构建 AI 工厂数字孪生 需要开发者将场地规划、设备资产和工程要求引入一致的模型，以便团队检查、修改和准备模拟。将这些输入连接到可编辑的工作流中，有助于团队探索设计替代方案，并随着设计的发展整合工程反馈。
NVIDIA Omniverse DSX Blueprint 是 NVIDIA DSX Sim 的一部分，可提供用于开发 AI 工厂数字孪生的参考数字孪生资产、示例脚本和工作流。该 blueprint 基于 OpenUSD 和 NVIDIA Omniverse 库构建，为开发者使用 SimReady 资产组装设施和设备模型，以及将其与工程仿真工具相连接奠定了基础。
正如洞悉 Omniverse：开发者如何借助前沿 AI 智能体将想法转化为仿真中所述，前沿 AI 模型可以帮助开发者通过智能体以及连接的应用和工具来构建这一基础。开发者指导智能体整合设计输入、组装和修改 OpenUSD 场景，并检查结果。该blueprint提供可重复使用的资产和工作流，智能体可帮助开发者应用这些资产和工作流，并使其适应特定的设计要求 (图 1) 。
本文将演示一种智能体辅助工作流，用于将参考资产、站点数据和设计要求转换为可编辑的 OpenUSD 园区模型。开发者可以使用这种方法来探索布局、修改设备布局，并为工程评审和下游模拟准备设计。开发者连接工具并引导更改，而工程师则审查结果，为下一次迭代提供信息。
为智能体提供 AI 工厂建模的设计基础
思考一个实际问题：当可用功率固定不变时，如何配置 AI 工厂 车间？更改计算配置会影响设备的数量、布局、配电和冷却。评估替代方案需要这些学科基于一致的要求和设计数据开展工作。
智能体需要先了解上下文，然后才能提出有用的设计方案。仅给定照片或渲染，它可以生成看似合理但尺寸和比例可能不正确的模型。参考资产和项目文档有助于为提案提供依据，但生成的模型仍然需要尺寸检查和工程评审。
一个基础工作流程从 NVIDIA Omniverse DSX Blueprint 和参考设计 开始，然后整合项目的要求、图纸、设备信息和现场限制条件。每个来源都有不同的作用：现有的几何图形提供可重复使用的建筑物和设备，而建筑参考为外观提供信息；航空成像和高程数据提供地理环境；项目图纸和设备信息建立尺寸和位置；要求定义了设计必须满足的条件。
例如，该团队使用 NVIDIA 圣克拉拉总部大楼 Voyager 作为设计灵感，设计了一个基于 DSX 参考设计的 AI 工厂园区。输入包括：
- DSX 3D 模型： 数据中心、中央公用事业大楼、变电站、发电机、冷却设备、车辆和植被。
- 建筑参考： 从各种空中和地面视角拍摄的 Voyager 图像，为屋顶、立面、太阳能遮罩和景观美化提供信息。
- 场地规划 (DSX Reference Design) ：PDF，描述园区安排和更详细的第一阶段的，包括建筑物、道路、实用区域和访问区域。
- 需求文档： 建筑图纸、外形规格研究、设计基础文档、房间布局和其他记录的索引集合。
- 地理数据： USGS 用于放置校园周围地形的选定站点的航空成像和高程数据。
这些来源共同为智能体辅助工作流提供了起点，并为审查其输出提供了基础。它们可以帮助团队根据来源追踪设计选择，例如，根据场地平面图进行建筑布局，根据建筑参考进行立面造型。这种可追溯性支持审查；尺寸准确性仍然取决于根据适用的图纸、规格和现场限制检查模型。
使用 AI 智能体构建 OpenUSD 校园站点模型
为实现此工作流，前沿 AI 模型在智能体工具中运行，即用于管理上下文、指令和工具调用的软件。技能对可重复的任务和 AI 工厂领域知识进行编码。开发者通过工具接口 (包括受支持的模型上下文协议 (MCP)) 连接建模和分析操作，并定义智能体可以提出或应用哪些更改。
在园区模型示例中，现有 DSX 参考设计的建筑通过 DSX Blueprint 和设备提供了初始几何图形，而站点规划的引导布局和第一阶段的详细信息。该团队提供了来自 NVIDIA Voyager 园区的照片和建筑参考，以指导新增的建筑。
对于太阳能树冠，前沿 AI 智能体使用 USD Content Agents 帮助生成其几何图形和材质，然后使用 Voyager 参考来完善设计。这为团队提供了一个可编辑的建筑元素，以便与现有建筑和设备一起进行审查。树冠仍然是一个概念设计，工程团队可以在其中检查尺寸、结构属性和仿真适用性。
