Phát triển Bản sao số Nhà máy AI với quy trình làm việc có sự hỗ trợ của tác tử

by Alex Le

Việc xây dựng một bản sao số nhà máy AI đòi hỏi các nhà phát triển phải đưa các bản vẽ mặt bằng, tài sản thiết bị và các yêu cầu kỹ thuật vào một mô hình nhất quán để các nhóm có thể kiểm tra, chỉnh sửa và chuẩn bị cho mô phỏng. Việc kết nối các đầu vào này vào một quy trình làm việc có thể chỉnh sửa giúp các nhóm khám phá các phương án thiết kế thay thế và tích hợp phản hồi kỹ thuật khi thiết kế phát triển.

NVIDIA Omniverse DSX Blueprint, một phần của NVIDIA DSX Sim, cung cấp các tài sản bản sao số tham chiếu, các kịch bản mẫu và các quy trình làm việc để phát triển bản sao số nhà máy AI. Được xây dựng dựa trên OpenUSD và thư viện NVIDIA Omniverse, blueprint này cung cấp cho các nhà phát triển một nền tảng để lắp ráp các mô hình cơ sở và thiết bị bằng các tài sản SimReady, và kết nối chúng với các công cụ mô phỏng kỹ thuật.

Các mô hình AI tiên phong có thể hỗ trợ các nhà phát triển làm việc với nền tảng này thông qua các tác tử (agents) và các ứng dụng cùng công cụ kết nối, như đã được giải thích trong Vào Omniverse: Cách các nhà phát triển biến ý tưởng thành mô phỏng bằng các tác tử AI tiên phong. Các nhà phát triển hướng dẫn các tác tử để tổng hợp các đầu vào thiết kế, lắp ráp và chỉnh sửa các cảnh OpenUSD, đồng thời kiểm tra kết quả. Bản thiết kế (blueprint) cung cấp các tài sản và quy trình làm việc có thể tái sử dụng, và các tác tử giúp các nhà phát triển áp dụng và điều chỉnh chúng theo các yêu cầu thiết kế cụ thể (Hình 1).

Bài viết này minh họa một quy trình làm việc có sự hỗ trợ của tác tử để biến các tài sản tham chiếu, dữ liệu địa điểm và yêu cầu thiết kế thành một mô hình khuôn viên OpenUSD có thể chỉnh sửa. Các nhà phát triển có thể sử dụng cách tiếp cận này để khám phá các bố cục, chỉnh sửa vị trí thiết bị và chuẩn bị các thiết kế cho việc xem xét kỹ thuật và mô phỏng ở các giai đoạn tiếp theo. Các nhà phát triển kết nối các công cụ và hướng dẫn các thay đổi, trong khi các kỹ sư xem xét kết quả để cung cấp thông tin cho vòng lặp lặp lại tiếp theo.

Diagram of the workflow from requirements through campus modeling, OpenUSD assembly, and simulation, with results feeding the next design revision. Hình 1. Quy trình tham chiếu từ yêu cầu đến mô hình số OpenUSD, sau đó đến mô phỏng kỹ thuật, với kết quả cung cấp thông tin cho bản sửa đổi thiết kế tiếp theo

Ad
NVIDIA DGX B300

Cung cấp cho các tác tử một nền tảng thiết kế cho việc mô hình hóa nhà máy AI

Hãy xem xét một câu hỏi thực tế: Làm thế nào nên cấu hình một nhà xưởng nhà máy AI khi nguồn điện khả dụng là cố định? Việc thay đổi cấu hình tính toán có thể ảnh hưởng đến số lượng thiết bị, bố trí, phân phối điện và làm mát. Việc đánh giá các phương án thay thế đòi hỏi các lĩnh vực chuyên môn này phải làm việc dựa trên các yêu cầu và dữ liệu thiết kế nhất quán.

Một tác tử (agent) cần ngữ cảnh trước khi có thể đưa ra một đề xuất thiết kế hữu ích. Chỉ với các bức ảnh hoặc hình render, nó có thể tạo ra một mô hình trông hợp lý nhưng có thể có kích thước và tỷ lệ không chính xác. Các tài sản tham chiếu và tài liệu dự án giúp củng cố đề xuất, nhưng mô hình kết quả vẫn cần kiểm tra kích thước và đánh giá kỹ thuật.

