Em 8 de outubro de 2026, a NVIDIA apresentou um conjunto de projetos que mostram como desenvolvedores estão combinando modelos de inteligência artificial de fronteira, como o GPT-6 Astra, com as bibliotecas do Omniverse para transformar ideias de simulação em aplicações funcionais. A lógica é direta: o desenvolvedor descreve em linguagem natural o que pretende construir, agentes de IA executam parte do trabalho pesado e o resultado é revisado e ajustado por pessoas.
Do conceito à cena que funciona
Segundo a empresa, tirar uma ideia de simulação do papel exige reunir ativos, conectar física e renderização e verificar se a cena se comporta como esperado.
As bibliotecas do NVIDIA Omniverse entram justamente nesse encadeamento. Elas oferecem capacidades de física, renderização e simulação de sensores aceleradas por GPU.
Os desenvolvedores orientam os agentes por instruções em linguagem natural. Eles revisam os resultados e conduzem as mudanças necessárias.
A IA assume tarefas repetitivas, e a decisão permanece humana.
Um galpão, um robô humanoide
O primeiro exemplo vem de Frank DeLise, gerente de produto do Omniverse na NVIDIA.
Antes de automatizar tarefas de armazém, é preciso ter um ambiente interativo para explorar o comportamento das tarefas e avaliar como o trabalho é executado.
DeLise usou o Astra para converter um galpão e um robô humanoide no padrão SimReady em um simulador interativo, com visões em primeira e terceira pessoa.
Ele instruiu o Astra a conectar bibliotecas específicas: ovphysx para física, ovstage para atualizações de cena, ovrtx para renderização e ovui para a interface do usuário.
O modelo também foi usado com o simready-foundation para montar a cena física dentro da simulação. Depois, gerou a animação e o código da aplicação que amarra tudo.
O resultado é uma experiência de controle de um robô humanoide com base física, descrita pela NVIDIA como gamificada.
Testes para carros autônomos
A segunda frente envolve a validação de veículos autônomos.
Mudar uma cena, um sensor ou um modelo de condução pode mudar muito os resultados de uma simulação.
Doyub Kim, gerente da equipe de tecnologia de simulação da NVIDIA, pediu ao Astra que construísse o projeto Zero to Alpamayo. O ambiente de simulação reutilizável é baseado na Market Street, em São Francisco.
Kim orientou o agente a mapear todo o fluxo de trabalho. Em etapas, pediu para conectar a criação de ativos, o tráfego, a simulação de sensores Omniverse RTX e a condução com Alpamayo.
Kim pediu que cada integração fosse verificada antes de seguir adiante.
O protótipo resultante funciona como campo de testes para comparar modelos. Também rastreia como mudanças de cena ou de sensor afetam o comportamento de condução a jusante.
Um experimento separado com o Cosmos3-Nano variou clima e iluminação em vídeos de simulação gravados. Isso permitiu comparar as respostas do modelo de condução ao mesmo cenário sob condições diferentes.
Gêmeos digitais a partir de discrepâncias
O terceiro projeto trata de uma questão central para quem testa robôs e veículos autônomos: saber o quão próximos os sensores simulados estão dos reais.
Ashley Reid, que trabalha com validação de sensores RTX na NVIDIA, dirigiu agentes do Astra e do Claude Fable 5. Eles compararam saídas de câmera e de LiDAR bruto do ovrtx com dados gravados em campo.
De acordo com a NVIDIA, os agentes criaram dois gêmeos digitais do zero. Também melhoraram outros dois já existentes.
Ao longo de cerca de três dias, Reid conduziu um fluxo iterativo. Nele, agentes mediam diferenças, criavam ou modificavam cenas em OpenUSD e conferiam os resultados.
As correções envolveram objetos ausentes, geometria e materiais. A aceitação dependia de métricas de câmera e de LiDAR.
A abordagem oferece aos desenvolvedores uma forma de usar discrepâncias medidas para orientar a criação e o aprimoramento das cenas.
Por que isso importa
Os três casos apontam para uma mesma mudança de método. Em vez de escrever manualmente cada peça de uma simulação, o desenvolvedor atua como diretor de um agente que monta, testa e corrige o ambiente.
Isso encurta o caminho entre a ideia e um protótipo executável. O ganho
