"一次创作，多端复用"：NVIDIA如何通过USD标准化打破工业工具链孤岛？

让我们从这些基本原则说起。在NVIDIA，我们将OpenUSD视为一个数据生态系统，服务于工业数字化和物理AI工作负载。具体而言，我们观察到四个相互关联的关键工作负载，它们层层递进：

首先是对设备进行全保真产品审查。这些设备或产品可能在实体工厂中制造或交付，而该工厂需通过数字孪生技术进行虚拟设计和规划——从奠基到实体建造完成，数字孪生始终保持运行以支持后续流程。

其次是在这类工厂中部署机器人。通过虚拟世界的仿真模拟，优化机器人在实际设施中的运行效率与安全性。

第三阶段是将机器人应用扩展至工厂之外，例如让机器人作为自动驾驶车辆上路，在日益庞大且互联的虚拟世界中导航，这些虚拟世界精准映射现实场景。

这四个工作负载——从数字孪生的全周期管理到机器人仿真优化，再到自动驾驶的跨场景应用——共同构成了一个有机生态系统。OpenUSD作为底层数据框架，支撑着工业数字化与物理AI应用的无缝融合，推动从产品设计、工厂运营到自动驾驶的全链路创新。

那么，USD（通用场景描述）究竟具备哪些独特特性，能真正支撑我们创建、填充并模拟这些虚拟世界呢？其核心秘诀在于异构数据聚合能力——这贯穿USD设计原则的核心，并通过其数据模型与行为机制实现。具体体现为四大关键特性：

第一，组合引擎（Composition Engine）：支持稀疏非破坏性场景聚合。这意味着可将海量不同来源的数据分层叠加，每一层可对应不同学科、不同领域的数据——正如现实世界的数据形态。通过这种分层，USD能无缝整合多源数据，构建统一场景。

第二，可扩展的数据模型：USD的数据模型完全不局限于3D场景。其本质是一组可扩展的键值对模式（schema），既能兼容现有行业标准，也能随需求扩展新的数据模型。无论是传统标准还是新兴领域，所有数据均可通过USD模式统一表达，并最终整合为完整场景。

第三，资产解析器与数据抽象范式：USD完全独立于存储格式和序列化方式。它本质是一种数据建模与组合范式，而非绑定特定文件格式的传统工具。无论是磁盘文件、云端数据、数据库记录，还是程序化生成的数据，只要符合键值对结构，均可通过USD解析并整合。这种设计使得USD能无缝对接现有文件格式，实现跨平台数据互通。

第四，合成后管道（Post-Composition Pipeline）的革新：在最新USD25.0 O版本中，除Hydra渲染引擎外，新增的OpenExec功能进一步扩展了合成后处理能力。当数据通过组合引擎整合到场景图后，用户可定义计算逻辑与程序化操作，将结果直接输入渲染引擎或其他模拟运行时。这种设计让USD不仅成为场景描述工具，更成为支持实时计算与仿真的动态平台。

简言之，USD通过组合引擎实现数据分层整合，通过可扩展模式支持多源数据表达，通过存储无关性打破格式壁垒，最终通过合成后管道连接计算与仿真。这四大特性共同构建了一个统一、灵活、可扩展的虚拟世界构建框架，为工业数字化与物理AI提供了从数据整合到实时仿真的全链路支撑。

在谈论USD生态系统时，我常将其归纳为两大核心体系： 一是物理AI的数据生态系统。我们将工业场景解构为多层组件堆栈，这些层承载着机器人与设备在工业流程中流动的各类数据——从3D场景数据到非结构化数据，所有信息在统一框架下协同流转。

二是利益相关者生态系统。随着开放USD联盟成员规模持续扩张，越来越多供应商与数字内容工具（DCC）已原生支持USD格式。无论是通过导出场景数据到USD，还是从USD导入数据，各方都在构建一个协同生态——让三维与非三维数据无缝融合，共同推动数字孪生从设计到落地的全周期协作。

这种双体系架构的核心在于：通过标准化数据模型打破工具壁垒，让不同学科、不同环节的数据在USD框架下实现“一次创作、多端复用”。例如，机械工程师的CAD模型、AI训练师的仿真场景、运维团队的数字孪生数据，都能通过USD的组合引擎与扩展模式整合为统一场景，最终服务于从产品设计、工厂规划到自动驾驶的全链路工业应用。

简言之，USD生态系统不仅是技术标准的集合，更是一个连接数据、工具与人的协作网络——它让物理AI的工业化落地从“单点突破”走向“生态共赢”。

但围绕这一目标，我们需要制定明确的标准化策略。工业数字孪生中所有内容的标准化至关重要——尤其是要为数字孪生中的各类要素建立统一规范。具体而言，NVIDIA的核心目标在于：赋能设备制造商，使其能够提供与物理产品完全对应的USD格式数字等价物，从而填充并丰富数字孪生场景。