Một quy trình làm việc thực tế bắt đầu với NVIDIA Omniverse DSX Blueprint và thiết kế tham chiếu, sau đó tích hợp các yêu cầu của dự án, bản vẽ, thông tin thiết bị và các ràng buộc của địa điểm. Mỗi nguồn dữ liệu đóng một vai trò khác nhau: hình học hiện có cung cấp các tòa nhà và thiết bị có thể tái sử dụng trong khi các tham chiếu kiến trúc hỗ trợ cho ngoại thất; ảnh chụp từ trên cao và dữ liệu độ cao cung cấp ngữ cảnh địa lý; bản vẽ dự án và thông tin thiết bị xác định kích thước và vị trí; các yêu cầu xác định các điều kiện mà thiết kế phải đáp ứng.

Ví dụ, nhóm đã sử dụng tòa nhà trụ sở chính NVIDIA Santa Clara, Voyager, làm nguồn cảm hứng thiết kế cho một khu campus nhà máy AI dựa trên thiết kế tham chiếu DSX. Các đầu vào bao gồm:

  • Mô hình 3D DSX: Đường hầm dữ liệu, các tòa nhà tiện ích trung tâm, trạm biến áp, máy phát điện, thiết bị làm mát, phương tiện và thảm thực vật.
  • Tham khảo kiến trúc: Các hình ảnh của Voyager từ nhiều góc nhìn trên không và trên mặt đất để cung cấp thông tin cho mái nhà, mặt tiền, mái che năng lượng mặt trời và cảnh quan.
  • Bản vẽ mặt bằng (Thiết kế tham chiếu DSX): Các tệp PDF mô tả bố cục khuôn viên và giai đoạn đầu tiên chi tiết hơn, bao gồm các tòa nhà, đường sá, khu vực tiện ích và khu vực tiếp cận.
  • Tài liệu yêu cầu: Một bộ sưu tập có chỉ mục gồm các bản vẽ kiến trúc, nghiên cứu hình thức, tài liệu Cơ sở Thiết kế, bố trí phòng và các hồ sơ khác.
  • Dữ liệu địa lý: Ảnh chụp từ trên không và dữ liệu độ cao của USGS tại địa điểm được chọn, được sử dụng để đặt khuôn viên trong địa hình xung quanh.

AI factory campus site rendering with a Voyager-inspired facade, solar canopies, walkways, and desert landscaping. Hình 2. Các đầu vào được cung cấp đã tạo ra một mô hình địa điểm khuôn viên có thể chỉnh sửa, kết hợp thiết kế tham chiếu DSX Blueprint với mặt tiền kiến trúc lấy cảm hứng từ Voyager

Cùng nhau, các nguồn này cung cấp một điểm khởi đầu cho quy trình làm việc có sự hỗ trợ của tác tử (agent) và cơ sở để xem xét đầu ra của nó. Chúng giúp các nhóm truy vết các lựa chọn thiết kế về nguồn gốc của chúng – ví dụ, vị trí xây dựng đến bản vẽ mặt bằng và phong cách mặt tiền đến tài liệu tham khảo kiến trúc. Khả năng truy vết đó hỗ trợ việc xem xét; độ chính xác về kích thước vẫn phụ thuộc vào việc kiểm tra mô hình đối với các bản vẽ, thông số kỹ thuật và ràng buộc hiện trường áp dụng.

Xây dựng mô hình địa điểm khuôn viên OpenUSD bằng cách sử dụng tác tử AI

Để triển khai quy trình làm việc này, một mô hình AI tiên phong được chạy trong một khung agent: phần mềm quản lý ngữ cảnh, chỉ thị và các cuộc gọi công cụ. Các kỹ năng mã hóa các tác vụ có thể lặp lại và kiến thức chuyên ngành về nhà máy AI. Các nhà phát triển kết nối các thao tác mô hình hóa và phân tích thông qua các giao diện công cụ, bao gồm Giao thức Ngữ cảnh Mô hình (MCP) khi được hỗ trợ, và xác định những thay đổi nào mà agent có thể đề xuất hoặc áp dụng.

Trong ví dụ về mô hình khuôn viên, các tòa nhà thiết kế tham chiếu DSX hiện có từ DSX Blueprint và thiết bị đã cung cấp hình học ban đầu, trong khi các bản vẽ mặt bằng hướng dẫn việc bố trí và các chi tiết của giai đoạn đầu. Nhóm đã cung cấp các bức ảnh và các tham chiếu kiến trúc từ khuôn viên NVIDIA Voyager để hướng dẫn các bổ sung kiến trúc.

