Как сообщает NVIDIA Developer, разработка цифрового двойника AI-фабрики требует от разработчиков объединения планов площадки, активов оборудования и инженерных требований в единую модель, которую команды могут проверять, изменять и готовить к симуляции. Связывание этих входных данных в редактируемый рабочий процесс помогает командам исследовать альтернативные варианты дизайна и учитывать инженерные отзывы по мере эволюции проекта. Шаблон NVIDIA Omniverse DSX, часть NVIDIA DSX Sim, предоставляет эталонные активы цифрового двойника, образцы скриптов и рабочие процессы для разработки цифровых двойников AI-фабрик. Основанный на OpenUSD и библиотеках NVIDIA Omniverse, этот шаблон дает разработчикам основу для сборки моделей объектов и оборудования с активами SimReady и связывания их с инструментами инженерной симуляции. Модели Frontier AI могут помочь разработчикам работать с этой основой через агентов и связанные приложения и инструменты, как объясняется в статье «В мир Омниверс: как разработчики превращают идеи в симуляции с помощью агентов Frontier AI». Разработчики направляют агентов на объединение входных данных дизайна, сборку и изменение сцен OpenUSD и проверку результатов. Шаблон предоставляет повторно используемые активы и рабочие процессы, а агенты помогают разработчикам применять и адаптировать их к конкретным требованиям дизайна. Этот пост демонстрирует рабочий процесс с помощью агентов для превращения эталонных активов, данных площадки и требований дизайна в редактируемую модель кампуса OpenUSD. Разработчики могут использовать этот подход для исследования планировок, изменения размещения оборудования и подготовки дизайнов к инженерному обзору и последующей симуляции. Разработчики связывают инструменты и направляют изменения, в то время как инженеры проверяют результаты, чтобы проинформировать следующую итерацию. Работа с агентами требует контекста, прежде чем они смогут сделать полезное предложение по дизайну. Если агенту предоставить только фотографии или рендеры, он может создать модель, которая выглядит правдоподобно, но может иметь неправильные размеры и пропорции. Эталонные активы и проектные документы помогают обосновать предложение, но полученная модель все равно требует проверки размеров и инженерного обзора. Основной рабочий процесс начинается с шаблона NVIDIA Omniverse DSX и эталонного дизайна, а затем включает требования проекта, чертежи, информацию об оборудовании и ограничения площадки. Каждый источник играет свою роль: существующая геометрия предоставляет повторно используемые здания и оборудование, в то время как архитектурные ссылки информируют о внешнем виде; аэрофотоснимки и данные о высоте обеспечивают географический контекст; проектные чертежи и информация об оборудовании устанавливают размеры и размещение; требования определяют условия, которые должен удовлетворять дизайн. Например, команда использовала здание штаб-квартиры NVIDIA в Санта-Кларе, Voyager, в качестве источника вдохновения для кампуса AI-фабрики на основе эталонного дизайна DSX. Входные данные включали: 3D модели DSX: зала данных, центральные utility здания, подстанции, генераторы, охлаждающее оборудование, транспортные средства и растительность. Архитектурные ссылки: изображения Voyager с различных аэрофотоснимков и наземных видов, чтобы информировать о крыше, фасаде, солнечных навесах и ландшафтном дизайне. Планы площадки (эталонный дизайн DSX): PDF-документы, описывающие расположение кампуса и более детальную первую фазу, включая здания, дороги, utility зоны и зоны доступа. Документы требований: индексированная коллекция архитектурных чертежей, исследований форм-фактора, документов «Основа дизайна», планировок помещений и других записей. Географические данные: аэрофотоснимки USGS и данные о высоте выбранной площадки, используемые для размещения кампуса в окружающем ландшафте. Совместно эти источники предоставляют отправную точку для рабочего процесса с помощью агентов и основу для проверки его вывода. Они помогают командам отслеживать выбор дизайна к их источникам, например, размещение зданий к плану площадки и стилизацию фасада к