<p><em>编辑者注：本文是</em> <em>进入全宇宙</em> <em>系列的一部分，专注于开发者、3D 从业者和企业如何利用</em> <em>OpenUSD</em> <em>和</em> <em>NVIDIA Omniverse</em> <em>的最新进展来转变他们的工作流程。</em></p>
<p>制造业传统的设计 - 建造 - 测试周期基于一个单一假设：现实世界的测试是唯一可靠的测试环境。</p>
<p>这一假设现在正在发生变化。</p>
<p>如今，高保真模拟生成的合成训练数据足够准确，可以用于生产级 AI。这使得感知系统、推理模型和自主工作流程能够在实时工厂环境中表现出色。</p>
<p>OpenUSD 已成为实现这一目标的连接标准，基于它构建的制造商已经体验到了可衡量的成果。</p>
<h2><strong>SimReady：物理 AI 的内容标准</strong></h2>
<p>随着物理 AI 成为工业操作的核心，制造商面临一个基础性挑战：资产在 3D 流程之间无法可靠传输。每当资产从计算机辅助设计工具转移到模拟平台时，物理属性、几何形状和元数据都会丢失——迫使团队从头开始重建。</p>
<p>SimReady 是基于 OpenUSD 构建的内容标准，定义了物理准确的 3D 资产必须包含的内容，以便在渲染、模拟和 AI 训练流程中可靠工作。</p>
<p>此外，NVIDIA Omniverse 库提供了物理准确的、照片级真实感的模拟层，在部署之前对 AI 模型进行训练和验证。</p>
<h2><strong>制造商如何利用 NVIDIA 物理 AI 堆栈的四种方式</strong></h2>
<h3><strong>ABB Robotics 以 99% 的准确率缩小模拟与现实之间的差距</strong></h3>
<p>ABB Robotics 已将 NVIDIA Omniverse 库直接集成到 RobotStudio HyperReality 中，这是其全球超过 60,000 名工程师使用的模拟平台。</p>
<p>该平台将机器人工作站表示为 USD 文件，运行与其物理对应物相同的固件，使得在生产线存在之前可以训练机器人、测试零件公差和验证 AI 模型。</p>
<p>合成训练变体——例如光照条件和几何差异——可以大规模生成，涵盖手动复制不切实际的场景。</p>
<p>“我们已经成功地垂直整合了完整的技术堆栈，并优化到一个点，现在在模拟版本上实现了 99% 的准确率，” ABB Robotics 业务线行业董事总经理 Craig McDonnell 说。</p>
<p>下游结果：产品引入周期减少高达 50%，调试时间减少高达 80%，总设备生命周期成本减少 30-40%。</p>
<h3><strong>JLR 将四小时的气动模拟压缩到一分钟</strong></h3>
<p>JLR 将相同的模拟优先原则应用于车辆气动设计。工程师在超过 20,000 个与风洞相关的计算流体动力学模拟上训练神经替代模型——目前 95% 的气动热负荷在 NVIDIA GPU 上运行。</p>
<p>基于 Omniverse 构建并部署在 JLR 的神经概念设计实验室实时可视化气动变化，设计师调整车辆几何形状时，曾经需要四小时的结果现在只需一分钟。</p>
<h3><strong>Tulip 为 Terex 带来实时工厂智能以实现运营收益</strong></h3>
<p>一旦工厂进入生产，另一种智能挑战就开始了——这是单靠模拟无法解决的。</p>
<p>Tulip Interface 的 Factory Playback 平台展示了如何将现有基础设施转变为智能层，将操作记录转化为用户可以实际学习的内容。Tulip 在 NVIDIA Metropolis VSS Blueprint 上构建了 Factory Playback——一个从工厂摄像头数据中提取结构化智能的参考架构——将摄像头流、机器传感器数据和操作上下文连接成一个统一的时间线，展示实际发生的事情。</p>
<p>此外，Factory Playback 使用 NVIDIA Cosmos Reasonvision 语言模型实时解释摄像头流和操作员行为，在 NVIDIA GPU 上本地运行。</p>
<p>该系统在 Terex 部署，Terex 是一家拥有超过 40 家工厂的全球工业设备制造商，预计将实现 3% 的产量提升和 10% 的返工减少。</p>
<p>“我很期待看到制造商将 AI 的力量用于增强他们的日常能力，” Tulip Interfaces 的联合创始人兼首席信息官 Rony Kubat 说。</p>
<h2><strong>开始使用</strong></h2>
<p>SimReady 资产、Omniverse 库和 NVIDIA 的物理 AI 堆栈为开发者提供了一个基础，可以在任何工业应用中采用、扩展和结合。以下是如何开始：</p>
<ul>
<li>在汉诺威博览会上查看 NVIDIA 和合作伙伴如何在工厂车间应用物理 AI。</li>
<li>开始使用这些免费的自学课程构建自主机器人、数字双胞胎和 AI 驱动的系统。</li>
<li>在 NVIDIA 开发者门户上探索 NVIDIA Isaac Sim 和 Omniverse 库。</li>
<li>在现有摄像头基础设施上部署 NVIDIA Metropolis VSS Blueprint，以从车间获得新见解。</li>
<li>在 GitHub 上探索 SimReady Foundation 规范框架。</li>
<li>浏览 NVIDIA Cosmos Cookbook 中针对机器人、模拟和自主系统的领域特定物理 AI 应用的食谱。</li>
<li>访问完整的 Omniverse 开发者中心。</li>
<li>加入社区，与其他开发者和创新者联系，他们正在利用 NVIDIA 技术构建未来。</li>
</ul>

