GPU 集群崩了，谁背锅？运维不用再翻十几个仪表盘：英伟达把 AI 工厂排障交给一群智能体还开源了

大白话以前 GPU 集群一出问题，运维工程师得挨个翻计算、网络、硬件、调度好几个仪表盘，才能猜出训练为什么变慢。英伟达说自己做了个「AI 工厂运维智能体」，把活儿拆给几个专职小助手：有的管作业恢复，有的管硬件，有的管 Kubernetes 和集群管理，它们通过 MCP 协议互相通气，最后在一个聊天窗口里给出结论和建议。整套东西跑在本地，用的是自家 Nemotron 开源模型，代码也放上了 GitHub。

对你意味着管 GPU 集群、做 MLOps 的团队可以直接抄作业；普通人也能看到「智能体协作干活」在真实生产里长什么样。