архитектурной ссылке. Эта прослеживаемость поддерживает обзор; точность размеров все еще зависит от проверки модели по применимым чертежам, спецификациям и ограничениям площадки. Для реализации этого рабочего процесса модель фронтального AI работает в агентском хранилище: программное обеспечение, которое управляет контекстом, инструкциями и вызовами инструментов. Навыки кодируют повторяемые задачи и знания о домене AI-фабрики. Разработчики связывают операции моделирования и анализа через интерфейсы инструментов, включая Протокол Контекста Модели (MCP), где это поддерживается, и определяют, какие изменения агент может предложить или применить. В примере модели кампуса существующие здания, спроектированные по эталону DSX, и оборудование предоставили начальную геометрию, в то время как планы площадки направили размещение и детали первой фазы. Команда предоставила фотографии и архитектурные ссылки с кампуса NVIDIA Voyager для направления архитектурных дополнений. Для солнечного навеса агент фронтального AI использовал USD Content Agents, чтобы помочь сгенерировать его геометрию и материалы, а затем уточнил дизайн, используя ссылки Voyager. Это дало команде редактируемый архитектурный элемент для проверки наряду с существующими зданиями и оборудованием. Навес оставался концептуальным дизайном, где инженерная команда могла проверять размеры, структурные свойства и пригодность для симуляции. Команда затем объединила повторно используемые активы и новую архитектурную геометрию в добавочные слои USD, сохраняя изменения отдельно от исходных активов. В окне просмотра Omniverse RTX команда могла проверить навес в контексте кампуса, просмотреть его внешний вид и размещение, а также изменить модель по мере изменения проектных решений. Данные USGS использовались для ландшафта и плана высот. Модель кампуса полностью реализована в окне просмотра Omniverse RTX, принимая планировку дизайна и существующие активы из эталона DSX и элементы из реальных изображений Voyager для дизайна площадки. Модель кампуса может поддерживать последующее исследование планирования мощности: как следует конфигурировать зал AI-фабрики в пределах фиксированного бюджета мощности? Предложенное расширение соединит смоделированную планировку с требованиями к вычислительным, электрическим и охлаждающим системам для оценки альтернативных конфигураций. Одной из отправных точек является иллюстративное сравнение вывода NVIDIA Vera Rubin NVL72. Оно сопоставляет базовый уровень, используя MaxP — наивысшую статическую настройку мощности GPU — с DSX MaxLPS, дизайном AI-фабрики и операционной структурой, которая координирует проектирование объектов, динамическое распределение мощности и оптимизацию производительности на ватт. Применение этого сравнения к залу потребует оценки поддерживаемой мощности, охлаждения и сетевой инфраструктуры. Нормализованное на основе мощности 1 МВт, предполагая эффективность использования мощности (PUE) 1.1, иллюстративный сценарий показывает емкость DSX MaxLPS в 400 GPU и совокупную пропускную способность токенов 1.35x по сравнению с базовым уровнем MaxP. Эти цифры являются эталонными предположениями для предложенного исследования, а не результатами, полученными моделью кампуса. В предложенном рабочем процессе разработчики свяжут агента с проектными данными и инженерными инструментами, чтобы он мог помочь выявить оборудование и проектные предположения, требующие проверки. Сравнение эталонов будет информировать целевые показатели емкости. Инженеры оценят возможные конфигурации, используя полные стойки, включая их размещение, распределение электричества, соединения охлаждения и сетевые ресурсы. Используя Язык Моделирования Систем (SysML), команды могут представлять требования и связывать их с элементами системы. Команда проекта может использовать эти отношения для организации требований, извлеченных из исходных документов. Если инструмент моделирования открывает эти отношения через API, MCP или другой поддерживаемый интерфейс, агент может опросить их, чтобы отметить потенциально затронутые зависимости, затронутые предложенным изменением. Чертежи и CAD предоставят