英伟达把自愈恢复引擎接进Kubernetes：故障节点先隔离，训练任务不必等根因诊断
英伟达 Mission Control 2.5 把原本只服务 Slurm 高性能计算负载的自主恢复引擎扩展到由 NVIDIA Run:ai 管理的 Kubernetes 工作负载。此前这类 AI 工厂依赖人工干预、静态检查点和被动监控，难以支撑数十个并发多节点训练任务。新版本把工作负载放置、作业恢复与硬件恢复分成三层协同：作业侧依据失败历史和作业拓扑决定重启、重试或重新排队，硬件侧隔离可疑节点并做诊断，使恢复不必等待根因分析。