英伟达发布 Minerva,为 AI 工厂提供端到端可观测性
摘要
英伟达发布 AIOps 平台 Minerva,通过汇聚 AI 工厂的基础设施与工作负载遥测并构建动态知识图谱,帮助运维团队更早发现故障、更快定位根因,从而提升 GPU 的有效产出。
核心要点
- Minerva 打通 NVIDIA GPU、SuperNIC、交换机、线缆、存储、调度器与工作负载的遥测信号,构建动态知识图谱,可在数十万 GPU 规模的集群中把一次变慢的训练作业追溯到具体部件。
- 平台每小时分析数十亿数据点,同时使用有监督与无监督机器学习:学习正常行为、检测此前未见过的异常、预测正在形成的故障,并依据工厂拓扑关联相关事件。
- 它不再把每个症状都推给运维人员,而是把一场“事件风暴”聚合成一个聚焦的故障事件并给出可能的根因。
- 内置原生 AI 助手并可对接外部智能体工具,提供基于实时遥测的自然语言界面,运维可用对话方式排查集群健康状况并获得修复建议;既可保留人工执行,也可通过基础设施 API 接入自动化。
- 英伟达用“AI 工厂良率”衡量平台价值,具体口径包括 GPU 小时、goodput、集群在线率与 token 产出,目标指向延长无中断运行时间与缩短修复时间。
原文佐证
- Minerva connects those signals across NVIDIA GPUs, networking, storage, schedulers and workloads.
- It analyzes billions of data points per hour using supervised and unsupervised machine learning.
- The platform focuses on AI factory yield, a measure of the useful work infrastructure produces through GPU hours, goodput, cluster uptime and token production.
AI 洞察
当单集群规模迈向十万级 GPU,可用性就从运维问题变成了资本效率问题——一个劣化部件浪费的是成百上千块 GPU 的机时,可观测性因此被拉进算力经济学的核心。英伟达亲自下场做 AIOps,意味着它的商业模式正从卖硬件延伸到卖“AI 工厂的正常运行时间”,这会挤压第三方监控与 GPU 管理软件的生存空间,同时把客户更深地锁进自家软硬件栈。对企业而言,衡量 AI 基础设施的关键指标也正在从“买了多少卡”转向 goodput 与 token 产出这类有效产出。