Ubuntu下Tesla A100驱动离线安装全攻略：避开nouveau与黑屏

搞 AI 训练和科学计算的朋友，一定对 NVIDIA Tesla A100 不陌生。这家伙 80GB HBM2e 显存、NVLink 互联、Ampere 架构，一台机器顶上好几张消费级显卡，是大模型训练和推理任务里的绝对主力。但很多刚接触服务器的同学，第一次在 Ubuntu 20.04 上装 A100 驱动就翻车了，不是卡在 nouveau 冲突，就是装完 nvidia-smi 报错说无法和驱动通信，要么就是重启后直接黑屏进不了系统。

这很正常。特斯拉系列驱动安装和桌面级显卡完全是两个套路，而且服务器环境千差万别，系统版本、内核、固件、BIOS 设置都会影响结果。这篇文章我就以 Tesla A100 为例，把驱动安装的完整链路、每一步的原理和坑位都拆开讲一遍，从环境检查到离线安装，再到故障排查，全程是可以直接照着抄作业的。无论你是实验室管理员、算法工程师还是运维，按照这个流程走一遍，至少能少踩一半的坑。

1. 项目概述：A100 驱动为什么这么难装

1.1 为什么 A100 驱动安装和消费级显卡不是一个套路

特斯拉系列和 GeForce 系列驱动不一样，A100 用的是 NVIDIA 数据中心专属驱动分支，必须去 NVIDIA 官网的驱动下载中心选择 “Tesla” 产品类型才能找到对应版本。它不包含你去玩游戏用的那些组件，OpenGL 之类的桌面支持被剥离或者弱化了，主要面向 CUDA、cuDNN、TensorRT 这种计算场景。

还有一个差异点：服务器上大多没有显示器、没有桌面环境，很多安装流程是纯命令行完成的。但 A100 服务器也经常有人临时装了 Ubuntu 桌面版当开发机用，这时候桌面环境的存在就会带来很大麻烦。比如 nouveau 驱动和 nvidia 驱动抢设备，X server 占用显卡，安装时停在 “You appear to be running an X server” 这种提示。如果没搞清楚这个，后面就非常被动。

另一个容易被忽略的点是时间线。A100 发布时配套的驱动是 R450 系列，之后 NVIDIA 将数据中心驱动合并为 “R470”、“R525” 这种长期支持分支。如果你给 A100 装了一个 470 之前的旧驱动，大概率新卡识别不了；如果系统内核太新，比如 Ubuntu 22.04 自带 5.15 以上内核，早期 450 系列的驱动编译模块时也可能报一堆错。驱动版本不光要匹配显卡架构，还要匹配内核版本、CUDA 版本，是一条完整的依赖链。

1.2 这篇文章适合谁，能帮你解决什么

如果你属于下面这几类人，这篇文章就是写给看的：

• 刚拿到带 A100 的服务器，准备装 Ubuntu 跑 CUDA 环境的人
• 实验室管理员，想把驱动装得干净、稳定，避免反复重装
• 之前用 apt 或 runfile 装过但失败，遇到过 nvidia-smi 无法通信、nouveau 冲突、黑屏、开机循环等问题的人
• 需要了解不同安装方式（apt、CUDA Toolkit 内置驱动、runfile）之间差异的人

我会把完整的离线安装流程写出来，同时把关键原因解释清楚。你不是只知道敲命令，而是知道为什么敲这些命令，出了问题也知道去哪里看。这比网上大多数“三步装机”教程要实用得多。

2. 安装前的环境检查与物料准备

2.1 先确认系统版本和内核

我强烈建议，安装之前先花 5 分钟把服务器环境摸清楚。不要拿到手就往里装，很多时候装不上不是驱动本身有问题，而是环境不具备条件。

先看系统发行版和内核版本：

lsb_release -a uname -r

A100 的驱动安装针对 Ubuntu 20.04 和 Ubuntu 22.04 的兼容性都很好，但内核版本影响比较大。比如 Ubuntu 18.04 默认内核 4.15，老版本内核编译新驱动时经常因为数据结构不匹配而报错误；Ubuntu 22.04 的 5.15 内核则是目前兼容性最好的内核之一。如果是其他发行版，比如 CentOS/Rocky Linux，安装逻辑类似，但包管理器、依赖和 initramfs 更新方式不同，这里我主要以 Ubuntu 的流程展开。

