エヌビディア、40億パラメーターの世界モデル「Cosmos 3 Edge」を公開　Jetson Thor上でロボットの動作を計画

エヌビディアが世界基盤モデルをデータセンターからロボット本体へ持ち込んだ。同社は2026年7月20日、コンピューターグラフィックスの国際会議SIGGRAPHで40億パラメーターのオープンモデル「Cosmos 3 Edge」を公開した。データセンター向けGPUなしに、Jetson Thorコンピューター上で場面を推論し、ロボットの動作をリアルタイムで出力できるとしている。

Cosmos 3 EdgeはCosmos 3の3モデルのうち最も小さい。エヌビディアは5月31日のGTC台北でモデル群を発表し、640億パラメーターの「Super」と160億パラメーターの「Nano」を即日公開、Edgeは近日公開としていた。3モデルとも、テキスト、画像、動画、環境音、動作を理解し生成する「混合トランスフォーマー」構造を採る。Edgeは推論を担う自己回帰型の塔と予測を担う拡散型の塔を組み合わせ、言語、映像、音声、動作のトークンが注意層を共有する。推論部はNemotronを基にした20億パラメーターのモデルだ。

重みはHugging Faceで、推論と追加学習のコードはGitHubで公開した。エヌビディアによると、Edgeは新しいJetson T2000とT3000を含むJetsonモジュールのほか、RTX PRO、DGX、GeForce RTXのGPUで動く。BF16精度でJetson Thor上の容量は約9GBだ。同社の技術ブログによれば、Jetson AGX Thor T5000では32個の将来動作のまとまりを約1.53秒で生成し、1つのまとまりは15Hzで約2.13秒分のロボットの動きに当たる。ロボットはまとまりの前半を実行してから計画を立て直すため、前の計画を使い切る前に次の計画が用意される。

映像解析では、RTXシステムで1080p動画を最短22ミリ秒、L40 GPUで約30ミリ秒で解析し、同じパラメーター規模で映像解析ベンチマークVANTAGE-Benchの首位に立ったという。Cosmos 3のステップ蒸留版も公開し、ノイズ除去の手順を50段から4段に減らすことで、品質の低下を抑えながら推論を25倍速くしたと説明した。

ロボット制御の成績は控えめで、エヌビディアはそれもそのまま開示した。フランカのPandaアームとロボティック製グリッパーで集めたデータセット「Cosmos3-DROID」（成功した遠隔操作の軌跡7万6000件、86作業、564場面、約350時間）で追加学習したEdgeは、閉ループ評価RoboLabの言語指示による操作作業120種で成功率22.9%だった。基準となる追加学習にはGB200を4基ずつ積んだノード64台で6万回の反復、約68時間を要した。

エヌビディアはCosmos 3 Edgeを評価中のロボット企業として、アジャイルロボッツ、斗山ロボティクス、シーメンス、スキルドAIを挙げ、スマートインフラ向けの映像エージェントではCentific、Vaidio、YUANを挙げた。5月の発表時には、Cosmos 3のロボット分野の採用企業としてアジャイルロボッツ、斗山ロボティクス、LGエレクトロニクス、サムスン電子、スキルドAIを、自動運転分野で理想汽車を公表していた。スキルドAIは、アジャイルロボッツ、Black Forest Labs、Generalist、LTX、Runwayとともにエヌビディアの「Cosmosコアリション」の創設メンバーでもある。

日本企業の名前はこれらのリストに見当たらない。韓国勢が採用企業5社のうち3社を占め、ドイツのシーメンスが評価に加わる一方、日本の産業用ロボットや電機大手は登場しない。人手不足を背景に工場の自動化需要が強い日本にとって、映像をクラウドに送らず現場で処理できるオープンな世界モデルは使い勝手のよい選択肢になり得るが、エヌビディアが公表した採用企業と評価企業の一覧に国内企業は含まれていない。

狙うハードウエアも戦略の一部だ。エヌビディアが6月1日に発表した研究用人型ロボット「Isaac GR00T」参照機に載るJetson AGX Thor T5000は、40～130ワットの電力でFP4換算2070テラフロップスの演算性能と128GBの統合メモリーを備える。9GBの世界モデルを載せても、認識、安全機能、別の動作方策を動かす余地が残る。参照機はユニツリーのH2 Plusを土台とし、2026年末にユニツリーから供給される予定だ。

業界は開放型と閉鎖型に分かれつつある。10日後に発表されたGoogle DeepMindのGemini Robotics 2は端末向けの動作モデルをテスターに限定し、スキルドAIはS1をアーリーアクセスの申し込み制で提供する。エヌビディアはCosmos 3 Edgeと商用ライセンス付きで30億パラメーターのGR00T N1.7の重みを無償で公開し、学習と実行に要るJetson、RTX、データセンター向けハードで稼ぐ。

世界モデルとは、平たく言えば場面が次にどう変わるかを予測するモデルだ。Cosmos 3 Edgeはその力を2つの方向に使う。動画を生成したり解析したりすることと、場面を目標に近づけるためのモーター指令を予測することだ。両方をロボット上で動かせば、クラウド呼び出しによる通信遅延がなくなり、カメラ映像も現場から外に出ない。

限界はエヌビディア自身の数値に表れている。GB200を256基使い68時間学習させても閉ループの成功率が22.9%という結果は、Edgeが実用の操作方策ではなく研究や試作の土台であることを示す。1.53秒の推論時間は動きの遅い卓上作業には足りても、速い動的な動作には足りない。確認した公開資料では、Cosmos 3 Edgeの商用ライセンス条件も量産での導入例も示されていない。