硬件故障，尤其是无声数据损坏（SDC），对AI训练和推理影响重大。Meta分享了检测SDC的方法，以确保AI工作负载的可靠性。其基础设施支持大规模模型训练，识别硬件故障类型并制定缓解策略，提高训练效率和系统稳定性。