首页 / 资讯详情
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
摘要
当 AGI 的大脑决定向边缘迁徙，英伟达拿出了统治机器人进化的“终极剧本”。 编辑丨岑峰 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。AI 行业最核心的矛盾正日趋明显：云端算力的指数级爆发，与机器人终端落地的步履蹒跚，构成了一种日益撕裂的鸿沟。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。就在这场范式撞击的火山口上，英伟达物理AI专家Max Li，为我们拆解了其新发布的重量级产品——Cosmos 3。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。以下是英伟达物理 AI 专家 Max Li 的演讲实录，AI科技评论基于原英文演讲内容进行了不改原意的翻译编辑：▎演讲实录：Cosmos 3: An OmniModel of Text, Video, and Action for Physical AI主讲人：Max Li | NvidiaMax 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。▎世界基础模型的核心能力同时，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：理解世界（Understanding the World）： 就像上一位讲者 Laura 提到的，如果你想从微波炉里拿食物，模型必须先理解当前环境的状态，否则根本无法下手。模拟未来（Simulating Outcomes）： 智能体必须能够模拟执行特定