英伟达

ABBNY

2 倍做空 NVDA ETF - GraniteShares

2 倍做多英伟达 ETF - Direxion

IBOT

2 倍做多 NVDA ETF - T-Rex

<p>这篇文章讨论了制造业向以仿真为先的转变，这一转变得益于高保真仿真和 OpenUSD 标准。文章强调了像 ABB Robotics 和 JLR 这样的公司如何利用 NVIDIA Omniverse 进行准确的仿真，从而缩短产品周期并提高设计效率。Tulip Interfaces 也被提及，通过实时数据集成增强工厂智能。文章强调了 SimReady 资产和 NVIDIA 的物理 AI 技术栈在现代工业应用中的重要性，鼓励开发者探索这些技术以获得运营收益</p>

<p><em>Editor’s note: This post is part of</em> <em>Into the Omniverse</em> <em>, a series focused on how developers, 3D practitioners, and enterprises can transform their workflows using the latest advances in</em> <em>OpenUSD</em> <em>and</em> <em>NVIDIA Omniverse</em> <em>.</em></p>
<div class="lb-trans"><p><em>编辑者注：本文是</em> <em>进入全宇宙</em> <em>系列的一部分，专注于开发者、3D 从业者和企业如何利用</em> <em>OpenUSD</em> <em>和</em> <em>NVIDIA Omniverse</em> <em>的最新进展来转变他们的工作流程。</em></p>
</div><p>Manufacturing’s traditional design-build-test cycle rested on a single assumption: Real-world testing was the only reliable test environment.</p>
<div class="lb-trans"><p>制造业传统的设计 - 建造 - 测试周期基于一个单一假设：现实世界的测试是唯一可靠的测试环境。</p>
</div><p>That assumption is now shifting.</p>
<div class="lb-trans"><p>这一假设现在正在发生变化。</p>
</div><p>Today, high-fidelity simulation produces synthetic training data accurate enough for production-grade AI. This is enabling perception systems, reasoning models and agentic workflows to excel in live factory environments.</p>
<div class="lb-trans"><p>如今，高保真模拟生成的合成训练数据足够准确，可以用于生产级 AI。这使得感知系统、推理模型和自主工作流程能够在实时工厂环境中表现出色。</p>
</div><p>OpenUSD has emerged as the connective standard that makes this practical, and the manufacturers building on it are already experiencing measurable results.</p>
<div class="lb-trans"><p>OpenUSD 已成为实现这一目标的连接标准，基于它构建的制造商已经体验到了可衡量的成果。</p>
</div><h2><strong>SimReady: The Content Standard for Physical AI</strong></h2>
<div class="lb-trans"><h2><strong>SimReady：物理 AI 的内容标准</strong></h2>
</div><p>As physical AI becomes integral to industrial operations, manufacturers face a foundational challenge: Assets don’t travel reliably between 3D pipelines. Every time an asset moves from a computer-aided design tool to a simulation platform, physics properties, geometry and metadata are lost — forcing teams to rebuild from scratch.</p>
<div class="lb-trans"><p>随着物理 AI 成为工业操作的核心，制造商面临一个基础性挑战：资产在 3D 流程之间无法可靠传输。每当资产从计算机辅助设计工具转移到模拟平台时，物理属性、几何形状和元数据都会丢失——迫使团队从头开始重建。</p>
</div><p>SimReady is the content standard, built on OpenUSD, defining what physically accurate 3D assets must contain to work reliably across rendering, simulation and AI training pipelines.</p>
<div class="lb-trans"><p>SimReady 是基于 OpenUSD 构建的内容标准，定义了物理准确的 3D 资产必须包含的内容，以便在渲染、模拟和 AI 训练流程中可靠工作。</p>
</div><p>In addition, NVIDIA Omniverse libraries provide the physics-accurate, photorealistic simulation layer where AI models are trained and validated before deployment.</p>
<div class="lb-trans"><p>此外，NVIDIA Omniverse 库提供了物理准确的、照片级真实感的模拟层，在部署之前对 AI 模型进行训练和验证。</p>
</div><h2><strong>Four Ways Manufacturers Are Putting the NVIDIA Physical AI Stack to Work</strong></h2>
<div class="lb-trans"><h2><strong>制造商如何利用 NVIDIA 物理 AI 堆栈的四种方式</strong></h2>
</div><h3><strong>ABB Robotics Closes the Sim-to-Real Gap at 99% Accuracy</strong></h3>
<div class="lb-trans"><h3><strong>ABB Robotics 以 99% 的准确率缩小模拟与现实之间的差距</strong></h3>
