NVIDIA Cosmos 3、4つの新オープンモデルを追加：単体ロボットから自動運転まで全カバー、しかし96GB VRAMという現実的なハードルも

2026年11月5日、NVIDIAはHuggingFaceを通じてCosmos 3 Nanoシリーズの4つのオープンウェイトチェックポイントを公開し、インタラクティブな世界シミュレーション能力を自動運転とロボティクスという2大分野へ正式に拡張した。4つのチェックポイントはCosmos3-Nano-Transfer-Auto、Cosmos3-Nano-Sim-Auto、Cosmos3-Nano-Sim-Transfer、Cosmos3-Nano-Sim-Bimanualで、それぞれ160億のトレーニング可能パラメータを持ち、Linux財団が監督するOpenMDW-1.1ライセンスのもとで公開されている。商用・非商用利用が認められているが、「Built on NVIDIA Cosmos」というクレジット表記が必要となる。

今回の公開は、2026年5月31日のGTC台北／Computexでのメイン発表以来、Cosmos 3ファミリーとして最大規模の拡張となる。当時、NVIDIAのCEOであるJensen Huang氏は基調講演においてCosmos 3を「フィジカルAIのオープンフロンティア基盤モデル」と位置づけ、Super（640億パラメータ）とNano（160億パラメータ）の2種類のウェイトを同時公開した。40億パラメータのEdgeバージョンは同年7月にリリースされた。

「マルチモデルパイプライン」から「単一モデルによる全カバー」へのアーキテクチャの論理

この4つの新チェックポイントの価値を理解するためには、まずCosmos 3の基盤アーキテクチャが何を実現したかを把握する必要がある。技術的分析によれば、これまでのフィジカルAIシステムは通常、チェーン呼び出しに依存していた。すなわち、あるモデルがシーン理解を担当し、別のモデルが世界生成を担当し、さらに別のモデルがロボットの行動予測を担当するという構造で、各インターフェース間に統合コストが生じていた。Cosmos 3はこのパイプラインをMixture-of-Transformersデュアルタワーアーキテクチャで置き換えた。

2つのタワーの役割分担として、Reasoner Towerは自己回帰型視覚言語モデルとして理解と推論を担い、Generator Towerは拡散Transformerとして物理的に正確な動画と未来フレームの生成を担う。両者は3次元回転位置埋め込みを共有しており、GeneratorはReasonerのコンテキスト出力の上で動作することが必須となっている。推論が生成に先行するという設計上の強制制約が設けられている。システム全体は約20兆トークンの画像、動画、音声、行動データで訓練されている。

11月5日に公開された4つのチェックポイントはいずれもNanoをベースに特定タスク向けに後訓練されたバージョンであり、「双方向適応→教師強制→一貫性蒸留→自己強制」という4段階の訓練スキームに従っている。このスキームは自己回帰生成における誤差累積の問題に重点的に対処している。つまり開発者が受け取るのは汎用ベースモデルではなく、目標シナリオに最適化され、シミュレーションパイプラインに直接組み込める専用モデルである。

4つのチェックポイント、2つの産業トラック

機能の区分から見ると、この4つのモデルは明確に2つのアプリケーション層をカバーしている。

自動運転側では、Transfer-Autoが異なる天候・照明・時間帯を含むマルチビュー走行データの生成を担当する。Sim-Autoは同期されたカメラ画像とLiDAR点群を出力し、走行シミュレーターに直接接続できる。Sim-Transferはシミュレーター制御信号とテキストプロンプトをフォトリアルな動画に変換し、シミュレーション環境と現実の分布間のドメインシフト問題を解決する。

ロボティクス側では、Sim-BimanualがYAMとAgiBotという2種類の双腕ロボット形態のインタラクティブシミュレーションをサポートし、ポリシーモデルによる制御またはコントローラーを通じた人間によるリアルタイム操作が可能だ。このインターフェース設計により、研究者は実際にハードウェアを展開することなく双腕操作データを収集できるほか、人間によるテレオペレーションでエッジケースのトレーニングデータを補完することもできる。

このようなオープンかつタスク専用の世界モデルチェックポイントにより、希少な走行シナリオやロボットトレーニングデータの生成コストが低下し、現実環境でのすべての極端な状況を個別に収集する必要がなくなる。これはシミュレーションデータによる実データ代替という論理の直接的な延長であり、自動運転チームにとって特に重要だ。雪天夜間での突発的な割り込みシナリオをシミュレーション内で大量生成できるようになり、実際の路上テストに頼る必要がなくなる。

オープンライセンスの背後にあるハードウェアの現実

Cosmos 3のライセンス戦略は、現在の大規模モデルエコシステムの中では比較的オープンな部類に入る。OpenMDW-1.1は商用利用と派生モデルを許可しており、クレジット表記のみを要求する。Llamaシリーズの商用規模に関する制限や一部モデルの完全クローズド戦略と比べると、このライセンスはスタートアップや研究機関に一定の余地を残している。

しかしハードウェアの要件は別問題だ。技術ガイドラインによれば、Nano（160億パラメータ）の動作には最低96GBのVRAMが必要で、RTX PRO 6000ワークステーションクラスまたはマルチGPU構成に相当する。Super（640億パラメータ）はH100、H200またはB200データセンターGPU上での動作が必須となる。組み込み展開向けのEdge（40億パラメータ）はJetsonデバイスを対象としてハードウェア要件は低めに抑えられているが、カバーできる機能も相応に限定される。

これは「オープンウェイト」のアクセシビリティが実際には明確に階層化されていることを意味する。学術チームや大規模な自動運転企業はインフラ要件を満たしているが、ほとんどのロボットスタートアップにとってNanoをローカルで直接推論するには依然としてハードルが高い。クラウド推論によってVRAM制約を回避することは可能であり、NVIDIAはそのためにCosmos NIMマイクロサービスインターフェースを提供し、GPUアクセラレーションによるホスティング呼び出しをサポートしている。

エコシステムの統合と1000万ダウンロードが示すシグナル

開発の進展ペースを見ると、NVIDIAの公式フォーラムのデータによれば、Cosmosシリーズは2026年7月27日時点で累計1000万ダウンロードを突破している。8ヶ月足らずでこの規模を達成したことは、開発者コミュニティにおけるフィジカルAIインフラへの需要が確実に存在し、急速に拡大していることを示している。

NVIDIAは同時に「Cosmos Coalition」を推進しており、世界モデルの構築者、AI開発者、フィジカルAI領域の企業をエコシステムアライアンスとして統合しようとしている。Figure AIやBoston Dynamicsといったロボティクス企業は、ヒューマノイドロボットや自動運転向けの世界モデル訓練にCosmos 3を活用することを検討している。このエコシステム戦略はかつてのCUDAの歩みと非常に似ている。オープンなツールチェーンで開発者の依存関係を構築し、ハードウェアを通じてバリューチェーン全体を引き寄せるという手法だ。

今回のNVIDIAの発表における戦略的意図は明確だ。オープンウェイトでエコシステムを拡大し、タスク専用チェックポイントで参入コストを下げ、ハードウェアの階層化によってエンタープライズユーザーをデータセンター構成へと誘導する。これは構造的に完結したエコシステム戦略だが、フィジカルAIの真の価値は最終的に現実の環境下でのロボットと車両によって証明される必要がある。