英伟达把DGX SuperPOD运维交给AI智能体：跨层定位训练掉速，只读权限先行
英伟达为自家DGX SuperPOD运维开发了AI Factory Operations Agent，让站点可靠性工程师不必逐个查看计算、网络、硬件和调度仪表盘。该智能体由面向不同运维领域的专用子智能体组成，通过MCP协议通信，在生产中检测故障、跨层关联根因并经聊天界面给出建议。框架以Kubernetes控制面应用形式部署，工具调用受只读凭据和RBAC约束，编排框架以实验性开源软件发布。
英伟达发布工厂运营蓝图FOX：工厂经理智能体串联巡检、返修与根因分析
英伟达发布工厂运营蓝图FOX，为现有工厂系统加一个工厂经理智能体，由它调度巡检、根因分析、车队管理等专职智能体。此前工厂团队要跨系统取证、咨询专家再协调下一步，耗时且依赖人工逐系统查询。FOX以SMT产线为参考示例，把AOI报警一路串到二次复检、数字孪生中的返修搬运和回流焊读数异常分析，并输出含来源记录与建议措施的PDF报告。
英伟达把AI工厂遥测接成一张因果图：81条告警并成1起事件，省下约54小时集群运行时间
英伟达推出面向AI工厂的AIOps平台Minerva，把GPU、交换机、存储与训练作业的遥测汇入一张随作业变化更新的知识图谱，再用监督与无监督模型识别静态阈值抓不到的“灰色故障”。在英伟达给出的一个案例中，一次交换机重启引发的81条独立事件被合并为一起事件，节省约54小时集群运行时间；另一个案例中，平台从约40万个接口里定位到一条正在悄悄丢带宽的NVLink连接。这些数字来自英伟达内部测试与案例描述，覆盖的是其支持场景。
钢铸造缺陷分析不再靠提示词：把关键检查写进代码，同一铸件缺陷定位从零次提到16次
钢铸造缺陷与设备故障的根因分析开始把关键检查从提示词搬进代码。此前通用大模型给出的答案对错都同样自信，一次把1300°C以上判为物理不可能并建议更换温度传感器。该系统用确定性决策门、逐页文档卡片与逐字引用校验约束模型，并在同一铸件上把缺陷位置的提及从零次提高到16、11和3次，但量化密度仍远低于参考分析。
运维智能体不再每次从零查故障：把处置经验写成检测器和手册，复发故障解决快2.1倍
面向Kubernetes分布式应用的运维智能体SDO把每次故障处置沉淀为可复用的运维记忆：手册记录可参数化的诊断与修复步骤，检测器用非LLM代码在集群状态上判断何时该调用哪本手册，架构摘要则把手册中的角色绑定到当前应用。在11个开源微服务应用上，SDO在复发故障上把解决时间降低52%，中位解决时间从584秒降到282秒、token从540万降到220万；从源码部署应用时，运维记忆把部署时间与token用量降低47.5%。
NTT DOCOMO 与作者在 MWC 展示：级联图算法加智能体编排，在商用网络上把根因分析从数小时压缩到数分钟
该文梳理了图智能在网络领域从拓扑建模、本体语义、告警关联、依赖图、因果子图到图神经网络的演进，并提出以网络数字孪生图为基础、由级联图算法（分解、聚类、以告警集为参照的中心性排序）配合智能体编排进行根因分析的方法，作者称与 NTT DOCOMO 在 MWC 上于商用网络实现了分钟级根因分析。
已读完全部报道