NVIDIA 推 Minerva，AI 工廠全程可觀測

NVIDIA 發表 Minerva，一套 AI 維運（AIOps）平台，訴求是讓企業更清楚掌握自家 AI 工廠的狀態。系統設計用來監控大規模 AI 運算的整個堆疊，從硬體與基礎設施，到跑在上面的工作負載。 Minerva 會蒐集各層的遙測資料，並套用專門打造的 AI 模型來解讀，目標是把原始訊號轉成給維運與工程團隊的即時指引。這個說法相當務實：AI 叢集越長越大、營運成本越來越高，小問題都可能演變成代價高昂的停機，或是無聲無息的效能損失。傳統監控工具往往只盯單一元件，或要團隊自己把多個系統的資料拼起來。Minerva 則被定位為端到端的可觀測層，協助團隊更早發現異常、理解基礎設施行為如何影響 AI 工作，並讓稀缺的算力資源維持生產力。 NVIDIA 此舉反映 AI 基礎設施的整體轉向。企業不再只是買 GPU，而是在打造需要排程、監控、故障偵測與規模化最佳化的營運環境。一座 AI 工廠可能牽涉數千顆加速器、複雜的網路、儲存與軟體框架，全部都得協同運作。當停機等同於損失的訓練時間與浪費的容量，可觀測性就變得不可或缺。 Minerva 也顯示，AI 正被用來管理 AI 系統本身。專用模型能協助過濾雜訊、關聯事件，並比人工分析更快浮現洞察。如果奏效，平台可幫維運人員縮短平均修復時間，並提升昂貴算力機隊的使用率。主要挑戰在於證明 Minerva 的洞察準確、可行動，而且容易整合進既有的維運流程。就目前來看，NVIDIA 押注的是：可觀測性將成為 AI 工廠堆疊的核心一層。