NVIDIAがCosmos 3 Edgeをリリース ── エッジデバイスで動く40億パラメータの超軽量ワールドモデル
工場や倉庫などでロボットを自律動作させるなら、クラウドの通信遅延なしに現場でリアルタイム判断させたい。NVIDIAがHugging Faceで公開した「Cosmos 3 Edge」は、エッジデバイスの制約の中でデータセンター級の物理AI処理をやってのける強力なモデル。現場のロボットの頭脳が劇的に進化しそうな予感がする。
▸何が変わったのか
40億パラメータというコンパクトなサイズでありながら、データセンター級のパフォーマンスをメモリ制限のあるエッジ機器で引き出す設計になっている。NVIDIA Jetson Thorで動かした際、15Hzのリアルタイム制御を達成しつつ、1回の推論で32個のアクションを生成可能。解像度640×360のロボット制御に特化したWorld Action Model (WAM) としてチューニングされている。アーキテクチャは「自己回帰タワー（視覚・テキストの理解・推論）」と「拡散タワー（予測・生成）」の2つのTransformer構造を組み合わせている。4BサイズのモデルとしてはVANTAGE-Benchで1位を獲得。新モジュールのJetson T2000やT3000を含むNVIDIAの各種エッジ環境で動作する。
◈前モデル / 競合との比較
同じ4B（40億）パラメータクラスのモデルと比較して、VANTAGE-Benchのビジョン分析部門で1位、ロボットポリシー学習においてSOTAを達成している。
◈技術背景と意義
「ワールドモデル」とは、AIが物理空間のルールを理解するための仕組み。例えばロボットが物を掴むとき、単に「それが何か」を認識するだけでなく「どうアームを動かせば取れるか」「接触したらどうなるか」を予測できる。Cosmos 3 Edgeは、この環境の理解から未来の予測、そして実際の行動の生成までを1つのモデルでこなしてデバイスに直接載せられる。ネットワークの遅延を気にせず現場で自律判断できるから、実世界で動く物理AIの実用性がグッと上がる。
▸こんな人・用途に
工場や倉庫で稼働する産業用ロボットのリアルタイム制御とアクション生成。病院やスマートインフラでの監視・視覚分析タスク。
SOURCE: Hugging Face (2026-07-20)
