AI工厂是全球最复杂的运营体系之一，涵盖GPU、CPU、交换机、DPU和SuperNIC，同时还包括调度器、编排服务、安全控制以及快速迭代的软件栈。有效部署这类基础设施本身就是一项挑战，而验证基础设施、软件和策略能否协同支持业务预期运行的工作负载同样困难。为了将首个Token的生成时间降到最低，AI工厂运营者不能等到硬件到货后才开始验证。
将AI智能体接入数字孪生系统
基于节点的数字孪生仿真，是对AI工厂基础设施和操作接口的高精度、可执行表示。与物理复制品不同，它为平台团队提供了一个安全、可通过API访问的环境，用于建模硬件拓扑和软件栈、模拟变更、观察行为，并在实际生产变更前完成验证。将其集成到CI/CD流水线中后，系统可以在变更推广前自动验证受支持的配置和软件改动。这使仿真从单纯的规划活动，扩展为持续可用的运营能力。
智能体AI让这种能力真正发挥作用。智能体可以查询数字孪生系统、执行检查、比较结果、检索相关操作上下文，并启动后续工作流。这为将验证工作提前、缩短通往AI部署的时间、提升生产效率提供了一条实用路径，而不必让生产环境成为变更的首个测试场所。
硬件到货前完成配置验证
AI工厂是一个"系统之系统"。其特性源于各层之间的相互作用：加速器配置、网络架构、存储、Kubernetes与调度、GPU编排、租户隔离、身份与访问控制、可观测性，以及AI应用本身。单独验证某一层是远远不够的。
传统环境通常要求团队等待物理硬件完成上架和布线、搭建实验室、进行软件启动，然后才能验证系统是否按计划运行。这一流程成本高、速度慢，尤其是在设计迭代频繁、多个团队并行提交变更的情况下。
基于节点的数字孪生系统呈现了受支持的基础设施软件和API，因此团队可以在硬件到位或生产部署之前，针对具有代表性的环境开展工作。团队可以在逻辑孪生体中验证受支持的配置和软件变更，再将其推送进交付流水线。
直接收益显而易见：
在完整物理系统到货前，验证受支持的配置和软件集成；
减少搭建物理实验室、软件启动及多租户验证所需的时间；
在投入物理基础设施或生产容量前，测试具有代表性的大规模设计和工作流；
在数字孪生中测试受支持的网络配置和软件集成，再进行生产变更；
在Day 0规划、Day 1部署和Day 2运营阶段使用同一套模型。
作为逻辑数字孪生的基于节点仿真，并非要取代所有仿真技术，而是在更广泛的仿真策略中，成为高精度的集成与验证层。
为每个决策选择合适的仿真方式
AI工厂团队需要多种仿真手段。基于节点的仿真支持对受支持配置和软件的集成测试与运营验证。独立的集群、性能、功耗和内存模型，则可以在各自验证范围内为容量和资源规划提供参考。团队应区分这些模型的输出结果，与在DSX Air中验证的配置和软件行为。
这种区分很重要。性能模型可以预测配置带来的影响，而基于节点的仿真能展示预期的软件栈、API、策略和编排器协同运行时实际发生的情况。智能体应能根据所要解答的问题选择合适的仿真形式，并将产生的证据保存到交付和运营工作流中。
构建受治理的智能体验证闭环
智能体可以被赋予一个有边界的目标，使用经过批准的工具查询或修改数字孪生系统，评估结果状态，并返回有证据支撑的建议，或触发受治理的工作流。
典型闭环流程如下：
拟议的基础设施或软件变更进入CI/CD或变更管理工作流；
智能体配置或选择相关的逻辑孪生体，包括拓扑结构、租户策略、工作负载配置以及运营约束条件；
智能体运行工作流中可用的验证工具，例如受支持配置检查、安全与合规检查以及基础设施健康分析。工作负载和性能评估需要相应的模型或测量数据；基于视觉的检查则需要相关的图像或视频输入；