然后需要确认编译工具链和内核头文件是否齐全，因为 NVIDIA 驱动安装时会把内核模块 nvidia.ko 现场编译出来。没有 gcc 和 make，安装脚本直接跑不起来；没有内核头文件，编译模块时各种 “Cannot find kernel header files” 的报错就会出现。

gcc --version make --version dpkg -l | grep linux-headers-$(uname -r)

如果没装，先补上：

sudo apt update sudo apt install -y build-essential dkms sudo apt install -y linux-headers-$(uname -r)

这里特别说一下 DKMS。只要你想在升级内核之后不用手动重装驱动，就一定装上 DKMS。驱动注册进 DKMS 后，新内核更新时会自动重新编译 nvidia 模块，解决内核升级导致驱动失效的老大难问题。

2.2 识别硬件与驱动版本匹配

硬件识别要分两步。第一步在操作系统层面看显卡有没有被发现：

lspci | grep -i nvidia

正常的 A100 PCIe 卡会显示类似下面的信息：

01:00.0 3D controller: NVIDIA Corporation GA100 [A100 PCIe 40GB] (rev a1)

注意，如果显示的是 “VGA compatible controller”，说明设备已经被某种驱动接管了；如果显示 “3D controller”，意味着这是纯计算卡，通常没有 VGA 输出，这也是很正常的。

如果 lspci 完全没有 NVIDIA 设备，那问题多半不在驱动，而是物理硬件没有正常工作，常见原因包括：PCIe 插槽供电不足、卡没有完全插到位、主板 BIOS 设置里禁用了 PCIe slot、或者是 GPU 的 8-pin 电源线没接。这种情况下就算装好驱动，nvidia-smi 也不会看到任何卡。

第二步是确认驱动版本。A100 需要的最小驱动分支是 R455 之后才行，不过现在都 2025 年了，我建议至少装到 R525 以上，R535、R545 也都很稳定。可以查一下 NVIDIA 官网的 CUDA 与驱动兼容矩阵，核心原则是：你用的 CUDA 版本不能超过驱动的最高支持版本。比如 CUDA 12.4 要求驱动最低 550.54.14 这样，如果你机器上跑的是旧驱动，CUDA 就只能后退到旧版本。

我个人的习惯是：如果是新装环境，直接装最新长期支持分支的驱动；如果环境里有固定的 CUDA 和框架依赖，那就按兼容矩阵选一个折中的版本，不要盲目追新，稳定是第一位的。

2.3 编译环境、nouveau 与 Secure Boot 的处理

A100 驱动安装前有两条硬规矩必须处理：

第一条是禁止开源的 nouveau 驱动。Ubuntu 内核自带的 nouveau 模块会在系统启动时加载，然后占用显卡资源，NVIDIA 驱动无法和它共存，安装过程中经常出现 “Unable to load the kernel module"、"Nouveau is running” 这类报错。禁止 nouveau 的做法如下：

新建一个配置黑名单文件：

sudo bash -c 'echo "blacklist nouveau" >> /etc/modprobe.d/blacklist-nouveau.conf' sudo bash -c 'echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist-nouveau.conf'

然后更新内核镜像：

sudo update-initramfs -u

重启后，用lsmod | grep nouveau确认模块没有加载。如果重新加载了，看下是不是 BIOS 里某些兼容模式导致的内核模块强制加载，或者配置文件生效有延迟。

第二条是 Secure Boot。现在不少服务器默认开启了 UEFI Secure Boot，而 NVIDIA 驱动模块没有签名，会被内核拒载。如果你不想跟 MOK 签名流程纠缠，最简单的做法是进 BIOS 把 Secure Boot 关掉。如果你用的是云服务器或者物理机不允许关闭，就需要走签名流程，步骤会复杂不少。对于绝大多数自建实验室服务器，关掉 Secure Boot 是大家普遍的操作方式。

2.4 离线安装包的准备思路

接下来是核心物料的准备：驱动安装包。

很多服务器是不联网的，或者外网访问不稳定，所以我一直推荐提前下载好驱动安装包，通过 scp 或者挂载方式传到服务器，再本地离线安装。下载位置是 NVIDIA 官网的驱动下载中心，产品类型选择：

• 产品类型：Tesla
• 产品系列：A100
• 操作系统：Linux 64-bit
• 推荐下载类型：生产分支/最新分支

下载下来一般是这样一个文件名：

NVIDIA-Linux-x86_64-550.54.15.run

如果你用的是最新分支，名字类似：

NVIDIA-Linux-x86_64-550.54.15.run

在下载时页面上也会同时显示对应 CUDA 版本支持，很好判断。

这里有个小坑是坑过我的：很多人会顺手从 “GeForce 驱动下载中心” 下载驱动，结果发现产品列表里根本没有 Tesla 选项。别下错，A100 必须要走数据中心驱动分支，桌面版的驱动即使硬塞进去也无法支持 A100 的某些特性，比如 MIG。

