英伟达 Cosmos 3 深度拆解：它想做具身智能时代的「安卓系统」 RSS 2026

2026 年，大模型行业正经历一场前所未有的“体感位移”。那个在纯数字世界几乎无往不利的 Scaling Law，在试图跨越到物理世界时，正遭遇物理规律、空间约束和长尾数据的残酷审判。 这种割裂感，在 7 月悉尼 RSS 2026的最后一天，被推向了最高潮。在“Robot World Models（机器人世界模型）”Workshop 上，传统机器人学界对物理因果的“敬畏”，正与 AI 工业界对规模效应的“迷信”正面交锋。 这不再仅仅是一个更逼真的视频生成器：它是全球首个在同一个 Transformer 架构下，彻底打通了文本、视觉、音频和动作全模态的世界基础模型。如果说过去两年的具身智能还处于“组装机”时代：开发者需要吃力地将视觉模型、语言模型和控制算法像乐高一样拼凑在一起，那么 Cosmos 3 的出现，则宣告了“整机一体化”时代的到来。 在现场演讲中，Max Li 还释放了一个明确信号：具身智能的下半场将不再属于数据中心，而是属于边缘侧。通过让 AGI 的大脑迁徙到 Jetson 等边缘设备上实时运行，英伟达正在终结机器人背着服务器跑的包袱。 这背后是英伟达作为算力霸主的终极野心：它不仅要做硬件的垄断者，还要做具身智能时代的“安卓系统”。它正试图通过定义一套标准化的“大脑与肢体”协议，让全球碎片化的机器人形态，都能在 Cosmos 的逻辑底座上实现统一进化。 Max Li：感谢主持人的精彩介绍。很荣幸今天能在这里向大家展示我们最近的研究成果：Cosmos 3。这是一个面向物理AI的多模态世界基础模型。 在物理AI领域，目前最大的挑战之一就是数据。与计算机视觉智能体或大语言模型（LLM）相比，获取物理世界的数据会受到时间和空间线性特征的极大限制：我们无法像扩展算力那样轻松地去扩展物理数据。 这也是为什么我们认为，仅仅靠远程操作或合成数据是无法完全解决这个问题的，我们需要更核心的技术。因此，我们引入了世界基础模型（World Foundation Model）的概念，希望它能成为许多物理 AI 应用的真正基石。 同时，我们花了很多时间去思考：一个合格的世界基础模型究竟应该由什么组成？特别是从智能体的角度来看，一个模型应该如何与世界互动才能称得上是“基础”？我们认为有几个关键能力至关重要： 模拟未来（Simulating Outcomes）：智能体必须能够模拟执行特定动作后的结果。在真实世界中，试错成本极高，打破一个玻璃杯是不可逆的。但在计算机仿真环境中，你可以反复打破东西，成本为零。因此，模拟未来走向的能力非常关键 Laura 刚才提到的思路很好，我们也深有同感。基本上，我们将所有模态都整合进了单个模型中：从文本、图像、视频、音频，一直到动作，并且能够生成所有这些模态。接下来我们可以深入看看 Cosmos 具体能做些什么。 首先是理解真实世界。例如，给定一段机器人执行任务的观测视频，我们的模型本质上可以像 VLM（视觉语言模型）一样运行，去推理从什么时间到什么时间发生了什么，或者对观测结果进行预测。我们认为理解世界是构建任何模型的基石，没有理解，就无法采取行动。 此外，我们认为生成能力同样关键。我们选择将音频、视频和动作放在一起进行联合建模。在这个示例中，音视频的生成其实是验证模型的一种方式，让我们能够确信模型在特定的控制和条件输入下，对未来的结果有着正确的理解。其中，引入音频条件尤其有趣，因为在物理交互中，很多线索（比如碰撞、摩擦）是通过音频观测来提示的。这也是我们将音频纳入基础模型训练的原因。 在世界模拟方面，这里有一个 Cosmos 模拟人类与世界复杂交互的例子。左下角显示了头显相机的运动轨迹，右下角显示了手部姿态。模型模拟了人把某个东西加热然后放到桌上的全过程。 我们坚信，第一人称视角（Ego-centric）数据是基础模型获取物理交互深度知识的最有效途径。我们正与许多团队和开源社区合作，将这类知识注入模型中。 