作为全栈 NVIDIA Vera Rubin 平台的一部分，NVIDIA Minerva 将来自计算和 NVLink 交换的全栈遥测数据转化为主动维护、智能体调试和闭环修复。这保护了 GPU 工作时间、集群正常运行时间和 Token 生产，最大化 AI 工厂产出。
NVIDIA Minerva
最大化 AI 工厂算力产出的 AI 原生 AIOps 平台。
概览
改变 AI 工厂运营
NVIDIA Minerva™ 是面向 NVIDIA AI 工厂的首选可观测性解决方案。 作为一个 AI 原生的端到端 AIOps 平台，它专为最大化 AI 工厂基础设施栈的可用性和性能而打造。
作为全栈 NVIDIA Vera Rubin 平台的一部分，NVIDIA Minerva 可获取来自 NVIDIA GPU、Spectrum-X™ 以太网、NVLink™ 交换机、SuperNIC、DPU、调度器 (例如 Slurm 和 NVIDIA Run:ai) 以及 AI 工作负载的遥测数据。 通过动态知识图谱、机器学习 (ML) 和代理式 AI，提供实时异常检测、自动根因分析和闭环修复。 AI 工厂借助更快的智能体调试和告警降噪，实现从被动响应到主动维护的转变。
面向 NVIDIA AI 工厂的 AIOps 可观测性解决方案
NVIDIA Minerva 将NVIDIA 计算、网络和全栈 AI 软件产品的遥测数据进行关联。
NVIDIA AI 工厂
更大限度地提升 NVIDIA Vera Rubin 平台的弹性和性能。
NVIDIA DSX OS
将可观测性集成到 DSX 栈的运营和管理中。
NVIDIA Spectrum-X 以太网
利用高频遥测技术实现端到端网络可观测性。
特性和优势
更高的基础设施利用率，提高 AI 吞吐量
保持 AI 工厂全效运行，以最大化产出，加速模型训练和推理，并提高 token 生成量。
最大化计算正常运行时间
可操作的智能以恢复 GPU 运行时间，防止这些时间因未检测到的故障而损失。
从被动响应到主动预防
新出现故障和性能下降在导致训练任务停止之前就被捕获。
降低运营噪音
先进的降噪功能可将事件风暴转化为可操作的告警。
灵活部署
提供从 DIY 到完全交钥匙的多种部署选项，以适应您的组织需求。
预测性维护
自动化预测性维护提高平均无中断时间 (MTBI)。
根因分析
对落后节点 (stragglers) 和失败任务的根因分析可加速恢复并缩短平均修复时间 (MTTR)。
统一视图
跨硬件、调度器和工作负载的实时遥测提供用于问题诊断的统一视图
更多 GPU 小时
更高效的 GPU 运行时间可提高 token 生成量，并缩短训练时间。
功能
面向 AI 工厂的全栈智能
在一个动态、实时视图中关联跨基础设施与工作负载的遥测数据。
产品
NVIDIA Minerva 的工作原理
收集 AI 工厂的每一层的遥测数据，并应用机器学习 (ML) 进行异常检测和关联，以实现可操作的智能。 数据和洞察与 NVIDIA Minerva 的 UI 和 AI 智能体集成，同时也支持与外部可观测性平台和智能体集成。
用例
专为 AI 工厂打造的 AIOps
验证基础设施、调查作业和集群问题、减少噪音，并在影响任务输出之前预防中断。
-
主动式维护
-
代理式调试
-
全栈关联
-
降噪
-
网络可观测性
主动式维护
NVIDIA Minerva 使用基于机器学习的实时异常检测，在基础设施问题影响生产之前将其识别。通过持续监控全 AI 工厂栈，并将数十亿个遥测数据点蒸馏为高保真、可执行的警报，NVIDIA Minerva 为运营团队提供自信行动所需的预警。
从被动故障排除到主动维护的转变可降低 MTTR，避免了数百 GPU 小时的损失，并保持 AI 工作负载以峰值性能运行。
代理式调试
NVIDIA Minerva 为 AI 工厂实现基于智能体、全拓扑的根因分析。它既包含名为 Sherlock 的原生 AI 调试助手，也支持基于 MCP 与其他 AI 智能体 (如OpenClaw) 集成。这些能力可无缝融入现有运营工作流。
运维人员无需手动筛选日志和仪表板，即可用自然语言提问，并获得关于 AI 工厂中发生事情的直接、可操作的答案。