3. 三种安装方式对比：apt、CUDA Toolkit 与 runfile

3.1 Ubuntu 自带 apt 驱动的上限

Ubuntu 上装 NVIDIA 驱动有几种路径，最常见的第一种是 apt。

sudo ubuntu-drivers devices

这条命令会列出推荐的第三方驱动包。apt 方式的最大优点就是省心，依赖自动搞定，版本也经过 Ubuntu 发行版测试。但它有一个明显的劣势：软件仓库里的版本通常不是最新的，而且对于超前的硬件支持的时效性一般。Tesla A100 发布初期，18.04 的 apt 仓库里就没有合适版本的驱动，很多人 apt 安装之后 nvidia-smi 直接找不到卡。

另外 apt 装的驱动其实是多个包的组合，包括 nvidia-driver、nvidia-dkms、libnvidia-compute 等一堆。装完之后想完全卸载，得小心翼翼地清理。我个人的态度是：桌面级显卡、开发机图省事，用 apt 没问题；但作为生产服务器的 A100，我不太建议用 apt，版本控制更明确的 runfile 更好。

3.2 CUDA Toolkit 自带的驱动依赖

第二种方式是装 CUDA Toolkit 时顺带装驱动。CUDA Toolkit 的本地安装包里有 cuda-drivers 这个依赖，你用sudo apt install cuda-toolkit或者直接执行 runfile 时选上驱动组件，就会把 NVIDIA 驱动一并装上。

这个方法的好处是版本一定和 CUDA 兼容，不用自己对照匹配。缺点也有：手滑把整个 CUDA Toolkit 都装上，可能会引入一堆你根本用不到的库，而且如果后来用其他方式重装了驱动，CUDA 安装器记录的依赖状态可能混乱。

我一般建议：先单独装一个稳定的驱动，再单独装 CUDA Toolkit（选择只装 Toolkit 的 .run 包），这样责任边界清晰，排查问题的时候也不用怀疑驱动和 CUDA 不是一套。

3.3 为什么生产环境我首选 runfile

第三种就是 runfile 手动安装，也是我最推荐给 A100 用户的方式。

runfile 安装包是 NVIDIA 官方的完整安装脚本，把驱动、DKMS、nvidia-smi、库文件全部打到一个包里。执行时你可以通过命令行参数细化控制，比如禁用 OpenGL、禁用 kernel module 之外的某些组件。它最大的优点是，不依赖发行版的软件仓库策略，内核模块直接针对当前内核现场编译，安装过程黑盒程度低，用户能清楚看到每一步输出了什么。

缺点就是你得自己准备依赖（gcc、make、kernel headers），并且得自己处理 nouveau、Secure Boot 这些问题。但对于能读到这篇文章的人来说，这些都不是难事。一次性把环境理干净，后面会少很多麻烦。

下面的实操流程，我采用的就是 runfile + 离线包的方式，这也是 NVIDIA 官方推荐的企业级安装方式。

4. 实操：Ubuntu 20.04/22.04 下 Tesla A100 驱动离线安装全流程

4.1 第一步：备份和清理旧驱动

如果这是全新系统，可以跳过这段，但如果你已经试过 apt 安装或者其他方式，建议先做一遍清理，避免残留冲突。

如果你确定之前是通过 apt 装的，先卸载干净：

sudo apt purge nvidia-* -y sudo apt autoremove -y

如果之前是用 runfile 装的，用 NVIDIA 官方卸载脚本：

sudo /usr/bin/nvidia-uninstall

这两个命令可能因为驱动包名称不同而报错，没关系，只要尽力清理即可。还应该删除旧的手动拷贝内核模块：

sudo rm -f /lib/modules/$(uname -r)/kernel/drivers/video/nvidia*.ko sudo rm -f /lib/modules/$(uname -r)/kernel/drivers/char/nvidia*.ko

然后sudo update-initramfs -u刷新一下，避免旧的 initramfs 里还带着 nvidia 相关的残留引用。

4.2 第二步：禁用 nouveau 并进入字符界面

这一步在服务器上不一定必须，但如果你的服务器安装了 Ubuntu 桌面版，或者你看到类似 X server 在运行的提示，就得处理。

新装环境直接把 nouveau 拉黑：

sudo bash -c 'echo "blacklist nouveau" >> /etc/modprobe.d/blacklist-nouveau.conf' sudo bash -c 'echo "options nouveau modeset=0" >> /etc/modprobe.d/blacklist-nouveau.conf' sudo update-initramfs -u sudo reboot

