NVIDIAは、ロボットやビジョンAI向けに最適化した40億パラメータの基盤モデル「Cosmos 3 Edge」を公開した。データセンター級の推論能力をエッジデバイスで実現することで、物理空間におけるリアルタイムな判断と行動生成の社会実装を加速させる狙いである。
NVIDIAが発表した「Cosmos 3 Edge」は、同社の物理AI戦略における重要な転換点となる。Hugging Faceの技術ブログによれば、本モデルは推論と理解を司る「自己回帰タワー」と、予測やシミュレーションを担う「拡散タワー」を統合した独自のデュアル構造を採用している。これにより、単なる画像認識を超え、環境の変化を予測し、ロボットの動作を直接生成するという「ワールドモデル」としての機能をオンデバイスで完結させることに成功した。この統合は、エッジ環境におけるリアルタイム推論の可能性を大きく広げるものと考えられる。
Cosmos 3 Edgeは、NVIDIAのJetson Thor上で15Hzのリアルタイム制御を実現し、ロボット操作のタスクにおいて高い性能を誇る。NVIDIAの公式発表によれば、Jetson ThorはBlackwell GPUアーキテクチャとArm Neoverse-V3AE CPUを搭載した最先端プラットフォームであり、2025年8月に開発者キットが、2027年第1四半期には低コスト・低消費電力のT3000/T2000モジュールがリリースされる予定である。さらに、推論ステップを大幅に削減する蒸留手法も併せて提供されており、これにより最大25倍の高速化を達成し、実用的な応答速度を確保している。
これまで大規模言語モデルや画像生成AIの進化はクラウド環境が主戦場であったが、物理的な制約が厳しい現場でのリアルタイムな判断と行動生成へのニーズが高まっている。工場や物流倉庫、医療現場といった環境では、クラウドへの通信遅延が許されないため、エッジデバイス上でのAI処理が不可欠である。NVIDIAの技術文書では、Jetson Thorを「エージェントAIとロボティクス向けのコンパクトかつ強力な製品」と位置づけており、エッジで基盤モデルを実行する能力が汎用ロボティクスの時代を加速させると見られている。
本モデルは、DROIDデータセットを用いたファインチューニング済みモデルや、推論ステップを大幅に削減する蒸留手法を併せて提供している。これは、現場のインフラ運用を担うエンジニアにとって、特定の業務用途へ迅速に最適化されたロボット制御を構築できることを意味する。ゼロからのモデル開発や複雑なデータ収集に要する時間とコストを削減し、既存のシステムへの統合や運用負荷の軽減に注力できるため、オンデバイスAIの社会実装が加速すると考えられる。
物理世界は複雑かつ動的であり、40億パラメータという限られたサイズで未知の環境や突発的な事象にどこまで対応できるかは未知数である。また、NVIDIAのハードウェアに最適化されているため、競合する軽量モデル群との差別化において、移植性や最適化のロードマップが今後の普及における焦点となる。The Robot Reportなどの分析によれば、IntelのPanther Lakeなどが競合として存在しており、ワットあたりの演算性能やバッテリー寿命の観点から代替品として提示されている。NVIDIAはエッジAIチップセット市場で激しい競争に直面している。
