Ubuntu 内核一升级 GPU 就消失：nvidia 内核模块包没跟上新内核
家里的主力推理机（RTX PRO 6000，Ubuntu 24.04）某天突然各种不对劲。我一开始怀疑硬件，排查了很久内存和硬盘。最后发现 GPU 早就”没了”，而且是从一次内核自动升级开始的。
现象
nvidia-smi：NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver。- ComfyUI 起不来：
RuntimeError: No CUDA GPUs are available。 - 最隐蔽的一个：llama-server 显示
active，/health也返回 ok，但其实在 CPU 上跑，只是慢得离谱。
根因
驱动装的是 nvidia-driver-595-server-open，它的内核模块不走 DKMS 现场编译，而是 Ubuntu 仓库里按内核版本预编译、已签名的包：
linux-modules-nvidia-595-server-open-<内核版本>正常情况下，元包 linux-modules-nvidia-595-server-open-generic 会随内核升级拉进对应版本的模块包。但这次元包卡在了旧版本，内核自动升到了新版本，新内核目录下就没有 nvidia.ko：
modprobe nvidia
# modprobe: FATAL: Module nvidia not found in directory /lib/modules/6.8.0-136-generic
find /lib/modules -name 'nvidia.ko*'
# 只在旧内核目录下有修复
给当前内核装上对应的模块包：
apt install linux-modules-nvidia-595-server-open-$(uname -r)
modprobe nvidia
nvidia-smi然后重启所有用 GPU 的服务。它们在 modprobe 之前就启动了，已经认定”没有 GPU”，不重启的话会一直在 CPU 上跑。
nvidia-smi --query-compute-apps=pid,process_name,used_memory --format=csv确认每个服务都出现在列表里，并且显存占用正常。
预防
-
把内核元包 hold 住，内核和驱动模块一起手动升级：
apt-mark hold linux-generic linux-image-generic linux-headers-generic要升级时，先确认仓库里有新内核对应的
linux-modules-nvidia-...-<新版本>，再一起装。 -
开机检查 GPU 是否真的在用，不要只看服务是不是 active。比如健康检查脚本里加一行：
nvidia-smi -L >/dev/null 2>&1 || echo "GPU driver not loaded" -
开着 Secure Boot 时，这种官方签名的模块包可以直接加载；自己用 DKMS 编译的模块则需要额外签名（MOK）。这也是我用官方模块包而不用 DKMS 的原因。
小结
排查 GPU 机器出现的怪问题，第一步就该跑 nvidia-smi。这次我先怀疑硬件、绕了一大圈，最后才发现 GPU 早在内核自动升级那天就已经失联了。