Nvidia Omniverse DSX 畫出了 AI 工廠的藍圖，但藍圖上還有一片空白 - Agaruda Cinta 孕育而生

English Version

---

產業分析 ・ 平台戰略　|　2026 年 5 月

NVIDIA 在 2026 年 3 月推出 Vera Rubin DSX 與 Omniverse DSX 藍圖時，整個產業看到了一件事：AI 基礎設施的競爭法則已經改變。它不再是「誰能蓋更大的工廠」，而是「誰能在動土前，就把每一瓦電力的命運算清楚」。

但在這個雄心勃勃的藍圖裡，藏著一個沒被填滿的格子。要看見它，得先理解 DSX 改寫了什麼，以及它沒有改寫什麼。

---

規則一：KPI 從「省電」變成「每瓦印多少錢」

過去二十年資料中心的核心 KPI 是 PUE（電力使用效率）——一個徹頭徹尾的成本控管指標。但 AI 工廠不是被動儲存資料的成本中心，而是一條輸入電力、輸出可計價詞元的生產線。新的 KPI 應運而生：Tokens-per-Watt。

這個轉變揭露了一個被低估的數字：在 GigaWatt 級規模下，高達 40% 的電力會在抵達晶片前就蒸發——耗在冷卻低效、配電損耗、保守的超額配置上。換算成商業語言：1 GW 工廠的潛在年營收若為 2,000 億美元，每流失 1% 效率，等於 20 億美元蒸發。

規則二：從「邊建邊改」到「先模擬，再完美部署」

新一代 Vera Rubin 與 GB300 系統的機架功率密度高達 130–150 kW，部分客製設計甚至飆破 200 kW。在這種密度下，傳統「邊建邊改」的工程流程會直接讓你破產——每延遲一個月投產，少則損失 1–2 億美元營收。

DSX 引入的核心邏輯是**「左移驗證」（Shift-left validation）**：把問題的發現時機，從昂貴的施工現場，往前推到便宜的軟體模擬階段。這是把軟體工程的 dev/staging 測試實踐，第一次完整搬進重工業。

規則三：從電網吸血鬼到電網好夥伴

美國目前有 200 GW 以上的 AI 專案在電網互聯排隊。在電網容量稀缺的時代，「會禮讓電網」幾乎決定了誰能蓋、誰只能等。DSX 的 Flex / Boost / Exchange 三大模組，第一次讓 AI 工廠能與電網即時動態協調。

---

DSX 把 Day 30 之後的世界描繪得非常完整：CFD 散熱模擬、電力拓撲驗證、詳細工程設計、營運期冷卻最佳化、電網調度——這些功能領域的工具與夥伴一一就位。

但 Day 0——也就是「藍圖還沒長出來之前」的那段時間——DSX 沉默了。

這段沉默不是 NVIDIA 的疏忽，而是這個階段的工作本質上不適合用模擬工具解決。Day 0 的世界長這樣：

• 業主丟來一份 PDF 規格書、幾張 JPG 機房照片、一個 Excel 試算表的設備清單
• 結構工程師用 Revit (.rvt)、電氣工程師用 ETAP (.edb)、冷卻團隊用獨立的 CFD 軟體 (.cas)
• 合規團隊困在無止盡的法規檢核表與採購規格 PDF 中
• 跨國團隊（台灣硬體商、美國合規顧問、日本業主）各自為政，靠 email 與會議勉強對齊

⚠️ 這就是 DSX 工具鏈的「上游死角」：在這些零散資產被整理成統一的數位孿生之前，下游再強大的 SimReady 模擬器都無從下手。

換句話說，DSX 假設你已經有一份乾淨、結構化、符合 OpenUSD 標準的數位孿生場景可以開始模擬。但現實中，沒有人是從這裡開始的。所有 AI 工廠專案的真實起點，都是一團混亂。

