NVIDIA、世界モデルのトレーニング・評価・展開に向け「Cosmos」プラットフォームを拡張

NVIDIAは、世界モデル（World Model）の構築・評価・展開を加速させる開発者向けツール群、シミュレーション用チェックポイント、クラウドネイティブなブループリント（設計図）を発表し、「Cosmos」プラットフォームの大幅な拡張を明らかにした。フィジカルAIシステムが実世界の環境を理解・シミュレートできるように設計された同プラットフォームは、現在、6つの主要なオープンモデルリーダーボードにおいて上位5位以内にランクインしている。

今回のアップデートにより、開発者はマルチモーダルなトレーニングデータセットの大規模化、モデルのファインチューニングや蒸留、そして実環境への展開前に行うロボティクスや自動運転ポリシーのシミュレーションが可能となる。

データ準備に向けたクラウドネイティブなブループリント

世界モデルは、リッチでマルチセンサ（多感覚）なデータに大きく依存している。データの不足やキュレーションのボトルネックに対処するため、NVIDIAはGPUアクセラレーション対応の動画キュレーションエンジン「Cosmos Curator」をアップグレードし、マルチモーダルおよびマルチセンサの入力に対応させた。

Curatorと並び、NVIDIAはGitHub、Microsoft Azure、Nebius、CoreWeave経由で利用可能な5つのクラウドネイティブな「Cosmos Data Factory」ブループリントを発表した。

• 自動運転車向けデータセット生成（Autonomous Vehicle Dataset Generation）： 実際の走行データをキュレーション・ラベリングしつつ、まれなエッジケースを合成する。

• 画像属性拡張（Image Attribute Augmentation）： オブジェクトの属性を変更し、ビジュアル検索システムを高度化する。

• イベント動画生成（Event Video Generation）： 静止画像を変換し、まれな事象や危険なシナリオを描いた合成動画シーケンスを生成する。

• 欠陥画像生成（Defect Image Generation）： 産業用の品質検査向けに、プリント基板、ガラス、金属上の欠陥画像を合成する。

• 動画データ拡張（Video Data Augmentation）： シーンの幾何学的構造を維持しながら、既存の動画フィード内の照明や天候条件を調整する。

製造業や自動車業界のパートナー各社は、すでにこれらのブループリントを採用し始めている。Porscheは、Microsoft Azure上のVoxel51を介してCosmos Data Factoryを活用し、Volkswagen Groupのブランド横断で共有する自動運転データフライホイールを開発中だ。これにより、実車による反復テスト走行を最大90%削減し、開発サイクルを最大85%短縮することを目指している。産業用ロボットメーカーのANYboticsは、CosmosのブループリントとEncordを用いて1,500本以上の合成動画クリップを作成し、液体漏れを検知する検査ロボットのトレーニングに活用。また、コンピュータビジョン企業のUltralyticsは、合成欠陥生成を利用してYOLOモデルを再トレーニングし、位置検出精度と再現率の向上を実現した。

トレーニング、適応、モデル蒸留

GTC Berlinで発表された拡張版Cosmos Frameworkは、Cosmos 3および互換性のあるオープンモデル全体において、トレーニングと最適化のワークフローをエージェント的スキル（Agentic skills）として利用可能にする。開発者は、GR00T、Alpamayo、QWEN、Pi0.5をはじめとするHugging Faceの各種アーキテクチャに対して、ファインチューニングや強化学習を適用できるようになる。

本フレームワークは、量子化や蒸留といったモデル最適化技術をサポートする。一例として、ロボティクス研究所のMicroAGIは、一人称視点（エゴセントリック）の操作映像を用いてCosmos 3の事後トレーニングを実施し、320億パラメータの推論モデルを、精度を落とすことなく80億パラメータのNanoモデルへと蒸留した。また開発者は、Roboflowを使ってデータへのラベリングやCosmos 3の事後トレーニングを行い、生成されたモデルを倉庫や工場内のエッジGPUに直接デプロイすることも可能だ。

クローズドループ・シミュレーションとリアルタイム推論

評価プロセスを効率化するため、NVIDIAはインタラクティブなシミュレーションに特化した新しいCosmos 3 Nanoモデルのチェックポイントをリリースした。これらのバリエーションにより、開発者は実世界に展開する前に、再現可能かつマルチビューなシナリオを用いて、自動運転車や両腕マニピュレーションロボット向けのクローズドループ・ポリシーを検証できる。

本番環境のワークロード向けには、アップデートされたCosmos 3 NIMマイクロサービスが、出力品質を損なうことなく最大2倍の推論性能を発揮し、継続的な動画解析において1秒未満のアラート通知を実現する。

さらにNVIDIAは、動画検索・要約（VSS）向けの「Metropolis Blueprint 3.3」をリリースした。Cosmos NIMマイクロサービスを搭載したこのブループリントにより、同一のGPUハードウェア上で監視可能なカメラストリーム数が40%増加する。エネルギー大手のADNOCは、すでにFogsphereのMistIQプラットフォームを通じてこのアーキテクチャを統合し、65カ所の運用拠点で安全上の危険をリアルタイム監視している。ここではCosmos Data Factoryの合成データを活用することで、実世界で危険な状況を実際に再現することなくシナリオを網羅している。