NVIDIA推出Minerva平台，为AI工厂提供端到端可观测性

在现代计算中心中，由数万甚至数十万张 GPU 组成的「AI 工厂」正在高速运转。然而，系统的极端复杂性也带来了严峻的运维挑战：单个组件的性能衰退，例如某个 GPU 异常过热或 NVMe 固态硬盘高负载掉速，都可能拖慢整个大模型训练任务。

针对超大规模集群运维的痛点，NVIDIA 正式发布了 NVIDIA Minerva 平台。这是一套专为 AI 工厂打造的 AIOps 解决方案，核心目标在于通过整合基础设施与工作负载遥测，最大化集群的「有效产出（Yield）」——包括有效 GPU 机时、有效吞吐（goodput）、集群正常运行时间及 Token 生成量。

构建 AI 工厂的全局动态视图

传统的运维工具往往将数据中心割裂成多个独立视角：网络、算力、站点可靠性（SRE）和机器学习算法团队各自为战。Minerva 则打破了这种信息孤岛，全面打通来自 NVIDIA GPU、网络设备、存储系统、调度器以及上层工作负载的遥测数据。

基于这些多源信号，Minerva 能够构建实时的动态知识图谱。该图谱逻辑映射了涵盖 GPU、SuperNIC 网卡、交换机、线缆在内的底层硬件，以及正在节点上运行的具体作业。借助这种拓扑关联，即使面对数十万张 GPU 的超大集群，运维人员也能快速将某个迟缓的训练任务精准溯源到故障硬件。

机器学习赋能主动排障

在数据处理层面，Minerva 每小时分析数十亿个遥测数据点。平台结合监督与无监督机器学习技术，能够学习硬件在常态下的运行模式，预测潜在的早期故障，并捕捉此前未知的异常波动。

当发生突发告警风暴时，Minerva 不会机械地将成百上千条警报推给运维人员，而是结合网络和系统拓扑，将关联事件聚合成单一事件并直接标出根本原因。此外，Minerva 内置原生 AI 助手，并支持接入外部 Agent 工具。运维工程师可通过自然语言对话查询集群健康状况、获取修复建议，也可通过开放 API 与现有自动化运维系统集成，实现故障的自动化闭环。

目前，包括 IREN、Bitdeer AI、IBM、Jio、Lambda、Quake AI、Tesla 等企业已计划部署 Minerva。同时，Dell Technologies、联想以及超微（Supermicro）也将在其 AI 基础设施解决方案中集成 Minerva 平台，帮助企业实现从被动响应向主动防御的运维模式转型。