然后，团队将重复使用的资产和新的架构几何图形组合到添加的 Omniverse RTX 视窗中，团队可以在园区环境中检查树冠、查看其外观和位置，并随着设计决策的变化修改模型。USGS 将航拍数据用于景观和立面图。
扩展园区模型以评估固定功率预算
园区模型可以支持后续的容量规划研究：如何在固定的功率预算内配置 AI 工厂大厅？提议的扩展程序将把建模布局与计算、电气和冷却要求联系起来，以评估替代配置。
首先是说明性的 NVIDIA Vera Rubin NVL72 推理比较。它将使用 MaxP (最高静态 GPU 级功耗设置) 的基准与 DSX MaxLPS ( AI 工厂设计和运营框架，可协调设施设计、动态功耗分配和性能功耗比优化) 进行对比。将这种比较应用于展厅需要评估支撑功率、冷却和网络基础设施。
在假设功耗效率 (PUE) 为 1.1 的情况下，归一化为 1 MW 功率基础，该示例场景显示 DSX MaxLPS 容量为 400 个 GPU，总 token 吞吐量为 MaxP 基准的 1.35 倍 (图 4) 。这些数字是拟议研究的参考假设，而非校园模型生成的结果。
在提议的工作流中，开发者将智能体连接到项目数据和工程工具，以便帮助确定需要审查的设备和设计假设。参考比较将为容量目标提供信息。工程师将使用完整的机架评估可行的配置，包括布局、配电、冷却连接和网络资源。
使用系统建模语言 (SysML)，团队可以表示需求并将其链接到系统元素。项目团队可以利用这些关系来组织从源文档中提取的要求。如果建模工具通过 API、MCP 或其他受支持的接口公开这些关系，智能体可以查询这些关系，以标记受提议的更改影响的潜在受影响的依赖项。图纸和 CAD 将提供尺寸和位置参考，而设备目录将提供用于工程分析的参数。
这次交接将是提议的设计修订，以及要求、设备和后续工程研究。经过工程评审后，智能体可以帮助更新 OpenUSD 场景，以反映选定的机架配置和布局。为特定仿真准备场景需要额外的检查和配置，包括几何图形、设备属性、系统连接和边界条件。
使用 OpenUSD 和 SimReady 组装数字孪生
在团队审查了提议的配置及其受影响的要求后，下一步是准备分析设计。这需要的不仅仅是几何图形：工程师需要设备属性和连接数据来评估功率和冷却。OpenUSD 将建筑几何图形、设备资产和相关数据引入共享场景。USD 属性和自定义模式可以保留工程记录和要求的链接，并保持跨应用的可追踪更改。
DSX 系统架构可连接资产准备、数据存储、仿真服务和数字孪生应用。对于固定功率场景，这提供了一个框架，用于将修订后的布局与评估其功率和冷却影响所需的设备信息结合在一起。
SimReady Foundation 描述了特定仿真用途所需的资产数据。虽然 OpenUSD 提供共享场景，但 SimReady 规范可帮助团队评估其资产是否包含预期分析所需的数据，选择适合设备和分析的要求和支持的验证器，然后检查所涵盖的几何图形、属性和连接数据。智能体可以帮助发现缺失的信息，并将其与受影响的设备关联起来，以便团队进行审查。
开发者还可以从 SimReady Central Library 中获取设备素材，这是一个免费的、无门控的库，包含 2000 多个仿真就绪型 OpenUSD 素材。对于 AI 工厂数字孪生，团队可以发现并重复使用 OEM 提供的机架、电源和冷却设备，从而减少资产准备工作。
AI工厂工作流示例提供了CAD转换、优化、元数据和验证示例。通过连接的工具，智能体可以帮助调用这些准备步骤并收集报告。
由此产生的交接是一个与提议的设计修订相关联的组合场景，其中包含支持数据、已完成的检查以及可见的剩余差距。这为模拟团队提供了准备研究和评估配置在固定功率预算内的表现所需的背景信息。
评估功率和冷却模拟，以指导设计修订
组装好修改后的场景并确定数据缺口后，准备评估配置所需的研究。在固定功率场景中，电气负载和冷却分析有助于确定所提议的设备安排在指定操作条件下的行为方式。应用程序使用几何图形、设备属性和系统连接，并在需要时准备额外的求解器。
如果开发者已实现受支持的求解器连接，智能体可以提交研究、检索结果，并将发现结果与受影响的设备和需求关联起来。工程师会审查这些假设和结果，以确定设计是否支持提议的配置或是否需要进一步修改。每个发现结果都应识别已测试的设计修订，并将计算结果与存储结果或 AI 近似值区分开来。
