NVIDIA zeigt agentengestützten Workflow für digitale Zwillinge von KI-Fabriken

21. Oktober 2026, 11:38Quelle: NVIDIA Developer

NVIDIA hat eine Schritt-für-Schritt-Anleitung für einen agentengestützten Workflow veröffentlicht, der aus Referenzassets, Standortdaten und Designanforderungen ein editierbares OpenUSD-Modell eines KI-Fabrik-Campus erzeugt. Der Ansatz baut auf dem NVIDIA Omniverse DSX Blueprint auf, der Teil von NVIDIA DSX Sim ist.

Das Wichtigste in Kürze

Der NVIDIA Omniverse DSX Blueprint liefert Referenzassets, Beispielskripte und Workflows für digitale Zwillinge von KI-Fabriken auf Basis von OpenUSD.
Ein KI-Agent kombinierte DSX-Modelle, Voyager-Referenzen, Lagepläne, Anforderungsdokumente und USGS-Daten zu einem editierbaren Campusmodell.
Änderungen liegen in additiven USD-Layern getrennt von den Quellassets, die Ergebnisse brauchen weiterhin Prüfungen von Maßen und Technik.
Eine vorgeschlagene Kapazitätsstudie vergleicht Vera Rubin NVL72 bei der Inferenz unter MaxP und DSX MaxLPS innerhalb eines festen Strombudgets.
Werkzeuge von Dassault Systèmes, PTC, Cadence und Siemens verbinden CAD, CFD und thermische Simulation mit dem Workflow.

Was der DSX Blueprint bietet

Laut NVIDIA liefert der Omniverse DSX Blueprint digitale Referenz-Zwillings-Assets, Beispielskripte und Workflows für die Entwicklung digitaler Zwillinge von KI-Fabriken. Er basiert auf OpenUSD und den NVIDIA-Omniverse-Bibliotheken und gibt Entwicklern eine Grundlage, um Anlagen- und Ausrüstungsmodelle mit SimReady-Assets zusammenzustellen und mit Engineering-Simulationswerkzeugen zu verbinden.

Dem Beitrag zufolge bedeutet der Bau eines solchen Zwillings, Lagepläne, Ausrüstungsassets und technische Anforderungen in einem konsistenten Modell zusammenzuführen, das Teams prüfen, überarbeiten und für die Simulation vorbereiten können. Im beschriebenen Workflow steuern Entwickler die Agenten und binden Werkzeuge an, während Ingenieure die Ergebnisse prüfen und so die nächste Iteration vorbereiten.

So entstand das Campusmodell

NVIDIA zufolge braucht ein Agent Kontext, bevor er einen brauchbaren Entwurf vorschlagen kann. Mit bloßen Fotos oder Renderings erzeugt er unter Umständen ein plausibel aussehendes Modell mit falschen Abmessungen und Proportionen. Der Workflow kombiniert deshalb mehrere Eingaben mit jeweils klar definierter Rolle:

DSX-3D-Modelle: Rechenzentrumshalle, zentrale Versorgungsgebäude, Umspannwerke, Generatoren, Kühlanlagen, Fahrzeuge und Vegetation.
Architektonische Referenzen: Bilder von Voyager, dem Gebäude des NVIDIA-Hauptsitzes in Santa Clara, als Designinspiration für Dach, Fassade, Solar-Carports und Landschaftsgestaltung.
Lagepläne: PDFs mit der Anordnung des Campus und einer detaillierteren ersten Bauphase.
Anforderungsdokumente: eine indexierte Sammlung, darunter Architekturzeichnungen, Formfaktor-Studien, Basis-of-Design-Dokumente und Raumlayouts.
Geodaten: USGS-Luftbilder und Höhendaten, um den Campus im Gelände zu verorten.

Ein führendes KI-Modell läuft in einem Agent Harness, das NVIDIA als Software beschreibt, die Kontext, Anweisungen und Tool-Aufrufe verwaltet. Skills bilden wiederkehrende Aufgaben und Fachwissen zu KI-Fabriken ab. Entwickler binden Modellierungs- und Analysefunktionen über Tool-Schnittstellen an, wo unterstützt auch über das Model Context Protocol (MCP), und legen fest, welche Änderungen der Agent vorschlagen oder umsetzen darf.

Für das Solardach nutzte der Agent USD Content Agents, die bei der Erzeugung von Geometrie und Materialien helfen, und verfeinerte den Entwurf anhand der Voyager-Referenzen. Das Team kombinierte wiederverwendete Assets und neue Geometrie in additiven USD-Layern, wodurch Änderungen von den Quellassets getrennt bleiben. Das Modell ließ sich im Omniverse-RTX-Viewport begutachten. NVIDIA betont, dass das Solardach ein konzeptioneller Entwurf bleibe und dass Abmessungen, statische Eigenschaften und Simulationstauglichkeit weiterhin technisch geprüft werden müssten.

Planung bei festem Strombudget

Der Beitrag stellt eine praktische Frage: Wie sollte eine Halle einer KI-Fabrik konfiguriert werden, wenn die verfügbare Leistung feststeht? Eine geänderte Rechenkonfiguration kann Anzahl und Platzierung der Ausrüstung, Stromverteilung und Kühlung beeinflussen, weshalb diese Disziplinen konsistente Anforderungen und Daten brauchen.

NVIDIA schlägt vor, das Campusmodell zu einer Kapazitätsplanungsstudie auszubauen, die das Layout mit Anforderungen an Rechenleistung, Elektrik und Kühlung verknüpft. Ein beispielhafter Ausgangspunkt ist ein Inferenzvergleich mit NVIDIA Vera Rubin NVL72. Er stellt eine Basislinie mit MaxP, der höchsten statischen Leistungseinstellung auf GPU-Ebene, DSX MaxLPS gegenüber, das NVIDIA als Design- und Betriebsrahmen für KI-Fabriken beschreibt, der Anlagenplanung, dynamische Leistungsverteilung und Optimierung der Leistung pro Watt aufeinander abstimmt. Der Quelltext bricht ab, bevor beschrieben wird, wie dies auf eine Halle angewendet würde.

Ökosystem und Bedeutung für Entwickler

Laut der Zusammenfassung im Beitrag helfen die SimReady-Foundation-Spezifikationen und die SimReady Central Library auf Hugging Face Teams dabei, die Datenreife von Assets zu bewerten und simulationsfertige OpenUSD-Assets für Strom- und Kühlungsanalysen wiederzuverwenden. Anwendungsanbieter wie Dassault Systèmes, PTC, Cadence und Siemens verbinden Anforderungsmanagement, CAD-Daten, numerische Strömungssimulation und thermische Simulation mit dem Workflow.

Für Entwickler, die an der Planung von KI-Fabriken arbeiten, lautet die Botschaft: Agenten können das Zusammenstellen und Überarbeiten von Szenen beschleunigen, doch erst die Rückverfolgbarkeit zu den Quellzeichnungen macht eine Prüfung möglich. Als nächste Schritte verweist NVIDIA auf seine DSX-Asset-Leitlinien, SimReady Foundation und Pipeline-Beispiele für KI-Fabriken, die CAD-Konvertierung, Optimierung, Metadaten und Validierung abdecken.