众多计算错误历来被归咎于不良的代码编写、编程逻辑、算法问题，甚至是用户的操作失误。这一点不难理解，毕竟许多性能瓶颈都能直接追溯到软件层面，它似乎也成为了众多计算机错误的根本原因之一。
然而，事情真的这么简单吗？
在过去十余年间，一个隐形的巨大问题逐渐浮出水面，隐藏在支撑整个计算世界的底层组件中：硬件。更为确切地说，一种名为“静默数据损坏”（SDC）的硬件故障，已经成为众多性能问题的关键所在。随着人工智能和机器学习算法的需求推动计算能力飞速扩展，静默数据损坏的问题也愈发尖锐和严重。
那么，究竟什么是静默数据损坏？我们又该如何防范？为何它会成为一个如此普遍且棘手的问题？
为此，我们特地采访了谷歌的首席开发者Rama Govindaraju和微软的硬件架构合伙人Robert S. Chappell，与各位开发者一起深入探讨这些问题及其他相关话题。
什么是静默数据损坏？
静默数据损坏（SDC）是指受影响设备处理数据时，无意导致的静默（未被察觉的）错误。
例如，受影响的CPU可能会发生数据计算错误（例如1+1=3），除非进行定期扫描，否则不会发现这些错误迹象，这就是“静默”一词的由来。简而言之，这些计算错误既难以检测又难以纠正。
如果软件出现问题，会有故障停止机制、用户通知以及各种其他警报或指示来提示需要进行修复。对于硬件SDC事件，不会有任何通知表明存在某些计算错误，进而导致数据集损坏且不被察觉。
由于SDC的隐蔽性（部分原因），我们很难准确检测问题何时出现在计算中。过去七八年里，这已成为业界公认的难题。
目前的解决办法面临多方面挑战：
产品生命周期：芯片和处理器的生产周期很长，尽管人们在数年前就发现了SDC问题，但可能仍需要很长一段时间才能在新硬件上修复该问题。这意味着我们在解决SDC问题上仍然很滞后
成本：与计算领域的许多问题一样，成本是一个重要因素。无论是改变生产周期，还是推迟产品发布直至确保产品完全安全，这些决策所伴随的高昂成本让许多领导者都对预防SDC持谨慎态度
证明问题/展示投资回报率：同样因为成本，衡量SDC错误的规模相当困难，因此难以向决策者说明问题的严重性
在成本问题上，相较于提前预防，修复SDC造成的错误所花费的成本将会高出许多倍。调试由SDC引起的问题可能需要花费数月，这对大多数企业来说完全不具备可扩展性。本杰明·富兰克林曾经说过：“一分的预防胜过十分的治疗”，这句话在此情境下尤为贴切。
假设在1,000枚芯片中，只有1枚存在缺陷。这个比例似乎微不足道，以往或许不会引发太多问题，但如今机器学习算法运行于数以万计的芯片上。这意味着经过长时间运行后，累积的缺陷将使整个数据集偏离轨道，并需要巨额资金来修复。人工智能从业者深知，工作负载日益庞大，中断情况也在不断加剧。
我们必须自问，如何才能更有效地进行筛查。我们需要针对整个堆栈，从硬件到软件，以及其中的每一个环节进行深入研究。更重要的是，所采用的解决方案必须足够全面，要涵盖设计阶段，甚至是工艺技术阶段。
▲第三代英特尔Xeon Scalable SoC进行DCDIAG测试的缺陷筛查率
问题日益严峻
不幸的是，随着时间的推移，SDC问题越来越严重。计算需求的规模并未放缓或趋于平稳，而是正以超前速度加速增长。集成度不断提高，更多资源被封装进单一部件，导致生产周期和实施流程变得更加复杂。系统承受着巨大压力，且短期内看不到缓解的迹象。
我们难以界定当前所理解的问题范围，并且仍在努力明确SDC问题的普遍性。解决尚未完全明晰的问题非常困难，更不用说向他人解释为何应该重视这一问题。
行业领导者不愿为自己不完全了解的问题投入资源，这不难理解。但是，对于SDC问题导致的大规模错误，其纠正成本可能远高于预防错误的成本。我们需要学者、研究人员、商界领袖、开发者以及生产和商业运营生态系统中的每一位成员携手合作，认真对待这个问题，防止它进一步失控。
