30秒サマリー
- NVIDIAは映像世界モデルを基盤とするWAM（World Action Model）の優位性とCosmos 3の公開を発表
- Cosmos 3は約7億6700万枚の画像・3億4800万本の動画・800万件の行動データで学習した物理AIの基盤モデル
- 商用利用可能なライセンスで公開され、ワークステーションからJetsonエッジデバイスまで多層展開に対応
何が起きたか
NVIDIAのテクニカルブログ（2026年8月4日付）は、従来のVLA（Vision-Language-Action）モデルに代わる新たなアプローチ「World Action Model（WAM）」の技術的優位性と、その基盤モデルとして公開された「NVIDIA Cosmos 3」の詳細を解説した。
VLAは大規模言語・視覚モデルを骨格に持ち、意味理解には優れるが「物体がどう動くか」といった物理ダイナミクスを本質的に学習していないため、訓練環境外での汎化が課題とされてきた。これに対しWAMは映像世界モデルを骨格とし、物理的な因果関係をあらかじめ学習しているため、未見のタスクや環境にゼロショットで転用できるとNVIDIAは説明している。
Cosmos 3はMixture-of-Transformers（MoT）アーキテクチャを採用した「オムニモデル」で、テキスト・画像・映像・音声・行動を単一モデルで扱う。パラメータ規模は4B（Cosmos Edge）・16B（Cosmos Nano）・64B（Cosmos 3 Super）の3段階。Franka Pandaアーム向けにポスト学習された16Bポリシーモデル「Cosmos3-Nano-Policy-DROID」はNVIDIA RTX PRO 6000で動作し、4B版はNVIDIA Jetson Thor上で15Hzのリアルタイム制御を実現するとされる。
同社が公開したCosmos 3技術レポートによれば、オムニ事前学習チェックポイントから開始したDROIDポリシーは、ベースチェックポイント出発と比較してRoboLab成功率が28.1%から36.8%に向上した。モデルのウェイト・データセット・ポスト学習レシピ・評価ツールは商用利用を許可するライセンスのもとHugging FaceおよびGitHubで公開されている。
原典ハイライト
NVIDIAの研究論文「World Action Models are Zero-shot Policies」を引用しつつ、同社技術者Jim Fanによる「VLAは終わった、WAMの時代へ」という提言と、その具体的実装としてのCosmos 3を詳説。オムニ事前学習によるRoboLab成功率の数値的改善（28.1%→36.8%）が実証的根拠として示された。
出典: NVIDIA Technical Blog（公式ブログ）
So What?（なぜ重要か）
ロボット開発における「大量デモンストレーションデータの収集コスト」と「訓練外環境への汎化限界」という二大課題に対し、物理ダイナミクスを内包する世界モデルが実用的な解となりつつある。商用利用可能なオープンモデルとして公開されたことで、NVIDIAのエコシステムを軸にロボット産業の開発競争が加速する可能性がある。
日本企業への示唆
日本の製造業・物流企業がロボット導入・内製開発を検討する際、Cosmos 3はゼロから物理モデルを構築せずに済む「スタート地点」を提供する。特に多品種少量生産や環境変化が多い現場では、少ないデモデータで新タスクへ適応できるWAMの特性が有効とみられる。一方でCosmos 3は16Bパラメータ級のモデルが主力であり、ワークステーション運用が前提となるため、エッジ展開にはJetsonシリーズとの組み合わせや4Bモデルの性能検証が必要になる。自社ロボットに対応させるには依然としてポスト学習（ファインチューニング）とLeRobotDataset形式でのデータ整備が求められる点も留意したい。
背景・経緯
ロボット操作の汎用ポリシー構築では、大規模VLM（視覚言語モデル）にアクションヘッドを追加するVLAが主流だった。しかしVLMは画像をテキストで説明するよう最適化されており、物理ダイナミクスの予測には構造的な限界があると指摘されてきた。NVIDIAはこれに対し映像生成世界モデルであるCosmosシリーズを開発・公開しており、今回のCosmos 3はその最新版にあたる。
