NVIDIA、エッジ向けロボットAI「Cosmos 3 Edge」を発表

NVIDIAは2026年7月15日、東京でロボットや視覚AIエージェント向けの新しいAIモデル「Cosmos 3 Edge」を発表しました。40億(4B)パラメータの「オープンワールドモデル」で、Jetson Thorなどのエッジ端末上でリアルタイムに周囲の状況を認識し、ロボットの行動を生成できるのが特徴です。同時にNVIDIAは、FANUCや富士通、日立、川崎重工業、クボタ、NEC、ソフトバンク、ソニー、安川電機など日本の主要ロボット・製造業各社が「NVIDIA Cosmos Coalition」への参加を予定していることも明らかにしました。モデルはHugging Face上で公開されており、開発者はすぐに試すことができます。

背景

NVIDIAは「Cosmos」ブランドで、ロボットや自動運転など「フィジカルAI」向けの基盤モデル群を展開してきました。従来のロボット向けAIは、クラウドの大規模GPUで推論する前提のものが多く、現場のロボットやカメラに搭載するには処理能力や消費電力の制約が課題でした。今回のCosmos 3 Edgeは、NVIDIAのエッジ向け計算基盤「Jetson Thor」シリーズ(新型のJetson T2000・T3000を含む)の展開に合わせて発表されたもので、モデルの推論をエッジ側で完結させる方向性を示すものです。

詳細

Cosmos 3 EdgeはNVIDIAのNemotronをベースに構築された、40億パラメータの「オープンワールドモデル」です。アーキテクチャは、ビジョン・テキストのトークンを扱う「自己回帰タワー」と、ビジョン・オーディオ・行動のトークンを扱う「拡散タワー」という2つのTransformer構造からなり、両者を「共有マルチモーダルアテンション層」で統合しています。640×360の解像度の映像を入力として動作し、NVIDIAのロボット向け計算基盤「Jetson Thor」上ではリアルタイム制御(15Hz)を実現し、1回の推論で32のアクションを生成できるとしています。対応ハードウェアとしては、RTX PRO GPU、DGX、GeForce RTX GPU、Jetson(新型のT2000・T3000を含む)が挙げられています。

NVIDIAは、同程度のパラメータ規模(4B)のモデルを比較するベンチマーク「VANTAGE-Bench」で首位になったほか、ロボットの行動方針(ポリシー)学習でも最先端の成果を出したと説明しています。あわせて、ロボット操作データセット「DROID」で微調整した派生版「Cosmos 3 Edge Policy (DROID)」や、生成にかかるステップ数を35〜50ステップから4ステップに圧縮し最大25倍高速化したという「Cosmos 3 Super 4-Step」も公開されました。開発者はオープンな「Cosmos」フレームワークを使い、自社のロボットやセンサー構成に合わせて約1日で追加学習(post-training)できるとされています。モデルはHugging Face上(huggingface.co/nvidia/Cosmos3-Edge)で公開されています。

同日、NVIDIAは日本の主要ロボット・製造業各社が「NVIDIA Cosmos Coalition」への参加を予定していることも発表しました。報じられている内容によれば、AIRoA、FANUC、富士通、日立、川崎重工業、クボタ、NEC、ソフトバンク、ソニー、安川電機などが名を連ねており、富士通はFANUCなど3社と協業して産業用AIの統合制御プラットフォームを構築するほか、川崎重工業は医療・造船・運輸など複数分野での応用、クボタは自動農業・スマートファーミング向けの活用を探索しているとされています。

なぜ重要か

ロボットや工場設備に搭載するAIは、これまでクラウドとの通信遅延や電力・コストの制約から「現場での即応性」を確保しにくいという課題がありました。Cosmos 3 Edgeのようにエッジ端末上で完結する軽量モデルが実用レベルの性能を示せば、製造・物流・農業などの現場でロボットを導入するハードルが下がっていく可能性があります。日本の主要な製造・ロボット企業が相次いで採用検討に動いていることも、この分野が実証段階から導入段階へと移りつつあることを示す動きといえます。

今後の見通し

NVIDIAは今回、Hugging Face上でモデルを公開しており、今後は世界各地の開発者やロボットメーカーによる検証・活用事例が増えていくとみられます。日本企業を含むCosmos Coalition参加各社が実際にどのような製品・サービスに落とし込んでいくかは、今後の発表を注視する必要がありそうです。