用 AI 工厂数字孪生以智能体辅助的工作流进行开发
构建 AI 工厂数字孪生，需要开发者将场地规划、设备资产与工程需求整合进一个统一的模型，使团队能够检查、修改并为其仿真做好准备。将这些输入连接成可编辑的工作流，有助于团队探索设计方案的可能性，并在设计演进过程中纳入工程反馈。
NVIDIA Omniverse DSX 蓝图是 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，为开发者打下基础：用 SimReady 资产组装设施与设备模型，并将其与工程仿真工具连接起来。
前沿 AI 模型可以借助智能体以及已连接的应用程序和工具，帮助开发者在这一基础上开展工作，具体内容可参阅《走进 Omniverse：开发者如何借助前沿 AI 智能体将想法转化为仿真》。开发者引导智能体汇集设计输入、组装并修改 OpenUSD 场景，并检查结果。蓝图提供了可复用的资产与工作流，智能体则帮助开发者将其应用并适配到具体的设计需求中（图 1）。
本文展示了一套智能体辅助工作流，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。开发者可以借此探索布局、修改设备位置，并为工程审查和下游仿真准备设计方案。开发者负责连接工具并指导变更，工程师则审查结果以指导下一轮迭代。
为智能体提供 AI 工厂建模的设计基础
思考一个实际问题：在可用电力固定的情况下，一座 AI 工厂机房该如何配置？改变计算配置可能会影响设备数量、位置、配电和冷却。评估各种备选方案，需要这些专业领域基于一致的需求与设计数据开展协作。
智能体在给出有用的设计建议之前需要上下文。如果只提供照片或渲染图，它可能生成一个看起来合理、但尺寸和比例可能出错的模型。参考资产和项目文档有助于为建议奠定基础，但生成的模型仍然需要尺寸检查和工程审查。
有依据的工作流始于 NVIDIA Omniverse DSX 蓝图与参考设计，然后纳入项目需求、图纸、设备信息和场地约束。每种来源承担不同角色：已有几何体提供可复用的建筑与设备，建筑参考图决定外观；航拍影像和高程数据提供地理背景；项目图纸和设备信息确定尺寸与位置；需求则界定设计必须满足的条件。
例如，团队以 NVIDIA 圣克拉拉总部大楼 Voyager 作为设计灵感，在 DSX 参考设计的基础上构建了一个 AI 工厂园区场地。所用输入包括：
DSX 3D 模型：数据机房、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 多个航拍及地面视角的图像，用于确定屋顶、立面、太阳能顶棚和景观设计。
场地规划（DSX 参考设计）：描述园区布局及更详细一期的 PDF 文件，涵盖建筑、道路、公用设施区域和出入区域。
需求文档：一组带索引的建筑图纸、形态系数研究、设计基础文档、房间布局及其他记录。
地理数据：所选场地的 USGS 航拍影像和高程数据，用于将园区置入周边地形之中。
这些来源共同为智能体辅助工作流提供了起点，也为其输出提供了审查依据。它们帮助团队将设计选择追溯到来源——例如，建筑位置追溯到场地规划，立面风格追溯到建筑参考。这种可追溯性支持审查；尺寸精度仍取决于对照适用的图纸、规格和场地约束来检查模型。
使用 AI 智能体构建 OpenUSD 园区场地模型
为实施这一工作流，前沿 AI 模型运行在智能体框架中：即管理上下文、指令和工具调用的软件。技能封装了可重复的任务与 AI 工厂领域知识。开发者通过工具接口连接建模与分析操作，在支持的情况下包括模型上下文协议（MCP），并界定智能体可以提出或应用哪些变更。
在园区模型示例中，来自 DSX 蓝图的现有 DSX 参考设计建筑和设备提供了初始几何体，场地规划则指导了位置安排和一期细节。团队提供了照片以及 NVIDIA Voyager 园区的建筑参考，用于指导建筑部分的增补。
对于太阳能顶棚，前沿 AI 智能体使用 USD Content Agents 帮助生成其几何体与材质，随后参照 Voyager 的参考进行细化。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并审查。该顶棚仍属概念设计，工程团队可据此检查尺寸、结构属性和适用仿真性。
随后，团队在叠加的 USD 图层中组合复用资产与新增建筑几何体，使变更与源资产保持分离。在 Omniverse RTX 视口中，团队能够在园区上下文中检查顶棚，审查其外观与位置，并随设计决策变化修改模型。USGS 航拍数据则用于景观与高程规划。
扩展园区模型以评估固定电力预算
园区模型可以支持后续的容量规划研究：在固定电力预算内，AI 工厂机房应如何配置？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，以评估各种备选配置。
一个起点是说明性的 NVIDIA Vera Rubin NVL72 推理对比。它将采用 MaxP——GPU 层面最高的静态功率设置——的基线方案，与 DSX MaxLPS 进行对比；后者是一个 AI 工厂设计与运营框架，协调设施设计、动态功率分配和每瓦性能优化。若要将这一对比应用于某个机房，则需要评估支撑电力、冷却和网络基础设施。
按 1 MW 功率基准归一化，并假设电能使用效率（PUE）为 1.1，该说明性场景显示 DSX MaxLPS 的容量为 400 块 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，而非由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。参考对比将用于确定容量目标。工程师将使用完整机架评估可行的配置，包括其位置、配电、冷却连接和网络资源。
借助系统建模语言（SysML），团队可以表达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需求。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，智能体就可以查询它们，标记出因拟议变更而可能受到影响的依赖项。图纸和 CAD 提供尺寸和位置参考，设备目录则提供工程分析所需参数。
交接成果将是一份拟议的设计修订，并附带需求、设备和后续工程研究。工程审查之后，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还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。
