一张 RTX 4080 引发整机不上电：4U GPU 服务器排障实录
最近处理了一台 4U GPU 服务器无法上电的故障：电源模块指示灯为橙色，按电源键没有反应，也没有可供定位的相关故障日志。
现场有一台同型号准系统可用于测试。我通过电源交叉验证、部件批量替换和逐项回装，最终将不上电故障定位到一张 RTX 4080。恢复上电后，又发现并处理了硬盘槽位相关异常。
本文记录完整的排查过程，以及过程中值得复盘的判断方法。
一、故障现象与现场条件
故障服务器的配置如下：
| 部件 | 数量及规格 |
|---|---|
| CPU | 2 颗 |
| 内存 | 16 根 |
| GPU | 8 张 RTX 4080 |
| 网卡 | 2 张 |
| RAID 卡 | 1 张 |
| 电源模块 | 4 个 |
| 风扇 | 8 个 |
| 硬盘 | 6 块 |
故障表现：
- 整机无法上电。
- 4 个电源模块指示灯均为橙色，现场正常运行时为绿色。
- 长按电源键无反应。
- 未发现相关故障日志。
需要说明，橙色指示灯只是本次现场观察到的状态，不能脱离电源型号和灯态定义，直接认定为电源损坏。
现场备件是一台同型号新准系统，包含 2 颗 CPU、2 根内存、4 个电源模块、8 个风扇、8 个 PCIe 槽位和 1 块硬盘。
工具包括两根电源线、PH1 和 PH2 十字螺丝刀，以及内六角螺丝刀。
二、重新接电无效，先验证电源模块
到达现场后，先确认故障服务器位置，重新插拔服务器电源。
结果没有变化：4 个电源模块指示灯仍为橙色，服务器无法上电。
随后将故障服务器下架，使用自带电源线连接机柜 PDU 的空余插座，把测试供电引到服务器旁，方便后续操作。
第一轮测试是将故障服务器与准系统的电源模块交叉替换。
| 测试对象 | 结果 |
|---|---|
| 使用原故障机电源模块的准系统 | 正常上电 |
| 使用准系统电源模块的故障服务器 | 仍无法上电 |
这说明，在本次测试条件下，故障没有随着电源模块转移，排查重点应继续转向服务器内部。
这个结论的范围是"电源模块不是当前故障的主要因素"，并不代表配电板、供电线束和下游负载已经全部排除。
三、利用准系统进行批量交叉测试
由于没有明确的日志线索，现场选择先利用准系统进行部件组交叉验证，再逐项缩小范围。
本轮将原机的 CPU、内存和 8 张 GPU 纳入跨机测试。完成调整后，两台服务器的表现发生了变化：
| 测试对象 | 结果 |
|---|---|
| 原故障服务器 | 恢复上电 |
| 承接原机部件的准系统 | 无法上电 |
这是本次排查的第一个关键转折点。
原故障服务器具备了上电能力，而准系统在接入原机部件后出现故障，说明排查范围可以优先收敛到本轮转移的部件及其相关连接。
但此时还不能直接判断 CPU、内存或者 GPU 中哪一项损坏，因为这一轮同时改变了多个变量。
接下来需要逐项回装。
四、回装原内存和 CPU，进一步缩小范围
在原故障服务器已经能够上电的状态下，先回装原内存，再回装原 CPU。
| 步骤 | 操作 | 结果 |
|---|---|---|
| 1 | 回装原内存 | 上电正常 |
| 2 | 继续回装原 CPU | 上电正常 |
原内存和 CPU 回装后，都没有复现不上电故障。
因此，下一步重点转向原机的 8 张 RTX 4080。
这里的判断边界也很重要：
能够正常上电，不等于 CPU、内存已经通过完整稳定性测试。 本轮测试的目标，是判断这些部件是否会复现当前的"整机无法上电"问题。
五、逐张回装 GPU，定位异常显卡