Đối với mái che năng lượng mặt trời, tác nhân AI tiên phong đã sử dụng USD Content Agents để hỗ trợ tạo hình học và vật liệu, sau đó tinh chỉnh thiết kế bằng cách sử dụng các tham chiếu Voyager. Điều này giúp nhóm làm việc có được một yếu tố kiến trúc có thể chỉnh sửa để xem xét cùng với các tòa nhà và thiết bị hiện có. Mái che vẫn là một thiết kế mang tính khái niệm, nơi đội ngũ kỹ thuật có thể kiểm tra kích thước, đặc tính kết cấu và tính phù hợp cho mô phỏng.

Sau đó, nhóm đã kết hợp các tài sản được tái sử dụng và hình học kiến trúc mới trong các lớp USD cộng thêm, giữ cho các thay đổi tách biệt khỏi các tài sản nguồn. Trong khung nhìn Omniverse RTX, nhóm có thể kiểm tra mái che trong bối cảnh của khuôn viên, xem xét ngoại hình và vị trí của nó, và sửa đổi mô hình khi các quyết định thiết kế thay đổi. Dữ liệu hàng không của USGS đã được sử dụng cho cảnh quan và bản đồ độ cao.

Aerial campus rendering with callouts showing DSX reference infrastructure and Voyager-inspired architecture. Hình 3. Mô hình khuôn viên được hiện thực hóa hoàn toàn trong khung nhìn Omniverse RTX, sử dụng bố cục thiết kế và tài sản có sẵn từ DSX Blueprint cùng các yếu tố từ hình ảnh thực tế của Voyager cho thiết kế địa điểm

Mở rộng mô hình khuôn viên để đánh giá ngân sách điện cố định

Mô hình khuôn viên có thể hỗ trợ một nghiên cứu lập kế hoạch năng lực tiếp theo: Làm thế nào để cấu hình một nhà máy AI trong một ngân sách điện cố định? Phần mở rộng được đề xuất sẽ kết nối bố cục được mô hình hóa với các yêu cầu về tính toán, điện và làm mát để đánh giá các cấu hình thay thế.

Một điểm khởi đầu là một so sánh suy luận minh họa về NVIDIA Vera Rubin NVL72. Nó đối chiếu một cơ sở sử dụng MaxP—cài đặt công suất cấp GPU tĩnh cao nhất—with DSX MaxLPS, một khung thiết kế và vận hành nhà máy AI điều phối thiết kế cơ sở, phân bổ công suất động và tối ưu hóa hiệu suất trên mỗi watt. Áp dụng so sánh này cho một nhà máy sẽ đòi hỏi phải đánh giá cơ sở hạ tầng hỗ trợ, làm mát và mạng.

Được chuẩn hóa theo cơ sở công suất 1 MW, giả định hiệu quả sử dụng điện (PUE) là 1,1, kịch bản minh họa cho thấy năng lực DSX MaxLPS là 400 GPU và thông lượng token tổng hợp gấp 1,35 lần so với mức cơ sở MaxP (Hình 4). Các con số này là các giả định tham chiếu cho nghiên cứu được đề xuất, không phải là kết quả do mô hình campus tạo ra.

Illustrative Vera Rubin NVL72 inference comparison showing GPU capacity and token throughput for MaxP and DSX MaxLPS on a fixed 1 MW power basis, assuming PUE 1.1. Hình 4. So sánh suy luận NVIDIA Vera Rubin NVL72 minh họa, được chuẩn hóa theo cơ sở công suất 1 MW với PUE 1,1. So sánh này cung cấp ngữ cảnh cho quy trình lập kế hoạch năng lực được đề xuất; nó không đại diện cho kết quả từ mô hình campus hoặc chỉ định bố cục rack có thể triển khai. Việc kiểm tra Vera Rubin vẫn đang được tiến hành

Trong quy trình được đề xuất, các nhà phát triển sẽ kết nối tác nhân (agent) với dữ liệu dự án và các công cụ kỹ thuật để nó có thể hỗ trợ xác định các thiết bị và giả định thiết kế cần xem xét. Việc so sánh tham chiếu sẽ cung cấp cơ sở cho các mục tiêu về công suất. Các kỹ sư sẽ đánh giá các cấu hình khả thi bằng cách sử dụng các giá đỡ (rack) hoàn chỉnh, bao gồm vị trí lắp đặt, phân phối điện, kết nối làm mát và các tài nguyên mạng.

