服务器双GPU变一个，性能提升还是问题多多？

这事儿到底是怎么发生的？

前两天有个朋友火急火燎地找我，说他们公司刚买的服务器出了怪事。明明装了两块高端GPU，结果系统里只认出来一个，另一块就像人间蒸发了一样。这事儿听起来挺玄乎的，但说实话，在服务器领域还真不算少见。我自己就遇到过好几次类似的情况，有时候是硬件问题，有时候是软件配置出了岔子。

最让人头疼的是，这种问题往往出现在最关键的时候。比如正要跑一个重要的人工智能模型，或者要做大规模数据计算，结果发现GPU资源少了一半，那个着急劲儿就别提了。而且这种问题特别耽误事儿，有时候排查起来得好几天，严重影响工作进度。

先别慌，看看是不是这些常见原因

遇到这种情况，很多人第一反应就是硬件坏了。但实际上，硬件故障只是可能性之一。根据我的经验，更多时候问题出在下面这几个地方：

• 驱动程序版本不匹配：这是最常见的原因之一。特别是当你混用不同品牌的GPU，或者新旧型号搭配使用时，很容易出现驱动兼容性问题。
• PCIe插槽配置问题：服务器的PCIe插槽有时候会有优先级设置，某些插槽可能被系统默认禁用，或者带宽分配不当。
• BIOS/UEFI设置：这个最容易被忽略。很多服务器的BIOS里都有关于PCIe设备的专门设置，如果配置不当，就可能认不到设备。
• 电源供电不足：高端GPU都是电老虎，如果电源功率不够，或者供电线接触不良，也会导致设备无法正常识别。

手把手教你排查问题

排查这种问题要有耐心，得一步一步来。我一般会建议按照下面这个顺序来检查：

“先软后硬，从简到繁”是我处理这类问题的黄金法则。别一上来就拆机器，那样既费时又可能造成不必要的损坏。

首先打开终端，输入nvidia-smi命令。如果只显示一个GPU，那就说明系统确实只识别到了一个。这时候别急着下结论，再输入lspci | grep -i nvidia看看。如果这里能显示出两个GPU设备，那问题就多半出在驱动层面；如果这里也只显示一个，那就要往硬件方向排查了。

接下来检查驱动版本。用nvidia-smi -q | grep “Driver Version”可以查看当前驱动版本。确保这个版本支持你所有的GPU型号，特别是当你有比较新的GPU时，老版本驱动可能不支持。

驱动安装的那些坑

说到驱动安装，这里面门道可多了。很多人觉得装驱动就是下载、安装那么简单，其实不然。特别是在服务器环境里，驱动安装要讲究方法。

我见过不少人图省事，直接用apt-get install nvidia-driver这样的命令来安装。这种方法不是不行，但有时候会安装上不兼容的版本。更稳妥的做法是去NVIDIA官网下载对应型号的专用驱动，然后手动安装。

安装前还有个重要步骤——卸载旧驱动。很多人会忽略这一点，结果新旧驱动冲突，导致各种奇怪的问题。正确的做法是先进入文本模式，然后彻底卸载现有驱动，再安装新驱动。

硬件层面的检查要点

如果软件层面都排查过了，问题还是没解决，那就要考虑硬件问题了。这时候需要打开机箱检查，但操作前一定要做好防静电措施。

先看看GPU安装得牢不牢。有时候因为运输震动，或者安装时没注意，GPU可能没有完全插入PCIe插槽。这种情况下，金手指接触不良，自然就识别不到了。

然后检查供电线。现在的高端GPU都需要额外的8pin或6+2pin供电，如果这些线没接好，或者电源功率不够，也会导致识别问题。有个小技巧：好的服务器电源通常都有指示灯，如果供电正常，指示灯应该是绿色的。

BIOS设置里的玄机

BIOS设置是个很容易被忽略的地方，但往往就是问题的关键。不同品牌的服务器，BIOS设置界面都不太一样，但大致的原理是相通的。

首先找到PCIe配置相关选项。有些服务器这里会有“PCIe Slot xxxx”这样的条目，要确保所有插槽都是Enabled状态。然后看看有没有关于PCIe带宽分配的设置，有时候这里配置不当也会导致设备无法识别。

还有个重要的设置是Above 4G Decoding。这个选项默认可能是关闭的，但对于支持大量显存的GPU来说，需要把这个选项打开，否则可能无法正常使用。

进阶技巧：GPU聚合技术

说到“双GPU变一个”，其实还有一种特殊情况——GPU聚合。这不是故障，而是一种高级用法。像NVIDIA的NVLink技术，就能把多块GPU物理上连接起来，让系统把它们识别为一个更大的GPU。

这种技术特别适合需要大显存的应用场景，比如训练超大的深度学习模型。但是配置起来比较麻烦，需要特定的硬件支持，还要进行专门的设置。

如果你确实需要把多块GPU当作一个来用，可以考虑使用NVIDIA的MPS（Multi-Process Service）技术。它能在多个进程之间共享GPU资源，虽然不是真正的“变成一个”，但在使用体验上差不多。

预防胜于治疗：日常维护建议

说到底，最好的办法还是预防。根据我的经验，做好下面这几件事，能大大减少这类问题的发生：

• 定期更新驱动：但不要盲目追新，要在测试环境验证后再在生产环境更新。
• 做好监控：设置GPU温度、使用率的监控告警，及时发现问题。
• 规范操作：服务器重启、关机都要按规范操作，避免突然断电。
• 环境控制：确保机房温度、湿度在合理范围内，避免硬件因环境问题损坏。

我建议大家在服务器投入使用前，做个完整的压力测试。这样既能检验硬件是否正常，也能提前发现潜在的兼容性问题。

服务器双GPU变一个这个问题虽然棘手，但只要掌握正确的排查方法，大多数情况下都是能够解决的。关键是要沉着冷静，按照步骤来，别自乱阵脚。希望这篇文章能帮到遇到类似问题的朋友们！