深入全宇宙：制造业“仿真优先”时代已至

NVIDIA Blog 2026/04/28 13:00 新闻

simulation manufacturing physical-ai omniverse openusd synthetic-data digital-twin

摘要

制造企业正采用基于 NVIDIA Omniverse 和 OpenUSD 的“仿真优先”方法进行物理AI开发。ABB Robotics 和 JLR 的案例研究表明，该方法在精度提升、周期时间缩短和成本节约方面取得了显著成效。

<div id="bsf_rt_marker"></div>编者按：本帖是 <a target="_blank" href="https://www.nvidia.com/en-us/omniverse/news/">Into the Omniverse</a> 系列的一部分，该系列专注于开发人员、3D 专业人士和企业如何利用 <a target="_blank" href="https://www.nvidia.com/en-us/omniverse/usd/">OpenUSD</a> 和 <a target="_blank" href="https://www.nvidia.com/en-us/omniverse/usd/">NVIDIA Omniverse</a> 的最新进展来转变其工作流程。 制造业传统的设计-构建-测试循环建立在一个单一的假设之上：实地测试是唯一可靠的测试环境。 这一假设正在发生改变。 如今，高保真仿真能够生成足以用于生产级人工智能的合成训练数据。这使得感知系统、推理模型和智能体工作流能够在真实的工厂环境中表现出色。 <a target="_blank" href="https://www.nvidia.com/en-us/omniverse/usd/">OpenUSD</a> 已成为使这成为现实的关键连接标准，而基于此构建的制造商已经取得了可衡量的成果。 <h2>SimReady：物理 AI 的内容标准</h2> 随着 <a target="_blank" href="https://www.nvidia.com/en-us/glossary/generative-physical-ai/">物理 AI</a> 成为工业运营不可或缺的一部分，制造商面临着一个基础性挑战：资产在 3D 流水线之间无法可靠地传输。每当资产从计算机辅助设计工具移动到仿真平台时，物理属性、几何形状和元数据就会丢失——迫使团队从头重建。 <a target="_blank" href="https://www.nvidia.com/en-us/glossary/simready/">SimReady</a> 是基于 OpenUSD 构建的内容标准，定义了物理精确的 3D 资产必须包含哪些内容，才能可靠地在渲染、仿真和 AI 训练流水线中工作。 此外，<a target="_blank" href="https://developer.nvidia.com/omniverse?size=n_12_n&sort-field=featured&sort-direction=desc">NVIDIA Omniverse 库</a> 提供了物理精确、照片级逼真的仿真层，AI 模型在部署前在此进行训练和验证。 <h2>制造业利用 NVIDIA 物理 AI 技术栈的四种方式</h2> <h3>ABB Robotics 将虚实迁移差距缩小至 99% 的准确率</h3> ABB Robotics 已将 NVIDIA Omniverse 库直接集成到其 RobotStudio HyperReality 中，这是一个全球有超过 60,000 名工程师使用的仿真平台。 该平台以 USD 文件形式表示机器人工作站，并运行与其实体 counterpart 相同的固件，使得在生产产线存在之前就能训练机器人、测试零件公差并验证 AI 模型。 可以大规模生成合成训练变体——例如光照条件和几何差异——涵盖手动复制不切实际的场景。 ABB Robotics 行业业务线总经理 Craig McDonnell 表示：“我们已经成功垂直整合了完整的技术栈，并将其优化到现在的模拟版本准确率高达 99% 的程度。” 下游成果包括：产品引入周期缩短高达 50%，调试时间减少高达 80%，设备总生命周期成本降低 30-40%。 <h3>JLR 将四小时的气动仿真压缩至一分钟</h3> JLR 将同样的“仿真优先”原则应用于车辆空气动力学。工程师在车辆组合超过 20,000 个与风洞相关联的 <a target="_blank" href="https://www.nvidia.com/en-us/use-cases/computational-fluid-dynamics-simulation/">计算流体动力学仿真</a> 上训练了神经代理模型——目前 95% 的热流体力学工作负载在 NVIDIA GPU 上运行。 基于 Omniverse 构建并部署于 JLR 的“神经概念设计实验室”，在设计师调整车辆几何形状时实时可视化空气动力学变化，将原本顺序的设计-然后仿真的周期压缩为一个连续的循环。曾经需要四小时的结果，现在只需一分钟。 <iframe loading="lazy" title="How AI is Transforming Manufacturing End-to-End" width="1200" height="675" src="https://www.youtube.com/embed/D8wSXABcW-A?feature=oembed" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe> <h3>Tulip 为 Terex 带来实时工厂智能以实现运营收益</h3> 一旦工厂进入生产阶段，就会开始面临不同的智能挑战——这是仅靠仿真无法解决的问题。 Tulip Interface 的 <a target="_blank" href="https://tulip.co/press/tulip-announces-factory-playback-nvidia/">Factory Playback</a> 平台展示了现有基础设施如何成为智能层，将运营记录转化为用户实际可以从中学习的内容。Tulip 基于 <a target="_blank" href="https://build.nvidia.com/nvidia/video-search-and-summarization/blueprintcard">NVIDIA Metropolis VSS 蓝图</a> 构建了 Factory Playback——这是一种用于从工厂摄像头馈送中提取结构化智能的参考架构——将摄像头流、机器传感器数据和运营上下文连接到一个统一的时间线中，展示实际发生的情况。 此外，Factory Playback 使用 <a target="_blank" href="https://www.nvidia.com/en-us/ai/cosmos/">NVIDIA Cosmos Reason</a> <a target="_blank" href="https://www.nvidia.com/en-us/glossary/vision-language-models/">视觉语言模型</a> 在 NVIDIA GPU 上本地实时解释摄像头流和操作员行为。 该系统部署于拥有超过 40 家工厂的全球工业设备制造商 Terex，预计将提高 3% 的产量并减少 10% 的返工。 Tulip Interfaces 联合创始人兼首席信息官 Rony Kubat 表示：“我很兴奋看到制造商将如何利用 AI 的力量来增强他们的日常能力。” <h2>入门指南</h2> SimReady 资产、Omniverse 库和 NVIDIA 的物理 AI 技术栈提供了一