размеры и ссылки на размещение, в то время как каталоги оборудования предоставят параметры для инженерного анализа. Передача будет представлять собой предложенную ревизию дизайна, сопровождаемую требованиями, оборудованием и последующими инженерными исследованиями. После инженерных обзоров агент может помочь обновить сцену OpenUSD, чтобы отразить выбранную конфигурацию стойки и планировку. Подготовка сцены для конкретной симуляции потребует дополнительных проверок и конфигурации, включая геометрию, свойства оборудования, системные соединения и граничные условия. После того как команда проверит предложенную конфигурацию и ее затронутые требования, следующим шагом будет подготовка дизайна к анализу. Это требует больше, чем просто геометрии: инженерам нужны свойства оборудования и данные соединений, чтобы оценить мощность и охлаждение. OpenUSD объединяет геометрию зданий, активы оборудования и сопутствующие данные в общей сцене. Атрибуты USD и пользовательские схемы могут сохранять ссылки на инженерные записи и требования, сохраняя изменения прослеживаемыми через приложения. Архитектура системы DSX соединяет подготовку активов, хранение данных, услуги симуляции и приложение цифрового двойника. Для сценария фиксированной мощности это предоставляет основу для объединения пересмотренной планировки с информацией об оборудовании, необходимой для оценки ее мощности и охлаждения. SimReady Foundation описывает данные активов, необходимые для конкретных симуляционных задач. В то время как OpenUSD предоставляет общую сцену, спецификации SimReady помогают командам оценить, содержат ли их активы необходимые данные для предполагаемого анализа, выбрать требования и поддерживаемые валидаторы, соответствующие оборудованию и анализу, а затем проверить геометрию, свойства и данные соединений, которые они охватывают. Агент может помочь выявить недостающую информацию и связать ее с затронутым оборудованием для проверки командой. Разработчики также могут получать активы оборудования из Центральной Библиотеки SimReady на Hugging Face, бесплатной, неограниченной библиотеке из более чем 2000 активов OpenUSD, готовых к симуляции. Для цифровых двойников AI-фабрик команды могут находить и повторно использовать стойки, оборудование для питания и охлаждения, сокращая подготовку активов. Образцы конвейера AI-фабрики предоставляют примеры для конвертации CAD, оптимизации, метаданных и валидации. Через связанные инструменты агент может помочь вызвать эти шаги подготовки и собрать их отчеты. Результирующая передача — это собранная сцена, связанная с предложенной ревизией дизайна, с поддерживающими данными, завершенными проверками и оставшимися пробелами на виду. Это дает команде симуляции контекст, необходимый для подготовки исследования и оценки того, как конфигурация ведет себя в пределах фиксированного бюджета мощности. С собранной сценой и выявленными пробелами в данных подготовьте исследования, необходимые для оценки конфигурации. В сценарии фиксированной мощности анализ электрической нагрузки и охлаждения помогает определить, как предложенная расстановка оборудования ведет себя при заданных условиях эксплуатации. Приложение использует геометрию, свойства оборудования и системные соединения, с дополнительной подготовкой решателя, где это необходимо. Где разработчики реализовали поддерживаемые соединения решателей, агент может отправлять исследования, извлекать результаты и связывать выводы с затронутым оборудованием и требованиями. Инженеры проверяют предположения и результаты, чтобы определить, поддерживает ли дизайн предложенные конфигурации или требует дальнейших изменений. Каждое открытие должно идентифицировать протестированную ревизию дизайна и различать рассчитанные результаты от сохраненных результатов или приближений AI. Вопрос емкости теперь становится основой для принятия проектных решений: какую конфигурацию оборудования следует преследовать, какую поддерживающую инфраструктуру она требует и где требуется дальнейший анализ. Эти решения возвращаются в редактируемый дизайн, позволяя команде уточнять предложение и повторять затронутые исследования. Для