现在，容量问题成为做出设计决策的依据：要采用的设备配置、所需的支持基础设施，以及在哪些方面需要进一步分析。这些决策会反馈到可编辑的设计中，使团队能够完善提案并重复受影响的研究。
为智能体开发、可视化和模拟选择计算
对于校园示例等工作流，请围绕任务选择硬件：开发智能体工具连接、编辑场景或运行工程研究。
- NVIDIA DGX Spark 用于个人智能体开发：对智能体进行原型设计，测试兼容的本地 AI 模型，并连接工程工具。与 RTX 系统搭配使用，实现 DSX 可视化和模拟。
- NVIDIA RTX PRO Blackwell Workstation Edition GPU for interactive design and simulation: 准备 OpenUSD 素材、查看数字孪生并运行受支持的工程仿真。
- NVIDIA DGX 工作站适用于大型本地 AI 工作负载：在本地开发和运行大型 AI 模型和智能体。添加 RTX PRO Blackwell Workstation Edition GPU，用于可视化和支持的模拟应用程序。
- NVIDIA RTX PRO 服务器用于共享开发和模拟：遵循NVIDIA RTX PRO AI Factory 参考架构，该架构为每台服务器指定了 8 个 RTX PRO Blackwell Server Edition GPU，并将 4 台服务器分组为一个可扩展单元。根据场景复杂性、求解器需求和并发用户，确定推理、可视化和支持的仿真工作负载的部署规模。
将应用程序连接到工程决策
将园区模型扩展到工程研究需要能够管理需求、提供设备数据和计算物理行为的应用。应用程序提供商正在整个工作流程中应对以下场景：
- Dassault Systèmes 解决了与 CATIA Magic 保持一致的系统要求和设计决策这一挑战。借助其 SysML 工具，工程师可以对系统元素和接口进行建模，检查模型一致性，并根据架构评估设计。在智能体辅助的工作流中，仿真结果可以为 SysML 模型配置的拟议更新提供信息，并需接受工程评审，从而在整个设计迭代过程中保持需求和系统模型的连接。Dassault Systèmes 还支持用于智能体之间集成的 Agent2Agent (A2A) 协议。
- PTC 致力于将数字孪生研究与其通过 Windchill 和 NVIDIA Omniverse 库 呈现的产品数据保持连接。Windchill 管理由版本控制的 Creo 和其他 CAD 数据；宣布的集成旨在将这些数据引入共享 3D 环境，以便进行工程审查和模拟。这解决了从托管设备设计到 AI 工厂数字孪生的交接问题。
- Cadence Reality 数字孪生平台回答了固定功耗问题：可以运行多少个 GPU？它将设备和动力模型与计算流体动力学相结合，以模拟 MaxP、MaxQ 和 DSX MaxLPS。在单个机架安装并贯穿 AI 工厂的整个生命周期之前，利益相关者可以看到对功率、冷却和 token 吞吐量的影响。Cadence Reality 数字孪生基于 NVIDIA Omniverse 库、SimReady 资产和 OpenUSD 构建，可实现 AI 工厂性能的协作式和代理式优化。
- 西门子通过 Simcenter STAR-CCM+ 支持对流体流动和热传递进行详细评估，工程师可在其中计算所提议的设计在指定条件下的表现。对于 AI 工厂基础设施，西门子还开发了 DSX 匹配的参考架构，将配电、自动化和仿真就绪型资产相结合。这些解决方案满足了在工厂设计中表示支持的基础设施和计算设备的需求。
开始使用 NVIDIA Omniverse DSX Blueprint
选择一个工程问题，连接所需的数据和工具，将数字孪生与 OpenUSD 组合在一起，然后使用 SimReady 要求为预期分析准备素材。在扩展前查看结果。
准备好开始了吗？
- 使用NVIDIA Omniverse DSX Blueprint进行构建
- 使用 OpenUSD 组装您的数字孪生
- 借助DSX 资产指南和SimReady Foundation准备和验证您的资产
- 使用AI 工厂工作流示例为您的工作流准备内容
- 探索使用 NVIDIA Omniverse 库在仿真环境中运行 Astra 中的相关仿真示例
通过订阅NVIDIA 新闻并在Discord和YouTube上关注 NVIDIA Omniverse，及时了解最新信息。