查看原文

查看缓存全文

缓存时间: 2026/05/08 06:51

# 迈向奥米尼弗斯：制造业的“仿真优先”时代已经到来来源：https://blogs.nvidia.com/blog/manufacturing-simulation-first/ *编者按：本文是 **Into the Omniverse** (https://www.nvidia.com/en-us/omniverse/news/) 系列的一部分，该系列专注于开发人员、3D 从业者以及企业如何利用 **OpenUSD** (https://www.nvidia.com/en-us/omniverse/usd/) 和 **NVIDIA Omniverse** (https://www.nvidia.com/en-us/omniverse/usd/) 的最新进展来转型其工作流程。* 制造业传统的“设计-构建-测试”周期建立在一个单一假设之上：真实世界的环境测试是唯一可靠的测试环境。这一假设正在发生改变。如今，高保真仿真能够生成足以用于生产级 AI 的合成训练数据。这使得感知系统、推理模型和智能体工作流在真实的工厂环境中表现出色。 OpenUSD (https://www.nvidia.com/en-us/omniverse/usd/) 已成为实现这一目标的连接性标准，而基于此构建的制造商们已经取得了可衡量的成果。 ## **SimReady：物理 AI 的内容标准** 随着物理 AI (https://www.nvidia.com/en-us/glossary/generative-physical-ai/) 成为工业运营不可或缺的一部分，制造商面临着一个基础性挑战：资产在 3D 流水线之间无法可靠地传输。每当资产从计算机辅助设计工具转移到仿真平台时，物理属性、几何形状和元数据都会丢失——迫使团队从头重建。 SimReady (https://www.nvidia.com/en-us/glossary/simready/) 是基于 OpenUSD 构建的内容标准，定义了物理上准确的 3D 资产必须包含哪些内容，才能在整个渲染、仿真和 AI 训练流水线中可靠地工作。此外，NVIDIA Omniverse 库 (https://developer.nvidia.com/omniverse?size=n_12_n&sort-field=featured&sort-direction=desc) 提供了物理精确、照片级真实的仿真层，用于在部署之前对 AI 模型进行训练和验证。 ## **制造商利用 NVIDIA 物理 AI 技术栈的四种方式** ### **ABB Robotics 在模拟与现实间实现 99% 的精度一致性** ABB Robotics 已将 NVIDIA Omniverse 库直接集成到其仿真平台 RobotStudio HyperReality 中，该平台在全球范围内被超过 6 万名工程师使用。该平台以 USD 文件的形式表示机器人工作站，这些文件运行与其物理对应物相同的固件，使得在生产线上存在之前就可以训练机器人、测试零件公差并验证 AI 模型。可以大规模生成合成训练变体——例如光照条件和几何形状差异——覆盖那些手动复制不切实际的场景。 ABB Robotics 行业业务线总监 Craig McDonnell 表示：“我们已经成功垂直整合了完整的技术栈并将其优化，现在我们在模拟版本上实现了 99% 的精度。” 其下游成果包括：产品引入周期缩短高达 50%，调试时间减少高达 80%，设备全生命周期总成本降低 30%-40%。 ### **JLR 将四小时的空气动力学仿真压缩至一分钟** JLR 将同样的“仿真优先”原则应用于车辆空气动力学。工程师在其车辆产品组合中对超过 2,000 个经过风洞验证的计算流体动力学仿真 (https://www.nvidia.com/en-us/use-cases/computational-fluid-dynamics-simulation/) 数据训练的神经代理模型——目前 95% 的空气动力-热力学工作负载在 NVIDIA GPU 上运行。基于 Omniverse 构建并在 JLR 部署的神经概念设计实验室 (Neural Concept Design Lab) 能够在设计师调整车辆几何形状时实时可视化空气动力学变化，将原本顺序进行的“设计-然后-仿真”周期压缩为一个连续循环。原本需要四小时的结果现在只需一分钟即可得出。 ### **Tulip 为 Terex 带来实时工厂智能，实现运营增益** 一旦工厂投入生产，就会面临不同的智能挑战——这是仅靠仿真无法解决的。 Tulip Interface 的 Factory Playback (https://tulip.co/press/tulip-announces-factory-playback-nvidia/) 平台展示了现有基础设施如何成为智能层，将运营记录转化为用户实际上可以从中学习的内容。Tulip 基于 NVIDIA Metropolis VSS Blueprint (https://build.nvidia.com/nvidia/video-search-and-summarization/blueprintcard) 构建了 Factory Playback——这是一种从工厂摄像头馈送中提取结构化智能的参考架构——将摄像头流、机器传感器数据和运营上下文连接到统一的时间线中，展示实际发生的情况。此外，Factory Playback 使用 NVIDIA Cosmos Reason (https://www.nvidia.com/en-us/ai/cosmos/) 视觉语言模型 (https://www.nvidia.com/en-us/glossary/vision-language-models/) 实时解释摄像头流和操作员行为，在 NVIDIA GPU 上本地运行。该系统已部署于拥有超过 40 家工厂的全球工业设备制造商 Terex，预计将提高 3% 的良率并减少 10% 的返工。 Tulip Interfaces 联合创始人兼首席信息官 Rony Kubat 表示：“我很期待看到制造商如何利用 AI 的力量来增强他们的日常能力。” ## **入门指南** SimReady 资产、Omniverse 库和 NVIDIA 的物理 AI 技术栈为开发人员提供了一个基础，可以在任何工业应用中采用、扩展和组合。以下是入门方法： - 了解 NVIDIA 和合作伙伴如何在汉诺威工业博览会 (Hannover Messe) (https://blogs.nvidia.com/blog/ai-manufacturing-hannover-messe) 上利用物理 AI 在工厂车间发挥作用。 - 通过这些免费、自定进度的课程 (https://docs.nvidia.com/learning/physical-ai/) 开始构建自主机器人、数字孪生和 AI 驱动的系统。 - 在 NVIDIA 开发者门户 (https://developer.nvidia.com/isaac/sim) 上探索 NVIDIA Isaac Sim 和 Omniverse 库。 - 在现有摄像头基础设施上部署 NVIDIA Metropolis VSS Blueprint (https://blogs.nvidia.com/blog/ai-blueprint-video-search-and-summarization/)，以从车间获得新的见解。 - 在 GitHub (https://github.com/nvidia/simready-foundation) 上探索 SimReady Foundation 规范框架。 - 浏览 NVIDIA Cosmos Cookbook 食谱 (https://blogs.nvidia.com/blog/cosmos-world-foundation-models/)，了解跨机器人、仿真和自主系统的特定领域物理 AI 应用。 - 访问完整的 Omniverse 开发者中心 (https://developer.nvidia.com/omniverse)。 - 加入社区 (https://discord.com/invite/nvidiaomniverse)，与其他使用 NVIDIA 技术构建未来的开发人员和创新者联系。

深入全宇宙：制造业“仿真优先”时代已至

相似文章

走进 Omniverse：NVIDIA GTC 展示赋能物理智能时代的虚拟世界

@sunfanyun: 很高兴分享我们正在与Nvidia合作，将@moonlake的3D Agent能力引入NVIDIA的模拟生态系统…

欢迎 NVIDIA Cosmos 3：首个用于物理AI推理与行为的开放全能模型

NVIDIA OmniDreams：用于闭环自动驾驶仿真的实时生成式世界模型

NVIDIA 物理人工智能指南：Cosmos、Isaac、Jetson、Omniverse 详解

提交意见反馈