换言之，物理产品的原始数据所有者应能直接生成其虚拟对应物，供数字孪生使用。实现这一目标需遵循四大步骤：

第一步：统一数据建模——需将物理产品的现有数据源映射为标准化数据模型。这包括明确产品的功能特性、性能参数，并将其转化为符合USD规范的数据模式（无论是对接现有USD模式，还是基于原始数据模型创建新模式）。

第二步：填补模式缺口——若现有USD模式无法完全覆盖需求，需通过阶段性演进填补功能缺口，确保数据模型的完整性与兼容性。

第三步：资产结构标准化——需统一资产构建的最佳实践，确保人类创作者与AI处理系统均能高效理解与解析数字孪生内容，提升跨平台协作效率。

第四步：开放治理体系——最终需通过跨行业共识建立开放治理框架，将上述标准正式化、制度化，确保不同行业、不同企业间的数据互通与协作。

这一标准化路径的核心在于：通过数据模型的统一化、资产结构的规范化与治理体系的开放化，构建一个“物理产品-数字等价物”的无缝转换通道。它不仅让设备制造商能高效生成数字孪生所需的虚拟资产，更让整个工业生态在数据层面实现“一次建模、全域复用”，最终推动工业数字化从“单点创新”迈向“生态协同”的新阶段。

首先，我们从概念数据映射说起。这一实践已在USD社区内完成——其中MaterialX文件格式已被映射到USD Shade中。这堪称数据模型对齐的典范案例：通过此映射，MaterialX的互操作性与USD的可组合性实现了深度融合，最终形成“1+1＞2”的协同效应。

此类映射通常以概念映射文档的形式呈现，可视为数据提取的规范指南。这些文档需随对应格式的更新保持动态维护，确保始终反映最新标准。它们的核心价值在于为开发者提供明确指引，助力构建高效的数据转换工具——包括但不限于数据转换器、导出工具等，从而推动跨平台、跨工具的数据无缝流转。

简言之，概念数据映射不仅是技术标准的落地实践，更是构建开放生态的关键基石。它通过标准化数据模型的对接方式，让不同来源、不同格式的数据在USD框架下实现“一次映射、全域通用”，最终支撑起从数字内容创作到工业仿真的全链路协作需求。

在NVIDIA的技术体系中，开发了名为OpenUSD exchange SDK的工具包。该SDK并非基础工具，而是基于OpenUSD SDK构建的高级功能层，其核心目标是为开发者提供强大的工具支持——通过编写导入器、导出器及数据转换器，实现关键的数据映射功能。这些工具对构建“镜像真实世界”的虚拟场景至关重要，它们能将物理世界的复杂数据无缝转换为USD标准格式，从而支撑起从工业数字孪生到物理AI仿真的全场景应用，最终让虚拟世界与真实世界实现数据层面的精准对应与动态交互。

现在，让我们深入探讨USD逐步演进的核心逻辑——如何在迭代中平衡创新与兼容性。这一过程涉及数据模型与运行时行为的协同演进，但每一步都需支付“内容兼容性成本”。具体可分为三个迭代阶段：

第一阶段：原型验证与自定义扩展 针对当前USD原生不支持的非3D工作流数据模型，开发者可通过自定义模式（Custom Schemas）和自定义属性（Custom Attributes）快速搭建原型。例如，为特定工业场景设计专属数据模型，验证端到端数据在USD中的流通性。同时，若现有USD运行时行为（Runtime Behaviors）无法满足需求，需同步开发配套的原型运行时逻辑，确保数据模型与行为逻辑的深度耦合。

第二阶段：社区协作与标准对齐 在原型验证基础上，需将自定义模式与运行时行为成果公开化。通过与社区、行业伙伴的深度交流，对比相似方案的异同点，逐步收敛至行业共识标准。这一过程需伴随内容的持续产出——通过标注模式版本、运行时版本等元信息，确保内容可验证、可追溯。例如，在导出USD场景时嵌入版本标签，使下游工具能精准识别并适配对应的数据结构与行为逻辑。

第三阶段：标准固化与旧版过渡 最终，经社区共识形成的标准需正式固化，并明确旧版内容的兼容期限。行业需承诺对旧版内容的支持时长，但核心目标是推动生态向新标准迁移，逐步淘汰过时方案。这种“渐进式升级”策略既保障了现有内容的可用性，又为未来创新预留了空间——通过版本控制实现“新旧共存但有序迭代”，最终让整个生态在统一标准下高效运转。

