کتابخانه‌های Omniverse: یکپارچه‌سازی هوش مصنوعی فیزیکی برای برنامه‌های موجود

رونمایی از کتابخانه‌های NVIDIA Omniverse: توانمندسازی یکپارچه‌سازی هوش مصنوعی فیزیکی

در GTC 2026، NVIDIA از تحول قابل توجهی برای پلتفرم Omniverse خود خبر داد و یک معماری ماژولار و مبتنی بر کتابخانه را معرفی کرد که برای یکپارچه‌سازی بی‌درنگ قابلیت‌های پیشرفته هوش مصنوعی فیزیکی در برنامه‌های موجود طراحی شده است. این تغییر پارادایم به یک نیاز حیاتی در توسعه صنعتی و رباتیک می‌پردازد، جایی که زمان‌اجراهای یکپارچه اغلب مانع مقیاس‌پذیری، استقرار بدون رابط کاربری گرافیکی (headless deployment) و یکپارچه‌سازی با سیستم‌های CI/CD موجود می‌شوند. NVIDIA با در معرض نمایش قرار دادن اجزای اصلی Omniverse – رندرینگ RTX، شبیه‌سازی مبتنی بر PhysX و خطوط لوله ذخیره‌سازی داده – به عنوان APIهای C مستقل با اتصال‌های C++ و پایتون، توسعه‌دهندگان را قادر می‌سازد تا قابلیت‌های قدرتمند دوقلو دیجیتال بلادرنگ و هوش مصنوعی فیزیکی را بدون نیاز به بازنگری کامل معماری، جاسازی کنند. این ماژولاریت، دسترسی به شبیه‌سازی با کیفیت بالا را همگانی می‌کند و هوش مصنوعی فیزیکی را به یک واقعیت قابل دستیابی برای طیف وسیع‌تری از شرکت‌ها تبدیل می‌سازد.

هوش مصنوعی فیزیکی، که به عنوان سیستم‌های هوش مصنوعی تعریف می‌شود که در محیط‌های شبیه‌سازی شده با اساس فیزیکی، درک می‌کنند، استدلال می‌کنند و عمل می‌کنند، به سرعت در حال تغییر نحوه طراحی و اعتبارسنجی سیستم‌های پیچیده در صنایع است. از حرکات بازوی رباتیک گرفته تا کل چیدمان‌های کارخانه، آموزش و اعتبارسنجی سیاست‌های هوش مصنوعی در محیط دوقلو دیجیتال به شدت هزینه‌ها را کاهش داده و چرخه‌های توسعه را تسریع می‌کند. کتابخانه‌های جدید Omniverse، از جمله 'ovrtx'، 'ovphysx' و 'ovstorage'، قرار است سنگ بنای این تحول باشند و به کسب‌وکارها اجازه می‌دهند تا نرم‌افزار اختصاصی خود را با فناوری شبیه‌سازی پیشرفته NVIDIA ترکیب کنند.

معماری ماژولار برای یکپارچه‌سازی بی‌درنگ هوش مصنوعی فیزیکی

معرفی معماری کتابخانه‌محور، اساساً نحوه تعامل توسعه‌دهندگان با اکوسیستم NVIDIA Omniverse را تغییر می‌دهد. به جای پذیرش یک چارچوب کاربردی جامع، تیم‌ها اکنون می‌توانند به صورت انتخابی APIهای رندرینگ، فیزیک و ذخیره‌سازی Omniverse را مستقیماً از فرآیندها و سرویس‌های خود فراخوانی کنند. این رویکرد، چالش‌های مرتبط با قفل‌شدگی چارچوب (framework lock-in)، وابستگی‌های UI و صلابت معماری را که اغلب همراه با پذیرش نرم‌افزارهای در مقیاس بزرگ است، از بین می‌برد.

این طراحی ماژولار به ویژه برای توسعه‌دهندگانی که پشته‌های نرم‌افزاری تثبیت‌شده‌ای دارند، مفید است و به آن‌ها اجازه می‌دهد تا از قابلیت‌های قدرتمند Omniverse بدون بازنویسی‌های معماری مخرب بهره ببرند. این کتابخانه‌ها برای استقرار بدون رابط کاربری گرافیکی (headless-first deployment) مهندسی شده‌اند و عملکرد بهینه و مقیاس‌پذیری را برای برنامه‌های کاربردی صنعتی و رباتیک با نیازهای بالا تضمین می‌کنند. این حرکت استراتژیک توسط NVIDIA بر تعهد به انعطاف‌پذیری و راه‌حل‌های توسعه‌دهنده‌محور تاکید می‌کند و Omniverse را به عنوان مجموعه‌ای از ابزارهای قابل انطباق برای آینده هوش مصنوعی معرفی می‌کند.

