一位 Reddit 網友 Future_Fuel_8425 最近分享了他的 AI 應用遭遇。原本他用 RTX 5070 Ti 的 16GB GDDR7 顯示記憶體跑 20B（200 億參數）的大語言模型還算游刃有餘，但為了處理更複雜的資料庫工作，他決定改跑 35B（350 億參數）的 Ornith-1.5-35B-A3B 模型。他所使用的是 Thinkstation 920 工作站，有 128GB DDR4 ECC 記憶體，顯卡記憶體塞不下，就另外使用主機記憶體來進行 Offload 分流卸載。
沒想到，模型才跑了 90 分鐘，系統就直接崩潰。他檢查發現，其中一隻 8GB DDR4 記憶體已經永久死亡。當時他以為只是運氣不好遇到不良品，拔掉壞掉的那隻後繼續開。結果連續跑了 8 到 9 天後，他翻開系統 Error Log 一看，發現第二隻 DDR4 記憶體也開始大量噴出錯誤訊息，眼看也要跟著報銷。
玩家本人堅稱這絕非溫度問題，並強調 CPU 與 GPU 溫度全程沒超過 80℃。但壞的可是記憶體阿，他從頭到尾都沒拿出記憶體的溫度監測數據。
實際上，AI 模型在進行矩陣運算與數據吞吐時，對系統記憶體進行的是長時間、高強度的連續讀寫，這對老舊的 DDR4 來說無疑是嚴刑拷打。在高負載下，缺乏主動散熱的記憶體顆粒溫度往往比 CPU 還恐怖。再加上老硬體歲月洗禮與機殼風道不佳，這兩隻 DDR4 大機率是被活活熱死加上高壓寫到壽終正寢。
再次證明，想搭上 AI 的時代列車，光靠老舊的硬體與我覺得不熱的意念，有可能就是直接壞掉，還是得買新的。
沒想到，模型才跑了 90 分鐘，系統就直接崩潰。他檢查發現，其中一隻 8GB DDR4 記憶體已經永久死亡。當時他以為只是運氣不好遇到不良品，拔掉壞掉的那隻後繼續開。結果連續跑了 8 到 9 天後，他翻開系統 Error Log 一看，發現第二隻 DDR4 記憶體也開始大量噴出錯誤訊息，眼看也要跟著報銷。
玩家本人堅稱這絕非溫度問題，並強調 CPU 與 GPU 溫度全程沒超過 80℃。但壞的可是記憶體阿，他從頭到尾都沒拿出記憶體的溫度監測數據。
實際上，AI 模型在進行矩陣運算與數據吞吐時，對系統記憶體進行的是長時間、高強度的連續讀寫，這對老舊的 DDR4 來說無疑是嚴刑拷打。在高負載下，缺乏主動散熱的記憶體顆粒溫度往往比 CPU 還恐怖。再加上老硬體歲月洗禮與機殼風道不佳，這兩隻 DDR4 大機率是被活活熱死加上高壓寫到壽終正寢。
再次證明，想搭上 AI 的時代列車，光靠老舊的硬體與我覺得不熱的意念，有可能就是直接壞掉，還是得買新的。
