NVIDIA Fleet Intelligence 正式可用，為大規模 GPU 集群提供實時可視化與健康監測 NEWS DETAIL

NVIDIA 推出已正式可用的 Fleet Intelligence 服務，面向資料中心 GPU 運營場景，提供實時遙測、告警、健康檢查與完整性驗證能力，幫助企業提升 GPU 集群運維效率、可用性與資源利用率。

隨著大規模 GPU 集群持續擴張，企業在運維中面臨的挑戰也越來越複雜。異構硬體、快速迭代的軟體棧、功耗約束以及多租戶負載波動，都會影響集群整體效率。對於運營團隊來說，僅僅知道節點是否在線已經不夠，更需要瞭解每張 GPU 是否處於穩定、健康且高效的運行狀態。

NVIDIA 此次推出的 Fleet Intelligence，正是面向這類場景的托管式監測服務。該服務採用主機側輕量級代理，持續採集 GPU 遙測資料，並將相關資訊回傳到雲端管理服務中，用於統一分析與展示。NVIDIA 表示，該服務現已正式可用，主要面向自建基礎設施的資料中心 GPU 與 CPU 用戶。

從功能上看，Fleet Intelligence 主要覆蓋三個方向：資產清點與可視化、報告與告警、完整性與可信驗證。運維人員可以按資料中心、雲區域或計算分區查看 GPU 利用率、顯存使用、設備狀態等關鍵資訊，並快速定位功耗異常、溫度熱點、性能波動以及潛在硬體故障。

在健康管理方面，Fleet Intelligence 可結合 GPUd、DCGM 等 NVIDIA 相關技術，對主機、GPU、NVLink 和網路狀態進行近實時監控，同時執行週期性健康檢查。系統支援通過郵件、Slack 等渠道發送告警，並可生成歷史趨勢報告，幫助團隊分析溫度、功耗、錯誤和停機情況，從而更早發現風險並優化資源調度。

此外，Fleet Intelligence 還引入了基於 NVIDIA 機密計算技術的完整性驗證機制。系統可通過 Attestation SDK 獲取 GPU 運行時測量資訊，並借助遠程驗證服務判斷設備配置是否可信、是否被篡改。這一能力有助於企業在擴大 GPU 部署規模的同時，進一步加強平台安全性與運維透明度。