为什么分布式训练出现吞吐量下降时，GPU利用率和队列等待时间仍然正常？
文章指出这可能是链路级重传导致单个rank停滞，在同步集合通信（如NCCL all-reduce）中其他rank阻塞，形成级联故障，需要全栈可观测性来发现灰故障。
How to Choose Full-Stack Observability for NVIDIA AI Factories
（翻译）如何为NVIDIA AI工厂选择全栈可观测性
资讯摘要
AI infrastructure spans multiple layers, from compute and networking to storage, orchestration, and applications. When performance degrades…
AI 摘要
本文介绍NVIDIA AI工厂的全栈可观测性选型方法。作者提出先枚举平台、GPU、网络、集群等故障域，再将组件映射到DCGM、NVSM、UFM、NetQ等遥测工具，以最少工具覆盖关键告警。文章以InfiniBand集群为例，演示如何用IPMI、DCGM、NVSM、UFM和BCM构建面向SLO的告警集，并统一到Prometheus/Grafana排障看板，避免告警疲劳。
AI 问答
如何选择AI基础设施的监控工具？
先枚举故障域，再根据组件到遥测源的决策框架选择最小工具集，例如GPU用DCGM、InfiniBand用UFM、集群用BCM，并统一到Prometheus/Grafana。
更多资讯
号称人类造的最后一个 AI 要来了，刷屏全网的 RSI 是什么58秒出杯，能拉花的咖啡机器人，在全球70国卖出600万杯英国殖民之前的澳大利亚原居民人口约 222 万
当年救了臭氧层的功臣，现在变成了永久性污染物
129亿美元卖身英伟达之后，是时候重新理解Hugging Face了
Stella：“显化”想要的人生，60天35万美元月收入
从”边卖边补”到”准备好再卖”：产品商品化的四步闭环
华为坤灵升级“4+10+N”场景化方案，发布“经纬计划”和50个样板点
美股太贵 该加仓新兴市场吗？FAST 发现极短周期、最轻双中子星系统
「沃什时代」首次加息要来了？华尔街算好了三种剧本王强宇履新百望：从发票SaaS工具，到财税垂直大模型，再到企业的Palantir基元律动与无问芯穹达成战略合作，推进高质量Token供给与应用
金色Web3.0日报 | 黄仁勋批驳「AI末日论」主题演讲：破界·量子计算迈向产业深水区——量子计算的下一公里｜36氪2026产业未来大会
OpenAI 总裁：AGI 已经发生
Grayscale：比特币能否优化私募市场投资组合？
早报｜iOS27正式推送/比亚迪高管：燃油车在中国没有未来/iPhone 18 Pro渠道降价900元，苹果称不干预PS2 Fat 使用的安全芯片在时隔 26 年被破解
渣打给ARB十美元目标价靠什么？
自主团队被捧过头了？Simon Rohrer 直言：你们交付的根本不是产品被英伟达点名的杭州团队，补上了AI for Science的「最后一公里」产品已批量进入全球头部Tier 1产线，「知来具身」要为工业场景打造“开箱即用”的泛化机器人
HTTP 新增 QUERY 方法：有人叫好，也有人质疑“这不就是 GET？”
当黄仁勋和Dario遇上休谟：火鸡、台球与AI末日论
CLARITY折戟 多方博弈撕裂行业预期 市场怎么看？
百度做了一堆AI产品，却没有一个能代表百度？
电商对账的设计逻辑：四层核对，逐层下钻
当AI能解千禧难题，再次证明答案不再是门槛
Robinhood的财富效应