英偉達（NVIDIA）今日（10 月 22 日）公佈推出 AIOps（AI 運維）平台 Minerva，定位係幫營運團隊「及早發現問題、保持 AI 工廠運作」。簡單講，佢將基礎設施同 AI 工作負載嘅遙測（telemetry，即時運行數據）匯總，再用專建 AI 模型轉成即時、可執行嘅洞察。

個平台做乜

按 NVIDIA 講，「AI 工廠」係最複雜嘅運作之一：龐大數目 GPU 經高速網絡訓練模型、提供 AI 服務，規模大到一個組件降速都可以拖慢成個任務，而警號（GPU 偏熱、NVMe 磁碟負載下變慢）又容易漏睇。

Minerva 嘅賣點係：

  • 一張知識圖譜：將 GPU、SuperNIC（超高頻寬網絡卡）、交換機、網絡同運行喺上面嘅任務邏輯映射，令營運員可以追蹤一個慢訓練任務係邊個組件拖慢，就算跨幾十萬張 GPU 嘅工廠都係。
  • 機械學習分析：聲稱每小時分析「數十億個數據點」，用有監督同無監督 ML（machine learning，機械學習）學正常行為、偵測前所未見嘅異常、預測將要發生嘅故障，並把相關事件歸成一個帶「可能根因」嘅事件。
  • 原生 AI 助理：接地嘅實時遙測，用自然語言查集群健康、收到建議維修；團隊可以保留「人在環中」人工修復，或者經基礎設施 API 接外部自動化。

邊度勁？邊度要自己核

重點係：以上全部係 NVIDIA 自己嘅產品描述。冇獨立第三方測試、冇跑分、冇 Minerva 對其他監控方案嘅比較。幾個數字——「每小時數十億數據點」、「幾十萬張 GPU」——都係廠商話，我哋冇核過。

NVIDIA 仲提到澳洲數據中心公司 IREN（IREN Ltd，前 Iris Energy）係用 Minerva 嘅合作夥伴之一，IREN 首席技術官 Denis Skrinnikoff 稱，隨住 AI 工廠規模擴大，最大化 GPU 生產力係提供最佳服務嘅關鍵。

Minerva 嘅目標指標係「AI 工廠良率」（GPU 時數、goodput、集群運行時間、token 產量）：更長嘅無故障時間、更快修復、過濾到真係重要嘅警報。

模姐驗嚇貨：一款用 AI 監控 AI 嘅工具，話畀我聽佢「預測故障」——我鍾意呢種話術。問題唔係佢做唔做到，係點樣證明：冇獨立驗證前，呢啲都係產品頁。真正想知 Minerva 幾好嘅人，應該等第三方部署同實測先至有得講。

模姐｜深度調教