کتابخانه‌های اصلی Omniverse: ovrtx، ovphysx و ovstorage

کتابخانه‌های تازه معرفی شده قابلیت‌های متمایز اما به هم پیوسته‌ای را ارائه می‌دهند که هر کدام برای حل چالش‌های یکپارچه‌سازی خاص در توسعه نرم‌افزارهای صنعتی طراحی شده‌اند. آن‌ها از اجزای موجود Omniverse مانند OpenUSD برای توصیف صحنه و دارایی‌های SimReady برای محیط‌های شبیه‌سازی با کیفیت بالا بهره می‌برند و یک تجربه توسعه منسجم و قدرتمند را تضمین می‌کنند.

کتابخانه	قابلیت‌های کلیدی	تأثیر مهندسی
ovrtx	ردیابی مسیر بلادرنگ و شبیه‌سازی حسگر با کیفیت بالا و عملکردی عالی	رندرینگ پیشرفته RTX را مستقیماً در برنامه‌های موجود ادغام می‌کند و امکان درک چندوجهی رباتیک، تولید پیشرفته داده‌های مصنوعی و بازخورد بصری بسیار واقع‌گرایانه برای دوقلوهای دیجیتال و محیط‌های شبیه‌سازی شده را فراهم می‌آورد.
ovphysx	شبیه‌سازی فیزیک بومی USD با سرعت بالا	شبیه‌سازی فیزیک سبک و سخت‌افزاری تسریع‌یافته را به برنامه‌ها اضافه می‌کند و تبادل داده با سرعت بالا برای آموزش رباتیک، یکپارچه‌سازی حلقه‌های کنترل بلادرنگ و تعاملات فیزیکی دقیق در سناریوهای صنعتی پیچیده را تسهیل می‌بخشد.
ovstorage	خطوط لوله داده یکپارچه هوش مصنوعی فیزیکی	زیرساخت‌های ذخیره‌سازی و PLM/PDM موجود را مستقیماً از طریق یک کتابخانه مبتنی بر API به اکوسیستم Omniverse متصل می‌کند. این امر مدیریت داده‌های توزیع‌شده در مقیاس بزرگ و عملکرد بالا را ممکن می‌سازد و به طور حیاتی از مهاجرت‌های دستی پرهزینه و زمان‌بر داده‌ها برای استقرارهای در سطح سازمانی جلوگیری می‌کند.

این کتابخانه‌ها در حال حاضر در دسترسی اولیه در GitHub و NGC قرار دارند و NVIDIA به طور فعال در حال جمع‌آوری بازخورد و برنامه‌ریزی برای انتشار نسخه تولیدی با ثبات API در اواخر سال جاری است. آزمایش‌های داخلی در پشته‌های با کارایی بالا مانند NVIDIA Isaac Lab و طرح Omniverse DSX تضمین می‌کند که این کتابخانه‌ها قبل از دسترسی عمومی، نیازهای سخت‌گیرانه سازمانی را برآورده می‌کنند.

ارکستراسیون عامل‌محور با پروتکل زمینه مدل (MCP)

برای افزایش بیشتر سودمندی این کتابخانه‌ها، به ویژه در زمینه رو به رشد عوامل هوش مصنوعی، Omniverse قابلیت‌هایی را برای ارکستراسیون عامل‌محور از طریق سرورهای پروتکل زمینه مدل (MCP) معرفی می‌کند. این سرورها برای قابل استفاده کردن شبیه‌سازی از طریق عوامل مبتنی بر LLM طراحی شده‌اند، با توصیف عملیات – مانند بارگذاری صحنه‌های USD، ویرایش پریم‌ها، یا پیش‌بردن شبیه‌سازی‌ها – در یک شمای قابل خواندن توسط ماشین. این امکان را به ابزارهای هوش مصنوعی، مانند LLMهای پیشرفته، می‌دهد تا به طور ایمن و مؤثر توابع Omniverse را فراخوانی کنند.

