30秒サマリー
- NVIDIAがロボット・工場向けエッジAIモデル「Cosmos 3 Edge」をオープンリリース
- 4Bパラメータながら同規模モデル中VANTAGE-Benchで1位、Jetsonで15Hz制御を実現
- ファインチューニング用スクリプトも同時公開、製造・物流現場への即時適用を想定
何が起きたか
NVIDIAは2026年7月20日、エッジデバイス向けの物理AI基盤モデル「Cosmos 3 Edge」をHugging Faceのリポジトリ上でオープン公開した。パラメータ数は40億（4B）で、工場・倉庫・病院などメモリ制約のある現場環境での動作を前提に設計されている。
対応ハードウェアはNVIDIA RTX PRO GPU、DGX、GeForce RTX GPU、Jetsonシリーズ（新発表のJetson T2000・T3000モジュールを含む）。NVIDIA Jetson Thor上では640×360の解像度でリアルタイム推論を行い、1推論あたり32アクションを生成、15Hzのリアルタイム制御を達成するとしている。同規模（4Bパラメータ）モデルの中ではVANTAGE-Benchの視覚解析部門で1位を記録したと原文は述べている。
モデルのアーキテクチャは「自己回帰タワー」と「拡散タワー」の2つのトランスフォーマーを組み合わせた構造で、言語・映像・音声・アクションの情報を共通のアテンション層で統合する。ロボットアームの姿勢、車両の自己位置、グリッパーの把持状態など異なるロボット形態のアクションを共通の幾何ベクトル表現に変換できる点が特徴だ。
あわせてDROIDデータセットでポスト学習した把持タスク向けポリシー「Cosmos 3 Edge Policy（DROID）」、ならびにH100やDGX Stationを使ったファインチューニング用スクリプトも公開された。また64Bモデル向けには拡散ステップを最大50から4に削減し最大25倍の高速推論を実現する「Cosmos 3 Super 4-Step蒸留チェックポイント」も提供される。
原典ハイライト
原文によれば、Cosmos 3 Edgeは「現在の状態を入力すると、アクションとその視覚的な結果を出力する」ポリシーモードを持ち、世界モデルとロボットポリシー学習を1モデルで統合することを目指している。NVIDIAはこれを「Physical AI」向けオープン基盤モデルプラットフォームと位置付けている。
出典: Hugging Face Blog（公式ブログ）
So What?（なぜ重要か）
エッジ推論でロボット制御まで完結する小型世界モデルが、オープンウェイトかつファインチューニング用スクリプト付きで公開されたことは大きな転換点といえる。これまでデータセンター級の計算資源が必要だった「環境の理解→次状態の予測→行動生成」のパイプラインが、Jetsonクラスのエッジ機器で動作可能になることを意味する。製造・物流現場でのAIロボット導入コストと開発ハードルが一段低下する可能性がある。
日本企業への示唆
日本の製造業・物流企業にとって、最も直接的な示唆は「既存のJetson搭載機器やRTX GPU搭載エッジPCをベースにロボットポリシーを内製開発できる土台が整った」点だ。公開されているファインチューニングスクリプトと自社の作業データを組み合わせれば、ピッキングや搬送など特定タスク向けの専用ポリシーを比較的小規模な計算資源（H100クラスター）で構築できる。一方、オープンウェイトモデルであるため、競合他社も同じ基盤を利用できる。差別化は「ドメイン固有の高品質データ収集」と「ポスト学習の反復速度」に移行するとみられ、データ整備・アノテーション体制の構築を先行して進める企業が優位に立つ可能性がある。
背景・経緯
NVIDIAのCosmosシリーズは物理AIを対象とした世界モデルプラットフォームとして展開されており、原文のHugging Faceブログ上では同時期にNeMo AutomodelやNemotron 3 Embedなど複数のモデルも公開されている。Cosmos 3 Edgeは同シリーズのエッジ特化版として位置付けられ、今後はインタラクティブな世界生成・自動運転シナリオのシミュレーション・ロボットポリシーの拡充が予定されると原文は述べている。
