摩尔线程GPU在AI服务器上的驱动安装与算力验证

摩尔线程GPU在AI服务器上能否正常使用，取决于三件事是否都做到位：驱动装对版本、MUSA工具链可用、系统能通过官方工具识别到设备。
只装驱动不验证工具链，往往在跑模型时才暴露问题；
只装工具链不核对内核，则可能在重启后设备直接消失。
下面按实际操作顺序展开。

先确认系统和内核条件

摩尔线程驱动以内核模块形式加载，内核版本与驱动包的匹配关系是后续所有问题的源头。
动手前先记录环境信息：

cat /etc/os-release
uname -r
lspci | grep -i moore

lspci 的输出能确认主板是否已经识别到GPU硬件。
如果这一步看不到设备，后面装什么驱动都没用，应先检查卡是否插紧、PCIe供电是否正常、BIOS中相关插槽是否被禁用。

同时确认几件事：

• 系统版本在驱动包支持的发行版列表内，不要拿桌面版内核硬套服务器版驱动
• 已安装与当前内核匹配的 kernel-devel 或 linux-headers 包，否则编译内核模块会失败
• 关闭或调整可能干扰设备初始化的安全启动策略，具体以驱动包说明为准
• 记录当前内核版本，升级内核后需要重新编译驱动模块

安装驱动与MUSA工具链

驱动包和MUSA工具链建议从摩尔线程官方渠道获取，版本以官方发布的兼容性说明为准，不要混用不同批次的包。
典型安装流程如下：

# 赋予执行权限并运行安装包
chmod +x ./moore-driver-*.run
sudo ./moore-driver-*.run

# 安装MUSA工具链
sudo ./musa-toolkit-*.run

安装过程中留意两个点：一是安装器是否提示内核模块编译成功，二是是否提示需要重启。
内核模块编译失败通常与缺少头文件包或内核版本过新有关，此时不要强行继续，先补齐依赖再重装。

安装完成后加载模块并设置开机自启：

sudo modprobe mtgpu
lsmod | grep mtgpu

lsmod 有输出说明模块已加载。
若为空，查看 dmesg | tail -50 中与GPU相关的报错，常见原因是模块签名校验失败或内核版本不匹配。

用mt-smi确认设备与算力状态

驱动装好后，用官方管理工具检查设备状态，这是判断配置是否成功最直接的方式：

mt-smi
mt-smi -q

正常输出应能看到GPU型号、显存容量、温度、功耗和驱动版本。
重点核对三项：

• 设备数量与物理安装的卡数一致
• 驱动版本与工具链版本匹配
• 显存容量显示正常，没有出现0MB或异常偏小

如果 mt-smi 命令不存在，说明工具链路径未加入环境变量，检查安装目录下的 bin 是否已写入 PATH，或直接用绝对路径执行。

在容器中验证实际可用性

AI服务器上跑模型多数走容器，所以要在容器内再验证一次。
前提是宿主机已安装容器运行时和对应的GPU容器支持组件，具体组件名称以官方文档为准。

docker run --rm --device=/dev/mtgpu0 -it <镜像名> bash

进入容器后执行 mt-smi，确认设备可见；
再运行工具链自带的示例程序或编译一个最小测试程序，确认编译器、运行时库和驱动三层都通。
只看到设备但示例程序报找不到运行时库，通常是容器内环境变量未透传，需要挂载工具链目录或设置 LD_LIBRARY_PATH。

常见失败点与处理思路

以下几类问题在首次部署时出现频率较高：

• 重启后设备消失：多为模块未设置开机自启，检查 /etc/modules-load.d/ 下是否有对应配置，或确认安装器是否注册了systemd服务。
• 内核升级后驱动失效：内核模块需要针对新内核重新编译，升级内核前先确认驱动包是否支持，必要时锁定内核版本。
• mt-smi能识别但程序报错：优先核对工具链版本与驱动版本是否配套，再检查运行时库路径。
• 多卡场景只识别到一张：检查PCIe拓扑和供电，部分服务器需要调整BIOS中Above 4G Decoding等选项。

每次修改后都回到 mt-smi 和 dmesg 复查，确认状态变化，避免在多个变量同时改动时无法定位原因。

验证完成后的收尾检查

配置完成后建议做一次完整复查：重启服务器，确认模块自动加载、mt-smi 正常输出、容器内示例程序可运行。
把驱动版本、工具链版本、内核版本记录到运维文档中，后续升级或扩容时有据可查。
对于多台同型号服务器，可将安装步骤整理成脚本批量执行，但首次仍建议单台手动验证通过后再推广。