构建AI 工厂数字孪生需要开发者将场地平面图、设备资产和工程需求整合到一个一致的模型中，以便团队能够检查、修改并为仿真做准备。将这些输入连接到一个可编辑的工作流中，有助于团队探索设计方案，并在设计演进过程中纳入工程反馈。
NVIDIA Omniverse DSX Blueprint 是 NVIDIA DSX Sim 的一部分，为开发 AI 工厂数字孪生提供参考数字孪生资产、示例脚本和工作流。该蓝图基于 OpenUSD 和 NVIDIA Omniverse 库构建，为开发者提供了使用 SimReady 资产组装设施和设备模型，并将其与工程仿真工具连接的基础。
前沿 AI 模型可以通过智能体和连接的应用程序及工具帮助开发者利用这一基础，如《走进 Omniverse：开发者如何利用前沿 AI 智能体将想法转化为仿真》中所述。开发者引导智能体汇集设计输入、组装和修改 OpenUSD 场景，并检查结果。该蓝图提供可重用资产和工作流，智能体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需求（图 1）。
本文演示了一个智能体辅助的工作流，将参考资产、场地数据和设计需求转化为可编辑的 OpenUSD 园区模型。开发者可以使用这种方法探索布局、修改设备放置，并为工程审查和下游仿真准备设计。开发者连接工具并指导变更，而工程师审查结果以指导下一次迭代。
为智能体提供 AI 工厂建模的设计基础
考虑一个实际问题：当可用电力固定时，应如何配置AI 工厂大厅？更改计算配置可能会影响设备数量、放置、配电和冷却。评估这些替代方案需要这些学科基于一致的需求和设计数据开展工作。
智能体在提出有用的设计建议之前需要上下文。仅凭照片或渲染图，它可以生成一个看起来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建议提供依据，但生成的模型仍需要尺寸检查和工程审查。
有依据的工作流从 NVIDIA Omniverse DSX Blueprint 和参考设计开始，然后纳入项目需求、图纸、设备信息和场地约束。每个来源有不同的作用：现有几何体提供可重用的建筑和设备，而建筑参考影响外观；航空影像和高程数据提供地理上下文；项目图纸和设备信息确定尺寸和放置；需求定义设计必须满足的条件。
例如，团队使用 NVIDIA 圣克拉拉总部大楼 Voyager 作为基于 DSX 参考设计的 AI 工厂园区场地的设计灵感。输入包括：
- DSX 3D 模型：数据大厅、中央公用设施建筑、变电站、发电机、冷却设备、车辆和植被。
- 建筑参考：Voyager 从各种空中和地面视角的图像，用于参考屋顶、立面、太阳能顶棚和景观设计。
- 场地平面图（DSX 参考设计）：描述园区布局和更详细的第一阶段的 PDF，包括建筑、道路、公用设施区域和通道区域。
- 需求文档：索引的建筑图纸、外形研究、设计基础文档、房间布局和其他记录的集合。
- 地理数据：所选场地的 USGS 航空影像和高程数据，用于将园区置于周围地形中。
这些来源共同为智能体辅助的工作流提供了起点，并为其输出的审查提供了依据。它们帮助团队将设计选择追溯到其来源——例如，建筑放置追溯到场地平面图，立面风格追溯到建筑参考。这种可追溯性支持审查；尺寸准确性仍取决于根据适用的图纸、规格和场地约束检查模型。
使用 AI 智能体构建 OpenUSD 园区场地模型
为了实现此工作流，前沿 AI 模型在智能体框架中运行：管理上下文、指令和工具调用的软件。技能编码了可重复的任务和 AI 工厂领域知识。开发者通过工具接口（包括在支持的情况下使用模型上下文协议（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，来自 DSX Blueprint 的现有 DSX 参考设计建筑和设备提供了起始几何体，而场地平面图指导了放置和第一阶段细节。团队提供了照片和来自 NVIDIA Voyager 园区的建筑参考，以指导建筑添加。
对于太阳能顶棚，前沿 AI 智能体使用 USD Content Agents 帮助生成其几何体和材质，然后使用 Voyager 参考进行设计细化。这为团队提供了一个可编辑的建筑元素，可与现有建筑和设备一起审查。该顶棚仍为概念设计，工程团队可据此检查尺寸、结构属性以及是否适合仿真。
随后，团队在叠加的 USD 层中组合复用资产和新的建筑几何体，使更改与源资产保持分离。在 Omniverse RTX 视口中，团队可以在园区环境中检查顶棚，审查其外观和放置位置，并随着设计决策变化修订模型。USGS 航拍数据用于景观和高程规划。