接下来采用逐张回装的方法：
- 安装一张 GPU。
- 检查对应插接和辅助供电连接。
- 进行上电测试。
- 记录结果，再继续下一张。
通过逐卡测试，最终定位到其中一张 RTX 4080：安装该卡时，服务器出现无法上电现象；将其移除后，服务器恢复上电。
至此，本次整机不上电故障已定位至这张 GPU。
从现象看，怀疑该卡存在电气异常，可能触发了服务器的供电保护。不过，"GPU 内部短路"仍属于故障机理推测，需要进一步电气检测才能确认。
现场没有 GPU 备件，因此采取临时恢复措施：
- 拆除异常 GPU。
- 恢复其余原机部件。
- 将服务器上架并接电。
- 暂时保留 7 张 GPU。
服务器恢复上电，但此次处理还没有结束。
六、上电恢复后，又发现硬盘异常
服务器上电后，发现 6 号硬盘槽位亮红灯。
检查当时的硬盘分布：
- 0～4 号槽位有硬盘。
- 5 号槽位为空。
- 另一块硬盘安装在 6 号槽位。
询问后得知，客户此前发现原 5 号槽位上的硬盘异常，于是将该硬盘移动到 6 号槽位，但异常仍然存在。
这个历史操作信息很重要，因为现场看到的槽位分布已经不是原始配置。
如果只根据"6 号槽位红灯"就直接判断硬盘损坏，很容易遗漏槽位或连接路径的问题。
七、使用同一块正常硬盘，交叉验证槽位
现场先使用一块正常备件硬盘替换，并安装回 5 号槽位。
替换后，前部红灯消失，但登录 BMC 后，仍看到 5、6 号槽位的不在位相关告警。
于是继续使用同一块备件硬盘，分别测试不同槽位：
| 备件硬盘安装位置 | 现场表现 |
|---|---|
| 5 号槽位 | 异常仍存在 |
| 6 号槽位 | 异常仍存在 |
| 7 号槽位 | 表现正常 |
这轮测试的价值在于：保持硬盘不变，只改变槽位。
同一块硬盘在 7 号槽位正常，在 5、6 号槽位异常，排查重点随之转向这些槽位对应的连接路径及前置硬盘组件。
随后更换前置硬盘相关组件，将 6 块硬盘按原顺序回插，再次检查 BMC，相关告警恢复正常。
因此，这部分问题可以归纳为：异常集中在原前置硬盘组件及其相关连接范围，更换后恢复。
但现有结果还不足以说明：
- 5、6 号槽位各自存在独立的物理损坏。
- 原硬盘一定同时存在介质故障。
- 存储异常与 GPU 故障具有共同原因。
相邻槽位异常，也可能涉及共享连接、线缆或通道，需要结合实际更换件和进一步检测确认。
八、硬件告警恢复后，RAID0 仍需单独处理
硬件告警恢复后，还需要处理原 5 号槽位硬盘对应的 RAID0 配置。
这里容易混淆两个概念：
- 恢复阵列配置或创建新的虚拟磁盘。
- 恢复原有业务数据。
RAID0 没有冗余能力，换盘后不能像冗余阵列一样，依靠其他成员盘重建原数据。重新创建 RAID0，也不意味着数据会自动恢复。
操作前需要先确认：
- 原来是单盘 RAID0，还是多盘 RAID0。
- 原虚拟磁盘的成员及配置。
- 原数据是否需要保留，是否有可用备份。
- 换盘后应执行的阵列配置和数据恢复流程。
本次现场提出了重新创建 RAID0 的后续处理需求。这项工作应与操作系统识别、存储读写及业务验证一起单独闭环，不能仅凭 BMC 告警消失就认定整机恢复完成。
九、这次排查值得保留的五点经验
1．整机不上电，故障点也可能在扩展设备上。
这次表现看起来像电源或主板问题，最终却定位到一张 GPU。电源模块有指示灯、主机无法启动时，也需要考虑下游设备异常触发保护的可能性。
2．批量交叉替换适合缩小范围，逐项回装才负责定位。
