英伟达发布Minerva，整合GPU集群遥测与故障分析

英伟达2026年10月22日发布Minerva AIOps平台，为大规模AI计算集群整合基础设施与工作负载的遥测信息。运维团队可以在同一个视图中追查GPU、网络和任务之间的关联，分析训练变慢或运行异常的原因，并获取修复建议。

沿着任务关联追查异常部件

在通过高速网络协同工作的GPU集群中，一块温度高于同类的GPU，或者一块负载下性能下降的NVMe硬盘，都可能拖慢整个任务。Minerva将英伟达GPU、网络、存储、调度程序和工作负载的信号关联起来，再用动态知识图谱映射GPU、SuperNIC、交换机、线缆与正在运行的任务。这样，训练任务的速度变化就能与底层部件的状态放在一起分析。

英伟达称，Minerva利用监督与无监督机器学习，每小时可分析数十亿个数据点。平台学习正常运行模式，识别异常、预测潜在故障，并按照集群拓扑关联相关事件，将大量相互关联的警报归并为一个事件，给出最可能的原因。

平台关注的是集群实际完成的有效工作量，衡量指标包括GPU小时数、有效吞吐量（goodput）、集群正常运行时间和token产出。

修复建议可由人工执行，也可接入自动化

Minerva内置AI助手，并能连接外部智能体工具。运维人员通过自然语言查询实时遥测、排查集群健康状况后，可以人工执行建议的修复操作，也可以通过基础设施API和外部系统，把Minerva接入自动化流程。

IREN已在使用Minerva优化其AI工厂运营。

Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI与特斯拉计划部署该平台。戴尔、联想和Supermicro也将把Minerva纳入各自的AI工厂运营产品组合。