将结果与组织策略以及从经批准文档中检索到的领域知识进行比对；
生成基于证据的报告，并推荐推广、创建补救任务，或将案例转交人工审批。
一旦部署完成，同样的模式可以用于观察生产环境中的信号，持续改进数字孪生体、验证套件和操作流程。
这是一种受治理的自动化模型，并非要让智能体不受限制地访问生产环境。仿真平台提供了智能体探索、测试和提出变更建议的沙盒环境，而人工审核环节与策略控制则决定结果何时可以影响生产。
将DSX Air仿真与NVIDIA Brev GPU计算相连接
NVIDIA DSX Air为AI工厂提供了数字孪生体：这是一个仿真环境，团队可以在整个生命周期中针对AI工厂设计进行建模、验证和运营。规模化是其核心能力：团队可以验证具有代表性的大规模基础设施场景，包括大型网络架构，同时保留运营工作流所需的软件和API精度。DSX Air为可重复的基础设施验证提供了基础，也是智能体工作流的天然运行环境。
NVIDIA Brev对这一基础进行了补充，让开发者和工作流能够按需获取GPU资源。在DSX Air环境中，用户可以连接到Brev，选择一个由GPU支持的可启动实例，并将该资源提供给逻辑孪生体工作流使用。NGC中的通用组织上下文有助于简化仿真环境与GPU服务之间的衔接体验。
团队可以利用这些能力启动实验或工作流所需的AI服务，将其连接到具有代表性的工厂环境，并让智能体在该环境中执行经过验证的任务。通过将计算支持的AI服务引入可扩展的仿真数字孪生平台，团队能够从孤立的AI演示，迈向可重复的AI工厂工作流。
将视频智能应用于智能体工作流
NVIDIA用于视频搜索和摘要的AI蓝图（VSS）展示了这一模式的应用潜力。VSS环境在NVIDIA DSX Air中进行仿真，AI模型则在仿真环境之外、由NVIDIA Brev提供的GPU实例上运行。VSS连接这些模型来分析和搜索视频，从而将工作流大规模引入逻辑孪生体中，而不仅仅局限于独立服务演示。关于结合VSS、NVIDIA NemoClaw和NVIDIA RAG蓝图的实际案例，可参阅《将具备上下文感知能力的视频AI智能体集成到企业工作流中》一文。
在这一工作流中，智能体编排层负责协调视频理解与检索增强型企业知识。智能体收集请求参数、调用视频分析、检索相关策略或领域上下文、生成带引用的报告，并将结果路由到Jira等下游系统。该架构将专业能力——视频输入输出、搜索与理解、知识检索、报告生成和企业行动——相互分离，同时通过智能体驱动的工作流使其协同可用。
VSS视频智能架构包含四个层次：
编排层：NVIDIA NemoClaw智能体、vss-generate-video-report-rag技能，以及人工介入（HITL）提示；
VSS智能体层：视频输入输出、搜索、理解、LVS以及知识检索和报告生成。知识检索是智能体的内置部分，而非独立扩展；
NVIDIA RAG蓝图层：NVIDIA RAG API、Milvus向量数据库、NVIDIA Nemotron重排序NIM，以及已建立索引的参考文档和组织文档；
大语言模型融合层：利用通过RAG蓝图检索到的上下文，对VSS提供的摘要进行丰富补充。
数据在系统中自上而下流动，智能体的工具负责编排对LVS服务和RAG蓝图的调用，两者的输出最终汇入报告生成工具，产出最终结果。
放在数字孪生的背景下看，VSS所代表的意义远超视频摘要本身。视频流、仿真摄像头画面、巡检录像或运营记录，都可以成为验证AI工厂的智能体的证据来源。在可扩展的仿真环境中运行这一工作流，使团队能够针对更大规模、更具代表性的AI工厂场景评估同一套智能体模式。举例来说，一个智能体可以：
检查与仿真或真实设施工作流相关的视频，识别异常情况；
