<p><em>編輯者注：本文是</em> <em>進入全宇宙</em> <em>系列的一部分，專注於開發者、3D 從業者和企業如何利用</em> <em>OpenUSD</em> <em>和</em> <em>NVIDIA Omniverse</em> <em>的最新進展來轉變他們的工作流程。</em></p>
<p>製造業傳統的設計 - 建造 - 測試周期基於一個單一假設：現實世界的測試是唯一可靠的測試環境。</p>
<p>這一假設現在正在發生變化。</p>
<p>如今，高保真模擬生成的合成訓練數據足夠準確，可以用於生產級 AI。這使得感知系統、推理模型和自主工作流程能夠在實時工廠環境中表現出色。</p>
<p>OpenUSD 已成為實現這一目標的連接標準，基於它構建的製造商已經體驗到了可衡量的成果。</p>
<h2><strong>SimReady：物理 AI 的內容標準</strong></h2>
<p>隨着物理 AI 成為工業操作的核心，製造商面臨一個基礎性挑戰：資產在 3D 流程之間無法可靠傳輸。每當資產從計算機輔助設計工具轉移到模擬平台時，物理屬性、幾何形狀和元數據都會丟失——迫使團隊從頭開始重建。</p>
<p>SimReady 是基於 OpenUSD 構建的內容標準，定義了物理準確的 3D 資產必須包含的內容，以便在渲染、模擬和 AI 訓練流程中可靠工作。</p>
<p>此外，NVIDIA Omniverse 庫提供了物理準確的、照片級真實感的模擬層，在部署之前對 AI 模型進行訓練和驗證。</p>
<h2><strong>製造商如何利用 NVIDIA 物理 AI 堆棧的四種方式</strong></h2>
<h3><strong>ABB Robotics 以 99% 的準確率縮小模擬與現實之間的差距</strong></h3>
<p>ABB Robotics 已將 NVIDIA Omniverse 庫直接集成到 RobotStudio HyperReality 中，這是其全球超過 60,000 名工程師使用的模擬平台。</p>
<p>該平台將機器人工作站表示為 USD 文件，運行與其物理對應物相同的固件，使得在生產線存在之前可以訓練機器人、測試零件公差和驗證 AI 模型。</p>
<p>合成訓練變體——例如光照條件和幾何差異——可以大規模生成，涵蓋手動複製不切實際的場景。</p>
<p>“我們已經成功地垂直整合了完整的技術堆棧，並優化到一個點，現在在模擬版本上實現了 99% 的準確率，” ABB Robotics 業務線行業董事總經理 Craig McDonnell 説。</p>
<p>下游結果：產品引入週期減少高達 50%，調試時間減少高達 80%，總設備生命週期成本減少 30-40%。</p>
<h3><strong>JLR 將四小時的氣動模擬壓縮到一分鐘</strong></h3>
<p>JLR 將相同的模擬優先原則應用於車輛氣動設計。工程師在超過 20,000 個與風洞相關的計算流體動力學模擬上訓練神經替代模型——目前 95% 的氣動熱負荷在 NVIDIA GPU 上運行。</p>
<p>基於 Omniverse 構建並部署在 JLR 的神經概念設計實驗室實時可視化氣動變化，設計師調整車輛幾何形狀時，曾經需要四小時的結果現在只需一分鐘。</p>
<h3><strong>Tulip 為 Terex 帶來實時工廠智能以實現運營收益</strong></h3>
<p>一旦工廠進入生產，另一種智能挑戰就開始了——這是單靠模擬無法解決的。</p>
<p>Tulip Interface 的 Factory Playback 平台展示瞭如何將現有基礎設施轉變為智能層，將操作記錄轉化為用户可以實際學習的內容。Tulip 在 NVIDIA Metropolis VSS Blueprint 上構建了 Factory Playback——一個從工廠攝像頭數據中提取結構化智能的參考架構——將攝像頭流、機器傳感器數據和操作上下文連接成一個統一的時間線，展示實際發生的事情。</p>
<p>此外，Factory Playback 使用 NVIDIA Cosmos Reasonvision 語言模型實時解釋攝像頭流和操作員行為，在 NVIDIA GPU 上本地運行。</p>
<p>該系統在 Terex 部署，Terex 是一家擁有超過 40 家工廠的全球工業設備製造商，預計將實現 3% 的產量提升和 10% 的返工減少。</p>
<p>“我很期待看到製造商將 AI 的力量用於增強他們的日常能力，” Tulip Interfaces 的聯合創始人兼首席信息官 Rony Kubat 説。</p>
<h2><strong>開始使用</strong></h2>
<p>SimReady 資產、Omniverse 庫和 NVIDIA 的物理 AI 堆棧為開發者提供了一個基礎，可以在任何工業應用中採用、擴展和結合。以下是如何開始：</p>
<ul>
<li>在漢諾威博覽會上查看 NVIDIA 和合作夥伴如何在工廠車間應用物理 AI。</li>
<li>開始使用這些免費的自學課程構建自主機器人、數字雙胞胎和 AI 驅動的系統。</li>
<li>在 NVIDIA 開發者門户上探索 NVIDIA Isaac Sim 和 Omniverse 庫。</li>
<li>在現有攝像頭基礎設施上部署 NVIDIA Metropolis VSS Blueprint，以從車間獲得新見解。</li>
<li>在 GitHub 上探索 SimReady Foundation 規範框架。</li>
<li>瀏覽 NVIDIA Cosmos Cookbook 中針對機器人、模擬和自主系統的領域特定物理 AI 應用的食譜。</li>
<li>訪問完整的 Omniverse 開發者中心。</li>
<li>加入社區，與其他開發者和創新者聯繫，他們正在利用 NVIDIA 技術構建未來。</li>
</ul>

