office、ブラウザ等）と併用できる
- VS Codeとの統合が最高
- セットアップが簡単
注意点：本番環境への展開時はDockerやベアメタルに移行を検討
ケース6：クライアント先でのデモ・POC
- ノートPCにも簡単にセットアップ可能
- 環境差異によるトラブルが少ない
- docker-compose.ymlを渡すだけで再現可能
実際の開発での注意点とTips
ベアメタルでの注意点
# apt upgradeでNVIDIA Driverが壊れることがある
# 対策：カーネル更新は慎重に
sudo apt-mark hold nvidia-driver-535
- 定期的なスナップショット取得を推奨
- 重要な設定は
/etc/ をバックアップ
# GPU使用権限をグループで管理
sudo usermod -a -G video $USER
Dockerでの注意点
# docker-compose.yml
services:
ai-service:
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
Windows/Mac上のDocker Desktopでは、バインドマウントが極端に遅いことがあります。
# 対策：名前付きボリュームを使う
volumes:
model-cache:
services:
ai-service:
volumes:
- model-cache:/app/models
services:
ai-service:
mem_limit: 16g
memswap_limit: 16g
WSL2での注意点
WSL2はデフォルトでホストメモリの50%まで使用します。
# %USERPROFILE%\.wslconfig
[wsl2]
memory=16GB
processors=8
WSL2は独自のネットワークを持つため、Windowsからのアクセスが複雑になることがあります。
# WSL内のサービスをWindowsからアクセス
#
localhost:8000
で通常はアクセス可能
# ダメな場合はWSLのIPを確認
ip addr show eth0
# ❌ 避けるべき：Windowsドライブでの作業
cd /mnt/c/Users/username/project
python
train.py
# 極端に遅い
# ✅ 推奨：WSL内のファイルシステム
cd ~/project
python
train.py
# 高速
WSLのCUDAはWindows側のNVIDIA Driverに依存します。
# Windows側で最新のNVIDIA Driverをインストール
# WSL側でCUDAを確認
nvidia-smi
コスト比較
初期セットアップコスト
- 時間：2-4時間
- 学習コスト：中～高（Linux知識必要）
- 金銭コスト：なし（既存サーバー利用時）
- 時間：1-2時間
- 学習コスト：中（Docker知識必要）
- 金銭コスト：なし
- 時間：30分-1時間
- 学習コスト：低
- 金銭コスト：なし
ランニングコスト
- パフォーマンス：最高（無駄なし）
- メンテナンス工数：高（手動管理が多い）
- パフォーマンス：ほぼネイティブ
- メンテナンス工数：低（自動化しやすい）
- パフォーマンス：やや劣る（I/O面）
- メンテナンス工数：低
- Windows PCのリソース占有に注意
実務での組み合わせパターン
多くのプロジェクトでは、複数の環境を使い分けています。
パターン1：開発→本番の典型的な流れ
- WSL2でローカル開発
- 素早いプロトタイピング
- Windows上のツール（Excel、PowerPoint等）と併用
- Dockerでコンテナ化
- CI/CDで自動テスト
- チームメンバーと環境共有
- ベアメタルまたはK8s上のDocker
- 最高性能と安定性を確保
- 監視・ログ収集の仕組みを整備
パターン2：チーム開発の標準構成
- docker-compose.ymlで環境定義
- 全員が同じ環境で開発
- 「私の環境では動く」問題を回避
- Kubernetesでオーケストレーション
- 開発環境と本番環境の差を最小化
パターン3：個人開発者の実用パターン
- Google Colab、AWS SageMaker等
- 大規模モデルのトレーニング
- ベアメタルLinuxと同等の環境
まとめ：環境選択のフローチャート
🎯 最適な環境を選ぶための質問
-
Windows PCで開発しますか？
-
はい → WSL2 または Docker
-
いいえ → ベアメタル または Docker
-
チームで環境を共有する必要がありますか？
-
本番運用で最高性能が必要ですか？
-
はい → ベアメタル
-
いいえ → Docker または WSL2
-
複数のプロジェクトを並行していますか？
-
はい → Docker
-
いいえ → ベアメタル または WSL2
-
頻繁に環境を作り直しますか？
最終的な推奨
ほとんどのケースでDockerが最もバランスの取れた選択肢です。パフォーマンスの差は実用上無視できる範囲で、環境管理の容易さが圧倒的なメリットになります。
- 大規模モデルの長期トレーニング
- 極限のパフォーマンスが求められるケース
- シンプルな単一サーバー構成
- Windows環境に縛られている個人開発
- Windowsツールとの連携が必須
- 素早いプロトタイピングが最優先
参考：各環境の具体的なセットアップ手順
ベアメタル（Ubuntu 22.04 + CUDA）
# システム更新
sudo apt update && sudo apt upgrade -y
# NVIDIA Driver
sudo apt install -y nvidia-driver-535
# CUDA Toolkit
wget
https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update
sudo apt install -y cuda-12-1
# Python環境
sudo apt install -y python3.11 python3.11-venv python3-pip
