在 AI 工厂里，最贵的不是 GPU，而是停摆的 GPU。
一台 GPU 过热，一块 NVMe 硬盘在负载下掉速，一个网络接口异常，这些在几十万张卡规模的集群里，本是可以被提前发现的微小信号。但传统监控工具把数据中心切成互不相通的孤岛，网络团队看网络的仪表盘，算力团队看 GPU 的指标，机器学习团队看训练任务的状态。等故障真正发生时，整个训练任务已经被拖慢甚至中断。
10 月 22 日，英伟达在 GTC Berlin 上推出了 Minerva，一个 AI 原生的 AIOps 平台。它的目标很直接，就是把基础设施和 AI 工作负载的遥测数据打通，用 AI 模型从每小时数十亿个数据点里提前发现问题，让 AI 工厂的 GPU 跑得更久、修得更快。英伟达内部测试给出的数字是，一次 NVMe 电源故障的平均修复时间（MTTR）从“数天”缩短到 6 小时；另一次，81 条嘈杂告警被压缩成 1 条可执行事项，省下 54 小时集群正常运行时间。
这看起来是一个运维工具的发布。但把它放在英伟达的版图上，问题就变了。当 AI 工厂的规模膨胀到几十万张 GPU，决定产出的瓶颈不再是算力本身，而是运维效率。英伟达正在从“卖铲子的人”，走向“管铲子的人”。
AI 工厂越大，运维越成为瓶颈
AI 工厂是世界上最复杂的运营系统之一。海量的 GPU 通过高速网络协同工作，训练模型、提供推理服务。在这种规模下，任何一个组件的性能下降都可能拖慢整个任务。
英伟达在官方博客里把 Minerva 的价值锚定在一个词上，那就是 yield，也就是产出效率。它被定义为基础设施通过 GPU 小时、有效吞吐量（goodput）、集群正常运行时间和 token 产量所产出的“有用功”。这四个指标，恰恰是今天 AI 云厂商和自建算力集群最核心的 KPI。
首批客户名单已经说明了这个市场的紧迫性。IREN 已经在用 Minerva 优化自己的 AI 工厂；Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI 和特斯拉计划部署。戴尔、联想和超微则会把 Minerva 纳入各自的 AI 工厂运维产品组合。
“随着我们扩大 AI 工厂规模，为客户提供最佳服务的关键在于最大化 GPU 的生产力。NVIDIA Minerva 让我们的运维团队对网络、GPU 和运行在上面的任务拥有统一视图，因此我们可以把更多精力放在预防性维护上，而不是故障排查。这种可见性也强化了我们正在建设的下一代基础设施的运营模式。”IREN 首席技术官 Denis Skrinnikoff 说。
这份名单的构成值得注意，它既包括 IREN、Bitdeer、Lambda 这样的算力运营商，也包括 IBM、Jio、特斯拉这样的大规模自建用户。当这些玩家的集群规模从几千张卡走向几十万张卡，运维的边际成本开始超过硬件采购成本。
Minerva 的三步，采集、关联、行动
Minerva 做的事可以拆成三步。
先说采集。Minerva 从 NVIDIA GPU、Spectrum-X 以太网、NVLink 交换机、SuperNIC、DPU、调度器（如 Slurm 和 NVIDIA Run:ai）以及 AI 工作负载中摄取全栈遥测数据。它支持的接入标准包括 OpenTelemetry、gNMI、syslog、DCGM、Slurm 和 JSON。这意味着它不只读硬件指标，也读任务层面的状态。
再说关联。这些遥测数据被转化成一个动态知识图谱，逻辑上映射基础设施，包括 GPU、SuperNIC、交换机、线缆，以及运行在上面的任务。Minerva 用监督学习和无监督学习每小时分析数十亿个数据点，学习正常行为，检测前所未见的异常，预测即将发生的故障，并根据工厂的拓扑结构关联相关事件。
这一步的价值在于跨层归因。传统工具能看到“某个接口异常”，但很难回答“这个异常影响了哪个训练任务”。Minerva 的图谱能在几十万个接口中，把单个异常接口精确关联到它影响的那个训练任务。
最后是行动。Minerva 不会把每个症状都抛给运维人员，而是把一场“告警风暴”聚合成一个带有疑似根因的可执行事项。它自带一个原生 AI 助手 Sherlock，这是一个平台原生的多智能体 AI 助手，运维人员可以通过自然语言对话查询集群健康状况并获得修复建议。Minerva 还通过 MCP 服务器连接第三方智能体工具，并可以对接 Slack、Microsoft Teams、PagerDuty、ServiceNow、Grafana、Ansible 和基础设施 API。团队可以选择保留人工干预，也可以通过自动化闭环直接修复。