检索与该异常相关的操作流程、安全策略或服务文档；
将发现的问题与数字孪生体的配置和基础设施状态进行关联；
生成带有视频证据和来源引用的可追溯报告；
创建优先级排序的补救任务，或请求人工决策。
VSS展示了一种可复用的"检测—推理—行动"模式：专业AI服务提供高质量信号，检索机制将结论建立在企业知识基础之上，智能体负责协调整个工作流程，而逻辑孪生体则提供了一个安全、高精度的环境，供结果在转化为生产行动前进行验证。
将反馈闭环贯穿整个生命周期
这一架构的价值在于反馈闭环。团队可以不将仿真视为一次性的设计任务，而是将其纳入运营体系的一部分：
设计智能体在硬件到位前评估拟议的拓扑结构和部署选择；
验证智能体对真实的软件接口进行测试，检查拟议变更是否维持了租户隔离、安全性和资源约束；
运营智能体汇总基础设施证据，识别偏差或异常，并准备包含必要上下文的工单或升级请求；
持续改进智能体利用已部署工作流的结果，不断完善逻辑孪生体中的场景、策略和测试覆盖范围。
为企业运营设计智能体工作流
要从概念验证迈向可靠的平台，团队应遵循以下几项实用原则：
从有边界的循环任务起步。选择一个具有明确输入、决策和行动环节的工作流，例如部署前策略检查、容量验证运行，或巡检转工单流程。
让决策建立在经过批准的上下文之上。将智能体连接到经过整理的运营文档、策略、操作手册和设计约束，并在最终报告中保留引用和证据。
将实验与生产权限分离。允许智能体在逻辑孪生体中进行广泛实验，但对生产变更应施加明确的策略、审批和身份控制。
对闭环进行度量。追踪验证覆盖率、决策耗时、误报率、补救结果，以及仿真行为与观测行为之间的差距。
在整个生命周期中使用同一套模型。只在设计阶段发挥作用的数字孪生体，错失了其最具价值的角色——即在Day 0规划、Day 1部署和Day 2运营阶段提供统一的运营上下文。
从一个受支持的验证工作流开始
真正的机会在于将AI工厂本身视为一个智能、持续验证的系统。可以先在DSX Air中对环境中具有代表性的一部分进行建模，通过NVIDIA Brev连接运行所选AI工作流所需的GPU资源，再选择一个具有明确成功标准的智能体闭环，使其能够针对数字孪生体展开工作。
VSS实现就是一个很好的例证：它将视频证据和企业知识转化为协调一致的行动。同样的架构也可以支持基础设施健康报告、安全与合规验证、设计验证、性能调查以及AI工厂生命周期中的其他自主工作流。
当智能体能够安全地针对数字孪生体开展工作时，企业就能够从被动式运营，转向证据驱动、持续改进的AI工厂模式，从而缩短从基础设施创意到验证可行的生产路径之间的时间。
欢迎立即体验NVIDIA DSX Air，并通过用户指南了解更多信息。
Q&A
Q1：数字孪生在AI工厂中起什么作用？
A：基于节点的数字孪生仿真是AI工厂基础设施和操作接口的高精度、可执行表示，为团队提供安全的环境来建模硬件拓扑、测试变更并在生产部署前完成验证，从而缩短验证周期、提升运营效率。
Q2：AI智能体如何与数字孪生系统配合工作？
A：智能体可以查询数字孪生系统、执行各类检查、比较验证结果、检索相关操作上下文，并触发后续工作流，形成从提议变更到评估结果再到生成报告或补救建议的完整闭环，且始终处于人工审批和策略控制之下。
Q3：NVIDIA DSX Air和NVIDIA Brev分别承担什么功能？
A：DSX Air为AI工厂提供可贯穿整个生命周期的数字孪生仿真环境，支持大规模基础设施场景验证；NVIDIA Brev则提供按需GPU计算资源，二者结合可以让团队将AI服务接入仿真环境，实现可重复的AI工厂工作流验证。
