米半導体大手NVIDIAは、ロボットや映像AI向けのオープン世界モデル「Cosmos 3 Edge」を公開した。
周囲の理解から未来予測、行動生成までをエッジ端末上で処理し、工場や倉庫、医療現場などでの自律動作を支援する。
40億パラメータでロボット制御を高速化
2026年7月20日に公開されたCosmos 3 Edgeは、40億パラメータで構成される小型の世界モデルで、Hugging Faceから入手できる。
RTX PRO GPU、GeForce RTX GPU、DGX、Jetsonなどに対応し、メモリ容量が限られる現場端末でも高速推論を目指した設計だ。
世界モデルとは、物体の位置や動き、空間関係、行動による変化を学習し、環境の現在状態や将来の展開を内部的に予測するAIモデルを指す。
エッジデバイス上で、ロボットの行動の生成を支援する用途を想定している。
モデルの中核は、視覚と言語を理解する自己回帰型Transformerと、映像・音声・行動を予測する拡散型Transformerの二層構造である。
両者がマルチモーダル注意層を共有し、現在の状況、次に起こる変化、行動による結果を共通表現で結び付ける。
さらに、移動、回転、把持状態など異なる機械の動作を共通の幾何ベクトルへ変換する。
モデルは「何をすべきか」だけでなく、その行動後に周囲がどう変化するかも同時に生成できるという。
ロボット制御では640×360ピクセルの観測情報を処理し、Jetson Thor上で1回の推論につき32個の行動を生成する。
制御速度は15Hzに達し、リアルタイムに近い動作生成を実現したという。
NVIDIAによれば、同規模モデルとの比較では、映像分析用のVANTAGE-Benchで首位となり、ロボット方策学習でも最先端水準の性能を記録した。
現場AIを促進も、安全性の実証が課題
Cosmos 3 Edgeの意義は、データセンターに依存しやすかった高度な推論を、センサーに近い端末へ移せる点にある。
通信遅延やネットワーク障害の影響を抑えられるため、即応性が求められる製造設備、物流ロボット、監視カメラなどで導入余地が広がると考えられる。
NVIDIAは、DROIDデータセットで追加学習した物体操作向けモデル「Cosmos 3 Edge Policy」と学習用スクリプトも公開した。
開発者はH100の小規模クラスタやDGX Stationで用途別に調整し、Jetsonなどへ展開できるため、独自のロボット方策を効率的に開発できる可能性がある。
一方、ベンチマーク上の優位性が、照明変化や障害物、人との接触を伴う実環境でそのまま再現されるとは限らない。
誤認識や不適切な行動は事故につながり得るため、用途別データによる追加学習、フェイルセーフ設計、人間による監督が欠かせないだろう。
今後、NVIDIAは対話型の世界生成や自動運転シナリオ、ロボット方策を強化し、vLLMなどによる高速化も進める方針だ。
現場AIの共通基盤となるかは、処理性能だけでなく、安全性と導入コストを両立できるかに左右されそうだ。
関連記事:
NVIDIA、フィジカルAI向け基盤モデル「Cosmos 3」を公開 ロボット開発の常識を変える可能性
矢崎総業がフィジカルAIとヒューマノイド拠点を本格始動 製造現場の自働化と共創で製造業を改革
ソニーが研究用aiboを大学へ貸与 フィジカルAI研究と将来の社会実装を後押し
