英伟达 Minerva 盯上 AI 工厂良率

英伟达今天发布了一个叫 Minerva 的 AIOps 平台，定位很明确：帮团队更早发现问题，让 AI 工厂保持高产。它把基础设施和 AI 负载的遥测数据汇到一起，再用专门训练的模型把数据变成及时可执行的洞察。

AI 工厂大概是当下最复杂的运营场景之一，成千上万块 GPU 在高速网络上跑训练和推理，这种规模下任何一个组件性能退化都可能拖慢整个任务。麻烦的是预警信号往往很隐蔽，比如某块 GPU 比同批温度高一点，或者某块 NVMe 盘在高负载下悄悄掉速，传统监控很容易漏掉。Minerva 把关注点放在「AI 工厂良率」上，也就是用 GPU 小时、有效吞吐、集群可用性和 token 产出这些指标来衡量基础设施到底干了多少有用的活。这个思路我挺认同，过去大家盯的是单机健康度，现在得盯整条产线的产出效率。传统监控工具通常把数据中心切成好几块，网络、计算、站点可靠性和机器学习团队各看各的那一摊。Minerva 则把英伟达 GPU、网络、存储、调度器和工作负载的信号串起来，给出一张动态的全局视图。对运维团队来说，这意味着排障时不用再在几套系统之间来回对照。我的判断是，这类平台真正的门槛不在采集，而在模型能不能把「轻微异常」和「正常波动」分开，否则告警疲劳会很快吃掉价值。另外它天然偏向英伟达自家栈，对混合算力集群的覆盖程度会是采购时的一个关键问号。