重启之后确认 nouveau 没有加载：

lsmod | grep nouveau

这时候模块列表应该是空的。

接下来要关闭图形桌面服务。如果你运行的是纯服务器版，没有图形界面，这一步跳过；如果有图形界面，执行：

sudo systemctl set-default multi-user.target

然后重启进入纯字符模式，或者直接在图形模式下切 tty，再用 root 做安装：

sudo init 3

注意：在图形界面下直接执行驱动安装脚本，大概率会碰到 “You appear to be running an X server” 的报错。与其后面再处理，不如一开始就准备好字符环境。

这里给个经验：如果是在数据中心远程管理，切到 multi-user.target 之后会断掉图形会话，但 ssh 连接不受影响，所以放心操作。

4.3 第三步：运行驱动安装脚本

先把 runfile 上传到服务器，然后赋可执行权限：

chmod +x NVIDIA-Linux-x86_64-550.54.15.run

执行安装之前，我先把常用参数解释一遍：

• --no-opengl-files：不安装 OpenGL 相关文件。服务器不需要图形显示，加这个参数能避免和桌面环境的 GLX 冲突，降低黑屏概率。
• --no-nouveau-check：安装程序默认会检查 nouveau 是否加载，如果已经通过黑名单禁用了，加不加都行。
• --dkms：注册到 DKMS，建议加上。
• --silent：静默模式。清楚自己要装什么的情况下，可以静默安装，但新手建议不加，看交互输出更安心。

交互模式的安装命令：

sudo ./NVIDIA-Linux-x86_64-550.54.15.run --no-opengl-files --dkms

执行后会有一堆询问，比如：

• 是否接受 license：选 Yes
• 是否安装 32 位兼容库：对纯计算环境可选 No
• 是否运行 nvidia-xconfig：选 No，服务器没有显示器，不需要生成 X 配置文件

如果加了--silent，命令就是：

sudo ./NVIDIA-Linux-x86_64-550.54.15.run --silent --no-opengl-files --dkms

安装输出一般会显示 unload old driver、build kernel module、install library 这些阶段。这个阶段耗时取决于机器性能，一般 2-5 分钟，因为要现场编译 nvidia.ko。

如果编译时出现如下错误：

ERROR: Unable to load the kernel module 'nvidia.ko'. This happens most frequently when this kernel module was built using the wrong version of gcc or kernel header files.

可以尝试清理/var/lib/dkms/nvidia*和/usr/src/nvidia-*，确保 gcc、内核头文件版本匹配，然后重新执行安装脚本。

安装脚本可以在安装结束后自动帮你触发 module load，但有时它不会，所以最好自己再执行一遍：

sudo modprobe nvidia sudo modprobe nvidia_uvm sudo modprobe nvidia_drm sudo modprobe nvidia_modeset

如果modprobe nvidia报错，先看下 dmesg 输出：

sudo dmesg | tail -50

这里能看到内核给 nvidia 模块的签名、IRQ 或资源冲突等报错信息。

4.4 第四步：加载 nvidia 模块并验证

模块加载成功后，输入：

nvidia-smi

正常情况下会看到一张表格，显示驱动版本、CUDA 版本和 A100 的显存信息。例如：

+-----------------------------------------------------------------------------+ | NVIDIA-SMI 550.54.15 Driver Version: 550.54.15 CUDA Version: 12.4 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | 0 A100-PCIE-40GB On | 00000000:01:00.0 On | 0 | +-------------------------------+----------------------+----------------------+

看到这张表说明驱动已经正常工作了。

要注意，在纯计算环境中，Disp.A那一列通常显示的是 Off，这是正常的。A100 本身没有显示输出，驱动是否启用了显示模式并不影响计算。

验证时再跑一下 CUDA 的 runtime 检测，最简单的就是编译 CUDA 自带的 deviceQuery 示例，或者直接用 PyTorch 确认 CUDA 可用：

python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

如果输出True Tesla A100-PCIE-40GB，说明驱动和 CUDA 配合没问题。

5. 安装后的配置与性能验证

5.1 开启 Persistence Mode

A100 有一个特性叫做 Persistence Mode。默认情况下，显卡驱动在最后一次任务结束后会释放显存和资源，导致每次新的 GPU 任务初始化时都要重新加载一些状态，带来额外的延迟和功耗波动。对于频繁提交小任务的场景（比如交互式调试、推理服务），影响比较明显。

