你每天都在用却不知道：容错计算技术到底怎么撑起整个数字世界？
你早上刷手机过地铁闸机的时候，有没有想过，为什么手机信号跳一下、芯片出个亿分之一的小错，你还是能顺利开门，不会卡在那里进退不得？
你用网盘存照片，一块硬盘坏掉，你找客服还是能把原图找回来。
火箭上天飞了好几年，个别器件老化出问题，还是能照常传信号回地球。
这些，都是容错计算技术在干活。
芯片单粒子翻转软错误示意图
早在上世纪六十年代航天热的时候，工程师就发现太空里的高能粒子流太猛，卫星上天没俩月就因为一个比特错报废，钱打水漂不说，任务直接黄了。我听一个退休的老航天工程师说，那时候为了搞容错，把同一个运算重复做三次，然后投票选结果，笨是笨，但是管用，硬生生把最早一批通信卫星的寿命从半年拉到了两年多。
我们普通人最早接触到的容错计算，就是硬盘的RAID技术。把同一份数据拆开放在不同硬盘里，一块盘坏了，剩下的盘能把数据拼出来，不会全丢。说白了就是多买一份保险，出事了能赔。
不过话说回来，堆硬件堆冗余的法子，早年够用，现在越来越玩不起了。
自动驾驶多传感器容错融合架构图
比如自动驾驶，现在车载传感器有七八个，摄像头看错一个障碍物，雷达和激光雷达的信息能补上，算法自动把错误的那个结果排除掉，不会踩错刹车。这个就是典型的算法结合架构的容错，比单纯多装一套刹车便宜多了，还好用。
说实话，现在最热的容错方向，其实是量子计算的容错。量子比特本身就是个娇贵的东西，环境稍微动一下，相干性就没了，错得一塌糊涂。之前很多人喷量子计算就是骗局，核心就是搞不定纠错。去年谷歌搞出了纠错的逻辑量子比特，把错误率降了一个数量级，直接把整个行业的信心拉回来了，你看，容错计算才是量子计算能落地的根，对吧？
哦对，现在英伟达新出的H100平台，专门加了针对大模型训练的容错校正模块，软硬结合，就是怕你训到一半出个错，几个亿打水漂。这个东西现在已经是高端AI芯片的标配了，只是你不知道而已。
被忽略的核心，未来数字世界的承重墙
很多人聊芯片聊AI，张口就是算力参数，闭口就是速度比，很少有人提容错。好像不出错是理所当然的。
哪有什么理所当然？
我之前跟国内一家做高端工业芯片的创始人聊天，他说他们做工业控制芯片，要求十年不出错，最费劲的不是堆算力，是搞容错。工业现场的电磁干扰，温度变化，都能搞出随机错误，一个错就能让整条生产线停下来，损失几百万，容错做不好，性能再强也没人敢用。
现在大模型往端侧走，手机里都要跑大模型了，端侧芯片的功耗低，抗干扰能力差，出错误的概率比数据中心高多了。之前有实验室做过测试，端侧跑大模型，跑一百次就可能出一次输出错误，有时候错得离谱，同一个prompt，本来要写文案，直接出来一堆乱码，就是因为一个比特错了。所以现在手机芯片厂商都在偷偷砸钱搞适配端侧大模型的轻量化容错，就是为了让你用的时候不翻车。
还有现在的低轨卫星星座，几万颗卫星在天上，不可能每一个坏了就派飞船去修，也不可能每颗卫星都给你堆两倍的冗余，重量上去发射成本就炸了。现在最新的动态容错技术，就是卫星系统自己检测错误，哪个模块坏了，自动把任务调度给别的好模块，整个系统不用地面控制介入，自己就能恢复正常，大大延长了整个星座的寿命。
你说，这些东西哪一样离得开容错计算？
当我们把越来越多的东西，从出行安全到金融交易，从航天发射到AI生成内容，都交给数字系统，容错计算就是那个看不见的承重墙，它不炫，不怎么上热搜，但是只要它垮一点，整个我们习以为常的数字生活就得乱套。
下次你手机顺畅刷完一天，自动驾驶稳稳把你送到家，大模型给你出了合乎逻辑的文案，别忘了，背后有这么一门技术，默默兜住了所有可能发生的错。
说白了，容错计算就是给数字系统买“意外险”
