英伟达昨晚发了个叫 Minerva 的 AI 工厂运维平台，说人话就是：给大规模 GPU 集群做“预判式体检”。
以前集群出问题，经常是训练任务变慢了才回头查，网络、算力、存储各看各的仪表盘；Minerva 的思路是把这些遥测数据拢到一起，提前定位 GPU 硬件隐患，尽量在故障冒头前处理掉。这个方向我觉得挺合理——集群大到一定规模，单卡一点小毛病就够拖慢整个训练任务，靠人盯真盯不过来。
多家算力企业计划接入测试，说明运维这块的需求是真实存在的。不过目前还在“计划测试”阶段，实际能不能把误报压住、定位够不够准，得等首批落地反馈。先蹲个后续。
发布于 福建