简言之，USD的演进路径是“原型验证-社区协作-标准固化”的螺旋上升过程。它通过自定义扩展激活创新活力，通过社区协作凝聚行业共识，最终通过版本控制实现兼容性与创新性的平衡。这种设计让USD既能快速响应新兴需求，又能确保长期演进中的生态协同，真正成为支撑工业数字化与物理AI的“活标准”。

以下展示的是NVIDIA开发的插件原型示例——这些可视为数据建模实践，旨在推动行业对话与技术探索：

左侧案例：地理空间数据建模 地理配准是建筑与测绘领域的核心需求。我们实现了WGS84坐标系原型，并通过将德国铁路数据叠加到开放街道瓦片地图进行验证——地理空间坐标完全对齐，证明了跨地理信息系统的数据融合能力。

中间案例：海洋模拟引擎集成 基于NVIDIA Warp框架，我们将Python风格代码跨编译至CUDA，实现GPU加速的海洋模拟。该原型成功嵌入无原生仿真引擎的USD View工具，展示了“仿真即数据”的潜力。这种模式可映射至FMI功能模型接口等标准，通过声明仿真输入/输出接口并封装二进制实现，推动跨工具仿真流程的标准化。

右侧案例：动态数据绑定范式 我们探索了外部数据动态加载的原型方案。虽然视觉效果简约，但其核心价值在于通过大都会艺术博物馆REST API动态填充USD场景——配置动态载荷后，可按部门、对象数量等维度扩展数据细节层级（LOD）。这一玩具级示例预示着未来工业场景中物联网、运营数据等动态数据的标准化绑定范式，有望催生工业设施实时数据驱动的数字孪生新形态。

这些原型不仅验证了关键技术路径，更通过社区协作推动标准演进——从地理空间坐标系到仿真引擎集成，从动态数据绑定到跨行业标准对齐，最终构建起“数据-模型-仿真”全链路协同的工业数字化底座。

接下来探讨开放资产结构化的核心原则——这些准则指导我们如何垂直与水平扩展，以适配人类与AI需理解的各类规模、广度的场景。具体包含四大原则：

可读性（Legibility） 领域专家需能将USD输出与源数据直接关联。例如，CAD工程师应能通过USD场景层级定位其关注的核心对象，确保从专业工具到USD的转换不丢失关键信息脉络。

模块化与原子内容复用（Modularity） USD的组合引擎以“引用”为核心机制，支持原子级对象的重复实例化。当场景中多次出现同一对象时，可复用其基础版本并批量实例化，避免数据冗余，提升资产复用效率。

性能（Performance） 需平衡处理速度与系统复杂度。若数据组织混乱，分析将难以开展；而过度压缩（如将所有内容打包为单一对象）虽可能提升性能，却会牺牲可读性——用户可能期望看到类似其他工具中的层级化对象结构。这种性能与可读性的权衡需在设计中明确考量。

可导航性（Navigability） 用户应能轻松在场景层级和空间中定位目标内容。无论是通过层级树浏览结构关系，还是通过空间搜索定位具体对象，均需保障操作直觉性。

我们已就此发布技术白皮书（可通过此处二维码获取），系统阐述了这些原则在工业场景中的落地实践——从数字孪生到物理AI仿真，通过结构化资产实现“数据可溯、场景可析、性能可控”，最终支撑起从设计协同到实时仿真的全链路工业数字化需求。

当我们探讨USD作为行业标准时，其内涵远超单一技术框架——我们致力于将其打造为多维度协同的统一规范体系。这一体系如同洋葱般分层展开：

核心层：基础规范引擎 我现任开放USD联盟（AOUSD）核心规范工作组主席，该组的核心使命是规范定义USD的底层机制——包括组合引擎的运算逻辑、值解析语义，以及支撑这些机制的数据模型。这些是USD的“心脏”，决定了不同实现如何统一解析场景数据。

扩展层：学科级规范 围绕核心层，几何工作组与材质工作组正分别制定网格、材质节点等学科级规范。这些规范定义了USD兼容实现必须支持的几何与材质表达标准，确保不同工具导出的USD资产能被核心引擎正确读取。

计算层：动态行为规范 随着OpenExec的引入，我们开始规范USD场景中的计算规则。但即便没有OpenExec，层级可见性等基础行为也需被明确规范——这关乎所有USD读取器能否稳定解析场景。

应用层：内容就绪规范 最外层是内容规范，例如即将深入讨论的“仿真就绪”概念。对于DCC工具维护者、独立软件商或设备制造商而言，这一层回答了关键问题：如何编写真正符合USD标准的几何与材质资产，使其能被底层规范无缝读取？

这种分层架构的重要性将在后续展开——它不仅确保了技术实现的统一性，更让不同角色（从工具开发者到内容创作者）能在同一标准下高效协作，最终实现“一次建模、全域通用”的工业数字化愿景。