</div><p>ABB Robotics has integrated NVIDIA Omniverse libraries directly into RobotStudio HyperReality, its simulation platform used by more than 60,000 engineers globally.</p>
<div class="lb-trans"><p>ABB Robotics 已将 NVIDIA Omniverse 库直接集成到 RobotStudio HyperReality 中，这是其全球超过 60,000 名工程师使用的模拟平台。</p>
</div><p>The platform represents robot stations as USD files running the same firmware as their physical counterparts, making it possible to train robots, test part tolerances and validate AI models before a production line exists.</p>
<div class="lb-trans"><p>该平台将机器人工作站表示为 USD 文件，运行与其物理对应物相同的固件，使得在生产线存在之前可以训练机器人、测试零件公差和验证 AI 模型。</p>
</div><p>Synthetic training variations — such as lighting conditions and geometry differences — can be generated at scale, covering scenarios that would be impractical to replicate manually.</p>
<div class="lb-trans"><p>合成训练变体——例如光照条件和几何差异——可以大规模生成，涵盖手动复制不切实际的场景。</p>
</div><p>“We’ve managed to vertically integrate the complete technology stack and optimize it to a point where we’re now achieving 99% accuracy on the simulated version,” said Craig McDonnell, managing director of business line industries at ABB Robotics.</p>
<div class="lb-trans"><p>“我们已经成功地垂直整合了完整的技术堆栈，并优化到一个点，现在在模拟版本上实现了 99% 的准确率，” ABB Robotics 业务线行业董事总经理 Craig McDonnell 说。</p>
</div><p>The downstream outcomes: up to 50% reduction in product introduction cycles, up to 80% reduction in commissioning time and a 30-40% reduction in total equipment lifecycle cost.</p>
<div class="lb-trans"><p>下游结果：产品引入周期减少高达 50%，调试时间减少高达 80%，总设备生命周期成本减少 30-40%。</p>
</div><h3><strong>JLR Compresses Four Hours of Aerodynamic Simulation to One Minute</strong></h3>
<div class="lb-trans"><h3><strong>JLR 将四小时的气动模拟压缩到一分钟</strong></h3>
</div><p>JLR applied the same simulation-first principle to vehicle aerodynamics. Engineers trained neural surrogate models on more than 20,000 wind-tunnel-correlated computational fluid dynamics simulations across the vehicle portfolio — with 95% of aero-thermal workloads now running on NVIDIA GPUs.</p>
<div class="lb-trans"><p>JLR 将相同的模拟优先原则应用于车辆气动设计。工程师在超过 20,000 个与风洞相关的计算流体动力学模拟上训练神经替代模型——目前 95% 的气动热负荷在 NVIDIA GPU 上运行。</p>
</div><p>The Neural Concept Design Lab — built on Omniverse and deployed at JLR — visualizes aerodynamic changes in real time as designers adjust vehicle geometry, collapsing what was a sequential design-then-simulate cycle into a continuous loop. A result that once took four hours now takes one minute.</p>
<div class="lb-trans"><p>基于 Omniverse 构建并部署在 JLR 的神经概念设计实验室实时可视化气动变化，设计师调整车辆几何形状时，曾经需要四小时的结果现在只需一分钟。</p>
</div><h3><strong>Tulip Brings Real-Time Factory Intelligence to Terex for Operational Gains</strong></h3>
<div class="lb-trans"><h3><strong>Tulip 为 Terex 带来实时工厂智能以实现运营收益</strong></h3>
</div><p>Once a factory goes into production, a different intelligence challenge begins — one that simulation alone can’t address.</p>
<div class="lb-trans"><p>一旦工厂进入生产，另一种智能挑战就开始了——这是单靠模拟无法解决的。</p>
</div><p>Tulip Interface’s Factory Playback platform demonstrates how existing infrastructure can become an intelligence layer, turning operations records into something users can actually learn from. Tulip built Factory Playback on the NVIDIA Metropolis VSS Blueprint — a reference architecture for extracting structured intelligence from factory camera feeds — connecting camera streams, machine sensor data and operational context into a unified timeline of what actually happened.</p>