# 動作確認
nvidia-smi
nvcc --version
Docker + GPU対応
# Docker インストール
curl -fsSL
https://get.docker.com
-o
get-docker.sh
sudo sh
get-docker.sh
# NVIDIA Container Toolkit
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L
https://nvidia.github.io/nvidia-docker/gpgkey
| sudo apt-key add -
curl -s -L
https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list
| sudo tee /etc/apt/sources.list.d/nvidia-docker.list
sudo apt update
sudo apt install -y nvidia-container-toolkit
sudo systemctl restart docker
# 動作確認
docker run --rm --gpus all nvidia/cuda:12.1.0-base-ubuntu22.04 nvidia-smi
version: '3.8'
services:
ai-dev:
image: pytorch/pytorch:2.1.0-cuda12.1-cudnn8-devel
command: sleep infinity
volumes:
- ./workspace:/workspace
- model-cache:/root/.cache
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
ports:
- "8888:8888"
- "8000:8000"
working_dir: /workspace
volumes:
model-cache:
WSL2 + CUDA
# PowerShell（管理者権限）
wsl --install -d Ubuntu-22.04
# WSL再起動後、Ubuntu内で
sudo apt update && sudo apt upgrade -y
# CUDA on WSL（Windows側にNVIDIA Driverがインストール済み前提）
wget
https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update
sudo apt install -y cuda-toolkit-12-1
# Python環境
sudo apt install -y python3.11 python3.11-venv python3-pip
# 動作確認
nvidia-smi
- Remote - WSL拡張機能をインストール
- WSL内のプロジェクトを開く
- WSL内でPython拡張機能をインストール
実際のプロジェクト事例
事例1：医療記録AI（Digital Base実績）
- 開発：Docker（FastAPI + LangChain）
- 本番：ベアメタル（Ubuntu Server）
- 開発時は複数バージョンを並行テスト
- 本番は単一サーバーで安定運用重視
- セキュリティ要件でクラウド不可
- 開発効率：Docker化で環境構築を30分に短縮
- 本番性能：ベアメタルで推論速度20%向上
事例2：建築図面解析（CAD連携）
- 開発：WSL2（Windows環境必須）
- 推論API：Docker（K8s）
- CADソフト（AutoCAD等）がWindows専用
- Windowsツールとの連携が頻繁
- APIとして提供するためDocker化
- WSLでWindows/Linux両方のツールを活用
- Docker化でスケーラビリティ確保
事例3：LLMファインチューニング
- トレーニング：ベアメタル（A100 x 4）
- 推論API：Docker（K8s + GPU）
- 数日間の連続トレーニング
- 最高性能が必要
- 推論は複数バージョン管理が必要
- ベアメタルで安定したトレーニング
- Dockerで複数モデルバージョンを並行提供
よくある質問（FAQ）
Q1: DockerとWSL2を同時に使うのは？
A: 可能ですが、WSL2上でDockerを動かすのがベストプラクティスです。Windows上のDocker Desktopは内部でWSL2を使用しています。
Q2: Mac（M1/M2）での推奨環境は？
A: M1/M2 MacではDockerが最も実用的です。ただし、CUDA非対応なのでGPUを使うクラウドサービス（Colab、AWS等）との併用を推奨します。
Q3: 本番環境をDockerにするリスクは？
A: 適切に構成すれば問題ありません。むしろKubernetes等と組み合わせることで、ベアメタルより高い可用性を実現できます。
Q4: WSL2のGPU性能は本当に実用的？
A: 推論用途では十分実用的です。ただし、ファイルI/Oが絡む大規模トレーニングでは不利になることがあります。
Q5: 環境を移行する際の注意点は？
A: 依存関係を明示的に管理することが重要です。requirements.txtやDockerfileで環境を「コード化」しておくと、移行がスムーズになります。
結論
AI開発環境の選択は、プロジェクトのフェーズ、チーム構成、性能要件によって変わります。
- 完璧な環境は存在しない：トレードオフを理解して選択する
- フェーズごとに使い分ける：開発と本番で異なる環境を使うのも合理的
- 環境の再現性を確保する：特にDockerやIaCで環境を「コード化」
- 実測して判断する：理論より実際のパフォーマンスで評価
中小企業のAI導入では、以下の組み合わせが最も現実的です：
- 開発フェーズ：Docker（チーム共有と再現性）
- 本番フェーズ：ベアメタルまたはDocker（要件次第）
- 個人検証：WSL2（Windowsユーザーの場合）
このアプローチにより、開発効率と本番性能の両方を最大化できます。