這個盲區之所以重要，是因為它不是「小問題」。它決定了下游所有工具的效能上限：再精準的 CFD 模擬，輸入的是錯誤的 BOM，得到的就是錯誤的散熱規劃；再先進的合規 AI，跑在不一致的設備清單上，給出的也只是看似專業的錯誤答案。

---

Cinta for AI Factory 是專為 AI 資料中心場域設計的 Day 0 數位協作平台，建構於 NVIDIA Omniverse DSX Blueprint + NemoClaw + Cosmos 三大平台工具之上。它解決的不是模擬問題，而是模擬之前的問題：如何把零散、跨格式、跨團隊的設計輸入，自動轉化為下游 DSX 生態系可以直接讀取的標準化數位資產，並在概念設計階段就提供初步模擬預測來加速決策。

這個能力可以拆成六個層次。

一、OpenUSD 作為通用語言

Cinta 把 OpenUSD 視為跨領域協作的 Lingua Franca 通用語言。透過 FormaMesh 引擎，零散的 2D 資源（CAD、PDF、JPG）被統一轉化為帶有 aidc: 專屬命名空間標籤的 OpenUSD 數位孿生場景。

這意味著什麼？意味著電力、冷卻、網路、建築四組原本各自為政的專家，第一次能在同一個即時共享的 3D 場景中工作。台灣的硬體工程師、美國的合規顧問、日本的業主，透過 WebRTC 串流，在同一個畫面上實現零時差的設計對齊。

資料孤島是基礎設施設計中最被低估的效能殺手。Cinta 的策略選擇很清楚：不是再蓋一座新的島，而是把島與島之間的航道打通——讓既有資源在不被推翻的前提下，重新流動起來。

二、NemoClaw：訓練 AI Agents 看得懂資料中心

讓 Cinta 在 Day 0 真正能用的，不是某一個聰明的 AI 模型，而是一群各司其職的專業 AI Agents 能不能彼此協作、不互相衝突、且全程可被信任。Cinta 採用 NVIDIA NemoClaw 作為底層的 Multi-Agent Orchestrator——它扮演的角色是指揮中樞與安全護欄，讓 Cinta 各個專業 Agent 之間能高效協作，而不是 Cinta 的智慧來源。

具體而言，Cinta 借助 NemoClaw 的兩個能力：

• Orchestrator 指揮能力——讓熱環境、配電、空間、合規等多個專業 Agent 在同一個任務流中分工、傳遞中間結果、彼此引用，而不是各跑各的孤島
• 企業級安全與治理機制——Agent 在數位孿生中讀取機敏設計資料時，具備完整的權限邊界、稽核紀錄與輸出守門

💡 Cinta 真正的價值不綁在 NemoClaw 的智慧上，而是綁在「資料中心領域的雙軸訓練資產」與「Day 0 工作流」上。 協作指揮層未來如果需要替換成其他 Orchestrator，Cinta 的 Agent 訓練資產與工作流邏輯都可以平移，產品命運不會被任何單一上游平台的市場成敗綁住。

換句話說，Cinta 押注 NemoClaw 的是它現階段最成熟的協作指揮與安全骨架——剛好用上，而不是不可或缺。

Cinta 自有資產：Agent 的雙軸訓練

Agent 真正的「腦袋」由 Cinta 自行訓練、自行擁有，訓練資料採取雙軸結構：

第一軸：產業標準文件

Cinta 的 AI Agents 被深度訓練於資料中心領域的權威規範——ASHRAE TC 9.9 熱環境規範、Uptime Institute Tier I-IV 認證標準、TIA-942、ISO/IEC 22237 等等。這讓 AI 不只「知道規則」，而是真正理解每條規則背後的工程意圖。

第二軸：資料中心世界模型

透過 NVIDIA Cosmos 的物理世界基礎模型，Cinta 的 Agents 進一步學會「看得懂機房」——理解機架、CDU、PDU 的空間語意，理解冷熱通道的幾何配置，理解線纜走向與配電拓撲在三維空間中該如何鋪設才合理。這是讓 AI 從「讀文件」進化到「看空間」的關鍵。