برای مثال، عوامل Kit USD، مجموعه‌ای از سرورهای MCP برای Kit، USD و OmniUI هستند که عوامل را قادر می‌سازند تا APIها را مرور کرده، کد صحنه تولید کنند و عناصر UI یا سلسله‌مراتب لایه‌ها را بر اساس توضیحات متنی سطح بالا دستکاری کنند. این امر توسعه‌دهندگان را توانمند می‌سازد تا رفتارهای پیچیده عامل و محافظت‌ها را تعریف کنند و پیچیدگی سیم‌کشی دستی هر فراخوانی API شبیه‌سازی را کاهش دهند. برای مقیاس‌بندی این گردش‌کارهای پیشرفته، توسعه‌دهندگان می‌توانند از NemoClaw، یک پشته زیرساختی برای جامعه OpenClaw که عوامل امن و خودمختار را در سندباکس‌های ایزوله و محافظت‌شده با سیاست مستقر می‌کند، استفاده کنند. این توسعه، راه را برای محیط‌های شبیه‌سازی به طور فزاینده خودمختار و هوشمند هموار می‌کند، توسعه سیستم‌های پیچیده هوش مصنوعی فیزیکی را تسریع می‌بخشد و از ارزیابی عوامل هوش مصنوعی برای تولید: راهنمای عملی برای ارزیابی‌های Strands قدرتمند پشتیبانی می‌کند.

شروع سریع با Docker برای سرورهای MCP استقرار را ساده می‌کند و به توسعه‌دهندگان اجازه می‌دهد تا از خدمات embedder و reranker میزبانی‌شده در ابر NVIDIA بدون نیاز به GPUهای محلی استفاده کنند، تنها به یک کلید API NVIDIA نیاز است.

مطالعه موردی: بهینه‌سازی NVIDIA Isaac Lab با کتابخانه‌های ماژولار

مزایای عملی این رویکرد ماژولار به وضوح توسط تکامل مهندسی مداوم NVIDIA Isaac Lab نشان داده شده است. Isaac Lab به عنوان یک چارچوب شبیه‌سازی رباتیک با کارایی بالا که برای یادگیری تقویتی (RL) حیاتی است، نیازمند مقیاس‌پذیری شدید و کنترل قطعی است.

با Isaac Lab 3.0 Beta، NVIDIA با موفقیت لایه بنیادی خود را از چارچوب یکپارچه سنتی Kit به یک معماری ماژولار با پشتیبانی از چندین بک‌اند تغییر داده است. این امر توسعه‌دهندگان را قادر می‌سازد تا بین 'ovphysx' – یک کتابخانه مستقل که PhysX SDK را در بر می‌گیرد – یا یک بک‌اند Newton بدون Kit که توسط MuJoCo-Warp قدرت می‌گیرد، بسته به الزامات شبیه‌سازی خاص خود، انتخاب کنند. به همین ترتیب، سمت رندرینگ اکنون دارای یک سیستم قابل اتصال است که از OVRTX، Isaac RTX، Newton Warp و ابزارهای بصری‌ساز سبک‌وزن مانند Rerun و Viser پشتیبانی می‌کند. این انعطاف‌پذیری تضمین می‌کند که Isaac Lab می‌تواند نیازهای سخت‌گیرانه محققان و مهندسان رباتیک را برآورده سازد و کنترل اجرای صریح، شبیه‌سازی قطعی و قابلیت‌های فیزیک بدون رابط کاربری گرافیکی (headless physics) با چگالی بالا را که برای توسعه پیشرفته هوش مصنوعی حیاتی هستند، ارائه دهد. این سطح از کنترل برای ایجاد تسریع تولید توکن در کارخانه‌های هوش مصنوعی با استفاده از خدمات یکپارچه و هوش مصنوعی بلادرنگ قدرتمند ضروری است.

آینده یکپارچه‌سازی هوش مصنوعی فیزیکی

انتشار کتابخانه‌های NVIDIA Omniverse نقطه عطفی برای شرکت‌های صنعتی و رباتیک است. NVIDIA با ارائه مسیری دقیق و با کارایی بالا برای یکپارچه‌سازی قابلیت‌های هوش مصنوعی فیزیکی، شرکت‌ها را برای تسریع سفر تحول دیجیتال خود توانمند می‌سازد. رهبران صنعت مانند ABB Robotics، PTC، Siemens و Synopsys در حال حاضر این کتابخانه‌ها را به صورت آزمایشی استفاده می‌کنند و شبیه‌سازی پیشرفته و ایجاد دوقلو دیجیتال را در سیستم‌های PLM/PDM و CI/CD موجود خود ادغام می‌کنند. این پذیرش گسترده نشان‌دهنده روندی واضح به سمت گردش‌کارهای توسعه انعطاف‌پذیرتر، مقیاس‌پذیرتر و هوشمندتر است، جایی که هوش مصنوعی فیزیکی تنها یک آرزو نیست، بلکه یک واقعیت قابل دسترس و یکپارچه است. با حرکت این کتابخانه‌ها به سمت دسترسی عمومی، آن‌ها نویدبخش باز کردن سطوح بی‌سابقه‌ای از نوآوری در سراسر طراحی، مهندسی و تولید هستند.

