NVIDIAは2026年10月22日、AIデータセンター(同社の呼ぶAIファクトリー)の運用監視に特化したAIOpsプラットフォーム「NVIDIA Minerva」を発表しました。GPU、ネットワーク、ストレージ、スケジューラー、学習・推論ジョブのテレメトリを統合し、異常の予兆検知や障害原因の調査を支援します。大規模なGPUクラスタでは、GPUの発熱やNVMeストレージの性能劣化、1本のネットワーク経路の不調といった個別の兆候が、クラスタ全体の学習・推論の処理量を下げる要因になる。NVIDIAは指標として、GPUの稼働時間、実際に役に立った処理量(goodput)、クラスタの稼働率、トークン生成量を挙げ、Minervaをこれらの「AIファクトリー収量」を高める製品として位置づけています。
どのように監視するか
MinervaはNVIDIAのGPU、SuperNIC、DPU、NVLinkとSpectrum-Xのスイッチ、ストレージ、NCCL、SlurmやRun:aiなどのスケジューラー、学習・推論ワークロードからテレメトリを取り込みます。取り込む形式はOpenTelemetry、gNMI、syslog、DCGM、Slurm、JSONです。連携先としてSlack、Microsoft Teams、PagerDuty、ServiceNow、Grafana、AnsibleやインフラAPIを製品ページは挙げています。
取り込んだデータから、Minervaは機器と、その上で動くジョブの対応関係を動的ナレッジグラフとして構築する。専用に作った機械学習モデルが1時間当たり数十億のデータ点を分析し、通常の挙動を学んだうえで異常を検知し、トポロジーに基づいて関連するイベントを1件のインシデントにまとめ、原因の候補を示します。従来型の監視がネットワーク、計算基盤、SRE、機械学習運用と部門ごとに分かれがちなのに対し、横断して見られる点が特徴だと同社は説明しています。
- 01 収集
テレメトリ
GPU、ネットワーク、ストレージ、スケジューラー、ジョブから、OpenTelemetryやgNMIなどの標準形式で収集する。
- 02 統合
ナレッジグラフ
機器と、その上で動くジョブの対応関係を動的ナレッジグラフとして整理する。
- 03 分析
機械学習
通常の挙動を学び、異常検知、イベントの相関、原因候補の提示を行う。
- 04 対応
調査・復旧
担当者がAIアシスタントとの対話で調査・復旧を進めるか、インフラAPI連携で自動化する。
NVIDIAの製品ページ「How NVIDIA Minerva Works」と公式発表(2026-10-22)にもとづく。2026-10-25確認。
AIアシスタントとMCP接続
Minervaには自然言語で障害を調査できるAIアシスタント「NVIDIA Sherlock」が組み込まれ、ライブのテレメトリに基づいて対話形式の調査と修理の推奨を行います。MCP(Model Context Protocol)サーバー経由での、顧客側AIエージェントからの接続も可能です。復旧の実行は人間が行う運用と、API経由の自動化の両方を想定しており、同社は人を介在させる形を示しています。
導入形態と公開範囲
導入形態はオンプレミスとSaaSの両方に対応し、単体のCollector、AI分析の追加、ターンキー構成などの選択肢を製品ページに記載しています。NVIDIAはMinerva CollectorをDSX OS経由でオープンソース化する方針を説明していますが、これは予定で、現時点でプラットフォーム全体がOSSとして公開されているわけではありません。
導入企業と提供企業
IRENGPUクラウド
- 状況
- 利用中
- 内容
- 運用で使用、CTOがコメント
Aolaniほか6社クラウド・企業
- 状況
- 導入予定
- 内容
- Bitdeer AI、IBM、Jio、Lambda、Quake AI、Tesla
Dellほか2社サーバー大手
- 状況
- 提供予定
- 内容
- Lenovo、Supermicroが運用製品群で提供
NVIDIA公式発表(2026-10-22)にもとづく。「導入予定」「提供予定」は計画で、完了は確認されていない。2026-10-25確認。
「規模を拡大するなかで最良のサービスを届ける鍵は、GPUの生産性を最大化することです。NVIDIA Minervaは運用チームに、ネットワーク、GPU、その上のジョブを一つの画面で見る視点を与え、障害対応よりも先回りの保守に力を注げるようにします。」
As we scale our AI factories, the key to providing the best service for our customers is maximizing the productivity of our GPUs. NVIDIA Minerva gives our operations team one view across the network, the GPUs and the jobs running on them, so we focus more on proactive maintenance rather than troubleshooting.
公表されている効果の位置づけ
NVIDIAは内部のAIファクトリー試験での結果として、NVMe電源障害の復旧時間が数日規模から6時間に短縮された例と、81件のノイズだらけのイベントを1件のアラートに集約して54時間のクラスタ稼働時間を節約した例を挙げています。Bitdeer AIも2026年10月22日、Minerva対応を発表する形でこの数値を紹介しました。これらはNVIDIA自身の試験結果で、独立した検証値や一般的な保証値ではありません。
監視・運用ソフトウェアの導入は、GPUを増やす投資と比べて小さく見えますが、AIデータセンターの経済性は停止時間と有効処理量で決まります。フルスタックをNVIDIA製品で固める顧客には運用効率の向上が見込める一方、監視もNVIDIAの環境に寄せる依存関係の深まりが伴います。この点は本稿の編集部による分析です。
今後の確認点
導入予定とされた各社の本番導入、第三者による停止時間や修理時間の実績公開、Minerva CollectorのOSS公開の実際、価格と提供日程は2026年10月25日時点で確認できていません。
出典
- NVIDIA Unveils Minerva to Bring End-to-End Observability for AI Factories(NVIDIA Blog)2026-10-22公開。発表日、プラットフォームの目的、動的ナレッジグラフ、AIアシスタントと外部エージェント接続、IRENの利用とCTO発言、導入予定・提供予定企業の一覧を本文で確認。2026-10-25確認。
- NVIDIA Minerva(NVIDIA Networking 製品ページ)対応テレメトリ(OpenTelemetry、gNMI、syslog、DCGM、Slurm、JSON)、連携先(Slack、Teams、PagerDuty、ServiceNow、Grafana、Ansible)、Sherlock、MCPサーバー、オンプレミス/SaaSの導入形態、DSX OSとの関係とCollectorのOSS化予定を本文で確認。2026-10-25確認。
- Bitdeer AI Brings NVIDIA Minerva's AI-Native AIOps(Bitdeer AI)2026-10-22公開。Bitdeer AIによる対応発表。NVIDIA内部試験の数値(NVMe電源障害の復旧が数日から6時間、81件のイベントを1件に集約して54時間節約)はNVIDIA自身の試験結果として紹介。2026-10-25確認。
出典の確認日 2026.10.25