回忆我当架构师的日子（二）

5、平衡的艺术

架构师是整个产品或者项目方向的把控者，必须要有全局的视野，不能只把精力放在某一个方面，这样很容易忽略其他。从某种意义上讲，架构工作有重要的一部分是平衡的艺术，或者说取舍，规划与现状的平衡，范围与人员投入的平衡，紧迫程度与交付时间的平衡。

规划太过超前，短期内就很难产品化，所以要尽可能的分步交付。所谓船小好调头，前期交付发现的种种问题，对于后期技术有非常重要的参考价值，针对这些及时调整方向，才能稳步向前进。这就和开车是一个道理，车在行进过程中，司机总是在微调方向盘，不然车肯定会走偏。我认为小步快跑要比迈大步扯着dan要好一些。

那怎么取舍，我认为这个没有一个特别明确或者说特别靠谱的标准，完全要靠架构师或者架构团队的洞察力，绝对不是技术牛逼的点就搞。当前产品的TOP问题、客户的潜在需求、业界的技术动态和发展方向、各种论文/专利，这些都可以成为取舍的参考点。

细心地读者可能发现了，我上面的叙述把架构师和架构团队分开了，架构师不就是架构团队的成员么，为啥要特意分开呢。一些时候，真理往往掌握在少数人手中，这个的确是真理。所以，确信自己掌握真理的少数人一定要坚持！少数服从多数有时是致命的。当然我说的坚持真理，不能是盲目的，切忌“yiyin”！坚持真理并不代表“你以为你以为的就是你以为的”，原谅我皮了一下，哈哈。

我总结了我确定真理的一个大致准则：第一，在做或不做中挣扎的时候，不讲要技术，不要讲实现这个功能是困难还是容易，想象一下如果我是用户，我能不能接受这个结果。第二、还是不要讲技术，从逻辑上推断，如果结论是正向的，那就坚持。下面我讲个事情说明一下这两个准则。

6、“独断专行”

独断专行是个贬义词，但有时候在所有人都迷茫，甚至反对你的时候，你要坚持。再强调一下，是要坚持真理。有时候，真的是孤独的。。。

在服务器领域，如果一个PCI设备损坏，有很大的几率引起整个服务器重启。如果损坏或者故障，PCI链路可能会给系统发个fatal信号，CPU收到这个信号以后会重置服务器，也就是直接冷重启。我之前交流过的几乎所有硬件专家都表示，设备损坏，服务器下电或者重启这很正常，这个应该算是硬件领域的一个标准处理流程了。但是，显然我要说的是接受不了。

以GPU服务器为例，现在GPU服务器的密度都很高，一台服务器上8个GPU甚至16个GPU已经成了标配。按照上面所说，如果一个GPU故障，整个服务器都要重启。如果8个GPU上分别跑了8个渲染任务，即使是一个GPU坏了，最起码其他7个渲染任务还是正常的。如果重启服务器，那这8个渲染任务都会中断。显然保持其他7个业务能够正常运行是非常有价值的。所以我认为无论从用户，还是从逻辑上看，传统的这种对硬件故障的处理非常不合理，必须改变。于是我定了一个目标：硬件故障尽可能不重启物理服务器。

这个功能当然现在华为云的异构计算云服务器已经有了，并且其中的技术原理也用在另一个重点技术项目中。但是沟通的过程是痛苦的，我不是搞硬件的，但我要说服各种硬件专家，各种沟通、评审不下10次。。让我欣慰的是，这个特性成为当时的可靠性重点工作。硬件、OS、调度等各领域的兄弟姐妹们一起把这个问题搞定了。