рабочего процесса, подобного примеру кампуса, выбирайте оборудование в зависимости от задачи: разработки соединений инструментов агента, редактирования сцены или проведения инженерных исследований. NVIDIA DGX Spark для разработки личных агентов: Прототипирование агентов, тестирование совместимых локальных моделей AI и подключение инженерных инструментов. Сочетайте с системой RTX для визуализации и симуляции DSX. NVIDIA RTX PRO Blackwell Workstation Edition GPU для интерактивного дизайна и симуляции: Подготовка активов OpenUSD, обзор цифровых двойников и запуск поддерживаемых инженерных симуляций. NVIDIA DGX Station для больших локальных AI-нагрузок: Разработка и запуск более крупных моделей и агентов AI локально. Добавьте GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition для визуализации и поддерживаемых симуляционных приложений. NVIDIA RTX PRO Server для совместной разработки и симуляции: Следуйте эталонной архитектуре NVIDIA RTX PRO AI Factory, которая специфицирует восемь RTX PRO 6000 Blackwell Server Edition GPU на сервер и группирует четыре сервера в масштабируемую единицу. Размерьте развертывание для вывода, визуализации и поддерживаемых симуляционных нагрузок в зависимости от сложности сцены, требований решателя и количества пользователей. Расширение модели кампуса в инженерное исследование требует приложений, которые управляют требованиями, предоставляют данные об оборудовании и рассчитывают физическое поведение. Поставщики приложений решают эти сценарии по всему рабочему процессу: Dassault Systèmes решает задачу поддержания согласованности системных требований и проектных решений с помощью CATIA Magic. Его инструменты SysML позволяют инженерам моделировать элементы системы и интерфейсы, проверять согласованность модели и оценивать дизайны по архитектуре. В рамках рабочего процесса с помощью агентов результаты симуляции могут информировать предлагаемые обновления конфигурации модели SysML, подлежащие инженерному обзору, поддерживая связь между требованиями и моделью систем на протяжении итераций дизайна. Dassault Systèmes также поддерживает протокол Agent2Agent (A2A) для интеграции агент-агент, дополняя доступ на основе MCP к инструментам и данным. PTC работает над тем, чтобы поддерживать связи между исследованиями цифровых двойников и данными продуктов, которые они представляют, через Windchill и библиотеки NVIDIA Omniverse. Windchill управляет версионными данными CAD, такими как Creo; анонсированная интеграция предназначена для переноса этих данных в общую 3D-среду для инженерного обзора и симуляции. Это решает передачу от управляемого дизайна оборудования к цифровому двойнику AI-фабрики. Платформа Cadence Reality Digital Twin отвечает на вопрос фиксированной мощности: сколько GPU может работать и могут ли они быть охлаждены? Она сочетает модели оборудования и мощности с вычислительной гидродинамикой для симуляции MaxP, MaxQ и DSX MaxLPS. Заинтересованные стороны видят влияние на мощность, охлаждение и пропускную способность токенов до установки стойки и продолжают в течение всего срока службы AI-фабрики. Основанная на библиотеках NVIDIA Omniverse, активов SimReady и OpenUSD, Cadence Reality Digital Twin позволяет совместную и агентную оптимизацию производительности AI-фабрики. Siemens поддерживает детальную оценку потока жидкости и теплопередачи с помощью Simcenter STAR-CCM+, где инженеры рассчитывают, как предложенный дизайн ведет себя при заданных условиях. Для инфраструктуры AI-фабрики Siemens также разработал эталонные архитектуры, соответствующие DSX, которые объединяют распределение мощности, автоматизацию и активы, готовые к симуляции. Эти архитектуры решают необходимость представления вспомогательной инфраструктуры наряду с вычислительным оборудованием в дизайне фабрики. Начните с шаблона NVIDIA Omniverse DSX. Выберите один инженерный вопрос, подключите необходимые данные и инструменты, соберите цифровой двойник с помощью OpenUSD и используйте требования SimReady для подготовки активов к предполагаемому анализу. Проверьте результат перед расширением. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.