منبع اصلی

https://developer.nvidia.com/blog/integrate-physical-ai-capabilities-into-existing-apps-with-nvidia-omniverse-libraries/

سوالات متداول

What are NVIDIA Omniverse libraries and what problem do they solve for developers?

NVIDIA Omniverse libraries represent a new, modular architecture that exposes core Omniverse components like RTX rendering (ovrtx), PhysX-based simulation (ovphysx), and data storage pipelines (ovstorage) as standalone C APIs with C++ and Python bindings. This approach allows developers to integrate specific, high-fidelity physical AI capabilities directly into their existing industrial and robotics software stacks without the need to adopt the entire Omniverse platform. This solves the challenge of monolithic runtimes, enabling better scalability, headless deployment, and seamless integration with existing CI/CD systems and application frameworks, significantly reducing the need for extensive architectural rewrites.

How do 'ovrtx', 'ovphysx', and 'ovstorage' enhance existing applications with physical AI capabilities?

The trio of 'ovrtx', 'ovphysx', and 'ovstorage' offers distinct yet complementary functionalities for physical AI integration. 'ovrtx' provides high-fidelity, real-time path-traced rendering and sensor simulation, crucial for multimodal robotics perception and synthetic data generation. 'ovphysx' delivers high-speed, USD-native physics simulation, essential for robotics training and real-time control loops. 'ovstorage' establishes unified physical AI data pipelines, allowing seamless connection of existing PLM/PDM infrastructure to Omniverse, facilitating large-scale distributed data management and avoiding costly manual data migrations. Together, these libraries enable granular, performant integration of advanced simulation and data management.

What is the Model Context Protocol (MCP) and how does it facilitate agentic orchestration within Omniverse?

The Model Context Protocol (MCP) is a crucial mechanism within Omniverse that enables LLM-based agents to interact with and orchestrate physical AI simulations. MCP servers describe operations (e.g., loading USD scenes, editing prims, stepping simulation) in a machine-readable schema. This allows intelligent agents, powered by large language models, to browse available APIs, generate scene code, and manipulate simulation elements based on high-level descriptions. By handling the low-level remote procedure calls (RPCs) to Omniverse, MCP empowers developers to focus on defining sophisticated agent behaviors and guardrails, significantly scaling and automating complex simulation workflows for physical AI.

How has NVIDIA Isaac Lab benefited from the transition to a modular, library-based architecture?

NVIDIA Isaac Lab, a high-performance robotics simulation framework for reinforcement learning, has significantly benefited from transitioning to a modular architecture powered by ovphysx and ovrtx in its 3.0 Beta release. This shift enables explicit execution control, deterministic simulation, and the ability to run high-density, headless physics without reliance on UI dependencies. Developers now have the flexibility to choose between 'ovphysx' or a Kit-less Newton backend based on their simulation needs and can leverage a pluggable renderer system that supports OVRTX, Isaac RTX, and other visualizers. This modularity ensures Isaac Lab meets the extreme scalability and deterministic control requirements for advanced robotics training.

Which major industrial companies are currently piloting NVIDIA Omniverse libraries and for what purposes?

Leading industrial companies such as ABB Robotics, PTC, Siemens, and Synopsys are currently piloting NVIDIA Omniverse libraries. These companies are leveraging the modular architecture to integrate high-fidelity simulation, create advanced digital twins, and enable scalable physical AI capabilities directly within their existing design, engineering, and manufacturing workflows. This allows them to validate robot designs, optimize industrial systems, and enhance product lifecycle management (PLM/PDM) and continuous integration/continuous deployment (CI/CD) systems, all before physical prototypes are ever built, signaling a significant shift towards AI-driven industrial transformation.

What are the immediate benefits of using Omniverse libraries compared to the full Omniverse container stack for existing applications?

The immediate benefits of using Omniverse libraries over the full container stack for existing applications include significantly reduced architectural friction and faster integration. Developers can selectively embed specific Omniverse capabilities—like advanced rendering or physics simulation—into their current software without undergoing major overhauls. This approach allows for headless deployment, better scalability of simulations, and direct tensorized data exchange. It addresses previous bottlenecks such as framework lock-in, UI dependencies, and architectural rigidity, offering a streamlined path to leveraging NVIDIA's powerful physical AI technologies within established industrial and robotics ecosystems.

به‌روز بمانید

آخرین اخبار هوش مصنوعی را در ایمیل خود دریافت کنید.

اشتراک‌گذاری