[DGX Spark] 過熱、100W 功耗上限、30W 安全模式 — 完整診斷指南

白話版：你的 AI 機器其實在「餓肚子」

NVIDIA DGX Spark（以及它的 ASUS GX10 版本）是一台桌上型 AI 工作站，需要很大的功率——透過 USB-C 線供應最多 180 瓦。可以想成是一台高效能跑車：需要足夠的油壓才能發揮。

有些機器出廠時電源協商晶片就有問題。機器開得起來、看起來正常、AI 任務也跑得動——就是異常地慢。就像一台跑車的油管被捏住了：引擎會轉，但永遠上不了二檔。系統把自己鎖在大約 30 瓦，而不是應有的 180 瓦。

最麻煩的是，所有症狀看起來都像軟體問題。你花好幾個小時調 AI 模型設定、換各種配置、翻 log——但真正的問題是硬體在「餓死」。一個終端機指令（nvidia-smi）可以在 30 秒內告訴你有沒有中招。

如果中了，修法不是調軟體——是保固換新（RMA）。這篇文章告訴你怎麼診斷、以及下一步該做什麼。

---

先跑這個診斷

隨便給 GPU 一個負載——一個 inference request、矩陣乘法都行——然後：

nvidia-smi --query-gpu=power.draw,utilization.gpu,clocks.sm --format=csv,noheader

兩種結果：

正常：

35.65 W, 96 %, 2522 MHz

30W 安全模式：

4.80 W, 2 %, 2411 MHz

在安全模式下，GPU 利用率接近零，不管你丟多少工作進去。不是過熱降頻——是 PMIC 在電源層面就把你鎖住了。

我這台在跑 Qwen3.5-35B-A3B-FP8 生成 300 tokens 的時候：

power.draw = 35.65 W  |  utilization.gpu = 96%  |  clocks.sm = 2522 MHz
throughput  = ~50 tok/s

沒有 throttling，正常。

根本原因：PD Controller Firmware 協商失敗

GX10 透過 USB-C PD 3.1（180W EPR）供電。PD controller 要跟 240W 變壓器協商，才能解鎖高功率模式（20V/5A 以上或 28V）。

問題機器的 PD controller 這個協商會靜默失敗。變壓器插著，機器也開得起來，但 PD 從來沒有升到高功率，PMIC 就把整個 power rail 鎖在約 30W。

dmesg 裡會看到：

Detected insufficient power on the PCIe slot (27W)

這個訊息會出現在多個 Mellanox NIC 上——代表是全機的電源餓死，不是單一元件的問題。

什麼方法沒用

ASUS 的官方建議是 PD firmware 的「double flash」：

刷韌體 → 重開 → 再刷 → 再重開

NVIDIA Developer Forums 的帖子裡有人照著做，throttling 沒解。NVIDIA support 的結論是：硬體缺陷，直接 RMA。

軟體觸碰不到這個問題的根源。PD controller 本身壞掉了。

另一個 5W 鎖死（不同問題，可以修）

還有另一種情況值得知道：GPU 卡在 5W、利用率 0%，原因是 driver 版本太舊（550.54.15 + CUDA 12.4）。

這個是軟體問題：

sudo apt dist-upgrade
sudo fwupdmgr refresh && sudo fwupdmgr update

升到 Driver 580.x + CUDA 13.0 就解了，2026 年 1 月確認 fixed。

如果 GPU 利用率低但不是完全歸零，先確認 driver 版本，別急著認定是硬體問題。

韌體版本

目前最新韌體：BIOS v0103（2026/03/18）

SOC / 0x305
EC  / 2.78.18.3
PD  / 0x507

我這台目前是 PD 0x500，有空再更新。沒有 30W 症狀的話不急。如果已經在安全模式，更新 PD firmware 大概也救不了，但 RMA 之前還是做一次排除看看。

2026 年社群爭議：Carmack 批評 + 100W 問題

2026 年 4 月，John Carmack 公開批評 DGX Spark 效能遠低於宣稱的 1 PFLOPS sparse FP4。NVIDIA 開發者論壇隨後湧入大量使用者反映三類問題：

症狀	原因	嚴重度	能修嗎
功耗鎖在 ~30W，利用率 0%	PD controller 硬體缺陷	致命	❌ 需 RMA
功耗上限 ~100W（額定 240W 的不到一半）	散熱不足 → thermal throttling	高	⚠️ 改善散熱可緩解
GPU 顯示 5W / 0%，但 dmesg 正常	Driver 550.x bug	低	✅ 升級 driver

100W 問題和 30W 問題是不同的。 30W 是 PD controller 出廠缺陷（永久性的），100W 是 thermal throttling（環境相關的）。如果你的機器在負載下功耗穩定在 100W 左右且 GPU 溫度接近上限：

nvidia-smi --query-gpu=power.draw,temperature.gpu,clocks.throttle_reasons.sw_thermal_slowdown --format=csv,noheader

看到 Active 表示是散熱降頻。改善方法：

• 確保進風口沒有被遮擋
• 室溫控制在 25°C 以下
• 考慮外接風扇對準機身底部
• 垂直擺放比水平好（對流）

注意： NVIDIA 官方 CES 2026 軟體更新宣稱效能提升 2.5 倍。如果你在用舊版 DGX OS，先更新再判斷。

這次的收穫

最浪費時間的地方： 30W 問題是靜默的。機器開得起來、指令跑得動、requests 也服務得了——就是慢。沒有直接量 power.draw + utilization.gpu 的話，看起來完全像 vLLM 設定的問題。

可以複用的診斷思路： 任何新硬體上跑出來的 inference 速度異常，先在負載下同時量 power.draw 和 utilization.gpu。利用率高但功耗遠低於 TDP，先查電源鏈，再調軟體。

一句話結論： 看起來像設定問題的硬體缺陷最費時，因為軟體側的調試空間是無限的。

Checklist

1. 在 GPU 負載下跑 nvidia-smi --query-gpu=power.draw,utilization.gpu,clocks.sm --format=csv,noheader
2. 利用率低 → 先確認 driver 版本，升到 580.x + CUDA 13.0
3. 利用率高但速度異常慢 → 查 dmesg 有沒有 30W 的 signature
4. 確認 30W → 做 ASUS 的 PD firmware double flash，沒用就 RMA
5. 無論如何都更新到 BIOS v0103（PD 0x507）——其他使用者回報更新後溫度有下降

---

系列其他文章：

• Part 5 — FP8 KV Cache 輸出退化
• Part 4 — SM121 上的 NVFP4 除錯

相關深入分析：

• LLM 深水區 Part 2 — TurboQuant KV Cache Benchmark