로봇 학습용 GPU 클러스터가 커지면서 데이터센터는 단순한 서버실이 아니라 전력망, 냉각 설비, 고속 네트워크를 함께 설계해야 하는 큰 시설이 됐습니다. NVIDIA는 이런 시설을 “AI 팩토리"라고 부르고, 짓기 전에 가상으로 검증하고 지은 뒤에는 운영 환경으로 쓰는 디지털 트윈 참조 구조로 Omniverse DSX Blueprint를 내놓았습니다. 이 글은 공식 발표와 문서를 기준으로 DSX의 구성 요소, 데이터 흐름, 그리고 이미 다룬 제조 공장 디지털 트윈과 무엇이 다른지를 정리합니다.
DSX와 DSX Blueprint는 같은 말이 아니다
먼저 이름을 구분해야 합니다. 2025년 10월 28일 NVIDIA 블로그는 GTC 워싱턴 D.C. 기조연설에서 발표된 Omniverse DSX를 “기가와트 규모 AI 팩토리를 설계하고 운영하기 위한 개방형 블루프린트"로 소개하고, 버지니아주 매너서스의 Digital Realty 부지에 새로 연 AI Factory Research Center에서 검증했다고 밝혔습니다.
검증일 기준 NVIDIA DSX 제품 페이지는 DSX를 다음 요소의 묶음으로 설명합니다.
| 구성 요소 | 역할 (제품 페이지 설명) |
|---|---|
| DSX MaxLPS | GPU·랙·워크로드 단위로 전력을 동적으로 관리해 고정 전력 한도 안에서 AI 처리량을 늘림 |
| NVIDIA 800 VDC 아키텍처 | 변환 단계를 줄여 메가와트급 랙에 전력을 공급 |
| DSX Flex | AI 워크로드를 전력망 상황에 맞춰 조정 |
| DSX Sim | 시설·인프라·IT 시스템을 착공 전에 함께 모델링해 배치와 설계 가정을 검증 |
| DSX OS | 멀티테넌트 AI 팩토리의 프로비저닝, 워크로드 오케스트레이션, 장비 상태 관리 자동화 |
| DSX Exchange | 전력·냉각·컴퓨팅 시스템을 실시간 신호와 인증된 메시지로 연결하는 개방형 이벤트 버스 |
같은 페이지에 따르면 Omniverse DSX Blueprint는 DSX Sim 안의 개방형 프레임워크로, SimReady 자산, 하드웨어 구성, 웹 UI, 예제 스크립트를 포함하며 build.nvidia.com에서 일반 제공되고 Vera Rubin DSX AI 팩토리 참조 설계와 호환됩니다. 2025년 블로그는 Flex, Boost, Exchange 세 가지를 축으로 소개했는데, 현재 제품 페이지에는 Boost 대신 MaxLPS가 있습니다. 두 이름이 같은 기능을 가리키는지는 공식 문서에서 확인하지 못했으므로 인용할 때는 문서 날짜를 함께 적는 편이 안전합니다.
블루프린트 내부의 데이터 흐름
DSX Blueprint 시스템 아키텍처 문서는 데이터가 다음 순서로 흐른다고 설명합니다.
- SimReady 자산 파이프라인: 장비 제조사의 CAD를 OpenUSD 자산으로 바꿉니다. 먼저 형상의 위상·법선·구조를 검증하고, 다음으로 전력, 열·냉각, 연결점 같은 시뮬레이션용 메타데이터를 붙입니다.
- PLM과 CAD/BIM: 검증된 자산은 PLM(제품 수명주기 관리) 시스템에 기준 정의로 저장되고, CAD/BIM 도구가 이를 조립해 OpenUSD 어셈블리로 내보냅니다.
- 시뮬레이션과 서로게이트 모델: 네트워크, 전력망, 열, 부지, 전기 시뮬레이션을 돌리고, AI로 근사한 서로게이트 모델이 API로 빠른 예측값을 줍니다.
- AIF-DT 런타임: Omniverse Kit 렌더링 엔진, 앱 스트리밍 API, 시뮬레이션 데이터 델리게이트, AI 에이전트, USD 저장소 API, 데이터 레이크가 하나의 실행 환경을 이룹니다.
