看 AI 算力，从看卡到看整个系统

AI 任务跑得慢，多加几张 GPU 就一定能快吗？如果数据还没准备好，原来的卡在等，新加的卡也可能一起等。卡的数量增加了，任务完成的速度未必跟着变。

2026 年 10 月 22 日，NVIDIA 发布了 Minerva 运维平台。按它的介绍，这个平台把 GPU、网络、存储、调度和 AI 任务的信息关联起来，帮助运维人员追查任务运行中的问题。这是厂商对产品能力的说明，不能当作独立实测结果。

先看任务怎样经过整套系统

多张卡一起训练模型，需要交换数据；数据读取或程序处理跟不上，也会让 GPU 等待。任务被分配到哪些机器、网络如何通信、存储怎样供数，都可能影响结果。某处慢了，不代表那一处设备坏了。

把监控页面并排摆着还不够。要对应到同一个任务，核对它何时等数据、何时通信、当时设备是什么状态，再进一步查原因。几个指标同时变化只是线索，不能直接认定根因。

先说明准备跑什么任务、希望多久完成、结果要达到什么要求，再反推 GPU、网络、存储和软件需要怎样配合。系统运行起来后，如果任务主要在等数据，继续加卡未必带来相应提速；如果主要耗在卡间通信，就进一步检查通信和任务分配。不同任务的限制环节可能不同。

问完卡型和数量，还要问这套系统能把什么任务做好，眼下限制它的是哪一环。

Minerva 能否把问题查得更准、处理得更快，还要看真实运行数据。这里谈的是从任务和结果出发的判断顺序，不是对某个产品的效果承诺，也不是对任何具体项目的扩容建议。