英伟达发布Minerva实现AI工厂端到端可观测

NVIDIA今日发布AI运维平台NVIDIA Minerva，旨在为大规模AI工厂提供端到端可观测性，帮助团队更早发现问题并提升生产算力利用率。该平台整合GPU、高速网络、存储、调度器及AI工作负载的遥测数据，并通过专用AI模型将复杂信号转化为可执行洞察，从而减少停机、提高集群效率。 随着AI训练和推理集群规模扩大，单个GPU过热、NVMe性能下降或网络异常等问题可能拖慢整体作业。传统监控常按网络、计算、可靠性或机器学习团队分散呈现数据，难以快速定位根因。Minerva通过动态知识图谱映射基础设施与任务之间的拓扑关系，使运维人员可在数十万GPU规模中追踪慢作业背后的故障组件。平台每小时分析数十亿数据点，学习正常运行状态，识别未知异常，预测潜在故障，并将大量告警聚合为具有可能根因的单一事件。 Minerva还提供原生AI助手和自然语言交互界面，运维人员可基于实时遥测查询集群状态并获取修复建议，同时保留人工确认流程或通过API接入自动化系统。围绕GPU小时、有效吞吐、集群正常运行时间和token产出等关键指标，平台帮助团队从被动排障转向主动维护，提高AI工厂整体产出。 目前，IREN已使用Minerva优化其AI工厂运营。该公司首席技术官Denis Skrinnikoff表示，该平台让团队在网络、GPU和作业层面形成统一视图，从而更专注于预防性维护。除IREN外，Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI和Tesla也计划部署Minerva。Dell Technologies、Lenovo和Supermicro将把该平台纳入其AI工厂运营产品组合。