NVIDIA发布Minerva：构建AI工厂全链路可观测性的AIOps平台
2026/10/22 23:00阅读量 19
NVIDIA推出名为Minerva的AIOps平台，旨在为规模庞大的AI基础设施提供端到端的可观测性。该平台通过整合GPU、网络、存储及工作负载的多维遥测数据，利用机器学习技术动态映射基础设施拓扑，实现从异常检测到根因定位的全流程自动化。Minerva帮助运营商将被动响应转变为主动维护，显著提升GPU利用率并最大化AI工厂的整体产出效率。
事件概述
NVIDIA于2026年10月22日正式发布Minerva，这是一款专为AI工厂设计的AIOps（人工智能运维）平台。面对由数十万颗GPU和高速网络构成的复杂AI基础设施，单一组件的性能下降可能导致整个训练或推理任务受阻。Minerva的核心目标是解决这一痛点，通过连接基础设施与 workload 的遥测数据，帮助团队更早发现潜在问题，保持AI工厂的高生产力状态。
核心技术与功能
- 统一数据视图与动态知识图谱：传统监控工具通常将数据中心划分为网络、计算、站点可靠性等不同视角。Minerva打破了这一壁垒，整合来自NVIDIA GPU、SuperNICs、交换机、电缆、调度器及上层应用的数据。基于这些数据，平台构建了一个动态的知识图谱，逻辑上映射物理基础设施与运行其上的作业，使操作员能够追踪数千颗GPU集群中导致训练缓慢的具体组件。
- 智能分析与异常检测：平台每小时分析数十亿个数据点，结合监督学习和无监督学习算法。它能够学习正常行为基线，检测此前未见过的异常模式，预测潜在故障，并根据工厂拓扑结构关联相关事件。Minerva能将分散的事件风暴聚合为具有明确根因的单一 incidents，而非向操作员发送海量告警。
- AI助手与自动化集成：Minerva内置原生AI助手，支持自然语言交互，操作员可通过对话查询集群健康状况并获得修复建议。同时，它支持与外部Agentic AI工具集成，并通过基础设施API连接自动化系统，允许人工介入或完全自动执行修复流程。
业务价值与关键指标
Minerva的设计直接服务于AI工厂的核心产出指标，包括GPU小时数、有效吞吐量（goodput）、集群正常运行时间和Token生成量。其带来的主要价值体现在三个方面：
- 延长中断间隔时间：通过提前识别隐患，减少作业中断频率。
- 缩短修复时间：精准定位问题根源，显著加快故障解决速度。
- 提升洞察深度：过滤无效噪音，仅保留关键告警，降低运维认知负荷。
合作伙伴与部署情况
目前，IREN、Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI和Tesla等公司计划部署Minerva以优化其AI基础设施运营。在硬件层面，Dell Technologies、Lenovo和Supermicro也将把Minerva纳入其AI工厂运营产品组合中。例如，IREN首席技术官Denis Skrinnikoff指出，Minerva提供的跨网络、GPU和作业的单一视图，使其运维团队能专注于主动维护而非事后排查，从而强化了其基础设施的运营模型。