In Breve
- Che cosa presenta NVIDIA?
- Un workflow assistito da agenti per trasformare requisiti, planimetrie, asset tecnici e dati geografici in un modello digitale OpenUSD di un campus AI.
- A cosa serve il modello?
- Può supportare la revisione del layout, il posizionamento delle apparecchiature e studi di capacità, potenza e raffreddamento, con verifica ingegneristica.
- Quali tecnologie sono coinvolte?
- NVIDIA Omniverse DSX, OpenUSD, USD Content Agents, SimReady Foundation, strumenti SysML, dati CAD e applicazioni di simulazione.
NVIDIA ha descritto un workflow assistito da agenti per sviluppare digital twin di campus destinati alle fabbriche di intelligenza artificiale. L’approccio combina il blueprint NVIDIA Omniverse DSX, dati geografici, planimetrie, requisiti di progetto e asset tecnici in un modello OpenUSD modificabile.
Il contenuto, pubblicato sul NVIDIA Technical Blog il 21 ottobre 2026, presenta una metodologia di riferimento: gli sviluppatori collegano modelli AI, strumenti di progettazione e applicazioni di analisi, mentre gli ingegneri verificano dimensioni, ipotesi e risultati prima di procedere alle revisioni progettuali.
Dal blueprint al modello OpenUSD
Il workflow parte dal NVIDIA Omniverse DSX Blueprint, incluso in NVIDIA DSX Sim, che mette a disposizione asset per digital twin, script di esempio e procedure basate su OpenUSD e sulle librerie NVIDIA Omniverse. L’obiettivo è assemblare modelli di edifici, apparecchiature e infrastrutture, predisponendoli per il collegamento con strumenti di simulazione ingegneristica.
Nel caso illustrato, il modello del campus integra il design di riferimento DSX con elementi architettonici ispirati al quartier generale NVIDIA di Santa Clara, noto come Voyager. Gli input citati da NVIDIA includono:
- modelli 3D di data hall, edifici per i servizi centralizzati, sottostazioni, generatori, sistemi di raffreddamento, veicoli e vegetazione;
- immagini architettoniche di Voyager, utilizzate come riferimento per tetto, facciate, pensiline solari e paesaggio;
- planimetrie del campus e della prima fase di sviluppo;
- documenti di progetto, studi sui formati, Basis of Design, layout degli ambienti e altri disegni;
- immagini aeree e dati altimetrici USGS per il contesto geografico.
Secondo NVIDIA, la combinazione di queste fonti consente di mantenere una relazione tra le scelte progettuali e i documenti di origine. L’azienda sottolinea però che l’accuratezza dimensionale deve essere verificata rispetto a disegni, specifiche e vincoli del sito.
Agenti per la costruzione e la revisione della scena
Nel workflow descritto, un modello AI opera all’interno di un agent harness, cioè un software che gestisce contesto, istruzioni e chiamate agli strumenti. Le competenze dell’agente codificano attività ripetibili e conoscenze relative alle fabbriche AI; le interfacce degli strumenti possono includere il Model Context Protocol, quando supportato.
Gli asset esistenti del blueprint DSX forniscono la geometria di partenza, mentre planimetrie e riferimenti architettonici guidano il posizionamento e le aggiunte. Per una pensilina solare, NVIDIA afferma di aver utilizzato USD Content Agents per generare geometria e materiali, successivamente rifiniti sulla base delle immagini di Voyager.
Le nuove componenti vengono inserite in layer USD aggiuntivi, separate dagli asset originali. In questo modo il team può ispezionare la scena nella viewport Omniverse RTX, valutare posizione e aspetto degli elementi e modificare il modello senza alterare le fonti riutilizzate. La pensilina resta, nel caso presentato, un elemento concettuale da sottoporre a verifiche su dimensioni, proprietà strutturali e idoneità alla simulazione.
Un possibile impiego: pianificare la capacità con potenza fissa
NVIDIA propone di estendere il modello del campus a studi di capacity planning, con l’obiettivo di valutare diverse configurazioni di calcolo all’interno di un budget energetico definito. Il cambiamento della configurazione può influire sul numero e sulla disposizione delle apparecchiature, sulla distribuzione elettrica e sul raffreddamento.
Il post cita come confronto illustrativo uno scenario di inferenza NVIDIA Vera Rubin NVL72, normalizzato su una base di 1 MW e con un power usage effectiveness, o PUE, pari a 1,1. In tale scenario di riferimento, DSX MaxLPS viene associato a una capacità di 400 GPU e a un throughput aggregato di token pari a 1,35 volte il baseline MaxP.
NVIDIA precisa che questi numeri sono assunzioni di riferimento per lo studio proposto e non risultati generati dal modello del campus. Il confronto non definisce inoltre un layout di rack installabile; i test Vera Rubin risultano indicati come ancora in corso.
In un’implementazione completa, il team dovrebbe valutare rack, distribuzione elettrica, collegamenti di raffreddamento e risorse di rete. I requisiti potrebbero essere organizzati con Systems Modeling Language (SysML) e collegati agli elementi di sistema, mentre disegni, dati CAD e cataloghi delle apparecchiature fornirebbero dimensioni e parametri per l’analisi.
OpenUSD, SimReady e simulazione
Per preparare un digital twin all’analisi non è sufficiente la geometria. Servono anche proprietà delle apparecchiature e dati sulle connessioni, necessari per valutare consumi e raffreddamento. OpenUSD può raccogliere geometria, asset e dati associati in una scena condivisa; attributi e schemi personalizzati possono conservare i collegamenti con requisiti e registri tecnici.
Le specifiche SimReady Foundation, secondo NVIDIA, aiutano a verificare se gli asset contengono i dati richiesti dallo scenario di simulazione: geometria, proprietà e connessioni. L’agente può contribuire a individuare le informazioni mancanti e ad associarle alle apparecchiature interessate, lasciando al team la revisione.
NVIDIA indica inoltre la SimReady Central Library su Hugging Face come una libreria gratuita e senza restrizioni di accesso, con oltre 2.000 asset OpenUSD dichiarati simulation-ready. Gli esempi della pipeline AI factory coprono conversione CAD, ottimizzazione, metadati e validazione.
Una volta assemblata la scena, le analisi elettriche e termiche possono essere utilizzate per valutare il comportamento della configurazione nelle condizioni operative definite. Dove esistono connessioni supportate ai solver, un agente può inviare gli studi, recuperare i risultati e collegarli a requisiti e apparecchiature. NVIDIA indica comunque la revisione ingegneristica delle ipotesi e dei risultati come passaggio necessario.
Le applicazioni coinvolte nel workflow
Il modello descritto collega diversi ambiti applicativi. NVIDIA cita Dassault Systèmes per la gestione dei requisiti e dei modelli SysML con CATIA Magic; PTC per i dati CAD versionati gestiti tramite Windchill e il loro collegamento a un ambiente 3D condiviso; Cadence per la piattaforma Reality Digital Twin, che associa modelli delle apparecchiature e dell’energia alla fluidodinamica computazionale; Siemens per la valutazione del flusso dei fluidi e del trasferimento di calore con Simcenter.
Questi collegamenti sono presentati dall’azienda come componenti di un processo iterativo: i risultati delle simulazioni possono orientare una revisione proposta, gli ingegneri possono approvarla o modificarla e il modello OpenUSD può quindi essere aggiornato per un nuovo ciclo di analisi.