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：在固定功率预算内应如何配置 AI 工厂大厅？拟议的扩展将把建模布局与计算、电力和冷却需求连接起来，以评估替代配置。
一个起点是说明性的 NVIDIA Vera Rubin NVL72 推理比较。它将使用 MaxP（最高的静态 GPU 级功率设置）的基线，与 DSX MaxLPS（一个协调设施设计、动态功率分配和每瓦性能优化的 AI 工厂设计与运营框架）进行对比。将此比较应用于大厅需要评估支持功率、冷却和网络基础设施。
归一化到 1 MW 功率基准，假设电源使用效率（PUE）为 1.1，说明性场景显示 DSX MaxLPS 容量为 400 个 GPU，总 token 吞吐量为 MaxP 基线的 1.35 倍（图 4）。这些数字是拟议研究的参考假设，并非园区模型生成的结果。
在拟议的工作流中，开发者会将智能体连接到项目数据和工程工具，使其能够帮助识别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。工程师将使用完整机架评估可行配置，包括其放置、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。项目团队可以使用这些关系来组织从源文档中提取的需求。如果建模工具通过 API、MCP 或其他支持的接口公开这些关系，智能体可以查询它们，以标记可能受拟议更改影响的依赖关系。图纸和 CAD 将提供尺寸和放置参考，而设备目录将提供工程分析的参数。
交接内容将是一份拟议的设计修订，并附有需求、设备和后续工程研究。工程审查后，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，包括几何体、设备属性、系统连接和边界条件。
使用 OpenUSD 和 SimReady 组装数字孪生
在团队审查拟议配置及其受影响的需求后，下一步是准备设计以进行分析。这需要的不仅仅是几何体：工程师需要设备属性和连接数据来评估功率和冷却。OpenUSD 将建筑几何体、设备资产和相关数据带入共享场景。USD 属性和自定义模式可以保留与工程记录和需求的链接，使更改在应用程序之间可追溯。
DSX 系统架构连接资产准备、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，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起来。
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需求及支持的验证器，然后检查它们覆盖的几何体、属性和连接数据。智能体可以帮助发现缺失信息，并将其与受影响的设备关联起来供团队审查。
开发者还可以从 Hugging Face 上的 SimReady Central Library 获取设备资产，这是一个免费、无需门禁的库，包含 2,000 多个可用于仿真的 OpenUSD 资产。对于 AI 工厂数字孪生，团队可以发现并复用 OEM 提供的机架、电源和冷却设备，从而减少资产准备工作。
AI 工厂管线示例提供了 CAD 转换、优化、元数据和验证的示例。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其报告。
由此产生的交接成果是一个与拟定设计修订版关联的已组装场景，其支持数据、已完成的检查和剩余的缺口都清晰可见。这为仿真团队提供了准备研究所需的上下文，并评估该配置在固定功率预算内的表现。
评估功率和冷却仿真以指导设计修订
在修订后的场景组装完成并识别出数据缺口后，准备评估该配置所需的研究。在固定功率场景中，电气负载和冷却分析有助于确定拟议的设备布局在指定运行条件下的表现。该应用使用几何体、设备属性和系统连接，并在需要时进行额外的求解器准备。
在开发者已实现受支持的求解器连接的情况下，智能体可以提交研究、检索结果，并将发现与受影响的设备和需求关联起来。工程师审查假设和结果，以确定设计是否支持拟议的配置，还是需要进一步修订。每项发现都应标明所测试的设计修订版，并区分计算结果与存储结果或 AI 近似结果。