<div class="lb-trans"><p>Tulip Interface 的 Factory Playback 平台展示了如何将现有基础设施转变为智能层，将操作记录转化为用户可以实际学习的内容。Tulip 在 NVIDIA Metropolis VSS Blueprint 上构建了 Factory Playback——一个从工厂摄像头数据中提取结构化智能的参考架构——将摄像头流、机器传感器数据和操作上下文连接成一个统一的时间线，展示实际发生的事情。</p>
</div><p>In addition, Factory Playback uses the NVIDIA Cosmos Reasonvision language model to interpret camera streams and operator behaviors in real time, running on premises on NVIDIA GPUs.</p>
<div class="lb-trans"><p>此外，Factory Playback 使用 NVIDIA Cosmos Reasonvision 语言模型实时解释摄像头流和操作员行为，在 NVIDIA GPU 上本地运行。</p>
</div><p>Deployed at Terex, a global industrial equipment manufacturer with over 40 plants, the system is expected to deliver a 3% increase in yield and 10% reduction in rework.</p>
<div class="lb-trans"><p>该系统在 Terex 部署，Terex 是一家拥有超过 40 家工厂的全球工业设备制造商，预计将实现 3% 的产量提升和 10% 的返工减少。</p>
</div><p>“I am excited to see what manufacturers will do with the power of AI to augment their daily capabilities,” said Rony Kubat, cofounder and chief information officer of Tulip Interfaces.</p>
<div class="lb-trans"><p>“我很期待看到制造商将 AI 的力量用于增强他们的日常能力，” Tulip Interfaces 的联合创始人兼首席信息官 Rony Kubat 说。</p>
</div><h2><strong>Getting Started</strong></h2>
<div class="lb-trans"><h2><strong>开始使用</strong></h2>
</div><p>SimReady assets, Omniverse libraries and NVIDIA’s physical AI stack provide a foundation developers can adopt, extend and combine across any industrial application. Here’s how to get started:</p>
<div class="lb-trans"><p>SimReady 资产、Omniverse 库和 NVIDIA 的物理 AI 堆栈为开发者提供了一个基础，可以在任何工业应用中采用、扩展和结合。以下是如何开始：</p>
</div><ul>
<li>See how NVIDIA and partners put physical AI to work on the factory floor at Hannover Messe.</li>
<li>Start building autonomous robots, digital twins and AI-powered systems with these free, self-paced courses.</li>
<li>Explore NVIDIA Isaac Sim and Omniverse libraries on the NVIDIA developer portal.</li>
<li>Deploy the NVIDIA Metropolis VSS Blueprint on existing camera infrastructure to gain new insights from the shop floor.</li>
<li>Explore the SimReady Foundation specification framework on GitHub.</li>
<li>Browse NVIDIA Cosmos Cookbook recipes for domain-specific physical AI applications across robotics, simulation and autonomous systems.</li>
<li>Access the full Omniverse developer hub.</li>
<li>Join the community to connect with fellow developers and innovators who are building the future with NVIDIA technologies.</li>
</ul>
<div class="lb-trans"><ul>
<li>在汉诺威博览会上查看 NVIDIA 和合作伙伴如何在工厂车间应用物理 AI。</li>
<li>开始使用这些免费的自学课程构建自主机器人、数字双胞胎和 AI 驱动的系统。</li>
<li>在 NVIDIA 开发者门户上探索 NVIDIA Isaac Sim 和 Omniverse 库。</li>
<li>在现有摄像头基础设施上部署 NVIDIA Metropolis VSS Blueprint，以从车间获得新见解。</li>
<li>在 GitHub 上探索 SimReady Foundation 规范框架。</li>
<li>浏览 NVIDIA Cosmos Cookbook 中针对机器人、模拟和自主系统的领域特定物理 AI 应用的食谱。</li>
<li>访问完整的 Omniverse 开发者中心。</li>
<li>加入社区，与其他开发者和创新者联系，他们正在利用 NVIDIA 技术构建未来。</li>
</ul>
</div>

Into the Omniverse: Manufacturing’s Simulation-First Era Has Arrived

- NVIDIA Omniverse 改革传统制造业设计过程，提升高保真度仿真能力。  
- ABB Robotics 实现 99% 准确度，减少产品引入周期达 50%。  
- JLR 将四小时空气动力学仿真缩短至一分钟，提升设计效率。

进入 Omniverse：制造业的模拟优先时代已经来临