zx94438011

BMC 运行时间没断，只能说明整机没掉过电，电源线和 PDU 这一路没问题，还不能排除硬件。可以分两步看：

1. 先看 BMC 里的系统事件日志（ SEL ），不是告警页。找关机那个时间点记的是什么：OS 发起的软关机（ ACPI S5 / soft-off ）、电源键被按，还是 thermal trip 、电源保护、watchdog 超时。这几种的方向完全不同。

2. 再看系统里上一次启动的日志结尾：`journalctl --list-boots` 找到上一次，再 `journalctl -b -1 -e`，顺便 `last -x | grep -E 'shutdown|reboot'`。结尾如果有完整的停服务过程，就是有东西发了关机指令，去查 logind 有没有记到电源键事件、定时任务、UPS 或管控软件、麒麟自带的电源策略。日志如果是突然断的，没有关机过程，那就偏硬件，重点看过温和供电。

另外可以把 kdump 配上，再开着 BMC 的 SOL 串口日志，下次再关就能留下最后的输出。

@qazwsxkevin 同意，个人玩新卡省心：一张卡、有保修，功耗和噪音都好控制。V100 是被动散热的数据中心卡，放家里还得自己解决风道。老卡的优势主要在已经买了、已经上架的场合。

@cowcomic 32G 显存放到现在也不算小。你们是单卡跑还是多卡一起上？另外我印象里英伟达说过 580 是最后一个支持 Volta 的驱动分支，后面新版 CUDA 不一定带，这块有遇到问题吗？

@nlzy 这个角度我没想到，学习了。英伟达自己出来说老卡还在跑，确实是有立场的。我觉得可以分开看：账面上按几年折旧是融资和会计的事，卡在物理上能不能跑十年是另一回事。V100 这个例子只能证明后者，证明不了六年折旧就合理，能跑和跑得赚钱不是一回事。

@ntedshen 同意，说到底是账怎么算。折旧提完了，只要还有人按算力买单，多跑一天就多赚一天，Backblaze 的硬盘是同一个道理。区别在于硬盘坏了换一块就行，老 GPU 服务器跑到后面卡的是备件，电源、风扇、主板停产之后就不好找了。

@ntedshen 是的，12nm 、约 211 亿晶体管，和 20 系差不多同期，放在消费级不算老。但数据中心里 GPU 一般按四到六年折旧，快十年了还在接客户的活，算超期服役了。