GPU

云计算经济学:算力成本如何重塑全球科技格局

2024年,全球云计算市场规模突破6000亿美元,Meta宣布建设史上最大的AI训练集群,巨头们在数据中心建设上的投入动辄数百亿美元。在这场看不见硝烟的算力军备竞赛中,经济学的基本规律——边际成本、规模效应、供需关系——正在以全新的方式重塑整个科技产业的格局。

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。