排障、适配与前沿报告 / READING NOTES 第 20 章 AI Infra Bug Analysis：故障模式与修复CUDA、Kernel、Serving 与分布式故障模式 约 1 分钟阅读·持续更新 承上：已经会逐层找数值错误；本章扩大到 CUDA、缓存、调度和 NCCL 故障。 本章小文章20.1 按“现象 → 假设 → 证据 → 修复 → 回归”记录 Bug约 2 分钟阅读↗