AI 服务器上的内存：一根坏条会怎样拖垮整卡
AI 任务最怕“中途翻车”
AI 训练常是数十小时甚至数天的长任务，多卡并行、数据在显存与内存间频繁搬运。这类负载对内存稳定性极敏感：一次不可纠正错误，可能让整轮训练中断，几小时算力清零；即便 ECC 兜住，频繁纠错也在悄悄拖慢进度、污染结果。
一根坏条的放大效应
在 AI 服务器上，内存不是“单机自用”，而是和 GPU、NVLink、分布式框架绑在一起。一条临界内存引发的偶发错，可能表现为梯度异常、loss 抖动、 checkpoint 损坏，排查极难——你很难第一时间定位到是内存。等定位到，算力已经亏了。
这正是临界条最危险的地方：它不立刻宕机，而是慢慢污染。点亮式验货对它完全失明，因为它的“坏”在长任务、高带宽、升温后才显形。
合格判定是算力的保险
对 AI 场景，内存必须全检、必须测余量、必须老化、必须高温复测，确保“熬得过训练”。把合格判定省掉，省下的是测试费，赌上的是整卡整轮的算力。
为什么长任务必须全检，全检还是抽检给了框架；为什么短时测不出，短时间验不出软错误解释了机理。
结论
AI 服务器里，一根临界内存的代价是整轮算力。合格判定不是小题大做，是算力的保险。