GPU集群健康检查缺陷

研究公司SemiAnalysis在为期三个月的测试中发现，部分AI云服务商提供的GPU集群存在根本性的健康检查逻辑错误，导致节点无法自动恢复甚至干扰正常作业。

【背景】市场处于“backwardated”状态（现货溢价），买家急需算力，使得供应商即使交付配置错误的Kubernetes或存储也能获利，掩盖了质量危机。

时间线显示：

1. 2026-05-22：开源项目HAMi报告其调度器存在Bug，健康检查机制在60秒后错误地将GPU节点标记为不健康并从缓存移除，导致节点消失。
2. 2026-10-10：NVIDIA DCGM Exporter被曝出CVE-2026-47483漏洞，攻击者可利用调试端点崩溃监控服务，使运营商失去对12,000+ GPU的可见性。
3. 2026-10-14：SemiAnalysis披露具体案例，指出Amazon HyperPod Slurm等服务中的健康检查被安排在仅当节点已健康时才执行的阶段，形成逻辑死锁；同时发现Firmus集群因网络配置错误导致训练吞吐量减半。

争议在于：供应商认为这是个别配置问题，而分析师Sam Harshe指出有5-10个案例是“设计上就无法工作”的健康检查，比没有检查更糟糕，因为它们主动干扰作业。目前尚无定论表明行业是否普遍缺乏基础故障演练能力。

后续需关注：SemiAnalysis即将发布的EndpointX报告细节、各云厂商对标准化SLA的采纳情况，以及HAMi等开源组件修复后的稳定性验证。