构建一个可用的仿真器，通常远不止“生成代码”：开发者需要准备 3D 资产、连接物理行为、配置传感器、管理场景数据，还要创建查看结果的方式。NVIDIA 近日发布的一组开发者实验，正在展示前沿 AI 模型如何把这一工程链条大幅压缩——从自然语言指令出发，直接组装出可运行的 Omniverse 仿真应用。

一、从提示词到仿真系统：一条被压缩的工程链

在 NVIDIA 的演示中，产品经理 Frank DeLise 使用 GPT-6 Astra 将一个 SimReady 仓库场景与人形机器人组合成可交互环境。系统支持第一人称与第三人称视角，并串联起 Omniverse 的物理、场景更新、光线追踪渲染与用户界面控制等组件——在指定工作流后，智能体自动生成了动画与应用代码。

这一过程并非一键完成，而是依赖开发者持续指导、审查输出并请求修改。智能体可以协调多个库，但生成的应用程序仍需对照物理与运营要求进行测试。换言之，AI 承担的是“组装与编排”，验证与把关仍然落在工程师手中。

 图1 AI 智能体在 Omniverse 中组合人形机器人与仓库场景（示意图） 

二、机器人与自动驾驶：先“仿真验证”，再“进入物理世界”

多项演示聚焦“机器在进入物理世界之前先被评估”，将仿真环境作为机器人、自动驾驶系统安全下线的第一道试验场。

（一）从零搭建可复用的城市级环境

NVIDIA 仿真技术团队经理 Doyub Kim 使用 Astra 构建了基于旧金山 Market Street 的可复用环境“Zero to Alpamayo”，分阶段连接资产创建、交通、Omniverse RTX 传感器仿真与自动驾驶驾驶，使模型对比与场景变化追踪成为可能。城市级环境的可复用性意味着：同一套数字孪生可以反复承载不同算法、不同场景的对比验证。

图2 基于城市街道构建的自动驾驶仿真环境（示意图）

（二）“Robo Olympics”：让机器人学会跨栏

在“Robo Olympics”实验中，研究团队以体育视频与自然语言指令驱动模拟宇树 G1 人形机器人跨栏。工作流调用 Newton Physics Engine 进行行为仿真、NVIDIA Warp 加速计算、Omniverse RTX 渲染——单次跨栏在 100 次试验中成功 64 次。以真实运动数据驱动、以物理引擎约束行为、以大规模试验量化成功率，构成了“可测量反馈”的闭环样本。

图3 宇树 G1 人形机器人在仿真环境中进行跨栏试验（示意图）

（三）三天四个数字孪生：以传感器指标代替目视检查

Ashley Reid 团队指挥 Astra 与 Claude Fable 5 在约三天内创建并改进四个数字孪生，以相机与 LiDAR 输出指标而非目视检查作为验收标准，据此修正 OpenUSD 场景中的缺失物体、几何与材质问题。当“检查标准”从人眼迁移到传感器指标，AI 智能体的产出质量便有了可量化、可审计的尺度。

表1 AI 智能体构建 Omniverse 仿真演示一览

三、智能体是“助手”，不是“替代”

值得强调的是，NVIDIA 将这批工作定位为“开发者实验展示”，而非单一产品发布或独立验证的基准。其核心意义在于架构层面：智能体不再只是编写独立脚本，而是协调资产、仿真引擎、渲染系统、传感器模型与应用接口——将生成式模型与可测反馈的验证任务连接起来。

传感器校验对比渲染输出与实采数据、机器人控制反复运行物理试验、工业设计在硬件制造前检验工具可达性，这些“可测量反馈”的工作流，正是智能体发挥价值的最优场景。

图4 工业设计数字孪生：在硬件制造前检验工具可达性（示意图）

四、从“代码驱动”迈向“自然语言驱动”：范式转变与启示

从航天器可视化到汽车悬架工具设计，AI 智能体正在把零散的 3D 数据组装成可检查的仿真应用。可以预见，仿真环境构建正从“代码驱动”迈向“自然语言驱动”，而工程审查、版本管理与可审计的验收标准，仍将是这条路上不可省略的关卡。

对行业而言，这轮实验的意义不止于“会写代码的助手”：当自然语言能够调度物理引擎、渲染管线与传感器模型，仿真构建的准入门槛正在降低，而仿真结果的可信度管理——从数据来源、场景版本到验收指标——将成为新的工程课题。

五、面向行业的三点观察

其一，智能体是“编排者”，不是“替代者”。从演示中可以看到，AI 负责把资产、物理、渲染、传感器与应用接口组装起来，而开发者承担持续指导、审查输出、对照物理与运营要求测试的职责。人机分工不是“谁取代谁”，而是“组装交给智能体，验证留在工程师”。

其二，“可测量反馈”是智能体价值的试金石。传感器校验对比渲染输出与实采数据、机器人控制反复运行物理试验、工业设计在硬件制造前检验工具可达性——凡是有明确量化验收标准的工作流，智能体的产出质量都更容易被确认，也更容易被信任。

其三，验收标准与版本管理将成为新的工程课题。当仿真场景由自然语言生成，场景的数据来源、版本变更与验收指标必须被记录和审计；工程审查、版本管理与可审计的验收标准，仍将是这条路上不可省略的关卡。

结语

从提示词到可运行的仿真应用，AI 智能体正在改写仿真开发的方式，但并未取消工程本身。开发者依然是审查者、测试者与验收标准的制定者；可测量反馈，则是人与智能体协作的锚点。