Sử dụng Ngôn ngữ Mô hình hóa Hệ thống (SysML), các nhóm có thể biểu diễn các yêu cầu và liên kết chúng với các thành phần của hệ thống. Một nhóm dự án có thể sử dụng các mối quan hệ này để tổ chức các yêu cầu được trích xuất từ các tài liệu nguồn. Nếu công cụ mô hình hóa cung cấp các mối quan hệ đó thông qua API, MCP hoặc một giao diện được hỗ trợ khác, tác nhân có thể truy vấn chúng để đánh dấu các phụ thuộc có thể bị ảnh hưởng bởi thay đổi được đề xuất. Bản vẽ và CAD sẽ cung cấp các kích thước và tham chiếu vị trí, trong khi các danh mục thiết bị sẽ cung cấp các tham số cho phân tích kỹ thuật.

Việc bàn giao sẽ là một bản sửa đổi thiết kế được đề xuất, kèm theo các yêu cầu, thiết bị và các nghiên cứu kỹ thuật tiếp theo. Sau khi kỹ thuật xem xét, tác nhân có thể hỗ trợ cập nhật cảnh OpenUSD để phản ánh cấu hình và bố trí giá đỡ đã được chọn. Việc chuẩn bị cảnh cho một mô phỏng cụ thể sẽ cần thêm các kiểm tra và cấu hình, bao gồm hình học, thuộc tính thiết bị, kết nối hệ thống và các điều kiện biên.

Lắp ráp bản sao kỹ thuật số với OpenUSD và SimReady

Sau khi nhóm xem xét một cấu hình đề xuất và các yêu cầu bị ảnh hưởng, bước tiếp theo là chuẩn bị thiết kế để phân tích. Điều này đòi hỏi nhiều hơn là hình học: các kỹ sư cần thuộc tính thiết bị và dữ liệu kết nối để đánh giá điện và làm mát. OpenUSD đưa hình học tòa nhà, tài sản thiết bị và dữ liệu liên quan vào một cảnh chung. Các thuộc tính USD và schema tùy chỉnh có thể giữ các liên kết đến hồ sơ kỹ thuật và yêu cầu, giúp theo dõi các thay đổi xuyên suốt các ứng dụng.

Kiến trúc hệ thống DSX kết nối việc chuẩn bị tài sản, lưu trữ dữ liệu, các dịch vụ mô phỏng và ứng dụng bản sao số. Đối với kịch công suất cố định, điều này cung cấp một khung để kết hợp bố cục đã sửa đổi với thông tin thiết bị cần thiết để đánh giá các tác động về điện và làm mát của nó.

DSX architecture connects CAD and SimReady asset validation with OpenUSD storage, AI agents, and engineering simulations. Hình 5. Kiến trúc hệ thống DSX hiển thị đường ống tài sản SimReady, các dịch vụ mô phỏng, mô hình thay thế (surrogate model) và thời gian chạy AIF-DT cho các ứng dụng sinh đôi số (digital twin)

SimReady Foundation mô tả dữ liệu tài sản cần thiết cho các mục đích mô phỏng cụ thể. Trong khi OpenUSD cung cấp cảnh chung, các quy định SimReady giúp các nhóm đánh giá xem tài sản của họ có chứa dữ liệu cần thiết cho phân tích dự định hay không, chọn các yêu cầu và trình xác thực (validators) được hỗ trợ phù hợp với thiết bị và phân tích, sau đó kiểm tra dữ liệu hình học, thuộc tính và kết nối mà chúng bao phủ. Tác tử (agent) có thể giúp hiển thị thông tin còn thiếu và liên kết nó với thiết bị bị ảnh hưởng để nhóm xem xét.

Các nhà phát triển cũng có thể lấy tài sản thiết bị từ Thư viện Trung tâm SimReady trên Hugging Face, một thư viện miễn phí, không cần đăng ký, chứa hơn 2.000 tài sản OpenUSD sẵn sàng mô phỏng. Đối với bản sao kỹ thuật số của nhà máy AI, các nhóm có thể khám phá và tái sử dụng các giá đỡ, thiết bị điện và làm mát do OEM cung cấp, giúp giảm thiểu công đoạn chuẩn bị tài sản.

