NVIDIA发布Minerva平台：AI工厂端到端可观测性解决方案

摘要：NVIDIA于2026年10月22日发布了一款名为Minerva的AIOps平台，旨在为AI工厂提供端到端的可观测性解决方案。Minerva通过整合来自基础设施和AI工作负载的遥测数据，并应用专用的AI模型，将数据转化为及时、可操作的洞察，帮助团队更早发现问题并保持AI工厂的高效运行。该平台通过构建动态知识图谱、实时异常检测和预测性故障分析，显著提升了AI工厂的产量和运营效率。

---

Minerva平台的核心功能与架构

NVIDIA发布的Minerva平台旨在解决AI工厂在复杂运营环境下的可观测性问题。AI工厂通常涉及大量GPU、高性能网络以及复杂的调度系统，任何一个组件的故障都可能导致整个作业的延迟或失败。Minerva通过以下方式应对这些挑战：

1. 跨领域信号整合：Minerva将来自NVIDIA GPU、网络、存储、调度器和AI工作负载的信号整合到一个统一的平台中，提供了对AI工厂的全面视图。

2. 动态知识图谱构建：通过分析基础设施和作业之间的关系，Minerva构建了一个动态知识图谱，逻辑上映射了GPU、交换机、线缆等组件及其上运行的作业。这使得操作员能够快速定位影响训练作业的组件，即使在拥有数十万GPU的工厂中也是如此。

3. 实时异常检测与预测性维护：利用监督和无监督机器学习，Minerva每小时分析数十亿个数据点，学习正常行为模式，检测异常情况，并预测潜在的故障。平台能够将事件风暴聚合成具有可能根本原因的集中事件，从而减少操作员的认知负担。

4. AI助手与自动化集成：Minerva配备了一个原生AI助手，并支持与外部智能体工具的连接。操作员可以通过自然语言界面调查集群健康状况并接收修复建议。团队可以选择手动实施修复，或通过基础设施API和外部系统将Minerva与自动化流程集成。

工程权衡与实际表现

Minerva的设计在多个方面实现了平衡：

• 性能与可扩展性：平台能够处理大规模AI工厂的复杂数据流，同时保持高效的性能。
• 精度与效率：通过先进的机器学习算法，Minerva在检测精度和计算效率之间取得了良好的平衡。
• 用户体验与自动化：平台提供了直观的用户界面和AI助手，同时支持与自动化系统的无缝集成。

根据NVIDIA的测试，Minerva能够显著延长AI工厂的正常运行时间，并加快故障修复速度。例如，IREN等合作伙伴已使用Minerva优化其AI工厂运营，实现了更高的GPU利用率和生产效率。

开发者与部署建议

对于计划部署Minerva的团队，以下是一些建议：

1. 基础设施整合：确保所有关键组件（如GPU、网络、存储）均已正确配置并与Minerva平台集成。
2. 数据质量与治理：高质量的数据是Minerva有效运行的基础，建议实施数据治理策略以确保数据的准确性和完整性。
3. 持续监控与优化：定期评估Minerva的性能，并根据实际使用情况调整模型参数和配置。
4. 安全性与隐私：确保平台符合相关的数据安全和隐私保护标准，特别是在处理敏感数据时。

结论

Minerva的发布标志着NVIDIA在AI基础设施领域的又一重要里程碑。通过提供端到端的可观测性和智能化的运维支持，Minerva为AI工厂的运营效率提升提供了强有力的工具。

---

消息来源：NVIDIA AI News (2026-10-22)

—— 完 ——

主题标签： #NVIDIA 关注 #Minerva 关注 #AIOps 关注 #AI基础设施 关注 #AI工厂 关注