兩軸交叉訓練的結果，是一群能在 Omniverse 數位孿生中以人類稽核員視角進行視覺合規預檢的專業 Agents：熱環境規範 Agent 檢查冷熱通道與回風路徑、配電拓撲 Agent 驗證 PDU 容量與 N+1 冗餘、空間配置 Agent 確認維護走道與消防淨空。這些 Agent 之間的任務分派、結果整合與安全控管，由 NemoClaw 協作層統一處理。

三、為什麼必須是「人類視角」？

這是 Cinta 在 Agent 設計上最關鍵的一個選擇。

💡 合規認證最終由人類稽核員審查——他們會走進機房，蹲下來看線纜整理、抬頭檢查回風空間、走過維護走道感受可達性。如果 AI 只用機器友善的 API 格式檢查，會錯過很多「人能察覺、但機器格式看不出來」的問題。

Cinta 的 Agents 在 NVIDIA Cosmos 的世界模型中模擬人類稽核員的視角，在數位孿生內逐項檢視每個合規面向，並透過 NemoClaw 協作層讓多個面向的檢查結果彼此交叉驗證。這帶來三個直接的商業價值：

1. 設備出廠交付前減少合規問題——硬體商可以在數位世界中先模擬部署、抓出潛在問題，避免到了用戶端才發現規格錯配
2. 加速合規認證提交後的通過效率——當提交給認證機構的設計已經通過 AI 預先模擬的人類視角審查，後續的實體稽核流程能大幅縮短
3. 降低重工與時程風險——在 Day 0 就被發現的問題，其成本大約只有等到施工現場被退件時的 1%。

四、先快速試錯，再深度驗證：Surrogate Model 加速概念決策

光是做合規預檢還不夠。Day 0 的另一個關鍵痛點是「決策速度」——當業主在「八列機架 vs 十列機架」、「液冷分區 A 方案 vs B 方案」這類概念設計選擇上猶豫時，傳統流程必須等下游 CFD 跑完才有答案。一次完整的 CFD 模擬要數小時甚至數天，這讓概念階段的反覆迭代幾乎不可能。

Cinta 的解法是直接整合 DSX Blueprint 提供的 Surrogate Model——透過 NVIDIA Physical ML / NeMo，平台內建一套能在「Cadence Reality 深度模擬之前」先產出初步預測結果的快速 ML 模型。

這形成了 Cinta 的兩階段模擬流程：

• 階段 1（概念設計）：在 Cinta 內快速試錯——使用 DSX Surrogate Model + Physical ML，秒~分鐘級給出近似的熱流預測。業主可以快速比較 A 方案 vs B 方案，把不適合的配置在概念階段就剔除
• 階段 2（詳細設計）：交給 Cadence Reality 深度驗證——當概念配置定案後，匯出 DSX-Ready 場景進入完整 CFD Solver，產出高擬真物理模擬結果，用於最終設計簽核與合規認證提交

Surrogate Model 不是要取代 Cadence Reality 的高精度模擬，而是要把概念決策從「等三天」變成「等三分鐘」。這把整個 AI 工廠的設計時間表，往前再壓縮了一大段——也讓 Cinta 從「資料準備平台」進化成*「早期決策的快速迭代器」*。

對 NVIDIA 生態系而言，這也是 Cinta 與 DSX Blueprint 深度整合的證明：Cinta 不只是讀取下游模擬器的格式，更直接運用 DSX Blueprint 內建的 Surrogate Model 資產，把它應用在最關鍵的概念設計階段。

