Nvidia正在通过自己的超现实物理模拟和协作产品Omniverse持续推动工业虚拟世界的边界。工业元宇宙是一个与真实世界平行的虚拟空间,在其中模拟真实的物理资产。

近日,Nvidia在针对开发者在线举行的GTC 2022大会期间,宣布推出了Omniverse Cloud,一种基于云的综合软件即服务解决方案,供艺术家、开发人员和企业团队使用Omniverse,在任何地方都可以设计、发布和运营元宇宙应用。
Omniverse是一个实时协作和模拟平台,可实现对世界的大规模真实再现。设计师和工程师团队使用该平台可以重新创建和模拟汽车、飞机、建筑物、工厂等,一个引擎或者是一座工厂的所有部件都可以设计成可以完全实时地模拟物理实体,可以像现实环境中一样做出各种反应。
这被称为“数字孪生”,是一种真实空间和物体的完全虚拟孪生,是工业元宇宙的一个组成部分。因此,通过对数字孪生进行迭代、更改和试验,就可以了解在现实世界中进行高成本的更改之前可能会发生什么。
不管是个人还是团队,使用Omniverse Cloud将能够围绕工作流程展开设计和协作,而无需本地计算能力。
Nvidia创始人、首席执行官黄仁勋表示:“元宇宙,3D互联网,连接了Universal Scene Description中虚拟3D世界,并通过模拟引擎进行查看。我们借助云中的Omniverse,可以连接全球团队来设计、构建和运营虚拟世界和数字孪生。”
Omniverse Cloud运行在Nvidia数据中心内专门设计的云计算架构上,硬件负责运行用于图形和模拟的Nvidia OVX架构,Nvidia HGX服务器用于运行高级AI工作负载。Omniverse Cloud采用了Nvidia Graphics Delivery Network,一个全球规模的分布式数据中心网络,用于交付从Nvidia基于云的视频游戏流媒体服务GeForce Now体验中积累的低延迟元宇宙内容。
让数字孪生在现实世界中发挥作用
数字孪生的强大之处在于,它可以非常精确地在元宇宙中模拟现实世界,就像是在虚拟世界中进行测试和可视化并结合物理世界的最终确定性一样。
零售巨头Lowe's为他们的员工提供了Nvidia Omniverse Enterprise和AR眼镜,就像是让他们具备了X光一般的视觉,例如以前员工为了要看清高处盒子上的小标签,就得爬上梯子才能看到,而有了数字孪生和AR眼镜,他们只需抬起头,眼镜上就可以显示出那个位置商品有关的数据。
员工还可以通过将数字孪生的AI全息图与当前货架上的商品进行比较,通过眼镜查看货架上的库存是否准确——例如货架上是否放错了商品,或者货架上的商品不够了,然后进行纠正和补充。
Lowe's首席数字和信息官Seemantini Godbole表示:“我们借助Nvidia Omniverse以前所未有的方式将数据整合在一起,赋予我们员工一种超能力。”
在门店管理方面它更进了一步,通过数字孪生和AI商店规划工具可以优化顾客的体验,先是检查购物者同时购买的商品,然后,将这些商品放置在靠近的位置,查看顾客步行流量的3D热图,这样员工把商品摆放得更靠近一些,以减少顾客挑选这些商品所需的步数。
Nvidia还宣布与德国铁路运营商Deutsche Bahn的数字部门Digitale Schiene Deutschland展开合作,该部门开始在不建造新轨道的情况下扩大网络容量,这就需要一个安全的自动化列车系统,让列车彼此之间的距离更短,以及涉及建立第一个国家级的轨道网络数字孪生模拟。
由于这涉及到对整个轨道系统进行逼真且物理上精确的模拟,所以是一项非常艰巨的任务,不仅如此,还包括穿过城市和乡村的各种轨道,以及来自包括站台测量和车辆传感器在内的许多来源的数据。
把整个网络的数字孪生嵌入到Omniverse中,Omniverse与真实的铁路网络同时运行,实时输入相同的数据,这样就能够利用AI来监控传感器和其他数据,通过模拟来防止事故发生。
德国铁路公司旗下DB Netz的Lead Perception Group的Ruben Schilling说:“借助Nvidia技术,我们能够开始实现全自动列车网络这一愿景。”
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。