机器学习

从 XID 错误到芯片级容错:GPU 显存 ECC 损坏在 AI 训练中的检测、隔离与自愈工程

AI 训练集群规模从百卡扩展到千卡、万卡级别后,GPU 显存错误成为影响训练稳定性和模型收敛性的隐性杀手。与传统 CPU 不同,GPU 显存错误往往表现为“静默数据损坏”(Silent Data Corruption, SDC)——权重悄然翻转一个 bit,Loss 曲线异常抖动,而训练流程本身不会报错退出。

机器学习的工程化:从实验模型到生产系统的落地之路

机器学习系统与普通软件系统最本质的区别在于:ML系统由代码和数据共同构成。实验中一个超参数的微小变化可能导致线上效果剧烈波动。这种不确定性基于数据的变化通过代码传播到模型的复杂因果关系,使得ML系统的工程化远比传统软件工程复杂。

量化投资策略:从统计套利到机器学习的演进

系统梳理量化投资核心方法论,从CAPM和Fama-French因子模型,到统计套利与高频交易微观结构,再到机器学习(CNN/LSTM/Transformer/GNN)与强化学习在量化中的应用,涵盖Black-Litterman组合优化和Barra风险模型,展望大模型、DeFi量子计算等前沿趋势。