Các mẫu pipeline nhà máy AI cung cấp các ví dụ về chuyển đổi CAD, tối ưu hóa, metadata và xác thực. Thông qua các công cụ kết nối, một agent có thể hỗ trợ gọi các bước chuẩn bị này và thu thập báo cáo của chúng.

Việc bàn giao kết quả là một cảnh được lắp ráp gắn với bản sửa đổi thiết kế được đề xuất, trong đó dữ liệu hỗ trợ, các kiểm tra đã hoàn thành và các khoảng trống còn lại đều hiển thị rõ ràng. Điều này cung cấp cho nhóm mô phỏng ngữ cảnh cần thiết để chuẩn bị nghiên cứu và đánh giá cách cấu hình hoạt động trong phạm vi ngân sách điện cố định.

Đánh giá mô phỏng điện và làm mát để hướng dẫn các bản sửa đổi thiết kế

Với cảnh quan đã được chỉnh sửa và các khoảng trống dữ liệu được xác định, hãy chuẩn bị các nghiên cứu cần thiết để đánh giá cấu hình. Trong kịch bản công suất cố định, phân tích tải điện và làm mát giúp xác định cách bố trí thiết bị đề xuất hoạt động dưới các điều kiện vận hành được chỉ định. Ứng dụng sử dụng hình học, thuộc tính thiết bị và các kết nối hệ thống, cùng với việc chuẩn bị bộ giải (solver) bổ sung khi cần thiết.

Khi các nhà phát triển đã triển khai các kết nối bộ giải được hỗ trợ, một tác tử (agent) có thể gửi các nghiên cứu, thu thập kết quả và liên kết các phát hiện với thiết bị và yêu cầu bị ảnh hưởng. Các kỹ sư xem xét các giả định và kết quả để xác định xem thiết kế có hỗ trợ các cấu hình đề xuất hay cần chỉnh sửa thêm. Mỗi phát hiện nên xác định phiên bản thiết kế đã được kiểm tra và phân biệt kết quả tính toán với kết quả lưu trữ hoặc các ước tính AI.

Câu hỏi về năng lực giờ đây trở thành cơ sở để đưa ra các quyết định thiết kế: cấu hình thiết bị nào cần theo đuổi, cơ sở hạ tầng hỗ trợ nào cần thiết, và nơi nào cần phân tích thêm. Những quyết định đó được phản hồi vào thiết kế có thể chỉnh sửa, cho phép nhóm tinh chỉnh đề xuất và lặp lại các nghiên cứu bị ảnh hưởng.

Chọn phần cứng tính toán cho phát triển tác nhân, trực quan hóa và mô phỏng

Đối với một quy trình làm việc như ví dụ về khuôn viên trường, hãy chọn phần cứng phù hợp với nhiệm vụ: phát triển các kết nối công cụ cho agent, chỉnh sửa cảnh hoặc chạy các nghiên cứu kỹ thuật.

  • NVIDIA DGX Spark để phát triển agent cá nhân: Tạo nguyên mẫu agent, kiểm tra các mô hình AI cục bộ tương thích và kết nối các công cụ kỹ thuật. Kết hợp với hệ thống RTX để hiển thị và mô phỏng DSX.
  • NVIDIA RTX PRO Blackwell Workstation Edition GPU cho thiết kế và mô phỏng tương tác: Chuẩn bị tài sản OpenUSD, xem xét các bản sao kỹ thuật số và chạy các mô phỏng kỹ thuật được hỗ trợ.
  • NVIDIA DGX Station cho các khối lượng công việc AI cục bộ lớn hơn: Phát triển và chạy các mô hình và tác nhân AI lớn hơn tại địa phương. Thêm GPU RTX PRO 6000 Blackwell Workstation Edition để hiển thị và các ứng dụng mô phỏng được hỗ trợ.
  • NVIDIA RTX PRO Server để phát triển và mô phỏng chung: Làm theo kiến trúc tham chiếu NVIDIA RTX PRO AI Factory, trong đó quy định mỗi máy chủ có tám GPU RTX PRO 6000 Blackwell Server Edition và nhóm bốn máy chủ thành một đơn vị có thể mở rộng. Xác định quy mô triển khai cho suy luận, trực quan hóa và các tác vụ mô phỏng được hỗ trợ dựa trên độ phức tạp của cảnh, yêu cầu của bộ giải và số người dùng đồng thời.

