Auf der NVIDIA GTC standen neue Bausteine für Physical AI im Mittelpunkt, darunter die Modelle NVIDIA Cosmos 3, NVIDIA Isaac GR00T N1.7 und NVIDIA Alpamayo 1.5. Hinzu kamen die NVIDIA Physical AI Data Factory Blueprint für World Modeling, humanoide Fähigkeiten und autonomes Fahren sowie die NVIDIA Omniverse DSX Blueprint für die Simulation von AI-Factory-Digital-Twins.
Als Teil dieses Stacks nennt NVIDIA auch offene agentische Frameworks wie OpenClaw. Sie sollen den Einsatz bis in den operativen Betrieb erweitern und langlaufende „claws“ ermöglichen, die mit Tools, Speicher und Messaging-Schnittstellen Workflows orchestrieren, Datenpipelines verwalten und Aufgaben autonom auf dedizierten Maschinen ausführen.
OpenUSD beschreibt NVIDIA als zentrale Grundlage für die Skalierung von Physical AI. Das gemeinsame Scene-Description-Format soll CAD-Daten, Simulations-Assets und Telemetriedaten aus der realen Welt in einer geteilten, physikalisch genauen Sicht zusammenführen.
Simulation von AI-Factories
Moderne AI-Factories umfassen thermische Systeme, Stromnetze, Netzwerklast und mechanische Komponenten. Mit der auf der GTC vorgestellten Omniverse DSX Blueprint will NVIDIA diese Ebenen in einem einzigen Digital Twin zusammenführen. Betreiber sollen damit Leistung und Effizienz optimieren können, bevor reale Racks installiert werden.
Datenfabrik für Physical AI
NVIDIA beschreibt reale Daten für Physical AI als schwer skalierbar, weil die reale Welt unübersichtlich ist, viele Edge Cases enthält und Verarbeitung, Simulation und Auswertung oft in fragmentierten Pipelines stattfinden. Mit der Physical AI Data Factory Blueprint stellt das Unternehmen deshalb eine offene Referenzarchitektur vor, die Rechenleistung in großskalige Trainingsdaten umwandeln soll.
Die Blueprint basiert auf den offenen World Foundation Models von NVIDIA Cosmos und dem NVIDIA OSMO Operator. Sie führt Datenkuration, Augmentation und Evaluation in einer einzelnen Pipeline zusammen und soll es Entwicklern ermöglichen, aus begrenzten realen Eingaben vielfältige Long-Tail-Datensätze zu erzeugen.
Als Nutzer dieser Blueprint nennt NVIDIA unter anderem FieldAI, Hexagon Robotics, Linker Vision, Milestone Systems, Skild AI und Teradyne Robotics. Microsoft Azure und Nebius werden als erste Cloud-Plattformen genannt, die das System anbieten.
Von CAD zu OpenUSD
Die Umwandlung von CAD-Dateien in OpenUSD bezeichnet NVIDIA als kritischen Schritt in der Physical-AI-Pipeline. Dabei werden Engineering-Daten in simulationsfähige Assets überführt, die sich zum Aufbau, Test und zur Validierung von Robotern in physikalisch genauen virtuellen Umgebungen nutzen lassen.
Mit Werkzeugen wie dem NVIDIA Omniverse Kit SDK und NVIDIA Isaac Sim lassen sich 3D-Daten für Echtzeit-Rendering, Simulation und kollaborative Workflows aufbereiten und erweitern. FANUC und Fauna Robotics setzen laut NVIDIA diesen CAD-zu-OpenUSD-Workflow ein, um Entwurf und Validierung robotischer Systeme zu beschleunigen.
Digitale Zwillinge für Fertigung und Logistik
Für industrielle Anwendungen verweist NVIDIA auf die Mega Omniverse Blueprint. Diese Referenzarchitektur soll Unternehmen dabei unterstützen, Roboterflotten und KI-Agenten in einem physikalisch genauen digitalen Zwilling einer Anlage zu entwerfen, zu testen und zu optimieren, bevor ein einzelner Roboter real eingesetzt wird.
KION nutzt diese Blueprint zusammen mit Accenture und Siemens, um großskalige digitale Zwillinge von Lagerhäusern aufzubauen. Darin werden Flotten autonomer Gabelstapler auf Basis von NVIDIA Jetson für GXO trainiert und getestet.
Vom Simulationsmodell zum realen Einsatz
NVIDIA verweist auf Partnerschaften mit Robotikunternehmen und Entwicklern von Robot Brain-Systemen. ABB Robotics, FANUC, KUKA und Yaskawa nutzen demnach Omniverse-Bibliotheken und Isaac-Simulationsframeworks, um komplexe Roboteranwendungen und Produktionslinien in physikalisch genauen digitalen Zwillingen zu validieren. Zudem haben sie NVIDIA-Jetson-Module in ihre Steuerungen integriert, um Echtzeit-KI-Inferenz zu ermöglichen.
Bei den Robot Brain-Entwicklern nennt NVIDIA unter anderem FieldAI und Skild AI, die NVIDIA Cosmos für Datengenerierung und Isaac-Simulationsframeworks zur Validierung von Policies in der Simulation einsetzen. Generalist AI verwendet NVIDIA Cosmos nach Unternehmensangaben, um die Erzeugung synthetischer Daten zu untersuchen.
