北京
本文是洞悉 Omniverse 系列文章。“洞悉 Omniverse”重点介绍开发者、3D 从业者与企业如何使用 OpenUSD 和 NVIDIA Omniverse 的最新进展深入改变他们的工作流。
视觉 AI 智能体正成为一种切实可行的方式，可将来自物理世界的视频数据自动转化为工厂、城市、仓库和交通系统中的运营智能。
随着越来越多的 AI 工作负载向数据生成的位置靠近，这种转变正在加速。Gartner 预测，到 2028 年，超过三分之二的企业管理数据将在数据中心或云端之外生成和处理；到 2029 年，全球超过三分之二的企业将部署边缘 AI，而这一比例在 2025 年仅为 10%⁽¹⁾。
但边缘数据的增加并不会自动创建更多的智能。根据同一份 Gartner 报告，高达 90% 的现有边缘数据未经处理。
将这些数据转化为有用的行动需要视觉 AI 智能体，它们能够理解视频、适应现实世界条件，并将洞察与运营工作流相连接。这些智能体通常在摄像头、机器和传感器附近运行，在这些地方，模型必须满足延迟、功耗、成本和连接要求，同时适应特定现场的条件。
为了构建这些智能体，开发者需要可重复的方法来生成训练数据、微调模型，并在边缘和云环境中部署智能体视频应用。
NVIDIA Metropolis 智能体技能和蓝图为开发者提供可复用的工作流，以便在整个生命周期内构建、运行和优化视觉 AI 智能体。
在仿真模拟和合成数据方面，通用场景描述 (OpenUSD) 为描述、组合和复用 3D 世界提供了一个通用框架。基于 OpenUSD 构建的 NVIDIA Omniverse 库可帮助团队构建仿真模拟、合成数据生成和数字孪生工作流，这些工作流可对现实世界环境进行建模，并扩展场景覆盖范围，涵盖照明、天气、交通模式、摄像头角度、遮挡和罕见事件等条件。
(1) 来源：Gartner，《预测 2026：物理 AI 将 I&O 推向边缘》，2026 年 3 月 3 日。Gartner 是 Gartner, Inc. 和/或其关联公司的商标。
以上为摘要内容，请点击链接阅读完整内容：洞悉 Omniverse：借助合成数据和微调提高视觉 AI 智能体准确性的三大工作流 | NVIDIA 英伟达博客
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