开启方式：

sudo nvidia-smi -pm 1

开启后，nvidia-smi里 Persistence-M 一列就会变成 On。

这个设置建议写入开机启动，不让它在重启后失效。方法是在 systemd 里加一个简单的服务文件，或者把命令写到 rc.local。我个人习惯用服务：

sudo systemctl enable nvidia-persistenced

NVIDIA 提供了一个叫 nvidia-persistenced 的工具，有些发行版需要单独安装，如果你 runfile 装好没看到这个命令，就手动在 systemd 里加上面那一句，或者用 crontab 的 @reboot 都行。

5.2 确认 ECC、带宽与多卡拓扑

A100 上的 HBM2e 显存默认是开启 ECC 的，做科学计算的人最好确认一下 ECC 是否开启，因为很多训练场景对数值正确性要求很高，ECC 可以纠正单位翻转错误。查看方式：

nvidia-smi -q | grep -i ecc

如果你需要更高显存带宽，并且确认你的任务不需要 ECC，可以手动关闭 ECC，但我不建议生产环境关。A100 的 ECC 对训练稳定性是有利有弊，对于大多数任务开着就行。

然后检查一下 PCIe 链路速度，确认带宽没有受物理条件影响：

nvidia-smi -q | grep -i pci

正常 A100 会显示 PCIe Gen4，如果是 Gen3 或者 x8 而不是 x16，得检查插槽和主板配置，否则显存带宽和 CPU 之间数据传输会成为瓶颈。

多卡环境下建议看下拓扑结构：

nvidia-smi topo -m

它能列出 GPU 和 GPU/NIC 之间的线缆连接情况，NVLink 是否有启用，以及 PIX、PXB、NODE 等 CPU 连接级别，这对多机多卡通信方案非常重要。如果发现两张 A100 之间显示的是 PHB 而不是 NV 连接，说明 NVLink 没接对。

5.3 做一个冒烟测试

驱动装好之后，我建议立刻做一次标准的冒烟测试，确保不是只有 nvidia-smi 能看，实际计算也没有问题。

最简单的测试是算一个小的矩阵乘法：

nvidia-smi

然后用 Python 快速验证 CUDA/GPU 计算：

python3 -c " import torch a = torch.randn(1024, 1024, device='cuda') b = torch.randn(1024, 1024, device='cuda') c = torch.matmul(a, b) torch.cuda.synchronize() print('GPU compute OK') "

如果没有 PyTorch，可以用 CUDA 自带的 bandwithTest 工具。在 CUDA Toolkit 安装目录下，样例工程编译一下就能测试显存带宽。这一步主要排查驱动有没有出现隐性的计算错误、显存读写是否正常。

6. 高频问题排查实录与避坑清单

6.1 “nvidia-smi has failed because it couldn't communicate with the nvidia driver”

这个错误是关于驱动的问题里出现频率最高的。字面意思就是 nvidia-smi 这个工具无法和内核里的 nvidia 驱动通信。换句话说，用户态工具找到了，但内核模块没加载，或者加载失败。

排查步骤：

第一步，看模块有没有加载：

lsmod | grep nvidia

如果输出是空的，就像我前面说的，手动加载一下：

sudo modprobe nvidia

如果 modprobe 报错，看内核日志：

sudo dmesg | grep nvidia sudo journalctl -k --no-pager | tail -100

常见的情况是编译 nvidia.ko 所用 gcc 和当前运行内核编译所用 gcc 不一致。比如系统全新装好，gcc-11 和 gcc-12 并存，导致模块加载不进去。解决办法是明确指定版本对齐，或者清理完编译工具链再重新安装驱动。

第二种情况是模块加载时报签名问题，日志里会出现 “Required key not available” 或 “Module has invalid signature”。这就是我前面提到 Secure Boot 没有关闭。要么进 BIOS 关闭，要么启用模块签名。

第三种情况是驱动和内核版本严重不兼容，模块文件没有针对当前内核编译。确认一下/lib/modules/$(uname -r)/updates/dkms/下有没有 nvidia.ko 文件，没有的话就要重新 runfile 安装一遍。

6.2 “nvrm: Can't find an IRQ for your NVIDIA card”

这个报错在部分服务器环境中比较常见，尤其是在虚拟化平台或者某些 BIOS 配置下安装时出现。意思是 NVIDIA 驱动模块在启动时找不到一个合适的中断号分配给 GPU 设备。

