NVIDIA Cosmos 3: otwarty model dla fizycznej AI
NVIDIA Cosmos 3: otwarty model świata dla fizycznej AI, łączący widzenie, generowanie świata i działanie w jednym systemie.
Tłumaczenie wygenerowane automatycznie przez AI. Wersja niemiecka jest oryginałem zweryfikowanym redakcyjnie.
NVIDIA wykorzystała swój keynote na Computex 2026, aby zaprezentować Cosmos 3, otwarty world foundation model dla fizycznej AI, który łączy wnioskowanie wizualne, generowanie świata i przewidywanie działań w jednym systemie. To jak dotąd najwyraźniejszy sygnał, że kolejną granicą nie jest chat, lecz maszyny, które rozumieją realny świat i działają w nim.
01. Zmiana: moc obliczeniowa to dane
Realny świat jest praktycznie nieskończony, a dane rzeczywiste trudno skalować. Ocena NVIDII jest bez ogródek: dla fizycznej AI moc obliczeniowa to dane. Zamiast zbierać więcej nagrań, Cosmos 3 generuje fizycznie dokładne dane treningowe na żądanie, dlatego NVIDIA twierdzi, że skraca to cykle treningu i ewaluacji dla fizycznej AI z miesięcy do dni. Model został wytrenowany na 20 bilionach tokenów danych multimodalnych, w tym na niemal miliardzie obrazów i 400 milionach rzeczywistych i syntetycznych wideo.
02. Jeden model, trzy zadania
Podczas gdy wcześniejsze wydania Cosmos dzieliły pracę na osobne modele (Predict, Transfer, Reason, Policy), Cosmos 3 łączy je w jeden omnimodel, zbudowany na architekturze mixture-of-transformers, w której piksele, działanie, dźwięk i mowa przepływają przez pojedynczy autoregresywny transformer:
- Jako VLM: obserwuje fizyczny świat, opisuje sceny i oznacza, co jest istotne.
- Jako model świata: generuje fizycznie dokładne syntetyczne wideo z obrazu, tekstu lub wideo.
- Jako symulator: zamyka pętlę treningu i ewaluacji policy robotów.
Dla fizycznej AI moc obliczeniowa to dane. Cosmos zamienia najtrudniejszą część każdego projektu robotycznego, czyli wygenerowanie wystarczająco realistycznych scenariuszy, aby trenować i walidować, w jedno wywołanie API.
03. Koalicja, i dlaczego się jej przyglądamy
NVIDIA uruchomiła również Cosmos Coalition, współpracę z Agile Robots, Black Forest Labs, Generalist, LTX, Runway i Skild AI, aby wspólnie rozwijać modele świata nowej generacji. Wagi są otwarte, a wariant 8B Nano jest na tyle mały, że działa lokalnie, czemu towarzyszy obszerny raport techniczny oraz przewodnik dla deweloperów.
To dokładnie tam, gdzie krzyżuje się nasza praca w obszarze AI, XR i projektowania 3D. Model świata, który generuje fizycznie dokładne syntetyczne środowiska, jest w gruncie rzeczy silnikiem danych i symulacji, a najtrudniejsza część każdego projektu robotycznego, cyfrowego bliźniaka czy spatial computing rzadko leży w samym modelu, lecz w wygenerowaniu wystarczająco realistycznych scenariuszy, aby trenować i walidować. Dla klientów budujących coś, co musi rozumieć realny świat lub w nim działać, hasło "moc obliczeniowa to dane" przestaje być sloganem i staje się workflow.
Źródła: NVIDIA Newsroom, NVIDIA Blog, przegląd NVIDIA Cosmos.
