NVIDIA、物理AI「Cosmos 3 Edge」を公開

NVIDIAは、Hugging Faceの「Cosmos 3」リポジトリにおいて、エッジデバイス向け40億パラメータ（4B）のオープン物理AIワールドモデル「​Cosmos 3 Edge​」を一般公開しました。本モデルはメモリ制限のあるエッジコンピュータ上で高速推論を行うよう最適化されており、ロボットや視覚AIエージェントが現実環境を理解し、リアルタイムに動作を計画・生成するための基盤を提供します。

2つのトランスフォーマータワーによるモデルアーキテクチャ

Cosmos 3 Edgeの大きな特徴は、役割の異なる2つのトランスフォーマータワーを単一の表現空間で統合している点です。

• ​自動回帰タワー（Autoregressive tower）​:
  視覚およびテキストのトークンを処理し、シーンの意味理解や推理を担当します。
• ​ディフューザータワー（Diffusion tower）​:
  視覚・音声・アクション（動作）のトークンを扱い、未来予測、ニューラルシミュレーション、および具体的な行動生成を担当します。

両タワーはマルチモーダルアテンション層を共有しており、言語、動画、音声、およびロボットの動作データを相互に整合させます。言語には因果的アテンション（Causal attention）を、ディフューザートークンには広範なコンテキストアテンションを適用することで、物理的整合性の高い未来予測と行動出力が可能です。

ロボット制御と行動表現の統一

物理AIシステムにおいて、車両、カメラ、ロボットアームなどのハードウェア（エンボディメント）ごとに異なる操作パラメータを統合するため、Cosmos 3 Edgeは行動を共通の幾何学的ベクトル（平行移動・回転・把握状態）へマッピングします。

モデルを「ポリシー（Policy）モード」で実行する場合、現在の環境観測データ（640×360解像度）を入力とし、推論1回につき32の連続アクションと予測される視覚的結果を同時出力します。組み込み用AIコンピュータ「NVIDIA Jetson Thor」上において、​15Hzのリアルタイムロボット制御​​を達成しました。同パラメータサイズ（4Bクラス）のモデル群の中で、視覚解析ベンチマーク「VANTAGE-Bench」で1位の精度を記録しています。

物理AIワールドモデルの仕様比較

Cosmos 3シリーズのモデル規模と適用領域の比較は以下の通りです。

モデル名	パラメータ数	主なターゲット環境	特徴・推論性能
Cosmos 3 Edge	40億 (4B)	Jetson Thor / RTX PRO / エッジ端末	15Hzリアルタイム制御、Hugging Faceでオープン公開
Cosmos 3 Nano	160億 (16B)	ワークステーション / ローカルサーバー	中規模開発向けバランス型モデル
Cosmos 3 Super	640億 (64B)	クラウド / DGXデータセンター	高精細シミュレーション・蒸留元モデル

日本の読者への影響と未確認事項

日本国内の製造業、物流倉庫での搬送ロボット開発、スマートファクトリー構築を進める企業にとって、Hugging Faceから直接ダウンロードして試用できるオープンウェイトモデルの登場は大きなアドバンテージとなります。あわせてDROIDデータセットでファインチューニングされた「Cosmos 3 Edge Policy (DROID)」のチェックポイントも同時公開されており、実機導入のハードルが下がっています。

未確認事項および今後の注視ポイントは以下の通りです：

• ​多様なロボットハンドへの適応性​: 標準で提供されるマニピュレーションポリシー以外の特殊なエンドエフェクター（多指ハンド等）に対する再学習コスト。
• vLLM等の推論フレームワーク対応​: 今後予定されているオープン推論フレームワークへの最適化による、さらなる低遅延化の推移。

オープン基盤モデルを活用したエッジロボティクスの開発革新が今後より一層加速するとみられます。