谢邀。CPU 会出错，而且一旦出错以后，会越来越频繁出错。出错还不是最可怕的，怕的是出错了你都不知道出错了，因为 CPU 里面有自动校正错误的机制。我们先脑洞一个场景：
某天，你坐在电脑前，与游戏中的怪物奋战时，一个神秘的宇宙射线到达地球。它逃过臭氧层的阻隔，穿过你的身体，击中电脑的内存条。你因为吸收了宇宙射线的能量变成了奥特曼，你的游戏人物属性也因为内存某个 bit 的翻转实力爆表，一刀把大 Boss 斩于马下。怎么样，就问你刺激不刺激？
也许变身只存在于好梦中，但硬件错误却时时刻刻在发生：一个电源的浪涌，电磁干扰和辐射等等都可能让电脑中的某些部分发生错误，而我们却很少看到这个错误：
这是为什么呢？
其实硬件出错可以分为已被纠正的（Corrected）和不能纠正的（Uncorrected）:
1. Corrected：硬件发生错误，但已经被硬件或者固件纠正，不需要操作系统做出动作。
2.Uncorrected: 硬件发生错误，不能被纠正。它又分为两种：Recoverable, 错误被限制在一定范围内，可以进行隔离恢复；Fatal，致命错误，除了重启别无他法。
硬件可以有很多种方法来纠正错误，本质上都是提供冗余。以 ECC 内存来举例，相对于奇偶校验位（Parity）技術，ECC 通过附加额外的 5 个比特可以发现 2 个 bit 错误或者纠正 1 个 bit 错误。内存的 Mirror 技术，利用双备份内存，发现并纠正出错的内容。如此种种，电脑硬件 / 固件利用各种冗余来发现和纠正错误。
那是不是纠正了就完了呢？实际上除非偶然的浪涌产生的错误，因为制造工艺、老化等产生的错误有愈演愈烈的趋势。这次的一位错误被纠正了，不加处理和重视，下次可能产生两位错误，那时就有可能从 Corrected 变成 Uncorrected！
Intel 的 CPU 利用 MCE 和 CMCI 来向操作系统报告错误；PCIe 子系统有标准的 AER 来报告错误；其他的硬件部分由 BIOS 通过 WHEA/APEI 来通知操作系统。下面我们重点来介绍 MCE/CMCI。
MCE/CMCI
Intel 从奔腾 4 开始的 CPU 中增加了一种机制，称为 MCA——Machine Check Architecture，它用来检测硬件（这里的 Machine 表示的就是硬件）错误，比如系统总线错误、ECC 错误等等。这套系统通过一定数量的 MSR（Model Specific Register）来实现，这些 MSR 分为两个部分，一部分用来进行设置，另一部分用来描述发生的硬件错误。
当 CPU 检测到不可纠正的 MCE（Machine Check Error）时，就会触发#MC（Machine Check Exception），通常操作系统会来处理#MC，它通过读取 MSR 来收集 MCE 的错误信息，并产生上面第一个蓝屏。当然由于发生的 MCE 可能是非常致命的，CPU 直接重启了，没有办法完成 MCE 处理函数；甚至有可能在 MCE 处理函数中又触发了不可纠正的 MCE，也会导致系统直接重启。
当然 CPU 还会检测到可纠正的 MCE，当可纠正的 MCE 数量超过一定的阈值时，会触发 CMCI（Corrected Machine Check Error Interrupt），此时软件可以捕捉到该中断并进行相应的处理。CMCI 是在 MCA 之后才加入的，算是对 MCA 的一个增强，在此之前软件只能通过轮询可纠正 MCE 相关的 MSR 才能实现相关的操作。
MC BANK
每个逻辑 CPU 实现了一整套错误属性、状态和控制寄存器。
它分为左右两个部分，左边的是全局的寄存器，右边表示的是多组寄存器（Banks）。全局相关的寄存器组定义了如何开启 MCA 的能力。Bank 的数目由 IA32_MCG_CAP MSR 里面的 Count 来决定
每一个 BANK 则具体对应一类错误源，如 CPU，MEMORY，CACHE，CHIPSET 等等。每一个 BANK 都可以进行单独的控制，这样软件就能够针对每一个 BANK 使用特定的方式进行处理。
随着越来越多的器件被整合进入 CPU，Bank 的数目也有越来越多的趋势，详细可以参阅芯片的 Spec。
CMCI
Corrected machine-check error interrupt (CMCI) 是在酷睿 CPU 时引入的新特性，叫做 eMCA。不同于原先需要操作系统来轮询（Polling）MC Bank 的方式，CMCI 提供了一种机制，当 corrected error 发生侧次数到达阀值的时候，就会发送一个信号给本地的 CPU 来通知系统软件。当然，系统软件可以通过 IA32_MCi_CTL2 MSRs 来控制该特性的开关。
操作系统可以选择合适的 Error count 从而在问题严重了才让硬件报告，并在 CMCI 的 local APIC 的 LVT Entry 中填入合适的中断向量号码和模式等（计算机中断体系一：历史和原理 - 知乎专栏）
WHEA 和 APEI
看过了可纠正的错误，那么其他错误的处理呢？其实，更重要的问题是，可纠正和不可纠正错误发生了，不能简单的重启了事，错误的原因应该被记录和报告出来，便于管理员找出问题点。可纠正的错误我们可以记录在系统日志中，因为系统还可以使用。但是发生不可纠正的致命错误后，系统处于不稳定状态，谁来记录呢？这是个大问题。
因为服务器系统对可靠性的要求，微软很早就提出 Windows Hardware Error Architecture（WHEA），主要用于服务器操作系统 Windows Server 系列。它一改以往由 BIOS 和 BMC 对错误进行单独处理，OS 不知情的状态：
WHEA 通过扩展ACPI（ACPI 与 UEFI - 知乎专栏），加入了四个 table，用于固件向 OS 报告错误源，记录错误和注入错误，改进后的系统框图如下：
注意 PCI 和 CPU 都有自己的 LLHEH 来处理 MCE 和 AER。
由于 WHEA 的成功，ACPI 4.0 引入了它的几乎全部，只是给了个新的身份证（GUID）并起了个新的名字：APEI（ACPI Platform Error Interface）。毕竟 WHEA 里面的 Windows 并不合适作为工业标准的名字。
WHEA/APEI 十分复杂，我们单独撰文进行了介绍（WHEA 原理和架构）。
结论
硬件的纠错机制会让细微的偶然错误化于无形，看来依靠宇宙射线属性 +100000 的美梦并不现实。但同时也避免了数据的错误，帮助计算机系统健康稳定运行。也许我们可以打开 Windows 的系统日志看一下，你可能会发现计算机真是雷锋，做好事不留名！
最后推荐最新的 Intel NUC 小电脑，便宜又好用：
该文被整理发布在专栏：UEFI 和 BIOS 探秘。那里还有别的文章。欢迎大家关注 UEFI 专栏。