全栈关联
AI 工厂涵盖大量互连系统，从 GPU 节点和 NVLink 网络，到 Spectrum-X 以太网、作业调度器、Slurm 等工作负载管理器，以及活动工作负载。 问题发生时，其根本原因可能源于某一层，但表现为另一层的症状。
通过实时获取全栈遥测数据，并应用基于 ML 的拓扑感知关联，NVIDIA Minerva 可揭示重要的关系：网络异常如何影响 GPU 利用率，或调度器事件如何导致作业吞吐量下降。
运营团队可获得 AI 工厂的单一、统一视图，而不是使跨层调试变得缓慢且昂贵的碎片化、孤立工具。
降噪
告警疲劳是 AI 工厂运营中最被低估的成本之一。一个级联影响百个组件的网络问题可能会生成数千条告警。NVIDIA Minerva 使用拓扑感知关联来映射 AI 工厂的依赖关系，并将相关事件合并为单一的具有上下文的事件。NVIDIA Minerva 将这些警报提炼为单一、精确、优先的信号，并通过 Slack 或 ServiceNow 等工具提供可操作的上下文。
团队花在分类警报上的时间更少、诊断问题更快，并能专注于影响最大的运维问题。
网络可观测性
NVIDIA Minerva 是面向 NVIDIA AI 工厂的首选网络可观测性解决方案。NVIDIA Minerva 包括专为 Spectrum-X 以太网网络、NVLink 纵向扩展网络、硬件健康状况和服务打造的开箱即用仪表板和警报。仪表板与 NVIDIA 参考架构对齐，为运维团队提供最佳实践可见性。
与 DSX OS 集成进一步扩展了这一能力，使 NVIDIA Minerva 能够在更广泛的 DSX 生态系统中共享组件、数据模型和运营上下文。
使用模式
通过灵活的模式部署 NVIDIA Minerva
对于 NVIDIA Minerva 的数据收集器、实时异常检测和 AI 功能，可选择最适合您组织工作流的配置，从 DIY 到全一站式。
资源
了解更多关于 NVIDIA Minerva 的信息
NVIDIA Minerva 常见问题解答
NVIDIA Minerva 是一个 AI 原生 AIOps 平台，关联基础设施与工作负载遥测数据，提供跨计算、网络、存储和 AI 工作负载的全栈可观测性，并将其转化为用于主动或自动化操作的洞察。
NVIDIA Minerva 收集来自 NVIDIA 基础设施、网络、调度程序和工作负载遥测的数据。这种全栈上下文可将异常接口与 AI 作业关联，帮助运维人员找到使用通用工具或单点解决方案可能遗漏的根本原因。
NVIDIA Minerva 是面向 NVIDIA AI 工厂、NVIDIA Vera Rubin 和 NVIDIA Blackwell 的主要网络可观测性解决方案。它涵盖用于 scale-out、scale-across、scale-in 的 NVIDIA Spectrum-X 以太网，用于 scale-in 的 NVIDIA NVLink，Slurm 和其他调度器，以及 AI 工作负载。
NVIDIA Minerva 可以本地部署，或作为 NVIDIA 云中的 SaaS 使用。它支持从 DIY 到全一站式解决方案的多种使用模式，以适应现有 AI 工厂工作流。
NVIDIA Minerva 通过 OpenTelemetry、gNMI、syslog、DCGM、Slurm 和 JSON 等标准，获取计算、网络、存储、调度器、NCCL 和工作负载遥测。它与 Slack、Microsoft Teams、PagerDuty、ServiceNow、Grafana、Ansible 和基础设施 API 集成。
NVIDIA Minerva 使用专门构建的 AI/ML 来学习正常行为、预测异常、关联事件，并推荐修复措施。原生 AI 助手使用实时遥测技术实现自然语言分诊，而其 MCP 服务器将 NVIDIA Minerva 与第三方智能体工具连接。
NVIDIA Minerva 可重用 DSX OS组件，而关键 NVIDIA Minerva 功能 (从 NVIDIA Minerva Collector 开始) 将在 DSX OS 中开源，从而奠定模块化可观测性基础。
后续步骤