容量问题现在成为做出设计决策的依据：采用哪种设备配置、需要哪些配套基础设施，以及哪里需要进一步分析。这些决策反馈到可编辑的设计中，使团队能够完善方案并重复受影响的研 究。
为智能体开发、可视化和仿真选择计算资源
对于类似园区示例的工作流，应围绕任务选择硬件：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：原型化智能体、测试兼容的本地 AI 模型并连接工程工具。搭配 RTX 系统用于 DSX 可视化和仿真。
- NVIDIA RTX PRO Blackwell Workstation Edition GPU 用于交互式设计和仿真：准备 OpenUSD 资产、审查数字孪生并运行受支持的工程仿真。
- NVIDIA DGX Station 用于更大的本地 AI 工作负载：在本地开发和运行更大的 AI 模型和智能体。添加 RTX PRO 6000 Blackwell Workstation Edition GPU 用于可视化和受支持的仿真应用。
- NVIDIA RTX PRO Server 用于共享开发和仿真：遵循 NVIDIA RTX PRO AI Factory 参考架构，该架构规定每台服务器配备八块 RTX PRO 6000 Blackwell Server Edition GPU，并将四台服务器组成一个可扩展单元。根据场景复杂度、求解器要求和并发用户数，为推理、可视化和受支持的仿真工作负载确定部署规模。
将应用连接到工程决策
将园区模型扩展为工程研究需要能够管理需求、提供设备数据并计算物理行为的应用。应用提供商正在整个工作流中应对这些场景：
- Dassault Systèmes 通过 CATIA Magic 应对保持系统需求与设计决策一致的挑战。其 SysML 工具让工程师能够对系统元素和接口建模、检查模型一致性，并依据架构评估设计。在智能体辅助的工作流中，仿真发现可以为 SysML 模型配置的拟议更新提供信息，但须经工程审查，从而在设计迭代过程中保持需求与系统模型的连接。Dassault Systèmes 还支持用于智能体间集成的 Agent2Agent（A2A）协议。
- PTC 正致力于通过 Windchill 和 NVIDIA Omniverse 库 使数字孪生研究与它们所代表的产品数据保持连接。Windchill 管理受版本控制的 Creo 及其他 CAD 数据；已宣布的集成旨在将这些数据引入共享 3D 环境，用于工程审查和仿真。这解决了从受管理的设备设计到 AI 工厂数字孪生的交接问题。
- Cadence Reality Digital Twin Platform 回答了固定功率问题：可以运行多少块 GPU，以及它们能否被冷却？它将设备和功率模型与计算流体动力学相结合，以仿真 MaxP、MaxQ 和 DSX MaxLPS。利益相关者可以在安装单个机架之前就看到对功率、冷却和 token 吞吐量的影响，并持续贯穿 AI 工厂的整个生命周期。Cadence Reality Digital Twin 构建于 NVIDIA Omniverse 库、SimReady 资产和 OpenUSD 之上，支持对 AI 工厂性能进行协作式和智能体式优化。
- Siemens 通过 Simcenter STAR-CCM+ 支持对流体流动和传热的详细评估，工程师可在其中计算拟议设计在指定条件下的表现。对于 AI 工厂基础设施，Siemens 还开发了与 DSX 对齐的参考架构，将配电、自动化和可用于仿真的资产结合起来。这些架构满足了在工厂设计中与计算设备一同表示配套基础设施的需求。
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，用 OpenUSD 组装数字孪生，并使用 SimReady 要求为预期分析准备资产。在扩展之前先审查结果。
准备好开始了吗？
- 使用 NVIDIA Omniverse DSX Blueprint 进行构建
- 使用 OpenUSD 组装你的数字孪生
- 使用 DSX 资产指南 和 SimReady Foundation 准备并验证你的资产
- 使用 AI 工厂流水线示例 为你的工作流准备内容
- 在 Putting Astra to Work in Simulation With NVIDIA Omniverse Libraries 中探索相关仿真示例
订阅 NVIDIA 新闻 并在 Discord 和 YouTube 上关注 NVIDIA Omniverse，以保持最新动态。