1998年诞生的虚拟化技术的VM、2013年出现Docker容器技术和K8s，以及2019年开始走出浏览器Wasm，都是可以用来部署和建置云原生基础架构的根本技术，也都提供了一个沙盒般的独立软体执行环境，可以用来执行应用系统或程式。不过，这三者有很大的不同，尤其是Wasm技术，从一开始的技术创立目的，就和前两者截然不同。
Wasm技术发明之初，就是为了解决JavaScript效能问题，希望让浏览器中的Web应用能像桌面原生软体一样的高速执行。而VM技术是为了更善用硬体资源，让不同应用系统各自有自己完整的虚拟「实体主机资源」可用，而Docker则是为了解决应用程式相依性越来越复杂的挑战，想要让AP可以到处执行。
不过，从技术实作背后的核心概念，VM是将实体环境的复杂度封装到单一环境中，容器则是将AP的相依性复杂度，封装到单一环境中，这两者比较相似，但Wasm则是在浏览器环境中，创造一个Bytecode二进位执行格式的沙盒环境，来提高执行速度，技术实作的方向有很大的不同。但因浏览器本来就是一个与作业系统层隔离的独立执行环境，也格外讲究与实体资源的安全，以及浏览器内不同网页程式之间的隔离性，这就让Wasm先天带有类似容器的将可以封装AP复杂性的特色和隔离实体环境复杂度的特性。
Wasm档案为何远比虚拟机器、容器映像档小这么多？
因为技术实作的不同，VM等于模拟了一整个实体主机环境，有虚拟CPU、虚拟记忆体、虚拟储存，因此可以安装多套或大型的应用系统，映像档案大小也最大，光是安装一套作业系统，就可能需要好几GB。
而容器不需要作业系统，只需要执行程式码相关的必要元件，可取得记忆体资源、也可以配置本地端储存给容器专用。 容器常用来执行一只应用程式，一只微服务， 执行同样程式码的容器映像档大小比VM映像档小了不少，冷启动速度也快上许多。
Wasm同样不需要作业系统，目前也无法配置本地端储存，常用来执行一只应用、一只程式或是一支元件。因为封装到Wasm的程式码，会经过编译处理成二进位格式档，而不是采取映像档的形式来载入，因此，同样功能程式码的Wasm档案，远比容器映像档格式小非常多。这也让Wasm的冷启动执行速度超短。
技术特性、映像档和执行档大小，也影响了这三类技术可以部署的环境。VM大多部署于公云环境、实体伺服器或是边缘主机，需要有一定硬体规格的设备上。而容器除了上述三类基础架构环境之外，也可部署到硬体规格较低阶的行动装置、边缘装置上。Wasm档案的硬体规格需求最低，虚拟机器和容器可部署的环境之外，甚至可以部署到小型边缘设备，IoT设备，甚至是IoT感测器上。
这三者技术目前也可以混用在同一个执行环境中，Docker公司早在2022年就宣布开始支援Wasm，可以让Docker容器的Runtime也能同时执行wasm档案，而微软则在去年发表了Hypervisor对Wasm的支援技术，可以在Hyperbisor平台上，同时支援虚拟机器、容器和Wasm，甚至可以混用这三者，不过，还只是技术预览功能。
Wasm冷启动速度可以比容器快上百倍
冷启动速度来说，虽然这个速度会受到执行程式码规模和复杂度的影响，但大概来比较，以执行同样功能的一只应用程式来说，Wasm是最快，甚至可以说超快。虚拟机器的冷启动速度，常见是数十分钟，可说是分钟级的冷启动速度，而容器则可以缩短到数十秒，甚至数秒内，可说是秒级的冷启动。
由于Wasm是经过编译后的Bytecode档案，几乎是载入就可以执行，再加上Wasm档案极小。因此可以做到毫秒等级的冷启动速度，这是千分之几秒的程度，就能开始一支Wasm应用。
对于开发语言的支援上，不论是在虚拟机器或是容器中，都需要该语言的runtime来执行，例如用了GO语言和Rust，就需要这两种与言的runtime才能执行。但是在wasm的做法不一样，经过事先编译，可以将不同语言编译成同样的Bytecode执行格式，因此，只需要一只wasm的runtime，就可以执行不同语言编译过的wasm档案，等于是用一只runtime通吃各种语言，甚至WASI提出的新元件模式，可以让不同程式语言的Wasm元件，彼此有一个标准的输入输出沟通方式，仿佛就像是用同一种语言开发的两只元件一样。不过，目前不是所有开发语言都能支援Wasm，不同语言的支援程度也不尽相同，以Go、JavaScirpt、C#、Rust语言的支援度相对完整且稳定。其余也有四、五十种语言提供部分程度的支援，使用时得留意支援度不足的地方。
若以用GPU来执行AI推论的功能来比较，除了AI推论的程式码之外，还需要Nvidiak的CUDA runtime，以及一套AI框架，像是PyTorch，光是这三者，最小的容器映像档大小就接近5GB，LLM基础模型的档案大小也动辄数GB，甚至数十GB，整个加起来，至少要有15GB，以前，容器问世时，常有人打趣说，VM太肥，所以需要容器来解决，但是，LLM推论需要的容器映像档也动辄是数GB或数十GB，就像是当年过于肥大的VM一样。
同样功能，若改用Wasm，自制推论程式码、CUDA runtime加上PyTorch框架和10GB的LLM基础模型，编译后可以大幅缩小到数MB，可以说比同样功能的容器或VM映像档，足足少了1千倍，这也正是Wasm冷启动速度可以超级快的原因。
后续报导请见：WebAssembly生态圈有哪些重要专案？Wasm生态地图重点剖析