批量替换能够较快判断问题是否随某一组部件转移，但不能代替单项验证。本次真正锁定 GPU 的，是回装原内存、回装原 CPU，以及最后的逐卡测试。
3．有准系统可用，不代表应该无条件转移所有可疑部件。
本次跨机测试帮助定位了故障。但如果某个部件已经出现烧蚀、异味、熔化或明显短路迹象，应停止通电并送检，避免扩大损坏范围。
4．灯灭了，不代表存储已经恢复。
本次更换硬盘后，前部红灯虽然消失，BMC 中仍有异常信息。存储验收应同时检查当前告警、RAID 控制器识别、虚拟磁盘状态和实际读写。
空槽显示"不在位"本身也未必代表故障，要结合实际插盘状态和告警定义判断，并区分当前告警与历史事件。
5．硬件恢复与业务恢复，需要分别验收。
本次最终实现了整机恢复上电、以 7 张 GPU 临时运行，以及存储相关告警恢复。但后续仍需完成：
- 故障 GPU 检测与更换，恢复原 8 卡配置。
- RAID0 配置及必要的数据恢复。
- GPU、CPU、内存和硬盘识别检查。
- 存储读写、GPU 负载及实际业务验证。
这次故障的定位路径可以记录为：
电源交叉验证 → 部件组跨机测试 → 原内存回装 → 原 CPU 回装 → GPU 逐卡验证 → 移除异常 GPU 恢复上电 → 正常硬盘跨槽位测试 → 更换前置硬盘相关组件 → 完成存储和业务恢复。
说明
免责声明与版权声明
本文内容由个人发布，仅用于学习、技术研究与经验交流。
文中涉及的软件（包括正版及第三方版本）仅供测试与学习用途，不构成任何形式的分发、破解、商业使用或侵权行为的鼓励。若您需要长期使用或商业部署，请前往官方网站购买或获取正版授权。
作者不对任何软件的使用、修改、传播及由此产生的后果承担法律责任。读者应自行判断、下载与使用软件，并遵守所在地法律法规及相关许可协议。
部分内容参考或摘录自公开资料、官方文档或其他技术文章，均已尽可能注明原作者及来源链接。若原作者或版权方认为本文存在不当引用或侵权内容，请联系作者处理，作者将在核实后及时修改或删除相关内容。
知识共享许可声明
除特别说明外，本文中的原创文字、图片、图表及资料均依据：
CC BY-NC-SA 4.0（署名－非商业性使用－相同方式共享）
许可协议发布。
您可以在遵守本协议的前提下：
- 复制、转载和分享本文内容；
- 对本文内容进行修改、改编和二次创作；
- 将本文内容用于个人学习、研究和非商业用途。
同时必须满足以下条件：
- 保留原作者署名及原文链接；
- 明确标注内容来源；
- 不得将本文及其衍生作品用于任何商业用途；
- 基于本文进行修改、改编或再创作的作品，必须继续采用相同协议进行发布。
特别声明
未经作者书面授权，禁止以下行为：
- 将本文原创内容用于商业培训、付费课程、付费社群、收费咨询等商业活动；
- 将本文原创内容转载至以盈利为目的的网站、平台、出版物或知识付费平台；
- 将本文原创内容批量采集、镜像、聚合或作为数据库内容进行商业运营；
- 将本文原创内容用于人工智能模型训练、知识库构建、数据集整理或其他商业化用途；
- 删除、修改或隐藏原作者署名、原文链接及版权声明。
对于违反上述声明的行为，作者保留依法追究相关责任的权利。
AI 辅助生成声明
本文部分内容在撰写、整理、润色或结构优化过程中使用了 AI 工具进行辅助生成。
AI 生成内容仅作为写作辅助参考，最终内容已由作者进行人工审阅、修改、校对与确认。本文观点、技术步骤、命令示例及相关说明均以作者最终发布版本为准。
读者在参考本文内容进行实际操作前，应结合自身环境进行验证，作者不因 AI 辅助生成内容可能存在的遗漏、错误或不适用情况承担额外责任。