建一座AI工厂，先把园区、机房、供电、制冷放进同一个可编辑模型，再拿它做容量与仿真研究——这是数字孪生的常规目标。难的是输入端：场地规划、设备资产、工程需求往往分散在PDF、CAD、照片和需求文档里，尺寸、比例、接口对不上，模型看起来像，却没法用来做工程判断。NVIDIA在Omniverse DSX Blueprint上演示了一条“智能体辅助”的工作流，把这件事拆成可审查的步骤。
先给智能体一个“有根据”的底座
只给智能体几张照片或渲染图，它可能生成一个貌似合理、尺寸和比例却错误的模型。因此工作流先准备五类输入：DSX参考设计中的三维模型（机房、中央公用建筑、变电站、发电机、制冷设备、车辆、植被）；Voyager园区的建筑参考照片，用于屋顶、立面、光伏雨棚和景观；描述园区布局与一期细节的场地规划PDF；索引化的需求文档，包括建筑图纸、形态研究、设计基础与房间布局；以及USGS的航拍影像和高程数据，用来把园区放进真实地形。
这些输入各司其职：已有几何提供可复用的建筑与设备，建筑参考决定外观，场地规划决定位置，图纸与设备信息确定尺寸，需求文档定义设计必须满足的条件。好处是可追溯——建筑位置能追到哪份场地规划，立面风格能追到哪张参考图；但尺寸精度仍要靠对照图纸、规范和场地约束逐项检查。
用附加USD层生成与修改
实施时，前沿AI模型运行在智能体框架中，框架负责上下文、指令与工具调用；技能（skills）封装可重复任务和AI工厂领域知识；建模与分析操作通过工具接口连接，在支持的地方使用MCP，并明确智能体可以提出哪些修改、可以应用哪些修改。
以光伏雨棚为例，智能体调用USD Content Agents生成几何与材质，再对照Voyager参考图细化设计。生成结果仍是概念设计，工程团队要检查尺寸、结构属性以及是否适合仿真。随后团队把复用资产与新建筑几何放在附加USD层（additive USD layers）中，修改与源资产分开，便于回溯；在Omniverse RTX视口中检查雨棚在园区中的观感与位置，并随设计决策继续调整。USGS航拍数据则用于景观与高程布置。
把布局接到固定功率预算
园区模型可以继续支持容量规划：在固定功率预算下，机房该怎么配？文中给出一个示意性比较：以1MW为基准、PUE取1.1，对比MaxP（GPU静态最高功耗档）与DSX MaxLPS（协调设施设计、动态功率分配与每瓦性能优化的设计运行框架）。在该参考假设下，DSX MaxLPS可支持400块GPU，聚合token吞吐为MaxP基线的1.35倍。文章特别说明，这些数字是供后续研究使用的参考假设，不是园区模型跑出的结果。
要把容量问题变成工程问题，还需要需求与系统元素的关联。团队可用SysML表达需求并链接到系统元素；如果建模工具通过API、MCP或其他接口暴露这些关系，智能体就能查询它们，标记某项修改可能影响到的依赖。图纸与CAD提供尺寸和位置，设备目录提供分析参数。智能体最终交付的是一份“建议的设计修订”，连同需求、设备和后续工程研究清单一起交给工程师评审；评审后再由智能体协助更新OpenUSD场景。
从模型到仿真：SimReady与可追溯
仿真需要的不只是几何，还包括设备属性与连接关系。OpenUSD把建筑几何、设备资产和相关数据放进同一场景，USD属性与自定义schema可以保留到工程记录和需求的链接。SimReady Foundation定义了特定仿真用途所需的资产数据，帮助团队判断资产是否“够用”，再选择相应的验证器检查几何、属性和连接数据；智能体可以提示缺失信息并关联到受影响设备。团队还可以从Hugging Face上的SimReady Central Library取用2000多个仿真就绪的OpenUSD资产，减少从零建模。
当场景装配完成，智能体可以在已实现求解器连接的环境里提交电气负载、制冷等研究，取回结果并关联到受影响设备与需求。关键是每一步都要标注测试的是哪个设计修订，并把“计算得到的结果”与“存储的历史结果”“AI近似值”区分开——否则仿真结论会被误读。
小结
这条工作流没有让智能体替代工程师，而是把它放在“找资料、搭场景、跑检查、留痕迹”的重复环节：输入有出处，修改在附加层，结果可追溯，判断仍由人做出。对工业数字孪生来说，这比生成一个漂亮的3D场景更有价值。
资料来源：Developing an AI Factory Digital Twin with an Agent-Assisted Workflow — NVIDIA Technical Blog（2026-10-21）。本文为技术要点整理/编译，非原文全文。