NVIDIA发布Minerva：把AI工厂遥测与工作负载关联做故障诊断

NVIDIA于10月22日发布Minerva，一套面向AI工厂的AIOps平台。它将GPU、网络、存储、调度器和AI工作负载的遥测数据关联起来，并用动态知识图谱映射基础设施与运行中的任务，帮助运维人员从训练变慢等现象追查可能受影响的组件。

官方介绍称，Minerva会结合监督式与非监督式机器学习识别异常、预测潜在故障，并把相关告警归并为更聚焦的事件；内置AI助手可基于实时遥测回答运维问题、给出修复建议。团队可以由人员审核后手动执行，也可通过基础设施API接入自动化。

NVIDIA称IREN已在使用Minerva，Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI和Tesla计划部署，Dell、Lenovo与Supermicro也将把它纳入AI工厂运维组合。以上采用和能力信息来自厂商公告；实际可用性及运维收益仍需各部署方数据验证。

NVIDIA官方公告：https://blogs.nvidia.com/blog/minerva-platform-infrastructure/