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。本文从硬件 ECC 机制出发，深入讲解 GPU XID 事件解析、内核驱动级错误检测、生产…