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之后，下一步是为分析准备设计。这不仅仅是几何体：工程师还需要设备属性和连接数据来评估电力和冷却。OpenUSD 将建筑几何体、设备资产和相关数据汇集到同一场景中。USD 属性和自定义 Schema 可以保留指向工程记录和需求的链接，使变更能够跨应用程序追溯。
DSX 系统架构将资产准备、数据存储、仿真服务和数字孪生应用连接起来。对于固定电力场景，这提供了一个框架，将修订后的布局与评估其电力和冷却影响所需的设备信息整合在一起。
SimReady Foundation 描述了特定仿真用途所需的资产数据。OpenUSD 提供共享场景，而 SimReady 规范则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与受支持的验证器，然后检查它们所覆盖的几何体、属性和连接数据。智能体可以帮助揭示缺失的信息，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、无需申请即可访问的库，包含 2,000 多个可直接用于仿真的 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、电力和冷却设备，从而减少资产准备工作。
AI 工厂流水线示例为 CAD 转换、优化、元数据和验证提供了示例。通过已连接的工具，智能体可以帮助调用这些准备步骤并收集其报告。
最终交接的是一个已组装的场景，与拟议的设计修订相关联，其支撑数据、已完成的检查和仍存在的缺口都清晰可见。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电力预算内的表现。
评估电力和冷却仿真以指导设计修订
在修订后的场景组装完毕、数据缺口已识别之后，准备评估该配置所需的研究。在固定电力场景中，电力负载和冷却分析有助于确定拟议的设备安排在指定运行条件下的表现。应用程序使用几何体、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、获取结果，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本，并区分计算结果与存储结果或 AI 近似结果。
容量问题由此成为设计决策的依据：采用哪种设备配置、需要哪些配套基础设施、在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相关研究。
为智能体开发、可视化和仿真选择计算平台
对于类似园区示例的工作流，应根据任务选择硬件：开发智能体工具连接、编辑场景，还是运行工程研究。
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。可与 RTX 系统搭配使用，进行 DSX 可视化和仿真。
NVIDIA RTX PRO Blackwell 工作站版 GPU 用于交互式设计与仿真：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 模型与智能体。增加 RTX PRO 6000 Blackwell 工作站版 GPU 用于可视化和受支持的仿真应用。
NVIDIA RTX PRO 服务器用于共享开发与仿真：遵循 NVIDIA RTX PRO AI 工厂参考架构，该架构规定每台服务器配置八块 RTX PRO 6000 Blackwell 服务器版 GPU，并将四台服务器组成一个可扩展单元。根据场景复杂度、求解器需求和并发用户数，为推理、可视化和受支持的仿真工作负载确定部署规模。
将应用程序连接到工程决策
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程序。应用提供商正在整个工作流中应对这些场景：
达索系统通过 CATIA Magic 解决保持系统需求与设计决策一致的问题。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。在智能体辅助工作流中，仿真发现可以为拟议的 SysML 模型配置更新提供依据（须经工程审查），使需求与系统模型在设计迭代过程中始终保持连接。达索系统还支持用于智能体间集成的 Agent2Agent（A2A）协议，作为对基于 MCP 的工具与数据访问的补充。
PTC 正致力于通过 Windchill 和 NVIDIA Omniverse 库，使数字孪生研究与其所代表的产品数据保持关联。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带入共享的 3D 环境中，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 数字孪生平台回答了固定电力的问题：能运行多少块 GPU，以及能否冷却。它将设备和电力模型与计算流体力学耦合，以仿真 MaxP、MaxQ 和 DSX MaxLPS。利益相关方可以在单个机架安装之前就了解其对电力、冷却和 Token 吞吐量的影响，并在 AI 工厂的整个生命周期中持续跟踪。Cadence Reality 数字孪生基于 NVIDIA Omniverse 库、SimReady 资产和 OpenUSD 构建，支持对 AI 工厂性能进行协作式和智能体化优化。
西门子通过 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，西门子还开发了与 DSX 对齐的参考架构，将配电、自动化和可直接用于仿真的资产结合起来。这些方案满足了在工厂设计中除了计算设备之外还要呈现配套基础设施的需求。
开始使用 NVIDIA Omniverse DSX 蓝图
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 需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 蓝图进行构建
用 OpenUSD 组装您的数字孪生
使用 DSX 资产指南和 SimReady Foundation 准备并验证您的资产
使用 AI 工厂流水线示例为您的工作流准备内容
在《让 Astra 在 NVIDIA Omniverse 库中投入仿真应用》中探索相关仿真示例
订阅 NVIDIA 新闻并关注 NVIDIA Omniverse 的 Discord 和 YouTube 频道，以保持了解最新动态。