导致这个问题的原因通常跟 MSI/MSI-X 中断分配有关。常见场景是，主板 BIOS 里的 PCIe AER 或者 IOMMU 配置有问题，导致设备无法正确分配中断资源。一般的处理思路是：

• 重新启动，到 BIOS 里关闭 ACS、SR-IOV，或者打开 BIOS 中 “Above 4G Decoding”，显存过大时设置这个选项会改善地址分配和中断分配。
• 在内核启动参数里加pci=realloc，让系统重新分配 PCI 资源。
• 如果机器是虚拟机，比如 KVM，检查是否给 GPU 透传分了足够的中断资源，尝试在宿主机关闭 IOMMU。

说实话，这个问题在不同板卡上的表现差异很大，没有统一的万能解法，但按上面这些顺序试一遍，大部分情况都能解决。真解决不了，我也曾在论坛里见过有人靠反复重启甚至换物理插槽解决的，说到底还是资源分配层面的问题。

6.3 重启后停在登录界面或黑屏

这种情况多发生在有桌面环境的机器上。安装时没有加--no-opengl-files，或安装后 X server 加载了 nvidia-opengl 的 GLX 模块但与显示管理器版本不兼容，系统就会在图形启动时崩溃，表现是黑屏或者反复回到登录界面。

解决办法：

如果还能进命令行，切换到 tty（Ctrl+Alt+F2），重新以 root 登录，然后：

sudo nvidia-xconfig

生成一个基础的 X 配置，或者把 xorg.conf 删掉，让系统用 Xorg 自带的模式：

sudo rm /etc/X11/xorg.conf

最稳妥的方法是回滚：重新执行安装脚本，这次加上--no-opengl-files，不要覆盖 OpenGL 相关文件。

sudo ./NVIDIA-Linux-x86_64-550.54.15.run --no-opengl-files --dkms

在服务器环境中，其实我建议干脆把图形界面卸载掉，直接用纯 server 版。深度学习服务器的核心是计算资源，不需要图形界面浪费内存和 GPU 上下文。

6.4 升级内核后驱动丢失

Linux 内核升级后，原来安装的驱动经常失效。原因是内核模块是针对旧内核编译的，新内核用了全新的模块目录，启动时找不到对应的 nvidia.ko。

如果你的驱动是注册了 DKMS 的，这问题一般不会出现。DKMS 会在新内核安装时自动编译新的模块镜像。你可以检查一下 DKMS 状态：

dkms status

如果输出显示 nvidia、installed，说明驱动跟上了；如果显示 “需要 build”，说明 DKMS 编译失败了，这时候要看编译日志：

sudo dkms install -m nvidia -v 550.54.15

顺便确认新内核的头文件是否安装了。如果没安装，DKMS 也无法编译：

sudo apt install linux-headers-$(uname -r)

为了避免内核升级导致机器无法启动，还有个经验可以分享：内核升级后，重启前先去/lib/modules/<新内核>/updates/dkms/看一眼 nvidia.ko 是否生成，如果没生成就别急着重启，先把问题解决再重启。

6.5 其他高频问题速查表

下面这个表是我实际操作中积累下来的一些常见问题汇总，可以作为排查时的参考：

排错的时候，心态要放稳。显卡驱动问题最大的特点是表象相似但根因可能完全不同，不能只看最上面的报错就下手。先确认模块有没有加载，再看 dmesg，最后检查配置文件。顺序对了，大部分问题都能定位。

7. 写在最后：一点个人经验

A100 驱动安装这件事，说难也难，说简单也简单。难在，你要面对的是硬件厂商、操作系统内核、桌面环境、CUDA 工具链多方协同的问题；简单在，只要环境准备充分、安装参数合理，它其实一次就能过。

我个人目前最稳妥的组合是：Ubuntu 22.04 + 5.15 内核 + 最新长期支持分支的 Tesla 驱动 + DKMS + 关闭 Secure Boot + 禁用 nouveau。这套组合我已经在很多台 A100 服务器上实际跑过，基本没有踩过不可预测的坑。

最后再分享一个非常实用的小技巧：每次驱动安装成功后，把驱动安装包、安装命令和你的内核版本记录下来，放在一个叫driver-install-notes.txt的文件里，放在服务器 root 家目录下。这样等哪一天内核更新或者需要重建环境，翻一下这个文件，就能快速恢复到之前稳定的状态。很多人会安装完就把安装包删了，等需要重装时才后悔，我就是过来人。