很多人一听“容错”，第一反应就是允许出错？不对。它的核心逻辑是：我知道你一定会错，所以我提前做好准备，错了也不影响整体干活。 错是常态。 现在芯片工艺都干到3nm了，晶体管小到一个高能粒子撞一下，就能改变存储的比特值，也就是行业里说的软错误。这种错误不是硬件坏了，就是临时出了个错，你说吓人不？芯片单粒子翻转软错误示意图
早在上世纪六十年代航天热的时候，工程师就发现太空里的高能粒子流太猛，卫星上天没俩月就因为一个比特错报废，钱打水漂不说，任务直接黄了。我听一个退休的老航天工程师说，那时候为了搞容错，把同一个运算重复做三次，然后投票选结果，笨是笨，但是管用，硬生生把最早一批通信卫星的寿命从半年拉到了两年多。
我们普通人最早接触到的容错计算，就是硬盘的RAID技术。把同一份数据拆开放在不同硬盘里，一块盘坏了，剩下的盘能把数据拼出来，不会全丢。说白了就是多买一份保险，出事了能赔。
不过话说回来，堆硬件堆冗余的法子，早年够用，现在越来越玩不起了。
新一代容错计算，从堆硬件变成拼脑子
现在什么东西最吃算力？大模型。训一个万亿参数的大模型，一次要烧大几千万，跑半个月。要是跑到一半，一个比特错了，整个训练就得推倒重来，这损失谁扛得住？ 原来的法子是每算一步都校验一遍，相当于走一步检查一步，速度直接砍半，成本直接翻倍，根本扛不住。所以现在主流的方向都是算法级容错，不额外堆太多硬件，让算法本身就具备纠错能力。自动驾驶多传感器容错融合架构图
比如自动驾驶，现在车载传感器有七八个，摄像头看错一个障碍物，雷达和激光雷达的信息能补上，算法自动把错误的那个结果排除掉，不会踩错刹车。这个就是典型的算法结合架构的容错，比单纯多装一套刹车便宜多了，还好用。
说实话，现在最热的容错方向，其实是量子计算的容错。量子比特本身就是个娇贵的东西，环境稍微动一下，相干性就没了，错得一塌糊涂。之前很多人喷量子计算就是骗局，核心就是搞不定纠错。去年谷歌搞出了纠错的逻辑量子比特，把错误率降了一个数量级，直接把整个行业的信心拉回来了，你看，容错计算才是量子计算能落地的根，对吧？
哦对，现在英伟达新出的H100平台，专门加了针对大模型训练的容错校正模块，软硬结合，就是怕你训到一半出个错，几个亿打水漂。这个东西现在已经是高端AI芯片的标配了，只是你不知道而已。
被忽略的核心，未来数字世界的承重墙
被忽略的核心，未来数字世界的承重墙
很多人聊芯片聊AI，张口就是算力参数，闭口就是速度比，很少有人提容错。好像不出错是理所当然的。
哪有什么理所当然？
我之前跟国内一家做高端工业芯片的创始人聊天，他说他们做工业控制芯片，要求十年不出错，最费劲的不是堆算力，是搞容错。工业现场的电磁干扰，温度变化，都能搞出随机错误，一个错就能让整条生产线停下来，损失几百万，容错做不好，性能再强也没人敢用。
现在大模型往端侧走，手机里都要跑大模型了，端侧芯片的功耗低，抗干扰能力差，出错误的概率比数据中心高多了。之前有实验室做过测试，端侧跑大模型，跑一百次就可能出一次输出错误，有时候错得离谱，同一个prompt，本来要写文案，直接出来一堆乱码，就是因为一个比特错了。所以现在手机芯片厂商都在偷偷砸钱搞适配端侧大模型的轻量化容错，就是为了让你用的时候不翻车。
还有现在的低轨卫星星座，几万颗卫星在天上，不可能每一个坏了就派飞船去修，也不可能每颗卫星都给你堆两倍的冗余，重量上去发射成本就炸了。现在最新的动态容错技术，就是卫星系统自己检测错误，哪个模块坏了，自动把任务调度给别的好模块，整个系统不用地面控制介入，自己就能恢复正常，大大延长了整个星座的寿命。
你说，这些东西哪一样离得开容错计算？
当我们把越来越多的东西，从出行安全到金融交易，从航天发射到AI生成内容，都交给数字系统，容错计算就是那个看不见的承重墙，它不炫，不怎么上热搜，但是只要它垮一点，整个我们习以为常的数字生活就得乱套。
下次你手机顺畅刷完一天，自动驾驶稳稳把你送到家，大模型给你出了合乎逻辑的文案，别忘了，背后有这么一门技术，默默兜住了所有可能发生的错。