NVIDIA发布Minerva，为AI工厂提供端到端可观测性

2026年10月22日，NVIDIA发布AIOps平台NVIDIA Minerva，面向大规模AI工厂提供端到端可观测性。与分别查看计算、网络、存储和作业状态的传统监控方式不同，Minerva把基础设施与AI工作负载的遥测数据汇集起来，再利用专用模型识别异常、预测故障并整理处置线索。

以动态知识图谱关联硬件、网络与作业

Minerva会为GPU、SuperNIC、交换机、线缆以及运行其上的作业建立动态知识图谱，将设备状态与工作负载关系映射到同一视图。官方介绍称，该平台每小时可分析数十亿个数据点，并结合有监督与无监督机器学习，学习正常运行特征、发现未知异常，同时依据AI工厂拓扑关联相关事件。

这种关联能力面向的是组件数量庞大、故障信号分散的场景。例如，某个GPU温度高于同类设备，或NVMe固态硬盘在高负载下出现性能下降，都可能成为训练任务变慢的线索。Minerva可从大量告警中整理出更集中的事件，并给出可能根因，而不是把所有症状直接推送给运维人员。

自然语言助手连接实时数据与修复流程

Minerva内置AI助手，也可连接外部智能体AI工具，以自然语言作为操作界面。运维人员可以围绕集群健康状态发起查询，并结合实时遥测信息获得修复建议。平台既允许人员确认后手动实施修复，也可通过基础设施应用程序接口和外部系统接入自动化流程。

需要注意的是，官方材料将其描述为提供建议、定位可能根因并支持自动化连接，并未声称所有故障都能自动解决或保证根因判断始终正确。

面向AI工厂的核心运营指标

AI工厂的规模越大，局部组件降级越可能拖慢整个作业。NVIDIA将这类平台的价值归纳为以下方面：

• 提高GPU可用时间：提前发现潜在问题，减少作业因故障中断的次数。
• 缩短修复路径：将基础设施与工作负载信息放在同一视图中，帮助团队更快找到相关组件和作业。
• 过滤告警噪声：把关联事件聚合为少量可处理事项，降低AIOps团队逐条排查的压力。

NVIDIA称，这些能力最终服务于AI工厂产出率，即基础设施通过GPU小时、goodput、集群正常运行时间和token产量所体现的有效工作能力。不过，公告未提供与现有监控方案相比的量化基准，因此无法仅凭现有资料判断具体提升幅度。

合作伙伴已进入使用或部署计划阶段

IREN已经在使用Minerva优化其AI工厂。其首席技术官Denis Skrinnikoff表示，统一查看网络、GPU和运行作业，有助于运维团队把更多精力放在主动维护上。

Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI和Tesla计划部署Minerva；Dell Technologies、Lenovo与Supermicro则计划将Minerva纳入各自的AI工厂运维产品组合。上述名单体现的是已经使用、计划部署和计划提供等不同阶段，不能一概视为已完成规模化上线。

实际采用仍需结合部署条件评估

现有官方资料没有披露定价、部署周期、支持配置、数据接入要求或独立测评结果，也没有给出误报率、漏报率和具体修复时间等技术指标。对于准备采用该平台的技术团队，后续评估重点应放在自身GPU集群与高速网络环境的兼容性、遥测覆盖范围、告警聚合准确性，以及人工审批和自动化接口如何嵌入现有运维流程。

资料来源：NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories（2026-10-22）。