NVIDIA、AIファクトリーの可観測性を実現するMinerva AIOpsプラットフォームを発表

NVIDIAは2026年10月22日、AIファクトリー全体でインフラの問題を早期に把握できるよう運用チームを支援するAIOpsプラットフォームとして、Minervaを発表した。同社によると、MinervaはインフラとAIワークロードの両方からテレメトリを集約し、専用に開発されたAIモデルを適用して、そのデータを実用的な知見へと変換する。

NVIDIAによると、AIファクトリーは世界で最も複雑な運用環境の一つであり、高速ネットワークを介して膨大な数のGPUがモデルのトレーニングやAIアプリケーションの提供を担っている。この規模では、同等のGPUより高温で動作するGPUや、負荷がかかると性能が低下するNVMeドライブなど、単一のコンポーネントの劣化がジョブ全体を遅らせる可能性があり、こうした予兆を見逃しやすい。Minervaが対象とするのは、NVIDIAが「AIファクトリーの生産成果」と呼ぶものだ。これはインフラが生み出す有用な作業量を指し、GPU時間、グッドプット、クラスターの稼働率、トークン生成量によって測定される。

工場の動的なナレッジグラフ

従来の監視ツールでは、データセンターの情報が個別の画面に分断されることが多く、ネットワーク、コンピューティング、サイト信頼性、機械学習の各チームが、それぞれ運用環境の異なる部分を見ている。NVIDIAによると、MinervaはGPU、ネットワーク、ストレージ、スケジューラー、ワークロードに関するシグナルを横断的につなぐ。

Minervaはこれらのシグナルから、GPU、SuperNIC、スイッチ、ケーブルと、それらの上で実行されるジョブを論理的に対応付けた動的なナレッジグラフを構築する。NVIDIAによると、この対応付けにより、数十万台のGPUを稼働させるファクトリーでも、低速化したトレーニングジョブに影響しているコンポーネントを運用担当者がたどって特定できる。

NVIDIAによると、このプラットフォームは教師あり・教師なし機械学習を用いて1時間あたり数十億件のデータポイントを分析し、通常の動作を学習するほか、これまで検知したことのない異常を検出し、障害の兆候が現れると予測するとともに、ファクトリーのトポロジーを使って関連イベントを相関付ける。また、関連イベントが大量に発生した場合、個々の症状を運用担当者に一つずつ転送するのではなく、根本原因の候補を含む、対応に集中できる単一のインシデントに集約できる。

AIアシスタントと修復ワークフロー

Minervaには標準搭載のAIアシスタントが備わっており、外部のエージェント型AIツールにも接続できるため、運用担当者はリアルタイムのテレメトリに基づく自然言語インターフェースを利用できる。担当者は対話を通じてクラスターの健全性を調査し、推奨される修復策を受け取れる。チームは人が介在して手動で修正を実行する運用を続けることも、インフラのアプリケーション・プログラミング・インターフェースや外部システムを介してプラットフォームを自動化機能に接続することもできる。

Bitdeer AIは、2026年10月22日に自社でのプラットフォーム導入を発表し、標準搭載のアシスタントをSherlockと称している。SherlockはMinervaにネイティブに組み込まれたマルチエージェントAIアシスタントであり、MCPサーバーを通じて、運用担当者がリアルタイムのテレメトリに基づく自然言語の対話でトリアージやデバッグを行えるという。Bitdeer AIによると、このソフトウェアは単独のプラットフォームとして導入でき、NVIDIA DSX OSと統合されている。同社の発表によれば、テレメトリの対象範囲はNVIDIA GPU、ConnectX SuperNIC、BlueField DPU、NVLinkスケールアップスイッチ、Spectrum-Xの東西・南北イーサネット、NCCL、スケジューラー、AIワークロードに及ぶ。

報告された成果

NVIDIAによると、このプラットフォームはAIファクトリーが重視する主要な指標に価値をもたらす。問題が発生する前に兆候を検知して中断間隔を延ばし、インシデント発生時には問題箇所を特定して修復までの時間を短縮する。また、現代のAIインフラが生成する膨大なデータを、本当に重要な少数のアラートに絞り込んで、より深い知見を得られるようにする。同社によれば、プラットフォームは関連する問題を対応可能な単一の項目に集約するため、AIOpsチームは事後対応型から予防型の保守へ移行でき、AIファクトリーのGPU稼働率の最大化につながる。

Bitdeer AIは、NVIDIA社内のAIファクトリーでのテスト結果を報告した。あるケースでは、MinervaによってNVMeの電源障害の平均修復時間が数日間に及ぶ停止から6時間に短縮され、別のケースでは、ノイズの多い81件のイベントが単一のアラートに集約され、クラスターの稼働時間を54時間分確保できたという。Bitdeer AIによると、社内テストではさらに、予知保全による平均中断間隔の延長、自動化された根本原因分析による平均修復時間の短縮、高度なノイズ低減による実用的な知見の増加、そしてトークン生成量を直接押し上げる有効GPU時間の増加が確認された。

早期導入企業とOEMパートナー

IRENは、AIファクトリーの最適化にMinervaを活用するNVIDIAのパートナーの一つだ。「NVIDIA Minervaにより、運用チームはネットワーク、GPU、そこで実行されるジョブを一つの画面で把握できるため、トラブルシューティングよりも予防的な保守に注力できます」と、IRENの最高技術責任者であるDenis Skrinnikoff氏は発表の中で述べた。

Bitdeer AIは、現在、自社のAIファクトリー運用でMinervaをサポートしていると述べ、この導入を、大規模なAIのトレーニングと推論に向けて、信頼性が高く大きな成果を生み出すGPUインフラを提供するという取り組みの拡大と位置付けた。同社によると、プラットフォームの可観測性、予知保全、エージェント型トラブルシューティングによって、劣化がジョブに影響する前に検知し、修復時間を短縮するとともに、より多くのGPUを顧客向けの処理に活用できる。また、このソフトウェアは、小規模なクラスターから数十万台のGPUを備えるAIファクトリーまで拡張できるよう設計されている。

Lenovoは、自社のGTC Berlinでの投稿で、環境の拡大に伴い、MinervaがチームによるAIインフラの可用性とパフォーマンスの管理を支援できると述べ、Lenovo Hybrid AI Factory with NVIDIAソリューションと並べて紹介した。またLenovoは、顧客が自社の運用を自ら管理できるようにすることを目的としたSovereign AI Factoryソリューションについて、IBMおよびNVIDIAと協業しているとも述べた。

NVIDIAは、IRENに加え、Aolani、Bitdeer AI、IBM、Jio、Lambda、Quake AI、TeslaがMinervaの導入を計画していると発表した。NVIDIAによると、Dell Technologies、Lenovo、Supermicroは、それぞれのAIファクトリー運用ポートフォリオの一環として同プラットフォームを提供する予定だ。