容错计算技术：你天天用却不知道的「数字安全网」

你有没有过刷视频刷到一半，手机突然卡顿重启，转头就自动续上了播放进度，连缓存都没丢？ 有没有试过在地铁里转大金额的账，信号突然跳成空框，等一秒信号回来，转账已经成功完成？ 这些你习以为常的「小幸运」，根本不是运气好。 全是容错计算技术在背后兜着底。

什么是容错计算？不是「出错了改」，是「出错了照样转」

很多人第一次听这个词，会把它和纠错搞混。 纠错是什么？是文件下坏了，校验一下重新下坏的区块；是代码出bug了，程序员改完重新发版。 容错不一样。 容错从一开始就默认：「出错是必然的，哪有从来不坏的零件？」它不需要停下来等你改，直接把错误的影响掐死在摇篮里，该干嘛干嘛，你作为用户根本感觉不出来。 早在上世纪阿波罗登月的时候，这门技术就已经用上了。当时导航计算机用了三重冗余设计，三个模块同时算同一个结果，随便一个被宇宙射线打错出了偏差，另外两个直接投票把错误结果否决，全程不耽误登月导航。 说实话，那时候谁能想到，半个世纪后，这门原本给航天尖端项目准备的技术，会铺到全世界每个普通人的日常里。 阿波罗导航计算机三重容错计算设计图 现在从你口袋里手机的7nm芯片，到云上扛着十亿人访问的算力集群，再到万米高空飞机的飞控系统，全靠容错计算撑着底线。哪怕有一两个晶体管出错，有一个节点宕机，整个系统照样转，不会崩。

AI爆火的当下，容错计算为什么突然成了行业刚需？

前几年这技术还偏冷门，这两年突然火了，为什么？ 还不是大模型带的。 现在大模型训练，一次就要动用上万张GPU卡，跑好几个月。原来的旧机制：只要一个卡出个小错，整个训练任务全部重启，几个小时甚至几天的算力就直接打水漂了，一张A100一小时多少钱啊，这浪费的都是真金白银。 更关键的是，先进工艺芯片的软错误率涨得太快了。现在3nm工艺下，工作电压比28nm降了一大半，宇宙射线打一下，或者电压稍微抖一下，就会出现一个比特翻转，也就是数据错了。要是没有容错机制，现在的大模型跑起来，错的结果能把人搞疯。 去年我跟一个在头部AI公司做算力调度的朋友聊天，他说他们现在给GPT类大模型做推理集群，光容错优化就投了一个二十多人的团队做了大半年。原来出错重跑一次要几分钟，现在容错计算切流只要几十毫秒，用户根本感觉不到任何异常。 s 大模型GPU训练集群容错计算调度示意图 不止AI。 现在L2级以上的自动驾驶，哪款车没做容错冗余？方向盘的控制信号，同时走两条线路，两个核心控制器同时算，一个出问题另一个一秒就能接过来，根本不会让你握着方向盘发现没反应——那可是要出人命的事。 不过话说回来，很多人对容错计算的印象还停留在「堆硬件备份」，那都是十年前的老思路了。现在新的容错计算技术早就进化了，有算法层面的动态容错，还有AI辅助的错源定位，哪里出问题自动绕开，动态调度空闲算力顶上，硬件成本比原来全系统冗余降了一半还多，稳定性还更高。

容错计算技术接下来，藏着很多人没注意到的机会

容错计算技术接下来，藏着很多人没注意到的机会 现在国内芯片行业往先进工艺走，容错计算其实帮了大忙。 怎么说？一块大芯片做出来，工艺越先进，越容易出现个别小单元损坏的情况，放以前，整颗芯片直接当残次品扔了，良率上不去，成本就下不来。现在用容错计算技术，直接把坏的单元屏蔽掉，自动调度好的单元顶替，原来的残次品直接变成合格产品，良率一下能提十几个点，成本降了，消费者就能买到更便宜的芯片，这是实打实的好处。 还有现在风口上的量子计算。现在大家做的都是含噪声的中尺度量子计算，量子比特本身出错率就极高，要做能用的通用量子计算机，核心就是容错量子计算，现在全球顶尖的科研机构都在砸钱堆这个方向，谁先突破实用化的容错量子计算，谁就能拿到下一轮计算革命的门票。 我前阵子去参加一个算力行业的小会，有个老教授讲了一句话，我记到现在。他说现在整个数字世界的地基，其实就是容错计算，所有人都在拼更快更大更强，拼参数拼速度，却忘了最核心的需求其实是「稳」，哪怕出问题，也得有人兜住底。 太对了。 很多搞技术创业的，上来就吹我参数多大我速度多快，上线了动不动就崩，转个账出问题，搜个内容出乱码，用户用两次就走了，真的是捡了芝麻丢了西瓜。 你看，我们享受了这么多年数字世界的便利，从来没怎么注意过这个默默托底的技术。它不抛头露面，不怎么上热搜，却撑着整个数字世界不翻车。 下次你手机出点小问题自己就好了，记得哦，那就是容错计算技术，又帮你兜了一次底。