容错计算技术：藏在科技落地背后的隐形护城河

你刷这篇文章的时候，你的手机、传输文章的服务器，至少已经发生过三五次微小的硬件错误了。但是你啥都没感觉到。错被悄悄修好了。这就是容错计算技术在干活。

为什么容错计算技术现在突然成了香饽饽

这技术其实一点都不新，早在上世纪航天工程里就用了，NASA往火星发探测器，总不能坏了飞回来修吧？所以从那时候起，冗余容错就是航天项目的标配。 过去几十年，民用领域根本没人把它当回事。不就是个出错备份吗？大不了重启，大不了换硬件，花那钱做冗余干嘛？ 这两年风向全变了。OpenAI训练GPT-4的时候，一次训练成本据说近亿美元，几千块显卡连转几个月，只要中间一块显卡出一个比特的错误，整个训练出来的模型就废了。 亏到哭都没眼泪。 自动驾驶更不用说，高速行驶的时候，一个摄像头出错，毫米波雷达数据乱掉，没有容错，直接就是车毁人亡的事故。 自动驾驶域控制器容错计算模块实物图 你看，原来错了可以重来的场景，现在根本给不起重来的成本。云计算厂商拼可靠性，差一个九个就是天差地别，用户说走就走。大模型厂商拼训练成功率，错一次就是几百万打水漂。自动驾驶拼安全性，一次事故就是万劫不复。容错计算技术就这样从后台走到了前台，变成了所有人都抢着补的短板。

别被名字唬住，容错计算的核心其实很简单

很多人一听这名字就觉得高深，一堆专业术语绕得人头大，其实说白了，就是两句话：提前留好后手，错了立刻换手上。 业内一般分成两类，硬件容错和软件容错。硬件容错就是多放一份核心零件，比如银行的核心服务器，都是双电源双主板，一个坏了另一个几毫秒内就能顶上去，用户连卡顿都感觉不到。软件容错就更巧了，不是简单备份数据，是通过算法把错误给找出来修掉，比如你传文件的时候的校验码，其实就是最简单的软件容错。 现在的高端玩法比这个复杂多了。比如大模型训练的时候，会把不同层的模型分布式存在上百上千块不同显卡上，容错计算会动态把出错显卡上的任务迁移到空闲的冗余卡上，整个过程不中断训练，啥都不影响，项目组该喝咖啡喝咖啡，根本不用蹲机房。 大模型训练集群容错计算调度示意图 说实话我之前听过一个段子，某创业公司做千亿参数大模型训练，跑了半个月出了个小错，就是因为舍不得成本做在线容错，直接回滚到一周前，损失几十万的电费算力费，项目组蹲在机房门口吃了一周泡面，你说惨不惨？ 不过话说回来，很多人对容错有个误区：觉得不就是多买几份硬件堆着吗？错得离谱。堆硬件那是最笨的方法，成本高到离谱，现在谁也扛不住几千块高端显卡全堆双份啊。所以现在玩的都是动态冗余，哪里容易出问题就给哪里多留余量，冷门地方少留，甚至不留，既保证安全又省成本，这才是真本事。

容错计算技术的下一个爆发点在哪

容错计算技术的下一个爆发点在哪 现在业内最热的方向，其实就两个，一个是AI原生的容错，另一个是容错量子计算。 先说AI原生容错，原来的容错规则都是人写的，哪容易出错全靠工程师的经验判断，现在直接让AI自己学，根据不同任务的运行数据动态调整冗余分配，学出来的动态调度比人写的省30%以上的冗余，算力省下来就是真金白银，一块几千块的显卡，省出来的算力就能多跑一个任务，一年下来能省几百万。 容错量子计算更不用说了，现在的量子比特，本身出错率就高到离谱，跑稍微复杂点的计算，错误堆得结果都没法看，量子计算要真的落地商用，必须先过容错这一关，现在全世界的顶尖团队都在卷这个，谁先做出来实用化的容错量子芯片，谁就是下一个行业霸主，这个一点都不夸张。 我接触过几个做容错计算创业的团队，都很低调，闷头挣钱，客户全是头部云计算公司、自动驾驶厂商，根本不愁订单。现在所有人都在抢显卡，都在卷大模型参数，没人注意到，容错才是那个能把落地门槛拉起来的东西。你参数再大，训练一次错一次，跑起来动不动就出故障，谁敢用你做核心业务？对吧？ 很多技术都是这样，站在聚光灯下的永远是新出来的花活，ChatGPT出来之后全聊大模型，没人聊背后支撑它稳跑几十万调用的容错计算。但真正能让技术从实验室的PPT走到你我身边的，恰恰就是这些不起眼的「后台清洁工」。它不抢C位，但是缺了它，再炫的科技秀场都得垮台。