此外，我们还实现了反向动力学（Inverse Dynamics）。这不仅是指给定动作来预测未来的视觉观测，还能通过多视角观测，反推驱动这些视觉变化的底层动作是什么。如果你有海量没有配对动作标签的视频数据，这可以作为一个极佳的数据挖掘工具。在这个例子中，我展示了如何用预测出的动作去驱动这个机器人（Robot）的 URDF 模型，从而让机器人向前移动。 当我们对所有可能的物理结果（如动力学、视频演变、文本理解等）进行了足够充分的建模后，这个模型就可以直接转化为一个策略模型（Policy Model），在现实世界中执行动作。 虽然目前展示的 Demo 可能不是最惊艳的，但其核心逻辑在于：只要模型对状态及其转移机制的建模足够深刻，它自然就具备了策略能力，能够接收特定指令并在现实世界中执行。 在 Cosmos 发布时，我们推出了现成可用的不同版本：比如面向服务器端的超大模型（Super 系列），但它们对许多机器人实时任务并不友好。因此，我们花了很多精力开发了 Cosmos Edge端侧模型。我们发现它可以在 Jetson 等端侧设备上实现实时推理，而不需要服务器级的 GPU。这对于该领域的广大开发者来说应该会非常实用。 另外，自发布以来的一个新进展是，我们与 Pi 团队合作展示了策略评估（Policy Evaluation）的可能性。我们并不是说现在就可以完全取代真实世界的评估，但我们确实可以把一部分评估工作离线化，并在这方面取得了很好的进展。策略可以与 Cosmos 进行交互，利用 Cosmos 的逆动力学能力来做一些非常有趣的事情。屏幕上方展示的是真实世界中的策略表现；而在在线策略评估期间，它决定不把球放进垃圾桶，导致任务失败——但这正是我们目前技术已经能够模拟和评估出来的。 前面提到了很多内容，这段视频对我说过的话做了一个总览：包括 VLM 能力、粒子跟踪（Particle Fit）、移动（Move it）、图文视频音频的输入输出、全局策略、前向动力学模型、逆动力学模型等。我们只是在不同的输入和输出组合上进行配置，使得单个模型就能把它们全部打通。 这是一个 MoE（混合专家）架构。在注意力掩码（Attention Mask）的设计上，我们在进行世界理解（推理）时采用因果自注意力（Causal），而在生成时则采用双向注意力（Bi-directional）。 作为一个机器人技术会议，我必须提一下我们是如何在不同的具身（Embodiments）之间统一动作矢量的。我们支持各种形态：包括左上方显示的汽车（AV）、相机运动（第一人称运动）、单臂机器人、双臂机器人以及人形机器人。我们使用了一些启发式规则将不同的动作向量耦合在一起，使它们在语义空间中尽可能地共享。 但这里有个难点：语言的 Token 是没有时间概念的，而你必须处理视频、音频和动作的时间同步。我们的做法是：选择24 FPS作为基准线。当输入不同帧率的视频时，我们会基于 24 FPS 重新计算它们的索引，从而让所有内容在真实时间轴上对齐，而不是产生偏差。 关于数据，我们在预训练阶段为推理器筛选了大约2200 万个可训练样本，涵盖 OCR、视觉定位等多个领域。在监督微调（SFT）阶段，我们提取了其中专门针对物理 AI 的子集。 1.预训练：主要是图像生成、视频生成以及图生视频（I-to-V）。这部分预训练数据折合大约1000 万小时的视频（做个转换方便大家对数据量有个直观的概念）。 2.中期训练（Me-training）：我们引入了额外的模态，特别是动作，以及在机器人领域非常流行的跨域传输数据。例如，我们会生成资产仿真视频，虽然它在仿真里看起来很假，但我们可以对其进行渲染，使其达到照片级真实，同时不改变视频的物理特性。我们也把这些数据包含在内。 3.后期训练（Post-training）：论文发布时我们只训练了 Nano 和 Super 版本。我们对其进行了文生图、文生视频、图生视频的后训练，以及一些与在座各位更相关的部分——即专门用于策略输出的策略模型，好让大家了解 Cosmos 如何转化为策略以及它如何工作。 