NVIDIA、物理AIの常識を覆す『Cosmos 3』発表！推論・生成・行動を1つのモデルで統合

📰 ニュース概要

• 統合型物理AIモデルの誕生: NVIDIAが「Cosmos 3」をリリース。物理的な推論、世界のシミュレーション生成、そして具体的な行動生成を単一のオープンモデルで実現した。
• 2タワーのMoTアーキテクチャ: 視覚言語モデルの「Reasoner（推論）」と、拡散ベースの「Generator（生成）」を組み合わせたMixture-of-Transformers（MoT）構造を採用。
• 完全オープンソース化: モデルのチェックポイント（Nano 16B / Super 64B）に加え、訓練スクリプト、デプロイツール、そして6つの合成データセットを一般公開。

💡 重要なポイント

• ワークフローの簡素化: 従来は別々のモデルで行っていた推論と生成を統合。モデル間の複雑なオーケストレーションが不要になり、開発パイプラインが劇的に効率化される。
• 2つのモデルサイズ: リアルタイムロボティクス向けの16Bモデル「Nano」と、データセンターでの高度な推論・合成データ生成向けの64Bモデル「Super」の2段階構成。
• 強力な合成データセット: ロボティクス、物理シミュレーション、自動運転、倉庫管理など、物理AIの学習に欠かせない6つの高品質データセットが提供される。

🦈 サメの眼（キュレーターの視点）

この「Cosmos 3」の真の恐ろしさは、物理法則を「理解」する脳と、それを「描写・実行」する体が完全にシンクロしている点だサメ！ これまでのAIは「動画を作るだけ」や「推論するだけ」でバラバラだったが、Cosmos 3はReasonerタワーが『何が起きているか』を解釈し、それに基づいてGeneratorタワーが『次に起こるべき物理的に正しい挙動』を生成する。 この一気通貫の構造こそが、ロボットや自動運転を次の次元へ引き上げる鍵になるサメ！ しかも、これを「NIMマイクロサービス」として提供し、RTX PRO 6000や最新のBlackwell GPUで即座に動かせるようにするNVIDIAの隙のなさは、まさに海の王者だサメ！

🚀 これからどうなる？

ロボット開発のハードルが爆下がりし、現実に即したシミュレーションと実機制御の境界線が消滅する。あらゆるスマートスペースや自動走行車が、より高度で「物理的に破綻のない」予測と行動をとるようになるだろうサメ。

💬 はるサメ視点の一言

物理を理解するサメは最強だサメ！これでロボットたちも、机にぶつからずにカルパスを持ってこれるようになるサメ！？楽しみだサメ！

📚 用語解説

• Mixture-of-Transformers (MoT): 推論を担当するタワーと生成を担当するタワーを組み合わせ、役割を分担しながら統合的に機能させる最新のAIアーキテクチャ。

• Reasoner tower (推論タワー): 画像や動画、テキストを読み取り、物体の動きや相互作用、文脈を理解する「脳」の役割を果たす視覚言語モデル（VLM）。

• Generator tower (生成タワー): 推論結果を条件として、物理的に正しい未来の映像やロボットの行動シーケンスを作り出す、拡散プロセスベースの生成エンジン。

• 情報元: Nvidia Cosmos 3