【CNMO 科技消息】近日，英伟达正式推出 AI 运维平台 Minerva，旨在通过整合基础设施与 AI 工作负载遥测数据，提前发现故障、提高 GPU 运行时间并提升 AI 工厂产出效率。该平台可每小时分析数十亿个数据点，识别异常、预测潜在故障，并将关联告警整合为可执行的故障处理事项。Minerva 还配备原生 AI 助手，可通过自然语言查询集群运行状况并提供修复建议。英伟达表示，IREN 已在使用该平台，Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI 和特斯拉计划部署；戴尔、联想和超微也将把 Minerva 纳入各自的 AI 工厂运维产品组合。
英伟达将 Minerva 的推出背景定义为 AI 工厂复杂性的指数级上升。AI 工厂是世界上最复杂的运营系统之一，海量 GPU 在高速网络上协同训练模型、服务 AI 应用。在这种规模下，单个组件的性能退化就可能拖慢整个任务——一块 GPU 比同类运行温度更高，或一块 NVMe 硬盘在高负载下性能下降，这些预警信号极易被忽视。
传统监控工具的局限在于数据割裂。网络、计算、站点可靠性工程和机器学习团队各自看到的是运营的不同部分，缺乏跨域关联能力。Minerva 的核心设计正是打破这种割裂：它将 NVIDIA GPU、网络、存储、调度器和工作负载的信号连接在一起，构建一张动态知识图谱，将基础设施（GPU、SuperNIC、交换机和线缆）与运行其上的作业进行逻辑映射。即便在数十万 GPU 规模的工厂中，运维人员也能将一次缓慢的训练任务追溯到影响它的具体组件。
在数据分析层面，Minerva 采用监督学习和无监督学习相结合的方式，学习正常工作状态，检测此前未见过的异常，预测潜在故障，并基于工厂拓扑关联相关事件。其关键设计在于告警的聚合与降噪：平台不会将每一个症状都推送给运维人员，而是将一场 " 事件风暴 " 整合为一个聚焦的事件，并附带可能的根因。
值得注意的是，Minerva 的发布场合是英伟达 GTC Berlin 大会，而就在数日前，英伟达刚与德国签署了一项 AI 合作伙伴协议。这一时间安排与地域选择，与英伟达近期推动 " 不止卖芯片 " 的战略方向一脉相承：在 DSX 蓝图、AI 代理安全设计等软件与参考架构之外，Minerva 补上了 AI 工厂全生命周期运维这一关键环节。英伟达未披露 Minerva 的定价信息。
