一、掉卡的常见原因（多为链路/供电，不是 CPU 老）

• 接触：金手指或插槽氧化 → 重插、擦金手指、换槽。
• 延长线/riser：老平台对信号完整性更敏感，延长线折弯/劣质线最容易掉卡 → 先直插对比。
• 电源老化：12V 纹波变大、单路多卡瞬态触发 OCP → 换新电源、每卡独立供电线。

二、真正不可逆的是主板 VRM 老化

• 电解电容 ESR 上升，供电相数少的板长期带高功耗卡容易掉压、死机、重启。
• 检查：鼓包电容、焦味、VRM 散热片温度；EP5 v3 可关 Turbo 或用 RAPL 限功耗，能明显延长寿命。
• 内存这块反而稳：ECC REG RDIMM 自带纠错，比消费平台可靠，不是短板。

三、可靠性预期

• 当学习/实验平台没问题；当 7×24 生产要打折扣。
• 做生产至少：GPU 单独一路供电、加 UPS、数据离机备份；每 3–6 个月清灰换硅脂、查风扇。
• 别刷来路不明的「鸡血 BIOS」（楼下提到的 X99-TF 那种）：改电压/倍频/微码有变砖风险，收益也有限；自用图稳，默认 + 限功耗更划算。

一句话：二手 X99 当 AI 玩具可以，前提是「板子随时可能坏、你能随时换板/换平台」；别把唯一的生产机押上去。

怎么定位和处理：

1. 别只信 BIOS 选项：rocm-smi --showtopo 看两卡 weight/hops，再跑一段 hipDeviceCanAccessPeer，或用 RCCL_DEBUG=INFO 看 all-reduce 走的是 P2P 还是 SHM。
2. lspci -vvv 找路径上的 bridge，看 ACSCap / ACSCtl——ACSCtl 里出现 SrcValid+ ... 这类就是它在挡。
3. BIOS 里一般有 ACS Enable / Access Control Services，能找到就关。
4. 没选项时 Linux 侧常用 pci=acs_override（或按 PCI 地址用 setpci/内核补丁改 ACS Control 位）。
5. 关 ACS = 拿设备间隔离换 P2P 性能，本机自用/可信环境再关；有其它租户或多用户就别关。

补一句：如果两卡各自直连 CPU 的两个 root port、中间没有桥，那 ACS 根本不参与，关不关都一样，别白折腾。

ACS 没关? 这个是什么？

1. P2P 的真正判据是「root complex 能不能直通」，不是只看 BIOS 选项
装好后实测两条：

• rocm-smi --showtopo（看两卡 weight/hops，同 root complex 应为 1 跳）
• 跑一段 hipDeviceCanAccessPeer，或用 RCCL_DEBUG=INFO 看 all-reduce 走的是 P2P 还是 SHM/host
  Above 4G + ReBAR 解决 64 位 BAR 寻址；但若拓扑中间有 switch/桥，还要看 **ACS（Access Control Services）**是否把 P2P 挡了——不少主板默认开 ACS，需要在 BIOS 关掉（或内核做 acs override）。

2. 「必须 PCIe 3.0 x16 直通」可以放宽
双卡 TP 的本质瓶颈是 all-reduce 带宽。x8/x8 的 PCIe 4.0/5.0 带宽对 Qwen3.8-27B 这种量级已经够用，不必为了 x16 硬上老平台。关键是两条槽都接 CPU、能拆成 x8/x8，而不是非得 x16。

3. ReBAR 是「能互相看见」的必要条件，但不是全部
RDNA4 两卡要互相访问对方显存，ReBAR + Above4G 是前提；但 ReBAR 开着却仍不走 P2P 的常见原因，就是 ACS 没关、或第二槽其实走芯片组。下单前先量槽距和走线。

对照参考：topic/1925 有一份跨 Root Port P2P 的完整实战记录，可以和这份总结互补。