過去做企業(yè)級IT，如今搞企業(yè)級AI，都有點像跑船打漁，船越大就越不能只圖快，更得求穩(wěn)，否則船一翻，載得漁獲越多損失就越重。確實是風(fēng)浪越大魚越貴，前提是你得平安返港。

再具象點說，你可能聽過這樣的數(shù)據(jù)：超40%的大中型企業(yè)每小時停機(jī)成本超過100萬美元，甚至超過500萬美元，這不是聳人聽聞，是來自實際統(tǒng)計。在“算力即財富”的AI時代，服務(wù)器宕機(jī)帶來的損失，比直接燒錢來得還快!而且這種情況出現(xiàn)的可能性還挺高，畢竟AI集群正加速向萬卡級規(guī)模突破，系統(tǒng)越復(fù)雜、計算密度越高，就越可能出現(xiàn)更多的靜默數(shù)據(jù)錯誤(SDE)及發(fā)生在內(nèi)存與PCIe等組件中的故障。

別等問題發(fā)生時我們才警覺：不能只將目光聚焦在GPU或各種AI加速器的算力能否充分發(fā)揮上。沒有一個穩(wěn)定可靠的運(yùn)行環(huán)境，這種發(fā)揮就不能持久，而不持久比不充分更虧本兒。

誰能從根本上解決這個問題?指望加速器芯片不現(xiàn)實，畢竟它們的任務(wù)是計算，需要依賴主控(或機(jī)頭)系統(tǒng)才能進(jìn)行工作，你要依賴的，恰恰是一直在AI服務(wù)器或集群中被視為“配角“的CPU。如果你選擇至強(qiáng)®6 處理器作為機(jī)頭或主控，它的“三高”能力(高可靠性、高可用性、高可維護(hù)性，RAS)就能接過保障整體系統(tǒng)穩(wěn)定運(yùn)行的重任，為GPU創(chuàng)造一個“心無旁騖”、“全力輸出”的環(huán)境，實現(xiàn)整個系統(tǒng)1+1>2的效能倍增。

或許你會說，各家企業(yè)級CPU都有RAS特性或功能啊，為啥如此強(qiáng)調(diào)至強(qiáng)®6?這是因為它有一些獨具且強(qiáng)化的功能，能幫你的AI平臺與應(yīng)用更好地避坑：

告別“數(shù)據(jù)污染”,為GPU掃清“靜默錯誤雷區(qū)”

在動輒千卡萬卡的AI集群中，一些微小的靜默數(shù)據(jù)錯誤就像潛伏的“地雷”，平時難以察覺，一旦“引爆”就可能污染訓(xùn)練結(jié)果、干擾模型收斂，以及導(dǎo)致錯誤的推理結(jié)果。

擔(dān)當(dāng)機(jī)頭或主控系統(tǒng)核心的至強(qiáng)®6，能主動扮演“排雷兵”的角色。它的絕技是利用硬件故障壓測與復(fù)檢工具套件 (SHC & DCDiag)，鎖步模式 (Lock Step Mode) 和故障掃描巡檢(In-Field-Scan)等SDE檢出功能，對GPU前行的“道路“進(jìn)行細(xì)致排查，提前揪出并排除這些“隱形錯誤”。這確保了機(jī)頭或主控CPU交付給GPU的計算任務(wù)是更為純凈或可靠的，能讓GPU的每一次運(yùn)算都建立在更堅實可信的基礎(chǔ)之上。

終結(jié)“頻繁宕機(jī)”：用更強(qiáng)可用性給GPU穩(wěn)定工作上保險

可用性是AI集群“持久連續(xù)運(yùn)行”的關(guān)鍵，至強(qiáng)®6在這方面承襲了英特爾在至強(qiáng)產(chǎn)品線上長達(dá)6代的技術(shù)迭代，積累了不少絕活兒，如：

1、內(nèi)存糾錯與排障：通過SDDC、ADDDC等技術(shù)，能100%糾正單顆粒內(nèi)存錯誤，并自適應(yīng)修正多顆粒錯誤，為GPU提供穩(wěn)定的數(shù)據(jù)通路。

2、服務(wù)容錯：MCA Recovery機(jī)制確保服務(wù)器在遇到非致命錯誤時可以“帶病運(yùn)行”，避免GPU工作流無故中斷，到至強(qiáng)®6這一代，MCA Recovery還實現(xiàn)了更多恢復(fù)手段。

3、PCIe穩(wěn)健器：eDPC功能保障了GPU與系統(tǒng)之間高速數(shù)據(jù)鏈路的穩(wěn)定，這對于依賴海量數(shù)據(jù)交換的AI任務(wù)至關(guān)重要。

“首席技術(shù)支持” 為AI集群 構(gòu)建分鐘級故障診斷與恢復(fù)體系

作為AI集群7 x 24小時待命的“首席技術(shù)支持”，至強(qiáng)®6 處理器配備RAS Offload與增強(qiáng)的內(nèi)存故障EDAC driver，用來豐富故障上報信息，同時規(guī)避業(yè)務(wù)中斷影響與性能抖動。

　　ACD、ASD等高級診斷工具，能將故障診斷的SLA(服務(wù)等級協(xié)議)從“周”級壓縮到“分鐘”級。

更重要的是，作為AI集群“壓艙石”，至強(qiáng)®6能通過上述工具鏈快速適配不同品牌GPU或AI加速器，輔助診斷、迅速定位并協(xié)助解決它們的故障，最大程度縮短整個系統(tǒng)的中斷時間，讓它們能“物盡其用”。

至強(qiáng)®6這“三高“能力疊加起來，就構(gòu)成了目前AI服務(wù)器/集群機(jī)頭或主控領(lǐng)域獨一份的控場穩(wěn)盤能力。有國內(nèi)某頭部AI大廠的實踐證明，通過綜合應(yīng)用至強(qiáng)這些RAS能力，CPU造成的宕機(jī)率已被降低了50%，二次返修率也顯著下降，讓其服務(wù)器的投資有了更優(yōu)的回報。

最后說個讓你意想不到的數(shù)字——至強(qiáng)®6平臺，目前在RAS具體特性或功能上，已集成了多達(dá)六大類52項細(xì)分功能，這些功能可能遠(yuǎn)不如表面“可見”的CPU核心數(shù)、主頻、內(nèi)存帶寬、互連通道等與性能密切相關(guān)的規(guī)格那樣醒目或振奮人心，但一旦遇到麻煩，你就會覺得它們還是多多易善、越強(qiáng)越好。這情形就像大船上的水密隔艙，平時用不上看不到以為是累贅，等撞上礁石，它們帶給你的，是帶傷也可繼續(xù)工作并能平安返港回家的從容。