- 운영 데이터 연결: 운영 원격 측정값이 시뮬레이션 결과와 함께 데이터 레이크에 쌓이고, AI 에이전트가 이를 읽어 최적화 제안을 만듭니다.
2025년 블로그는 이 흐름에 참여하는 회사의 역할도 나눠 설명합니다. Jacobs는 건물 설계와 연산 배치를 맡고, Siemens·Schneider Electric·Trane Technologies·Vertiv는 전력·전기·냉각 장비의 SimReady OpenUSD 자산을 제공하며, Cadence는 열·전기 시뮬레이션 플랫폼을, PTC는 PLM을 맡습니다. Phaidra와 Emerald AI는 트윈 안에서 학습한 AI 에이전트로 전력 사용을 최적화합니다.
제조 공장 트윈과 무엇이 다른가
공장 디지털 트윈과 OpenUSD에서 다룬 제조 공장 트윈과 비교하면 차이가 분명합니다.
| 비교 축 | 제조 공장 디지털 트윈 | AI 팩토리 디지털 트윈 (DSX Blueprint) |
|---|---|---|
| 대상 시설 | 조립 라인, 물류 창고 | AI 데이터센터 (연산 건물과 지원 설비) |
| 주요 장비 자산 | 로봇, 컨베이어, 공작 기계 | GPU 랙, 냉각 설비, 전력·전기 장비 |
| 핵심 시뮬레이션 | 로봇 동작, 라인 흐름, 작업자 동선 | 열, 전기, 전력망, 네트워크, 부지 |
| 답하려는 질문 | 처리량, 병목, 배치 변경 효과 | 전력 한도 안의 GPU 수, 냉각 여유, 전력망 영향 |
| 운영 단계 연결 | 설비·생산 데이터 | 전력·냉각 원격 측정, 워크로드 신호 |
공통점은 OpenUSD로 여러 회사의 자산을 한 장면에 합치고, 착공 전에 바꿔 보는 비용이 착공 후보다 훨씬 작다는 점을 이용한다는 것입니다. 다른 점은 최적화의 단위입니다. 제조 공장은 한 시간에 몇 개를 만드는가를 묻고, AI 팩토리는 같은 전력으로 GPU를 몇 대 돌릴 수 있는가를 묻습니다.
전력 한도가 설계를 정하는 방식
AI 팩토리 설계의 출발점은 전력입니다. 시설에 들어오는 전력 한도를 , 노드 하나가 쓰는 전력을 라 하면 넣을 수 있는 노드 수는 다음과 같습니다.
이 식에서 를 줄이면 같은 전력에 더 많은 노드를 넣을 수 있습니다. NVIDIA DSX 제품 페이지의 Lambda 사례는 5랙 시험에서 기준 노드 16대분 전력으로 HGX B200 노드 19대를 돌렸다고 밝힙니다. 노드 수 비율은 로, 같은 페이지가 밝힌 GPU 용량 19% 증가와 일치합니다. 같은 사례에서 토큰 처리량은 24%, 와트당 성능은 23% 늘었다고 적혀 있습니다.
이런 값은 시설마다, 워크로드마다 달라집니다. 디지털 트윈의 역할은 이 식의 와 냉각 여유를 착공 전에 시뮬레이션으로 확인하고, 운영 중에는 실제 측정값으로 다시 맞추는 것입니다.
도입 검토 순서
시설 설계팀이 DSX Blueprint를 검토한다면 다음 순서가 현실적입니다.
- 트윈으로 답할 질문을 정합니다. 예: 주어진 전력 한도에서 랙 몇 개, 냉각 방식은 무엇.
- 개요 문서의 예제 구성으로 참조 설계를 띄우고, 자체 부지와 다른 부분을 목록으로 만듭니다.
- 장비 제조사에 SimReady OpenUSD 자산 제공 여부를 확인하고, 없으면 CAD 변환과 메타데이터 작업 범위를 정합니다.
- 시뮬레이션 종류마다 해석 도구를 정하고, 서로게이트 모델의 예측값을 어떤 상세 해석으로 검증할지 정합니다.
- 운영 단계의 원격 측정 데이터를 데이터 레이크로 보낼 경로를 설계합니다.
이렇게 지은 학습 시설에서 로봇 학습 데이터를 만들고 늘리는 과정은 Physical AI Data Factory Blueprint 구조에서 이어서 볼 수 있습니다.