英偉達

ABBNY

2 倍做空 NVDA ETF - GraniteShares

2 倍做多英偉達 ETF - Direxion

IBOT

2 倍做多 NVDA ETF - T-Rex

<p>這篇文章討論了製造業向以仿真為先的轉變，這一轉變得益於高保真仿真和 OpenUSD 標準。文章強調了像 ABB Robotics 和 JLR 這樣的公司如何利用 NVIDIA Omniverse 進行準確的仿真，從而縮短產品週期並提高設計效率。Tulip Interfaces 也被提及，通過實時數據集成增強工廠智能。文章強調了 SimReady 資產和 NVIDIA 的物理 AI 技術棧在現代工業應用中的重要性，鼓勵開發者探索這些技術以獲得運營收益</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>編輯者注：本文是</em> <em>進入全宇宙</em> <em>系列的一部分，專注於開發者、3D 從業者和企業如何利用</em> <em>OpenUSD</em> <em>和</em> <em>NVIDIA Omniverse</em> <em>的最新進展來轉變他們的工作流程。</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>製造業傳統的設計 - 建造 - 測試周期基於一個單一假設：現實世界的測試是唯一可靠的測試環境。</p>
</div><p>That assumption is now shifting.</p>
<div class="lb-trans"><p>這一假設現在正在發生變化。</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，高保真模擬生成的合成訓練數據足夠準確，可以用於生產級 AI。這使得感知系統、推理模型和自主工作流程能夠在實時工廠環境中表現出色。</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 已成為實現這一目標的連接標準，基於它構建的製造商已經體驗到了可衡量的成果。</p>
</div><h2><strong>SimReady: The Content Standard for Physical AI</strong></h2>
<div class="lb-trans"><h2><strong>SimReady：物理 AI 的內容標準</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>隨着物理 AI 成為工業操作的核心，製造商面臨一個基礎性挑戰：資產在 3D 流程之間無法可靠傳輸。每當資產從計算機輔助設計工具轉移到模擬平台時，物理屬性、幾何形狀和元數據都會丟失——迫使團隊從頭開始重建。</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 是基於 OpenUSD 構建的內容標準，定義了物理準確的 3D 資產必須包含的內容，以便在渲染、模擬和 AI 訓練流程中可靠工作。</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 庫提供了物理準確的、照片級真實感的模擬層，在部署之前對 AI 模型進行訓練和驗證。</p>
</div><h2><strong>Four Ways Manufacturers Are Putting the NVIDIA Physical AI Stack to Work</strong></h2>
<div class="lb-trans"><h2><strong>製造商如何利用 NVIDIA 物理 AI 堆棧的四種方式</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% 的準確率縮小模擬與現實之間的差距</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 已將 NVIDIA Omniverse 庫直接集成到 RobotStudio HyperReality 中，這是其全球超過 60,000 名工程師使用的模擬平台。</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>該平台將機器人工作站表示為 USD 文件，運行與其物理對應物相同的固件，使得在生產線存在之前可以訓練機器人、測試零件公差和驗證 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>合成訓練變體——例如光照條件和幾何差異——可以大規模生成，涵蓋手動複製不切實際的場景。</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>“我們已經成功地垂直整合了完整的技術堆棧，並優化到一個點，現在在模擬版本上實現了 99% 的準確率，” ABB Robotics 業務線行業董事總經理 Craig McDonnell 説。