英伟达 Minerva 平台详解：AI 工厂... — Analysis
2026 年 10 月 26 日，英伟达在柏林 GTC 大会上正式发布 AIOps 平台 Minerva，旨在解决大规模 GPU 集群的运维痛点。据 StorageReview 报道，Minerva 能够从 GPU、网络、存储、调度器及 AI 工作负载中采集遥测数据，并利用机器学习在部件性能衰减影响训练任务之前发出预警。戴尔科技、联想和超微将把该平台纳入其 AI 工厂运维产品组合，IREN 已率先部署，IBM、Jio、Lambda、Quake AI、特斯拉、Aolani 和 Bitdeer AI 也计划跟进。英伟达尚未公布定价及正式上市时间。
篮球新闻Minerva 的核心能力：从海量数据中定位根因
Minerva 构建动态知识图谱，将 GPU、SuperNIC 交换机、光缆及调度任务映射关联。英伟达声称该平台每小时分析数十亿个数据点，结合监督与非监督机器学习模型，学习工厂的正常运行模式，识别未知异常并预测潜在故障。当训练任务变慢时，运维人员可依据拓扑关联迅速定位到具体部件。平台将相关事件归并为单一事件，并附上可能的根因，用一条可操作告警替代海量警报洪流。内置助手支持自然语言查询，可基于实时遥测推荐修复方案，并能对接外部智能体工具。
转会消息与 Mission Control 和 DSX OS 的关系尚待明确
英伟达已拥有面向参考架构的运维软件。Mission Control 于 2025 年 3 月推出，涵盖集群部署、工作负载管理、遥测及 DGX SuperPOD 的自主作业恢复。本周，英伟达还将 DSX OS 三个开源组件置于开发者预览阶段，包括 Config Manager、Rack Management Service 和 Cluster Readiness Engine。然而，Minerva 与 Mission Control、DSX OS 的具体关系，以及它以软件、设备还是托管服务形式交付，英伟达均未说明。戴尔、联想、超微的 OEM 包装细节同样未披露。
比赛战报运维挑战：数千 GPU 协同中的单点瓶颈
Minerva 瞄准的问题是超大规模集群运营者普遍面临的：数千块 GPU 通过高速互联组成一台巨型机器，任何单个部件超出规格都会拖慢整个训练任务。英伟达举例称，一块温度高于邻卡的 GPU，或一块负载下性能下降的 NVMe 硬盘，都可能成为数据信号。目前这类数据分散在网络工具、计算工具和 ML 团队仪表盘中，各系统对同一集群的视图彼此割裂。Minerva 试图将这些信号整合，提供统一的可观测性视图。
赛事直播从 Meta Prometheus 到商业化封装：行业验证
Meta 上周公布的 Prometheus 超大规模集群项目展示了 Minerva 所针对问题的规模。Meta 将每个 NVL72 域划分为 64 块 GPU 的切片，其余 8 块作为机架内备用，约 2% 的机架保持储备，所有维修后的系统需通过验证才能重新上线。经过一年与英伟达工程师的联合根因分析，中断次数减少 99%，平均中断间隔超过 54,000 GPU 小时，目标为 100,000 小时。Meta 采用的是定制遥测管道和联合分诊团队，而 Minerva 看起来是这一流程的打包版本，让企业和新云服务商能获得超大规模级别的 GPU、网络和存储健康可见性。
| 维度 | Meta Prometheus 方案 | NVIDIA Minerva 平台 |
|---|
| --- | --- | --- |
|---|
| 部署模式 | 定制化自建管道 | 面向企业/OEM 打包交付 |
|---|
| 数据源 | 深度定制遥测 | GPU/网络/存储/调度器 |
|---|
| AI 分析 | 联合团队人工+工具 | 监督/非监督 ML 自动分析 |
|---|
| 中断改善 | 中断减少 99% | 未公布具体数字 |
|---|
| 目标用户 | 超大规模云厂商 | 企业、新云、AI 工厂 |
|---|
客户声音：IREN 的实践反馈
IREN 首席技术官 Denis Skrinnikoff 表示：“NVIDIA Minerva 让我们的运维团队在网络、GPU 和运行任务上拥有统一视图。”他透露，该平台帮助团队将更多时间转向主动维护。这一评论呼应了英伟达对平台价值的定位：通过 GPU 小时数、有效产出、集群正常运行时间和 Token 产量来衡量 AI 工厂良率。英伟达声称 Minerva 能延长中断间隔、加快修复速度并减少告警数量，但尚未公布平均修复时间或正常运行时间的量化数据。
存储视角：NVMe 性能衰减的早期发现
对存储行业而言，Minerva 值得关注的点在于将驱动器负载行为与 GPU、网络遥测并列为输入信号。当 NVMe 设备性能下降时，GPU 利用率往往不会立即反映，直到检查点或数据加载阶段停滞才会暴露。Minerva 的存储遥测深度，以及哪些 OEM 和阵列平台会接入数据，将是产品上市后值得深入观察的细节。
Q1: Minerva 与英伟达 Mission Control 有何区别？
A1: 英伟达尚未明确说明两者关系。Mission Control 更侧重于集群部署和作业管理，而 Minerva 聚焦于基于 AI 的异常检测和根因分析。两者可能会互补，但官方未公布整合细节。
Q2: Minerva 何时正式上市？
A2: 英伟达未公布定价和一般可用性日期。目前仅 IREN 在运行，IBM、特斯拉等多家企业计划部署。客户需联系英伟达客户团队获取更多信息。
Minerva 的发布标志着 AI 工厂运维从人工排障迈向智能化主动管理。随着戴尔、联想、超微等 OEM 伙伴的加入，以及 IBM、特斯拉等大客户的采用计划，AI 工厂可观测性市场将迎来新一轮竞争。英伟达能否兑现其良率提升承诺，将决定 Minerva 能否成为 AI 基础设施运维的标准答案。
Market Overview
英伟达发布 AIOps 平台 Minerva，整合 GPU、网络与存储遥测，通过机器学习实现 AI 工厂主动运维。戴尔、联想、超微将提供该平台，IREN 已部署。