为什么这个问题以前没被解决
这个问题要分两层看。
技术层面上，过去的监控工具是“烟囱式”的。网络、算力、站点可靠性、机器学习团队各自看到运营的不同部分。数据是割裂的，工具是孤立的。当故障横跨多个层级时，排查成本呈指数级上升。一个训练任务变慢，可能是 GPU 问题，可能是网络拥塞，可能是存储掉速，也可能是调度器分配不当。在传统架构下，定位根因需要多个团队开会、对表、猜。
商业层面上，这个问题在一年前还不算紧迫。2024 年到 2025 年初，AI 算力的主要矛盾是“买不到卡”。谁能抢到 H100、B200，谁就赢了，运维效率是次要问题。但到了 2026 年，随着 Blackwell 和 Vera Rubin 平台的大规模交付，几十万张 GPU 的集群开始成为常态。矛盾从“有没有卡”转向“卡能不能一直跑”。
英伟达自己的内部测试数据说明了这个转折的幅度。通过预测性维护，平均中断间隔时间（MTBI）提升；通过自动化根因分析，MTTR 下降；通过高级降噪，可执行洞察增加；有效 GPU 小时增加，直接推高 token 产量。最具体的两个案例是，一次 NVMe 电源故障的 MTTR 从数天缩短到 6 小时；81 条嘈杂事件被压缩成 1 条告警，省下 54 小时集群正常运行时间。
这两个数字背后是同一个逻辑。在大规模集群里，故障不可避免，但故障的影响范围和处理速度是可以被压缩的。
英伟达的生态锁定新打法
Minerva 的发布不能只被理解为一个产品更新。它是英伟达在 AI 工厂时代的一次生态位前移。
过去，英伟达的护城河是硬件，GPU 性能、NVLink 互联、InfiniBand 和 Spectrum-X 网络。客户买了硬件，运维是自己的事。Minerva 改变了这个分工，英伟达开始提供从硬件到运维的全栈软件层。
这套打法有几个关键设计。
Minerva 是 NVIDIA Vera Rubin 全栈平台的组成部分，也是 NVIDIA AI 工厂、Vera Rubin 和 Blackwell 的主要网络可观测性解决方案。它覆盖 Spectrum-X 以太网的横向、纵向和内向扩展，覆盖 NVLink 的纵向扩展，覆盖 Slurm 等调度器和 AI 工作负载。这意味着买英伟达全栈平台的客户，运维层天然就是 Minerva。
戴尔、联想、超微这三家服务器厂商会把 Minerva 纳入各自的 AI 工厂运维产品组合。这相当于英伟达把运维软件铺进了服务器厂商的销售渠道。客户买服务器时，运维方案已经打包好了。
Minerva 的关键能力，从 Minerva Collector 开始，将在 DSX OS 中开源，形成一个模块化的可观测性基础。开源采集层、闭源分析层，这是典型的“底层开放、上层增值”打法。它降低了客户的接入门槛，同时把高价值的 AI 分析和智能体能力留在英伟达手里。
这种打法的结果是，英伟达在 AI 工厂的价值链上又往上走了一层。硬件是一次性销售，而运维软件是持续消耗、持续迭代、持续产生粘性的层。当客户的运维流程、告警规则、修复剧本都构建在 Minerva 之上，更换硬件平台的成本就被显著抬高。
AI 基础设施竞争，从规模转向效率
Minerva 的发布指向一个更宏观的判断，AI 基础设施的竞争正在从“算力规模”转向“算力效率”。
在算力稀缺时代，胜负手是谁有更多的 GPU。在算力充裕时代，胜负手是谁的 GPU 跑得更快、更稳、更久。当几十万张 GPU 的集群成为行业标配，正常运行时间每提升一个百分点，对应的都是可观的 GPU 小时和 token 产量。
谁会受益？首先是英伟达自己，它从硬件供应商变成了运维层平台商，护城河更深。其次是已经部署 Minerva 的算力运营商，它们可以用更少的运维人力支撑更大的集群。
谁会有压力？传统监控厂商，以及那些只提供硬件、没有运维软件层的服务器厂商。当运维成为 AI 工厂的核心竞争力，纯硬件玩家的话语权会被稀释。
对行业观察者来说，接下来要关注三个信号，一是 Minerva 在特斯拉、IBM 这类超大规模自建用户那里的实际部署效果；二是开源采集层会吸引多少第三方生态；三是英伟达会不会把 Minerva 的定价模式从“随硬件赠送”转向独立订阅，那将是它软件化程度的真正试金石。
AI 工厂的下半场，赢家不属于拥有最多 GPU 的人，而属于能让每一张 GPU 都一直跑下去的人。英伟达押注 Minerva，本质上是在赌，算力的终局不是规模，而是 uptime。
快报