正文(AI 核查整理)

随着游戏团队把 AI 接入资产生产、智能 NPC、代码生成和在线服务,开发与运行环境中的 GPU 集群也变得越来越复杂。单个 GPU 过热、NVMe 驱动器性能下降或高速网络出现异常,都可能拖慢训练与推理任务。NVIDIA 发布 AIOps 平台 Minerva,目标是让运营团队更早发现问题,并提高 AI 工厂的有效产出。

Minerva 的核心做法是连接基础设施与工作负载遥测,将 NVIDIA GPU、网络、存储、调度器及 AI 任务的信号纳入同一视图,再使用面向这些数据构建的专用 AI 模型,把复杂运行信息转化为可及时采取行动的洞察。平台还会构建动态知识图谱,以逻辑方式映射 AI 工厂中的设备和运行关系。

传统监控通常把数据中心拆分为多个独立视角,网络、计算、站点可靠性和机器学习团队各自只能看到局部信息。Minerva 试图打破这种割裂,把导致任务减速或服务异常的多层信号关联起来。对游戏开发者而言,这类能力尤其适合承载批量资产生成、玩家行为预测模型和 NPC 大模型推理等持续消耗 GPU 的工作负载。

平台提出以 AI 工厂产出衡量基础设施效率,关注单位 GPU 小时对应的有效工作、goodput、集群正常运行时间与 token 产量。这意味着游戏团队评估 AI 制作成本时,不应只看模型调用单价和显卡数量,还应把闲置算力、性能波动与故障造成的返工纳入整体生产成本。

对于正在建设内部 AI 工具链的工作室,Minerva 提供了值得评估的运维思路:统一采集基础设施和工作负载数据,再用专用模型前置识别异常,并围绕有效 GPU 产出建立指标。团队可先选择一个资源消耗高、故障影响明显的生成或推理环节试点,再决定是否扩展到覆盖全部集群。