我们看到了非常清晰的扩展定律（Scaling Law）。这里先不谈策略（因为策略需要满足实时性），但在图像和视频生成上，更大的模型有着极其明显的优势。 最后也非常重要的一点：Cosmos 是完全开源的。我们尽量做到尽可能的开放。我鼓励大家去看看我们的项目，而且我会坚持手动去回复 GitHub 上的所有 Issue。没有用任何 AI Agent，真的是我本人手动回复。我每天都在抽时间研究模型和不同代码里到底存在什么问题。所以如果大家有任何疑问或遇到 Bug，请告诉我们，在每天 24 小时的时间限制内，我会尽全力为大家提供支持。 我们发布了模型、代码，还发布了一篇非常长的论文，但我们尝试在里面塞入了尽可能多的细节。这也是一项惊人的通力合作，有超过 100 人共同参与，才最终诞生了 Cosmos。我们希望它能为社区未来想要开发的许多应用打下坚实的基石。 主持人：非常感谢 Max 的精彩演讲。我想先问一个问题：你们把所有模态都塞进了一个超大模型里，那么是否有证据表明，这个大模型确实缩小了动作落地差距（Action Grounding Gap）？最终由该策略（特别是端侧的 Edge 版本）生成的动作，是仅仅“看起来可行”，还是在物理上真正切实可行？ Max Li：这是一个非常好的问题。如果你读过论文，里面会有更详细的内容。例如，在 Cosmos 的预训练阶段，我们完全没有包含任何 PID 控制信息之类的数据。它纯粹是作为一个状态转移机器（State Transition Machine）来进行训练的。 直到后期训练（Post-training）阶段，所有的控制信号才被引入。当我们在进行针对特定机器人的联合后训练时，我们把控制信息加了进去，这时它才真正变得实用。这里面其实包含了一些哲学思考：我们发现，预训练应该尽可能地保持通用性和泛化性，而通过后训练来让它在特定任务上真正变得有用。 观众提问：请问如何衡量 Cosmos 在物理规律上的精确度？我指的是在视频生成过程中，如何测量预测的物理走向与现实物理规律之间的差距？ Max Li：是的，我们使用了一些特定的基准测试（Benchmarks）来进行物理评估，比如 VBench 等，这些工具是专门为了评估生成视频的物理合理性而设计的。 至于将“动作”纳入建模是否提升了物理精确度——虽然在这一版迭代中，我们还没有拿到极其强烈的全局统计数据，证明加入动作能提升所有领域的视频物理预测（因为毕竟不是所有互联网视频都带有机器人动作标签），但我们确实观察到，在机器人和具身智能相关的特定领域，引入动作显著提升了模型对未来视觉走向的预测精度。在这些场景下，该模型被证明是非常有帮助的。 观众提问：非常感谢您的演讲。我注意到 Cosmos 模型有不同尺寸的多个版本（如 Edge, Nano, Super），同时您也提到训练这个模型使用了数百万小时的视频数据。那么，你们在训练不同尺寸的模型时，使用的是不同数量的视频数据，还是说所有模型使用的数据量是一致的？ Max Li：非常深刻的问题。通常在研究扩展定律（Scaling Law）时，你会希望确保 Token 的数量能与你的参数量保持合理的比例（Compute-optimal）。但对于端侧模型（Edge Model），我们确实不得不做出一些权衡和妥协。 例如，在 Edge 模型中，我们彻底砍掉了音频模态。因为我们发现对于大部分端侧任务来说，音频并非必需，而且砍掉它能腾出更多资源；但当我们把模型扩展到 16B（Nano）和 64B（Super）时，就不会遇到这种资源受限的问题。 这是一个非常好的痛点，也是一个非常开放性的课题：在做这种技术权衡时，完全取决于你手头的数据。因此，我的经验由于数据不同，可能无法直接复制到其他团队的经验中。但总体而言，是的，在不同的模型体量之间确实存在一些数据和模态上的权衡。我依然坚信模型越大效果越好，希望我们未来能真正训练出一个终极的物理 AI 基础模型。