</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>下游結果：產品引入週期減少高達 50%，調試時間減少高達 80%，總設備生命週期成本減少 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 將四小時的氣動模擬壓縮到一分鐘</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 將相同的模擬優先原則應用於車輛氣動設計。工程師在超過 20,000 個與風洞相關的計算流體動力學模擬上訓練神經替代模型——目前 95% 的氣動熱負荷在 NVIDIA GPU 上運行。</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>基於 Omniverse 構建並部署在 JLR 的神經概念設計實驗室實時可視化氣動變化，設計師調整車輛幾何形狀時，曾經需要四小時的結果現在只需一分鐘。</p>
</div><h3><strong>Tulip Brings Real-Time Factory Intelligence to Terex for Operational Gains</strong></h3>
<div class="lb-trans"><h3><strong>Tulip 為 Terex 帶來實時工廠智能以實現運營收益</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>一旦工廠進入生產，另一種智能挑戰就開始了——這是單靠模擬無法解決的。</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 平台展示瞭如何將現有基礎設施轉變為智能層，將操作記錄轉化為用户可以實際學習的內容。Tulip 在 NVIDIA Metropolis VSS Blueprint 上構建了 Factory Playback——一個從工廠攝像頭數據中提取結構化智能的參考架構——將攝像頭流、機器傳感器數據和操作上下文連接成一個統一的時間線，展示實際發生的事情。</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 語言模型實時解釋攝像頭流和操作員行為，在 NVIDIA GPU 上本地運行。</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>該系統在 Terex 部署，Terex 是一家擁有超過 40 家工廠的全球工業設備製造商，預計將實現 3% 的產量提升和 10% 的返工減少。</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>“我很期待看到製造商將 AI 的力量用於增強他們的日常能力，” Tulip Interfaces 的聯合創始人兼首席信息官 Rony Kubat 説。</p>
</div><h2><strong>Getting Started</strong></h2>
<div class="lb-trans"><h2><strong>開始使用</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 資產、Omniverse 庫和 NVIDIA 的物理 AI 堆棧為開發者提供了一個基礎，可以在任何工業應用中採用、擴展和結合。以下是如何開始：</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>在漢諾威博覽會上查看 NVIDIA 和合作夥伴如何在工廠車間應用物理 AI。</li>
<li>開始使用這些免費的自學課程構建自主機器人、數字雙胞胎和 AI 驅動的系統。</li>
<li>在 NVIDIA 開發者門户上探索 NVIDIA Isaac Sim 和 Omniverse 庫。</li>
<li>在現有攝像頭基礎設施上部署 NVIDIA Metropolis VSS Blueprint，以從車間獲得新見解。</li>
<li>在 GitHub 上探索 SimReady Foundation 規範框架。</li>
<li>瀏覽 NVIDIA Cosmos Cookbook 中針對機器人、模擬和自主系統的領域特定物理 AI 應用的食譜。</li>
<li>訪問完整的 Omniverse 開發者中心。</li>
<li>加入社區，與其他開發者和創新者聯繫，他們正在利用 NVIDIA 技術構建未來。</li>
</ul>
</div>

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

- NVIDIA Omniverse 改革傳統制造業設計過程，提升高保真度仿真能力。  
- ABB Robotics 實現 99% 準確度，減少產品引入週期達 50%。  
- JLR 將四小時空氣動力學仿真縮短至一分鐘，提升設計效率。

進入 Omniverse：製造業的模擬優先時代已經來臨