五、為下游模擬與營運打開介面

Cinta 不取代 DSX 生態系中的專業模擬工具，而是作為它們的完美前導資料庫與整合介面。

在 Cinta 完成 Day 0 的配置、由 NemoClaw 協作層指揮 Multi-AI Agents 完成預檢、以及 Surrogate Model 概念驗證後，平台匯出的不是靜態圖紙，而是富含精確物理屬性與設備清單（BOM）的「DSX-Ready」數位孿生場景。這份高純度數位資產可以直接餵給下游各個功能領域：

• CFD 散熱模擬：透過與 Cadence 的整合，OpenUSD 場景可直接匯入進行深度散熱分析（這是目前已實現的整合）
• 電力拓撲驗證：未來可串接電氣領域的專業驗證工具，進行電力拓撲與短路測試
• 詳細工程設計：未來可讓詳細工程設計合作夥伴基於 Cinta 輸出的基線模型，接手細部規劃
• 營運期 AI 代理：未來可讓冷卻最佳化與電網調度的代理型 AI 系統，在這份場景上持續運作

這是關鍵的商業位置：Cinta 不跟下游的模擬工具競爭，而是讓他們的工具更好用。從生態系視角看，這是降低摩擦、放大每個合作夥伴價值的角色。隨著 Cinta 與更多 DSX 生態系夥伴完成整合，這個樞紐位置的網路效應會持續擴大。

六、為 Day 180+ 營運期奠定基準

最關鍵也最常被忽略的層次：Cinta 產出的數位孿生不只用於建設。當 AI 工廠正式上線後，Cinta 所建立的「基線場景（Baseline Scene）」將成為營運期數位孿生的底層地圖。

無論是負責冷卻最佳化的自學習 AI 代理，還是負責執行 DSX Flex 電網負載調度的代理型系統，它們都需要一個精準、經過合規驗證的物理環境數位映射來進行決策。Cinta 早在 Day 0 就為這些高階營運 AI 鋪好了基礎建設的數位軌道。

換句話說，Day 0 的決策品質，會在 Day 180、Day 720、甚至工廠運轉的整個生命週期中持續發酵——這正是 Cinta for AI Factory 想長期承擔的角色。

---

如果 NVIDIA DSX Blueprint 是一座龐大且精密運作的數位城市，那麼 Cinta for AI Factory 就是這座城市的中央路由器。

它不只具備 2D 轉 3D 的技術亮點。它真正的平台價值在於：能讀取／匯入／接收最原始混亂的設計輸入，透過 Cinta Multi-AI Agents 在 NemoClaw 協作層指揮下完成人類視角的視覺合規預檢、以及 DSX Surrogate Model 的快速概念試錯，最終轉化為符合 OpenUSD 標準、可直接被各下游工具讀取與深度模擬的標準化數位資產。

未來十年的 AI 工廠競爭，不會由模擬工具的精度單獨決定，也不會由硬體規格單獨決定。它會由誰能把整個生態系串起來、讓每一段工作流都能無縫銜接的平台決定。

DSX 提供了藍圖，定義了下游的標準。但藍圖之前的混亂——那一片從 PDF 與 Excel 開始的真實起點——需要另一個層次的工具來處理。透過 NVIDIA Omniverse DSX Blueprint、NemoClaw、Cosmos、以及 Physical ML 等多個平台工具的深度整合，Cinta for AI Factory 讓 AI Agents 第一次能像資深稽核員一樣看懂資料中心，也能在概念階段就用秒級回應幫助設計者迭代決策——把整個產業合規認證與設計定案的時間表往前壓縮。

這就是 Cinta 選擇的位置：不與下游模擬工具競爭，而是補上上游尚待整合的那一段——而這一段，深刻影響著整條生產線的速度與品質。

---

資料來源：NVIDIA 官方公告（2026/3/16）、NVIDIA Omniverse DSX Blueprint、NVIDIA NemoClaw、NVIDIA Cosmos、NVIDIA Physical ML / NeMo 平台技術文件、Agaruda Cinta for AI Factory 平台文件、ASHRAE TC 9.9、Uptime Institute、TIA-942、ISO/IEC 22237 等資料中心產業標準。