Michael JohnsonEtt fel i ett stort AI-kluster kan börja med en knappt märkbar avvikelse: en GPU blir varmare än de andra, en lagringsenhet tappar hastighet under belastning och träningen går långsammare. Den 22 oktober 2026 presenterade NVIDIA Minerva, en AIOps-plattform som samlar telemetri från infrastrukturen och pågående AI-arbetslaster i en gemensam bild.
Enligt NVIDIAs beskrivning kopplar systemet samman data från GPU:er, nätverksutrustning, lagring, schemaläggare och jobb. Det praktiska syftet är att hjälpa operatörer att koppla försämrad jobbprestanda till ett sannolikt problem i en viss komponent, i stället för att analysera separata övervakningspaneler var för sig.
Från enskilda mätvärden till en karta över samband
Minerva bygger en dynamisk kunskapsgraf som länkar den fysiska infrastrukturen – däribland GPU:er, SuperNIC:ar, switchar och kablar – till de jobb som körs. Enligt NVIDIA bearbetar systemet miljarder datapunkter i timmen, lär sig klustrets normala beteende, upptäcker avvikelser och kopplar samman relaterade händelser med hänsyn till topologin.
För ett jourteam är sådana samband viktiga vid felsökning av kedjeproblem: operatören kan följa hur försämrad funktion i en komponent påverkar ett jobb som använder den delen av klustret. Minerva grupperar också relaterade signaler till en incident med en sannolik grundorsak, för att minska flödet av separata varningar.
Rekommendationer är fortfarande en del av arbetsflödet
Plattformen har en inbyggd assistent på naturligt språk som besvarar frågor om klustrets tillstånd utifrån aktuell telemetri och föreslår åtgärder. Teamet kan tillämpa en korrigering manuellt eller koppla automatisering till infrastrukturens API:er och externa agentverktyg. En viktig praktisk fråga vid införandet är därför vilka åtgärder som förblir rekommendationer och vilka operatören tillåter att systemet utför automatiskt.
NVIDIA beskriver Minervas mål utifrån AI-fabrikens verksamhetsresultat: GPU-timmar, goodput, klustertillgänglighet och tokenproduktion. Därmed flyttas övervakningens fokus från antalet varningar till sambandet mellan infrastrukturens tillstånd och det beräkningsarbete som faktiskt har utförts.
Lansering och införande
Bland de företag som enligt NVIDIA redan använder Minerva för att optimera AI-fabriker finns IREN. Aolani, Bitdeer AI, IBM, Jio, Lambda, Quake AI och Tesla planerar att driftsätta plattformen. Dell Technologies, Lenovo och Supermicro avser att erbjuda den som en del av sina lösningsportföljer för drift av AI-fabriker.
Tillkännagivandet den 22 oktober beskriver plattformens tillgänglighet och de namngivna partnernas planer, men det publicerade materialet innehåller inga jämförbara, oberoende mätningar av hur mycket Minerva minskar driftstopp eller felsökningstid. En bra utgångspunkt för operatörer är att kontrollera om systemet omfattar deras telemetrikällor, koppla dess incidenter till den befintliga jourprocessen och fastställa gränserna för automatiserade åtgärder. Den främsta styrkan i tillvägagångssättet är att förena infrastruktur- och arbetssignaler kring en gemensam uppgift: att förstå var användbar beräkningskapacitet går förlorad och varför.