Создание цифрового двойника (digital twin) для искусственного интеллекта — это не просто визуализация серверных стоек. Это сложный инженерный процесс, требующий интеграции архитектурных планов, данных об оборудовании, требований к энергопотреблению и систем охлаждения в единую, редактируемую модель. В эпоху, когда спрос на вычислительные мощности растет экспоненциально, традиционные методы проектирования дата-центров становятся узким местом. NVIDIA предлагает революционный подход: использование NVIDIA Omniverse DSX Blueprint в сочетании с агентами на базе передовых языковых моделей для создания динамических, симулируемых моделей AI-фабрик.
Этот подход позволяет инженерам и архитекторам не просто смотреть на статичные 3D-модели, а взаимодействовать с ними в реальном времени. Агенты могут генерировать геометрию, проверять соответствие требованиям и готовить сцены для инженерных симуляций, оставляя человеку роль контролера и принимающего решения. В этой статье мы подробно разберем, как работает этот агент-ассистированный рабочий процесс, какие технологии лежат в его основе и как он меняет подход к проектированию инфраструктуры для ИИ.

01Фундамент: NVIDIA Omniverse DSX Blueprint и OpenUSD
В основе всего лежит NVIDIA Omniverse DSX Blueprint, который является частью экосистемы NVIDIA DSX Sim. Это не просто набор библиотек, а готовый референсный проект, предоставляющий разработчикам активы, скрипты и рабочие процессы для создания цифровых двойников AI-фабрик. Ключевая технология здесь — OpenUSD (Universal Scene Description). OpenUSD позволяет объединять геометрию, материалы, анимацию и данные из различных источников в единый, иерархический и редактируемый формат.
Почему это важно? Традиционные CAD-системы часто изолированы. Архитекторы работают в одном формате, инженеры по охлаждению — в другом, а специалисты по электроснабжению — в третьем. OpenUSD выступает как «общий язык». DSX Blueprint предоставляет базовые активы: модели залов для вычислений, центральных зданий обслуживания, подстанций, генераторов, систем охлаждения, транспортных средств и даже ландшафта. Эти активы уже подготовлены с учетом стандартов SimReady, что означает их готовность к использованию в инженерных симуляциях без дополнительной «очистки» геометрии.
Агенты на базе ИИ выступают в роли связующего звена. Они не заменяют инженеров, а усиливают их возможности. Агент получает контекст: референсные дизайны, архитектурные справки, планы участков и требования. На основе этих данных он может предлагать изменения, генерировать новые элементы сцены и проверять их на соответствие исходным документам. Это превращает процесс проектирования из линейного в итеративный и интерактивный.
02От чертежей к модели: Как агенты страют кампус
Рассмотрим практический пример. Представьте, что перед вами стоит задача: спроектировать зал для AI-фабрики при фиксированном лимите мощности. Изменение конфигурации вычислений влияет на количество оборудования, его размещение, распределение электроэнергии и требования к охлаждению. Чтобы оценить альтернативы, все дисциплины должны работать с одними и теми же данными.
ИИ-агент не может просто «посмотреть на фото» и создать точную модель. Ему нужен контекст. Рабочий процесс начинается с предоставления агенту набора входных данных:

- 3D-модели DSX: Базовые геометрии зданий, оборудования и инфраструктуры.
- Архитектурные референсы: Фотографии и изображения (например, кампуса NVIDIA Voyager), которые задают стиль фасадов, крыш, солнечных навесов и ландшафта.
- Планы участка (Site Plans): PDF-документы с расположением зданий, дорог, зон обслуживания и доступа.
- Документы требований: Спецификации, чертежи, документы «Basis of Design» (BoD), описывающие условия, которым должна соответствовать конструкция.
- Географические данные: Спутниковые снимки USGS и данные о рельефе местности для точного позиционирования кампуса в ландшафте.
В этом примере команда использовала здание NVIDIA Santa Clara Headquarters (Voyager) как архитектурный референс. ИИ-агент, используя USD Content Agents, сгенерировал геометрию солнечных навесов, опираясь на визуальные референсы Voyager. При этом агент сохранял изменения в отдельных слоях OpenUSD, не затрагивая исходные модели зданий из DSX Blueprint.
Это создает редактируемую архитектурную деталь, которую инженеры могут проверить на предмет размеров, структурной целостности и пригодности для симуляции. Агенты помогают автоматизировать рутинные задачи: размещение оборудования согласно плану, применение текстур на основе референсов, проверку базовых размеров. Однако финальная проверка dimensional accuracy (точности размеров) всегда остается за человеком, опирающимся на чертежи и спецификации.
03Оценка мощности и планирование мощностей
После того как базовая модель кампуса построена, она становится платформой для более сложных исследований. Например, как оптимально разместить вычислительное оборудование в зале при фиксированном бюджете мощности? Здесь на сцену выходят данные о производительности и энергоэффективности.
NVIDIA приводит иллюстративное сравнение на базе NVIDIA Vera Rubin NVL72. Сравниваются два подхода:
- MaxP: Базовая конфи
Источник: NVIDIA Developer ↗