Kết nối các ứng dụng với quyết định kỹ thuật

Việc mở rộng mô hình khuôn viên thành một nghiên cứu kỹ thuật đòi hỏi các ứng dụng quản lý yêu cầu, cung cấp dữ liệu thiết bị và tính toán hành vi vật lý. Các nhà cung cấp ứng dụng đang giải quyết các kịch bản này trên toàn bộ quy trình làm việc:

  • Dassault Systèmes giải quyết thách thức trong việc giữ cho các yêu cầu hệ thống và các quyết định thiết kế nhất quán với CATIA Magic. Các công cụ SysML của họ cho phép kỹ sư mô hình hóa các thành phần và giao diện hệ thống, kiểm tra tính nhất quán của mô hình và đánh giá thiết kế so với kiến trúc. Trong một quy trình làm việc có sự hỗ trợ của tác tử (agent), các kết quả mô phỏng có thể cung cấp thông tin cho các đề xuất cập nhật cấu hình mô hình SysML, dưới sự xem xét của kỹ sư, giúp duy trì sự kết nối giữa các yêu cầu và mô hình hệ thống trong suốt các vòng lặp thiết kế. Dassault Systèmes cũng hỗ trợ giao thức Agent2Agent (A2A) cho tích hợp giữa các tác tử, bổ sung cho việc truy cập công cụ và dữ liệu dựa trên MCP.
  • PTC đang nỗ lực đảm bảo các nghiên cứu về mô hình số (digital twin) được kết nối với dữ liệu sản phẩm mà chúng đại diện thông qua Windchill và các thư viện NVIDIA Omniverse. Windchill quản lý dữ liệu Creo và các dữ liệu CAD khác có kiểm soát phiên bản; tích hợp được công bố nhằm đưa dữ liệu đó vào một môi trường 3D chung để xem xét kỹ thuật và mô phỏng. Điều này giải quyết khâu chuyển giao từ thiết bị được quản lý đến mô hình số của nhà máy AI.
  • Nền tảng Mô hình Số Thực Tế (Reality Digital Twin) của Cadence giải quyết câu hỏi về công suất cố định: có bao nhiêu GPU có thể chạy và chúng có thể được làm mát không? Nền tảng này kết hợp các mô hình thiết bị và điện với động lực học chất lỏng tính toán để mô phỏng MaxP, MaxQ và DSX MaxLPS. Các bên liên quan có thể thấy tác động đến điện, làm mát và thông lượng token trước khi bất kỳ giá đỡ (rack) nào được lắp đặt và tiếp tục trong suốt vòng đời của nhà máy AI. Được xây dựng dựa trên các thư viện NVIDIA Omniverse, tài sản SimReady và OpenUSD, Mô hình Số Thực Tế của Cadence cho phép tối ưu hóa hiệu suất nhà máy AI một cách hợp tác và có sự hỗ trợ của tác nhân (agent).
  • Siemens hỗ trợ đánh giá chi tiết dòng chảy chất lỏng và truyền nhiệt bằng Simcenter STAR-CCM+, nơi các kỹ sư tính toán cách một thiết kế đề xuất hoạt động dưới các điều kiện được chỉ định. Đối với cơ sở hạ tầng nhà máy AI, Siemens cũng đã phát triển các kiến trúc tham chiếu phù hợp với DSX kết hợp phân phối điện, tự động hóa và các tài sản sẵn sàng cho mô phỏng. Những kiến trúc này giải quyết nhu cầu thể hiện cơ sở hạ tầng hỗ trợ cùng với thiết bị tính toán trong thiết kế nhà máy.

Bắt đầu với Bản đồ kỹ thuật NVIDIA Omniverse DSX

Chọn một câu hỏi kỹ thuật, kết nối dữ liệu và công cụ cần thiết, lắp ráp bản sao kỹ thuật số bằng OpenUSD và sử dụng các yêu cầu SimReady để chuẩn bị tài sản cho phân tích dự kiến. Xem xét kết quả trước khi mở rộng.

Sẵn sàng bắt đầu?

Luôn cập nhật thông tin bằng cách đăng ký tin tức NVIDIA và theo dõi NVIDIA Omniverse trên Discord và YouTube.

____
Bài viết liên quan

TAG: , , , ,